Rede neural convolucional de pooling máximo de rotação dupla para detecção de rachaduras em células solares

Jul 25, 2023

Scientific Reports volume 13, Artigo número: 11099 (2023) Citar este artigo

1352 acessos

2 Altmétrico

Detalhes das métricas

Este artigo apresenta um sistema de detecção de trincas em células solares para uso em unidades de montagem fotovoltaicas (PV). O sistema utiliza quatro arquiteturas diferentes de Rede Neural Convolucional (CNN) com precisão de validação variável para detectar rachaduras, microfissuras, Degradações Potenciais Induzidas (PIDs) e áreas sombreadas. O sistema examina a imagem de eletroluminescência (EL) de uma célula solar e determina seu status de aceitação ou rejeição com base na presença e no tamanho da trinca. O sistema proposto foi testado em diversas células solares e alcançou alto grau de precisão, com taxa de aceitação de até 99,5%. O sistema foi validado com testes térmicos utilizando casos reais, como áreas sombreadas e microfissuras, que foram previstas com precisão pelo sistema. Os resultados mostram que o sistema proposto é uma ferramenta valiosa para avaliar a condição das células fotovoltaicas e pode levar a uma maior eficiência. O estudo também mostra que o modelo CNN proposto supera estudos anteriores e pode ter implicações significativas para a indústria fotovoltaica, reduzindo o número de células defeituosas e melhorando a eficiência geral das unidades de montagem fotovoltaica.

A detecção de rachaduras em células solares desempenha um papel vital na indústria fotovoltaica (PV), onde a detecção automatizada de defeitos está se tornando cada vez mais necessária devido às crescentes quantidades de produção de módulos fotovoltaicos e à aplicação limitada de inspeção manual/visual. Pesquisas anteriores se concentraram na utilização de técnicas de processamento de sinais e processamento de imagens para detectar rachaduras e anomalias em células solares. No entanto, estas abordagens convencionais requerem frequentemente estruturas complexas e uma grande quantidade de dados para alcançar resultados precisos.

As redes neurais convolucionais (CNNs) surgiram como uma ferramenta poderosa para detecção de fissuras, oferecendo diversas vantagens sobre os métodos tradicionais. As CNNs podem aprender e identificar automaticamente padrões em imagens, permitindo-lhes detectar e classificar com precisão fissuras em painéis fotovoltaicos, mesmo quando as fissuras não são claramente visíveis ou têm formas complexas. Além disso, as CNNs podem ser treinadas para detectar trincas com alta precisão e eficiência, economizando tempo e recursos em comparação aos métodos de inspeção manual. Isto é especialmente crucial na indústria fotovoltaica, onde muitos painéis fotovoltaicos precisam ser inspecionados regular e eficientemente.

As CNNs servem como técnica dominante de aprendizado profundo e têm superado consistentemente a maioria das abordagens de aprendizado de máquina em diversas aplicações do mundo real1,2. Entre as CNNs top de linha, incluindo GoogleNet3, ResNet4 e DenseNet5, as arquiteturas para atingir um alto nível de desempenho são todas projetadas profissionalmente por especialistas que possuem um profundo conhecimento do domínio devido à sua experiência tanto na investigação de dados e o desenvolvimento das CNNs. O problema é que nem todo usuário interessado em um determinado domínio está equipado com esse conhecimento do domínio. Por exemplo, os usuários que têm experiência com os dados em questão podem não ter necessariamente uma compreensão de como construir algoritmos para CNNs, ou vice-versa, dependendo da sua familiaridade com os dados6. Portanto, há um interesse crescente em automatizar arquiteturas CNN, o que tornará o ajuste das arquiteturas CNN transparente para usuários sem qualquer conhecimento do domínio7,8,9,10. Um algoritmo de design de arquitetura CNN pode, por outro lado, promover a ampla adoção de arquiteturas CNN, promovendo assim o desenvolvimento do campo da IA ​​através do desenvolvimento de CNNs.

Com base no tipo de conhecimento de domínio necessário ao implementar os algoritmos para projeto de arquitetura CNN, os algoritmos de projeto de arquitetura CNN existentes podem ser divididos em duas categorias diferentes. No primeiro caso, os projetos de arquitetura CNN são criados usando uma combinação de “sintonia automática e manual”11,12, e o que isso significa é que a sintonia manual ainda seria garantida além da sintonia automática, com base na experiência no projeto de arquiteturas CNN. . Nesta categoria você encontrará informações sobre métodos genéticos CNN e métodos de representação hierárquica13. Outro tipo de projeto de arquitetura CNN é o chamado projeto de arquitetura CNN "automático"14, que não exige que os usuários ajustem manualmente seus parâmetros quando for utilizado por eles. Não há dúvida de que o design “automático + ajuste manual” é muitas vezes superior ao design “automatizado” quando se consideram os benefícios extras que são produzidos pela experiência manual em CNNs15. Como tal, os projetos “automáticos” apresentam uma vantagem significativa sobre os projetos “manuais”, na medida em que não necessitam de qualquer ajuste manual16. Usuários sem qualquer conhecimento de domínio de CNNs são muito mais propensos a preferir esses designs automatizados.