Dual-Spin-Max-Pooling-Faltungs-Neuronales Netzwerk zur Risserkennung in Solarzellen

Wissenschaftliche Berichte Band 13, Artikelnummer: 11099 (2023) Diesen Artikel zitieren

1348 Zugriffe

2 Altmetrisch

Details zu den Metriken

In diesem Artikel wird ein Risserkennungssystem für Solarzellen für den Einsatz in Photovoltaik-Montageeinheiten (PV) vorgestellt. Das System nutzt vier verschiedene Convolutional Neural Network (CNN)-Architekturen mit unterschiedlicher Validierungsgenauigkeit, um Risse, Mikrorisse, potenziell induzierte Degradationen (PIDs) und schattierte Bereiche zu erkennen. Das System untersucht das Elektrolumineszenzbild (EL) einer Solarzelle und bestimmt anhand des Vorhandenseins und der Größe des Risses deren Akzeptanz- oder Ablehnungsstatus. Das vorgeschlagene System wurde an verschiedenen Solarzellen getestet und erreichte ein hohes Maß an Genauigkeit mit einer Akzeptanzrate von bis zu 99,5 %. Das System wurde mit thermischen Tests anhand von realen Fällen validiert, wie z. B. schattierten Bereichen und Mikrorissen, die vom System genau vorhergesagt wurden. Die Ergebnisse zeigen, dass das vorgeschlagene System ein wertvolles Instrument zur Bewertung des Zustands von PV-Zellen ist und zu einer verbesserten Effizienz führen kann. Die Studie zeigt auch, dass das vorgeschlagene CNN-Modell frühere Studien übertrifft und erhebliche Auswirkungen auf die PV-Industrie haben kann, indem es die Anzahl defekter Zellen reduziert und die Gesamteffizienz von PV-Montageeinheiten verbessert.

Die Erkennung von Rissen in Solarzellen spielt eine wichtige Rolle in der Photovoltaikindustrie (PV), wo die automatisierte Fehlererkennung aufgrund der wachsenden Produktionsmengen von PV-Modulen und der begrenzten manuellen/visuellen Inspektion immer notwendiger wird. Frühere Forschungen konzentrierten sich auf den Einsatz von Signalverarbeitungs- und Bildverarbeitungstechniken zur Erkennung von Rissen und Anomalien in Solarzellen. Diese herkömmlichen Ansätze erfordern jedoch häufig komplexe Strukturen und große Datenmengen, um genaue Ergebnisse zu erzielen.

Convolutional Neural Networks (CNNs) haben sich zu einem leistungsstarken Werkzeug zur Risserkennung entwickelt und bieten mehrere Vorteile gegenüber herkömmlichen Methoden. CNNs können Muster in Bildern automatisch lernen und identifizieren und so Risse in PV-Modulen genau erkennen und klassifizieren, selbst wenn die Risse nicht deutlich sichtbar sind oder komplexe Formen haben. Darüber hinaus können CNNs darauf trainiert werden, Risse mit hoher Genauigkeit und Effizienz zu erkennen, was im Vergleich zu manuellen Inspektionsmethoden Zeit und Ressourcen spart. Dies ist besonders wichtig in der PV-Industrie, wo viele PV-Module regelmäßig und effizient überprüft werden müssen.

CNNs dienen als dominierende Deep-Learning-Technik und haben die meisten Ansätze des maschinellen Lernens in verschiedenen realen Anwendungen durchweg übertroffen1,2. Unter den Spitzen-CNNs, darunter GoogleNet3, ResNet4 und DenseNet5, werden die Architekturen zur Erzielung eines hohen Leistungsniveaus alle professionell von Experten entworfen, die aufgrund ihrer Erfahrung bei der Untersuchung beider Daten über ein tiefes Domänenverständnis verfügen und die Entwicklung von CNNs. Das Problem besteht darin, dass nicht jeder Benutzer, der sich für eine bestimmte Domäne interessiert, über entsprechendes Domänenwissen verfügt. Beispielsweise haben Benutzer, die Erfahrung mit den vorliegenden Daten haben, möglicherweise nicht unbedingt ein Verständnis dafür, wie Algorithmen für CNNs erstellt werden, oder umgekehrt, abhängig von ihrer Vertrautheit mit den Daten6. Daher besteht ein wachsendes Interesse an der Automatisierung von CNN-Architekturen, wodurch die Optimierung von CNN-Architekturen für Benutzer ohne Domänenkenntnisse transparent wird7,8,9,10. Ein CNN-Architekturentwurfsalgorithmus kann andererseits die breite Akzeptanz von CNN-Architekturen fördern und so die Entwicklung des KI-Bereichs durch die Entwicklung von CNNs fördern.

