基于ResNet的图像处理方法用于精确检测光伏电池板上的裂
Montaser Abdelsattar1, Ahmed AbdelMoety2, Ahmed Emad-Eldeen3
1Electrical Engineering Department, Faculty of Engineering, South Valley University, Qena, 83523, Egypt. Montaser.A.Elsattar@eng.svu.edu.eg.
Scientific reports
|July 8, 2025
概括
一种使用残余网络 (ResNet) 的新深度学习 (DL) 方法,可以从电光发射 (EL) 图像中准确地检测太阳能光伏 (PV) 面板的裂. ResNet34为光伏模块维护提供了性能和效率的最佳平衡.
科学领域:
- 可再生能源可再生能源是可再生能源.
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
背景情况:
- 推进可再生能源需要耐用和高效的太阳能光伏 (PV) 模块.
- 早期发现裂等缺陷对于保持光伏电池板性能和寿命至关重要.
- 现有的方法可能缺乏大规模光伏系统维护所需的准确性或效率.
研究的目的:
- 提出一种新的深度学习 (DL) 机制,用于准确地检测光伏面板中的裂,使用电光发射 (EL) 图像.
- 评估不同的剩余网络 (ResNet) 架构以获得最佳性能和计算效率.
- 开发一个高效的裂检测系统,以提高光伏电池板的维护和太阳能可持续性.
主要方法:
- 利用了来自多晶和单晶光伏电池的2000张EL图像的大数据集.
- 实施并测试了各种ResNet架构 (ResNet34,ResNet50,ResNet152) 用于破解检测.
- 将数据集分为培训 (70%),验证 (20%) 和测试 (10%) 的模型评估数据集.
主要成果:
- ResNet架构获得了高的F1分数:ResNet34 (86.63%),ResNet50 (87.37%) 和ResNet152 (88.89%).这些架构的F1分数均为高.
- 由于其在检测精度和计算性能之间的优越权衡,ResNet34被选为最佳模型.
- 开发的系统证明了有效的早期缺陷诊断从原始EL图像数据.
结论:
- 拟议的基于DL的裂纹检测系统可以提高光伏电池板的维护,从而增强太阳能可持续性.
- 这项研究为可再生能源行业提供了实际的解决方案,特别是光伏电池板中的新材料.
- 该研究为光伏系统的基于图像的先进缺陷检测方法奠定了基础,从而保持了模块的效率.
