Derin öğrenme ile güneş panellerinde toz tespiti
[ X ]
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Siirt Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
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.
In today's world, solar energy has gained significance as a clean and sustainable energy source. However, among the factors influencing the efficiency of solar panels, the impact of accumulated dirt on the panel surface holds a crucial place. This thesis focuses on the classification of dirty and clean solar panels using transfer learning methods. Determining the cleanliness status of solar panels is of critical importance for optimizing maintenance strategies. In this study, transfer learning methods are examined, specifically aiming to classify dirty and clean solar panels to enhance efficiency in solar energy systems. Dirt accumulation on the surface of solar panels can result from various factors, and the failure to clean this dirt can reduce energy efficiency. Therefore, an automatic system capable of quickly and accurately classifying the condition of solar panels is crucial for optimizing maintenance processes. In this thesis, transfer learning is evaluated for solving a new task with a limited amount of labeled data, using pre-trained deep learning models. Various pre-trained models (EfficientNetB3, ResNet50, MobileNet, VGG19, Xception, InceptionResNetV2, VGG16, ResNet101, DenseNet201, EfficientNetB7) undergo transfer learning methods to create a new model for determining the cleanliness status of solar panels. Models are developed, trained, and tested in the study. Additionally, the accuracy rates of different models are compared, and the models that exhibit the best performance are identified. An analysis is conducted to determine the best model combinations by combining the predictions of specific models and comparing these combined predictions with the actual labels. Thus, a transfer learning approach is established, aiming to achieve a stronger classification result by leveraging the strengths of different models. In conclusion, an effective transfer learning model has been developed in this thesis to detect the cleanliness status of solar panels. The obtained models aim to contribute to optimizing the maintenance processes of solar energy systems, increasing energy efficiency, and supporting sustainable energy use in the long term.
In today's world, solar energy has gained significance as a clean and sustainable energy source. However, among the factors influencing the efficiency of solar panels, the impact of accumulated dirt on the panel surface holds a crucial place. This thesis focuses on the classification of dirty and clean solar panels using transfer learning methods. Determining the cleanliness status of solar panels is of critical importance for optimizing maintenance strategies. In this study, transfer learning methods are examined, specifically aiming to classify dirty and clean solar panels to enhance efficiency in solar energy systems. Dirt accumulation on the surface of solar panels can result from various factors, and the failure to clean this dirt can reduce energy efficiency. Therefore, an automatic system capable of quickly and accurately classifying the condition of solar panels is crucial for optimizing maintenance processes. In this thesis, transfer learning is evaluated for solving a new task with a limited amount of labeled data, using pre-trained deep learning models. Various pre-trained models (EfficientNetB3, ResNet50, MobileNet, VGG19, Xception, InceptionResNetV2, VGG16, ResNet101, DenseNet201, EfficientNetB7) undergo transfer learning methods to create a new model for determining the cleanliness status of solar panels. Models are developed, trained, and tested in the study. Additionally, the accuracy rates of different models are compared, and the models that exhibit the best performance are identified. An analysis is conducted to determine the best model combinations by combining the predictions of specific models and comparing these combined predictions with the actual labels. Thus, a transfer learning approach is established, aiming to achieve a stronger classification result by leveraging the strengths of different models. In conclusion, an effective transfer learning model has been developed in this thesis to detect the cleanliness status of solar panels. The obtained models aim to contribute to optimizing the maintenance processes of solar energy systems, increasing energy efficiency, and supporting sustainable energy use in the long term.
Açıklama
Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
