Rete neurale convoluzionale a doppio spin max pooling per il rilevamento di crepe nelle celle solari

Jul 25, 2023

Rapporti scientifici volume 13, numero articolo: 11099 (2023) Citare questo articolo

1352 accessi

2 Altmetrico

Dettagli sulle metriche

Questo articolo presenta un sistema di rilevamento delle crepe nelle celle solari da utilizzare nelle unità di assemblaggio fotovoltaiche (PV). Il sistema utilizza quattro diverse architetture di rete neurale convoluzionale (CNN) con diversa precisione di convalida per rilevare crepe, microfessure, degradazioni indotte potenziali (PID) e aree ombreggiate. Il sistema esamina l'immagine elettroluminescente (EL) di una cella solare e ne determina lo stato di accettazione o rifiuto in base alla presenza e alle dimensioni della fessura. Il sistema proposto è stato testato su varie celle solari e ha raggiunto un elevato grado di precisione, con un tasso di accettazione fino al 99,5%. Il sistema è stato convalidato con test termici utilizzando casi reali, come aree ombreggiate e microfessure, che sono state accuratamente previste dal sistema. I risultati mostrano che il sistema proposto è uno strumento prezioso per valutare le condizioni delle celle fotovoltaiche e può portare a una migliore efficienza. Lo studio mostra anche che il modello CNN proposto supera gli studi precedenti e può avere implicazioni significative per l’industria fotovoltaica riducendo il numero di celle difettose e migliorando l’efficienza complessiva delle unità di assemblaggio fotovoltaico.

Il rilevamento delle crepe nelle celle solari svolge un ruolo fondamentale nel settore fotovoltaico (PV), dove il rilevamento automatizzato dei difetti sta diventando sempre più necessario a causa delle crescenti quantità di produzione di moduli fotovoltaici e dell'applicazione limitata dell'ispezione manuale/visiva. La ricerca precedente si era concentrata sull'utilizzo di tecniche di elaborazione del segnale e di elaborazione delle immagini per rilevare crepe e anomalie nelle celle solari. Tuttavia, questi approcci convenzionali spesso richiedono strutture complesse e una grande quantità di dati per ottenere risultati accurati.

Le reti neurali convoluzionali (CNN) sono emerse come un potente strumento per il rilevamento delle crepe, offrendo numerosi vantaggi rispetto ai metodi tradizionali. Le CNN possono apprendere e identificare automaticamente i modelli nelle immagini, consentendo loro di rilevare e classificare con precisione le crepe nei pannelli fotovoltaici, anche quando le crepe non sono chiaramente visibili o hanno forme complesse. Inoltre, le CNN possono essere addestrate a rilevare crepe con elevata precisione ed efficienza, risparmiando tempo e risorse rispetto ai metodi di ispezione manuale. Ciò è particolarmente cruciale nel settore fotovoltaico, dove molti pannelli fotovoltaici devono essere ispezionati regolarmente ed efficientemente.

Le CNN rappresentano la tecnica di deep learning dominante e hanno costantemente sovraperformato la maggior parte degli approcci di machine learning in varie applicazioni del mondo reale1,2. Tra le CNN top di gamma, tra cui GoogleNet3, ResNet4 e DenseNet5, le architetture per ottenere un elevato livello di prestazioni sono tutte progettate professionalmente da esperti che hanno una profonda conoscenza del dominio grazie alla loro esperienza sia nell'investigazione dei dati e lo sviluppo delle CNN. Il problema è che non tutti gli utenti interessati ad un particolare dominio sono dotati di tale conoscenza del dominio. Ad esempio, gli utenti che hanno esperienza con i dati a portata di mano potrebbero non necessariamente avere una comprensione di come costruire algoritmi per le CNN, o viceversa, a seconda della loro familiarità con i dati6. Pertanto, c’è un aumento di interesse per l’automazione delle architetture CNN, che renderà la messa a punto delle architetture CNN trasparente agli utenti senza alcuna conoscenza del dominio7,8,9,10. Un algoritmo di progettazione dell’architettura CNN può, d’altro canto, promuovere un’ampia adozione delle architetture CNN, promuovendo così lo sviluppo del campo dell’intelligenza artificiale attraverso lo sviluppo delle CNN.

In base al tipo di conoscenza del dominio richiesta durante l'implementazione degli algoritmi per la progettazione dell'architettura CNN, gli algoritmi di progettazione dell'architettura CNN esistenti possono essere suddivisi in due diverse categorie. Nel primo caso, i progetti dell'architettura CNN vengono creati utilizzando una combinazione di "sintonizzazione automatica e manuale"11,12, e ciò significa che la sintonizzazione manuale sarebbe comunque garantita in aggiunta alla sintonizzazione automatica, sulla base dell'esperienza nella progettazione di architetture CNN . In questa categoria troverai informazioni sui metodi genetici CNN e sui metodi di rappresentazione gerarchica13. Un altro tipo di progettazione dell'architettura CNN è la cosiddetta progettazione "automatica" dell'architettura CNN14, che non richiede agli utenti di regolare manualmente i suoi parametri quando viene utilizzata da loro. Non c'è dubbio che il progetto "sintonizzazione automatica + manuale" sia spesso superiore al progetto "automatizzato" se si considerano i vantaggi aggiuntivi prodotti dall'esperienza manuale nelle CNN15. In quanto tali, i progetti “automatici” presentano un vantaggio significativo rispetto ai progetti “manuali”, in quanto non necessitano di alcuna messa a punto manuale16. Gli utenti senza alcuna conoscenza del dominio delle CNN hanno molte più probabilità di favorire questi progetti automatizzati.