Basierend auf der Art des Domänenwissens, das bei der Implementierung der Algorithmen für den CNN-Architekturentwurf erforderlich ist, können vorhandene Algorithmen für den CNN-Architekturentwurf in zwei verschiedene Kategorien unterteilt werden. Im ersten Fall werden CNN-Architekturentwürfe mit einer Kombination aus „automatischer und manueller Abstimmung“11,12 erstellt. Dies bedeutet, dass zusätzlich zur automatischen Abstimmung immer noch eine manuelle Abstimmung gerechtfertigt wäre, basierend auf Fachwissen im Entwurf von CNN-Architekturen . In dieser Kategorie finden Sie Informationen zu genetischen CNN-Methoden und hierarchischen Darstellungsmethoden13. Eine andere Art des CNN-Architekturdesigns ist das sogenannte „automatische“ CNN-Architekturdesign14, bei dem Benutzer ihre Parameter nicht manuell anpassen müssen, wenn sie von ihnen verwendet werden. Es besteht kein Zweifel daran, dass das „automatische + manuelle Tuning“-Design dem „automatisierten“ Design oft überlegen ist, wenn man die zusätzlichen Vorteile berücksichtigt, die durch manuelles Fachwissen in CNNs entstehen15. Daher haben die „automatischen“ Designs einen erheblichen Vorteil gegenüber den „manuellen“ Designs, da sie keiner manuellen Abstimmung bedürfen16. Benutzer ohne jegliche Domänenkenntnisse von CNNs bevorzugen viel eher diese automatisierten Designs.

Kürzlich haben die Autoren von17 eine innovative Deep-CNN-Infrastruktur namens Hypotheses-CNN Pooling (HCP) entwickelt, bei der eine beliebige Anzahl von Objektsegmenthypothesen als Eingaben für das System verwendet wurden. Jede Hypothese wurde mit einem gemeinsamen CNN verbunden, und schließlich wurden die CNN-Ausgaben für jede Hypothese mit maximalem Pooling aggregiert, um aus den CNN-Ausgaben die ultimativen Multi-Label-Vorhersagen zu erstellen. Die Flexibilität dieser tiefen CNN-Infrastruktur lässt sich auf eine Reihe einzigartiger Merkmale zurückführen, beispielsweise auf die Tatsache, dass für das Training keine Ground-Truth-Bounding-Box-Informationen erforderlich sind und dass die gesamte HCP-Infrastruktur robust gegenüber möglichem Rauschen und/oder redundanten Hypothesen ist . Eine weitere aktuelle Studie18 kam zu dem Schluss, dass die Verschlechterung eines Bildes seine Klassifizierungsleistung erheblich verringert, insbesondere wenn die Trainingsbilder die Verschlechterungsgrade von Testbildern nicht widerspiegeln können. Ihre visuelle Analyse der CNN-Schichten ergab, dass viele kritische Merkmale auf niedriger Ebene in frühen Schichten nicht klar erkennbar waren, was möglicherweise auf eine verringerte Genauigkeit zurückzuführen ist.

Eine aktuelle Studie19 untersuchte den Einsatz von CNN-Netzwerken für medizinische Bildgebungsanwendungen. In einem Experiment wurden drei Techniken evaluiert, darunter Support-Vektor-Maschinen mit rotations- und orientierungsfreien Funktionen, Transferlernen in CNN-Netzwerken und Kapselnetzwerktraining. Dementsprechend sind CNN-Methoden leistungsfähiger als herkömmliche Methoden, da sie Merkmale automatisch lernen und auswählen. Transferlernmodelle liefern die genauesten Ergebnisse.

