Yazar "Sefer, Tuba" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • [ X ]
    Öğe
    Derin öğrenme ile güneş panellerinde toz tespiti
    (Siirt Üniversitesi, 2024) Sefer, Tuba; Kaya, Mahmut
    Günümüzde, güneş enerjisi, temiz ve sürdürülebilir bir enerji kaynağı olarak önem kazanmıştır. Ancak güneş panellerinin verimliliğini etkileyen faktörler arasında panel yüzeyinde biriken kirlerin etkisi önemli bir yer tutmaktadır. Bu tez, transfer öğrenme yöntemleriyle kirli ve temiz güneş panellerinin sınıflandırılması üzerine odaklanmaktadır. Güneş panellerinin temizlik durumunun belirlenmesi, bakım stratejilerinin optimize edilmesi açısından kritik bir öneme sahiptir. Bu çalışmada, güneş enerjisi sistemlerindeki verimliliği artırmak amacıyla, özellikle kirli ve temiz güneş panellerini sınıflandırmak için transfer öğrenme yöntemleri incelenmektedir. Güneş panellerinin yüzeyinde biriken kir, çeşitli faktörlerden kaynaklanabilir ve bu kirin temizlenmemesi, enerji verimliliğini azaltabilir. Bu nedenle, güneş panellerinin durumu hakkında hızlı ve doğru bir sınıflandırma yapabilen otomatik bir sistem, bakım süreçlerini optimize etmek için kritik öneme sahiptir. Bu tezde, transfer öğrenme, önceden eğitilmiş derin öğrenme modellerini kullanarak, sınırlı sayıda etiketli veriyle yeni bir görevi çözmek amacıyla değerlendirilmiştir. Çeşitli önceden eğitilmiş modeller (EfficientNetB3, ResNet50, MobileNet, VGG19, Xception, InceptionResNetV2, VGG16, ResNet101, DenseNet201, EfficientNetB7) üzerinde transfer öğrenme yöntemleri uygulanarak, güneş panellerinin temizlik durumunu belirlemek için yeni bir model oluşturulmuştur. Çalışmada, modeller oluşturulmuş, eğitilmiş ve test edilmiştir. Ayrıca, farklı modellerin doğruluk oranları karşılaştırılmış ve en iyi performans gösteren modeller belirlenmiştir. Belirli modellerin tahminlerini birleştirerek ve bu birleşik tahminlerle gerçek etiketleri karşılaştırarak en iyi model kombinasyonlarını belirlemeye yönelik bir analiz gerçekleştirilmiştir. Böylece, özellikle farklı modellerin güçlü yanlarını birleştirerek daha güçlü bir sınıflandırma sonucu elde etmeye çalışan bir transfer öğrenme yaklaşımı oluşturulmuştur. Sonuç olarak, bu tez çalışmasında güneş panellerinin temizlik durumlarını tespit etmek için etkili bir transfer öğrenme modeli geliştirilmiştir. Elde edilen modeller, güneş enerjisi sistemlerinin bakım süreçlerini optimize etmek, enerji verimliliğini artırmak ve uzun vadede sürdürülebilir enerji kullanımını desteklemek için potansiyel bir katkı sağlanması hedeflenmektedir.
  • [ X ]
    Öğe
    DETECTION OF DUST ON SOLAR PANELS WITH DEEP LEARNING
    (2024) Sefer, Tuba; Kaya, Mahmut
    Solar energy is an environmentally friendly, clean, and sustainable alternative. The widespread use of this energy source offers excellent environmental and economic benefits. However, some factors affect the efficiency of solar panels. One of these factors is dust. When dust accumulates on the surface of solar panels, it can significantly reduce the efficiency of energy production. Therefore, detecting and quickly removing dust from solar panels is crucial. Managing this process with unmanned artificial intelligence systems, especially in large areas, will provide significant advantages in terms of time and cost. In recent years, convolutional neural networks have achieved significant success in image classification. In particular, transfer learning methods have proven their success in this field. In this study, we aim to solve a new task with limited data using pre-trained deep learning models (EfficientNetB3, ResNet50, MobileNet, VGG19, Xception, InceptionResNetV2, VGG16, ResNet101, DenseNet201, EfficientNetB7) to classify dirty and clean solar panels. These models were chosen because they each have different strengths and have performed well on various tasks. The models with the best performance among these models are combined to improve classification prediction. The proposed ensemble learning approach achieved 99.31% classification accuracy by considering the prediction results of the models with a voting approach. As a result, this approach aims to optimize the maintenance processes of solar energy systems, improve energy efficiency, and support sustainable energy use in the long term.