Steigende Produktionsmengen von PV-Modulen und der begrenzte Einsatz manueller/visueller Inspektionen treiben den Bedarf an automatisierter Fehlererkennung im Photovoltaikbereich (PV) voran. Die Forschung in diesem Bereich konzentrierte sich auf die Erkennung von Rissen und Anomalien in Solarzellen mithilfe von Signalverarbeitungs- und Bildverarbeitungstechniken20,21,22,23. Dennoch wurde in einer kürzlich durchgeführten Studie24 eine Methode zur automatischen Erkennung von PV-Moduldefekten in Elektrolumineszenzbildern entwickelt. Dabei wurde eine leichte Faltungs-Neuronale-Netzwerk-Architektur verwendet, um Defekte in EL-Bildern zu identifizieren und eine Genauigkeit von 93,02 % im Solarzellendatensatz zu erreichen. Darüber hinaus basieren die Klassifizierungen von Solarzellendefekten auf zwei von25 vorgeschlagenen Ansätzen des maschinellen Lernens, die auf der Merkmalsextraktion basierende Support Vector Machines (SVMs) und Convolutional Neural Networks (CNNs) nutzen. Mithilfe geeigneter Hyperparameter, Algorithmusoptimierer und Verlustfunktionen haben sie eine Genauigkeit von 91,58 % bei der Zellerkennungsklassifizierung erreicht.

Es sind große Datenmengen erforderlich, um die vorhandenen CNN-basierten Solarzellenerkennungsmethoden zu kompilieren (normalerweise mehr als 100 Bilder für jede Zelle), sowie hochkomplexe Strukturen, damit das CNN genau funktioniert26,27. In den letzten Jahren wurden CNN-basierte Algorithmen zur Erkennung von Rissen in Solarzellen auch in nicht-industriellen Umgebungen getestet, wo sie Zugang zu EL-Bildern erhalten und ihre Modelle anschließend entwickeln, ohne die Gültigkeit ihrer Modelle bei der Anwendung in einer Industrie zu klären Einstellung (z. B. Verarbeitungszeit, Geschwindigkeit der Erkennung rissiger Solarzellen, Erkennung abnormaler Solarzellenstrukturen, Testen des CNN-Modells anhand verschiedener Solarzellen mit unterschiedlichen Sammelschienen usw.).

Typischerweise sind CNN-Modelle aufgrund eines Vorgangs, der in ihrer Architektur als „Max-Pooling“ bekannt ist, langsam28, und diese Methode wird häufig zur Inspektion von Solarzellen verwendet. Bei realen Anwendungen von CNN-Modellen dauert das Training von CNNs mit mehreren Schichten lange, wenn ein Computer nicht über eine Hochleistungs-GPU verfügt. In unserer Arbeit wurden weder Max-Pooling noch mehrschichtige CNNs verwendet.

CNN wird in der PV-Industrie für die Risserkennung immer wichtiger. Der Einsatz von CNNs bei der Risserkennung kann gegenüber herkömmlichen Methoden mehrere Vorteile bieten. Einer der Hauptvorteile der Verwendung von CNNs zur Risserkennung ist ihre Fähigkeit, Muster in Bildern automatisch zu lernen und zu identifizieren. Dadurch können sie Risse in PV-Modulen genau erkennen und klassifizieren, selbst wenn die Risse nicht deutlich sichtbar sind oder komplexe Formen haben. Darüber hinaus können CNNs darauf trainiert werden, Risse in Bildern mit hoher Genauigkeit und Effizienz zu erkennen, was im Vergleich zu manuellen Inspektionsmethoden Zeit und Ressourcen sparen kann. Dies ist besonders wichtig in der PV-Industrie, wo eine große Anzahl von PV-Modulen regelmäßig und effizient überprüft werden muss. Darüber hinaus kann der Einsatz von CNNs zur Risserkennung die Sicherheit und Zuverlässigkeit von PV-Systemen verbessern, indem Risse erkannt und verhindert werden, die zu Systemausfällen oder Sicherheitsrisiken führen können. Dies kann dazu beitragen, die Gesamtleistung und Lebensdauer von PV-Anlagen zu erhöhen, was zu Kosteneinsparungen für Eigentümer und Betreiber von PV-Anlagen führen kann.

Unsere Arbeit erweitert die bestehenden Ansätze im Bereich der CNNs zur Risserkennung mit dem Ziel, die Erkennungsfähigkeit in diesem Bereich zu verbessern. Durch die Entwicklung einer CNN-Architektur, die speziell auf die Risserkennung zugeschnitten ist, haben wir neue Elemente eingeführt, um die Wirksamkeit des Modells zu verbessern. Durch den Einsatz eines Trainingsnetzwerks haben wir gründliche Bewertungen verschiedener Architekturen durchgeführt und notwendige Anpassungen vorgenommen, um die Validierungsgenauigkeit zu verbessern. Zu unseren Modifikationen gehörten insbesondere der Übergang vom Mean-Pooling zum Max-Pooling, die Erhöhung der Anzahl der Faltungsschichten und die Einführung einer neuartigen Pooling-Methode. Diese Verbesserungen führten zu einer deutlichen Verbesserung der Validierungsgenauigkeit und erreichten einen bemerkenswerten Wert von 96,97 %. Um die Besonderheit unseres Ansatzes hervorzuheben, haben wir ihn „DSMP-CNN“ genannt, was die Verwendung einer Dual Spin Max Pooling Convolutional Neural Network-Architektur bezeichnet. Die DSMP-CNN-Architektur stellt eine einzigartige Variation von CNNs dar, die den Dual-Spin-Pooling-Mechanismus zusammen mit der herkömmlichen Max-Pooling-Schicht umfasst. Dieser innovative Ansatz ist strategisch darauf ausgelegt, die Genauigkeit der Risserkennung zu verbessern, indem die charakteristischen Merkmale von Rissen und anderen Defekten an Solarzellen erfasst werden. Durch die Integration der DSMP-CNN-Architektur in unser vorgeschlagenes System haben wir hochpräzise Auswertungen des Akzeptanz-/Ablehnungsstatus von Photovoltaikzellen erreicht, basierend auf der Identifizierung von schwarzen Flecken, Rissen, PIDs und schattigen Bereichen.

Zusammenfassend lassen sich die wesentlichen Beiträge unserer Forschung wie folgt hervorheben:

Neuartige CNN-Architektur: Wir schlagen die DSMP-CNN-Architektur vor, die die Vorteile von Mean Pooling und Max Pooling mit einem Dual-Spin-Pooling-Mechanismus kombiniert. Dieser einzigartige Ansatz erfasst charakteristische Merkmale von Rissen und anderen Defekten an Solarzellen und führt so zu einer verbesserten Genauigkeit bei der Risserkennung.

Hohe Genauigkeit und Effizienz: Durch umfangreiche Tests an verschiedenen Solarzellen erreicht unsere vorgeschlagene DSMP-CNN-Architektur ein hohes Maß an Genauigkeit mit einer Akzeptanzrate von bis zu 99,5 %. Dies zeigt die Wirksamkeit unseres Ansatzes bei der genauen Bewertung des Akzeptanz-/Ablehnungsstatus von Photovoltaikzellen auf der Grundlage des Vorhandenseins und der Größe von Defekten, einschließlich Rissen, Mikrorissen, PIDs und schattigen Bereichen.

Validierung in der realen Welt: Wir validieren die Leistung unseres Systems anhand realer Fälle, wie z. B. schattierter Bereiche und Mikrorisse, die von der DSMP-CNN-Architektur genau vorhergesagt werden. Diese Validierung zeigt die Robustheit und Zuverlässigkeit unseres Ansatzes in praktischen Szenarien.

Verbesserte Effizienz und weniger defekte Zellen: Durch die Nutzung der Leistungsfähigkeit von DSMP-CNN hat unsere Forschung erhebliche Auswirkungen auf die PV-Industrie. Das vorgeschlagene System kann die Anzahl defekter Zellen reduzieren, indem es Risse und andere Defekte genau erkennt und verhindert. Dies führt zu einer verbesserten Effizienz und Gesamtleistung der PV-Montageeinheiten, was zu Kosteneinsparungen für Eigentümer und Betreiber von PV-Anlagen führt.

Das CNN-Netzwerk wird mithilfe von EL-Bildern implementiert, die direkt von einer Produktionsanlage für Solarzellen aufgenommen wurden, wie in Abb. 1a dargestellt. PV-Zellen können unter EL-Kameras getestet werden, um versteckte Defekte in ihrer Struktur zu finden; Allerdings ist, wie bereits beschrieben, eine Automatisierung der Erkennung erforderlich, um schnell entscheiden zu können, ob die Solarzelle einen Riss aufweist. In Abb. 1b sind fünf gesunde (nicht defekte) Solarzellen dargestellt, während in Abb. 1c defekte Solarzellen dargestellt sind. Wir haben das CNN als Teil des EL-Setups implementiert, sodass der Prozess automatisch bestimmen kann, ob eine Solarzelle weiter produziert werden soll (defektfreie Zellen) oder ob sie als beschädigt gemeldet und in den Recyclingprozess überführt werden soll (defekte Solarzellen). ).

(a) Solarzellen-Produktionslinie mit hauseigener EL-Detektionsausrüstung, (b) Beispiel für Solarzellen ohne Risse „gesunde Proben“, (c) Beispiel für Solarzellen mit Rissen „gerissene Proben“.

EL-Bildgebung ist eine Technik zur Visualisierung der elektrischen Aktivität innerhalb einer Solarzelle. Bei diesem Verfahren wird ein elektrischer Hochspannungsstrom an die Solarzelle angelegt, wodurch diese Licht aussendet. Dieses Licht kann mit einer Kamera erfasst und das resultierende Bild analysiert werden, um Einblicke in die Leistung der Solarzelle zu gewinnen. Mithilfe der EL-Bildgebung können Bereiche der Solarzelle identifiziert werden, die nicht ordnungsgemäß funktionieren, beispielsweise Bereiche mit hohem Widerstand oder geringer Lichtabsorption (Abb. 1c). Darüber hinaus kann damit das Design der Solarzelle optimiert werden, um deren Gesamteffizienz zu verbessern.

In dieser Studie reicht die für CNN-Schulungs-, Validierungs- und Testzwecke verwendete EL-Bildauflösung von 1000 × 1000 Pixel bis 2500 × 2500 Pixel. Diese bewusste Variation der Bildauflösung wurde implementiert, um sicherzustellen, dass der entwickelte Erkennungsalgorithmus eine große Bandbreite an Auflösungsstufen verarbeiten kann, die sowohl Bilder mit niedriger als auch hoher Auflösung umfassen. Durch die Einbeziehung von Bildern unterschiedlicher Auflösung werden in dieser Arbeit die Wirksamkeit und Robustheit des Algorithmus über verschiedene Bildqualitäten hinweg gründlich bewertet und validiert.

Beim Aufbau von CNNs werden typischerweise die folgenden Schichten verwendet:

Der Kern eines CNN ist die Faltungsschicht. Diese Ebene enthält eine Reihe von Filtern (oder Kerneln), deren Parameter während des Trainingsprozesses gelernt werden. Ein Filter ist normalerweise kleiner als das eigentliche Bild. Durch die Kombination jedes Filters mit einem Bild wird eine Aktivierungskarte erstellt. Jedes Skalarprodukt wird an jeder räumlichen Position zwischen jedem Filterelement und der Eingabe berechnet, wenn der Filter über die Bildhöhe und -breite gleitet.

Die Batch-Normalisierung oder Batch-Norm ist die zweite Schicht von CNN. Während des Trainings sorgt es für die Regularisierung, verhindert eine Überanpassung und erhöht die Geschwindigkeit von CNNs. In dieser Ebene wird jede Feature-Map zusammen mit ihren Parametern normalisiert. Die Batch-Norm würde dazu führen, dass jedes Merkmal einen anderen Mittelwert und eine andere Standardabweichung aufweist, und daher sorgt das CNN für zusätzliche Genauigkeit bei der Bildmerkmalsextraktion.

In CNN wird die dritte Schicht als gleichgerichtete lineare Einheit (ReLU) bezeichnet. Diese Ebene entfernt alle negativen Werte aus dem gefilterten Bild und ersetzt sie durch Nullen. Damit diese Funktion aktiviert wird, muss eine bestimmte Menge als Eingabe vorhanden sein. Mit anderen Worten: Wenn die Eingabe unter Null liegt, ist auch die Ausgabe Null. Es besteht jedoch eine lineare Beziehung zwischen der Eingabe und der abhängigen Variablen, sobald die Eingabe einen bestimmten Schwellenwert erreicht. Dies bedeutet, dass es in der Lage ist, den Trainingsdatensatz eines tiefen neuronalen Netzwerks schneller zu beschleunigen als andere Aktivierungsfunktionen.

Pooling ist die vierte Schicht des CNN. Pooling kann in zwei Typen unterteilt werden: maximales Pooling und mittleres Pooling. Durch die Verwendung von Max Pooling können wir den Maximalwert aus einem bestimmten Teil eines vom Kernel abgedeckten Bildes extrahieren. Unterdessen ist Mean Pooling eine Methode zur Mittelung der Werte aus einem Teil des Bildes, der vom Kernel abgedeckt wird. In der Praxis gibt es zwar keine standardisierte Lösung für die Auswahl, ob Maximum- oder Mean-Pooling verwendet werden soll, daher muss die Wahl während des Trainings und der Überprüfung der Genauigkeit des CNN-Netzwerks im Laufe der Zeit getroffen werden.

Eine vollständig verbundene Schicht bezieht sich auf ein neuronales Netzwerk, das Neuronen umfasst, die eine lineare Transformation auf Eingabevektoren anwenden, um mithilfe von Gewichtsmatrizen eine Lösung für das Problem zu finden. Folglich ist durch die Verwendung von Schichten jeder mögliche Zusammenhang zwischen dem Eingabevektor und dem Ausgabevektor vorhanden, so dass jede Eingabe des Eingabevektors jede Ausgabe des Ausgabevektors beeinflusst.

In CNN-Netzwerken, die eine probabilistische Verteilung basierend auf einer Multinomialverteilung vorhersagen, wird die Softmax-Funktion als Aktivierungsfunktion in der Ausgabeschicht des neuronalen Netzwerkmodells verwendet. Dies bedeutet, dass Softmax als Aktivierungsfunktion bei Klassifizierungsproblemen mit mehreren Klassen verwendet wird, wenn mehr als zwei Klassenbezeichnungen erforderlich sind, damit eine Klasse Mitglied in der CNN-Klassifizierung ist.

Im CNN-Netzwerk wird die letzte Schicht als Klassifizierungsschicht bezeichnet. Hier ist ein neuronales Netzwerk in der Lage, eine Klasse gemäß den vom CNN-Netzwerk definierten Regeln zu klassifizieren. In unserer Arbeit sind zwei Klassen enthalten: „Akzeptieren“ und „Ablehnen“, um den Status der Solarzelle anzuzeigen. Im Falle von Rissen im Bild wird die Solarzelle aussortiert und der Recyclingeinheit der PV-Produktionsanlage zugeführt; andernfalls, wenn CNN das Bild akzeptiert, wird die eigentliche Solarzelle in der Fertigungseinheit platziert.

Um mit der Entwicklung einer CNN-Architektur zur Risserkennung zu beginnen, haben wir zunächst ein Trainingsnetzwerk von Grund auf erstellt. Die Architektur des Trainingsnetzwerks ist in mehrere Phasen unterteilt, darunter Eingabe, Faltung, Pooling, vollständig verbundene Schichten und Ausgabe. Das anfängliche Faltungsnetzwerk, das als Net1/Net2 bezeichnet wird, begann mit einer Eingabeschicht aus Bildern mit geänderter Größe von 227 × 227 × 3 Pixeln. Darauf folgten zwei Schichten Faltungsfilter mit jeweils 32 Filtern, jeweils verbunden mit einer Batch-Normalisierungsschicht und einer Relu-Aktivierungsschicht. Es wurde ein Mittelwert/Maximal-Pooling angewendet, wie in Abb. 2a und b dargestellt. Während der ersten Experimente wurde die Lernrate auf 0,0001, die Mini-Batch-Größe auf 16 eingestellt und das Netzwerk für 20 Epochen trainiert. Eine Zusammenfassung der wichtigsten Parameter der Architektur finden Sie in Tabelle 1.

Entwickelte CNN-Netzwerkarchitekturen. (a) Zweischichtige Faltungen und mittleres Pooling (als Net1 bezeichnet), (b) Zweischichtige Faltungen und maximales Pooling (als Net2 bezeichnet).

Unter Verwendung des Trainingsnetzwerks wurde festgestellt, dass die Validierungsgenauigkeit von Net1 81,5 % beträgt, was dem Standard für Mittelwertpooling entspricht und ziemlich weit von seiner Gültigkeit entfernt ist. Die Genauigkeit verbesserte sich auf 87,5 %, als das mittlere Pooling auf das maximale Pooling aufgefüllt wurde, was immer noch nicht signifikant ist, aber Fortschritte in Richtung der Gültigkeit macht.

Anschließend bestand die Hauptaufgabe darin, die Gültigkeitsgenauigkeit der Architektur zu verbessern. In diesem Fall haben wir die Anzahl der Faltungsschichten von zwei auf drei erhöht, indem wir das Maximum und den Mittelwert des doppelten Poolings verwendet haben, wie in Abb. 3a gezeigt, und alle anderen Parameter und Lernfaktoren unverändert gelassen haben. Von da an konnten wir die Gültigkeitsgenauigkeit auf 93,75 % verbessern. Unter Berücksichtigung der Tatsache, dass die drei Faltungsschichten die Validierungsgenauigkeit verbesserten, entschieden wir uns, die Schichten gleich zu belassen, änderten aber das Design der Architektur und änderten das doppelte Pooling von Max und Mittelwert zur Verdoppelung des Max-Poolings, wie in Abb. 3b gezeigt. Von da an verbesserte sich die Validierungsgenauigkeit auf 96,97 %, was zeigt, dass Net4 die am besten geeignete Architektur für unsere Forschung ist.

Verbesserte CNN-Netzwerkarchitekturen. (a) Dreischichtige Faltungen und Max-Mean-Pooling (als Net3 bezeichnet), (b) Dreischichtige Faltungen und Max-Max-Pooling (als Net4 bezeichnet).

Wie in Abb. 4 dargestellt, beginnt der Einsatz eines CNN-Netzwerks zur Inspektion von Solarzellen mit der Aufnahme eines EL-Bildes der Solarzelle beim Verlassen der Fertigungslinie. EL-Bildgebung ist eine Methode zum Testen der Qualität einer Solarzelle, indem das von der Zelle emittierte Licht gemessen wird, wenn ein kleiner Strom an sie angelegt wird. Sobald ein EL-Bild der Solarzelle erstellt wurde, wird es zur Analyse in das CNN-Netzwerk integriert. Das CNN-Netzwerk ist darauf trainiert, Muster und Merkmale im Bild zu erkennen, die auf das Vorhandensein von Rissen oder Brüchen in der Solarzelle hinweisen. Anhand dieser Informationen entscheidet es, ob die Zelle akzeptiert oder abgelehnt wird.

Einbindung des CNN-Netzwerks in die Entscheidungsfindung zur Identifizierung von Solarzellenrissen in einer industriellen Anwendung.

Wenn das CNN-Netzwerk feststellt, dass die Zelle keine Risse oder Brüche aufweist, wird sie als „akzeptiert“ eingestuft und zur Montage in ein Solarpanel geschickt. Stellt das Netzwerk hingegen Risse oder Brüche in der Zelle fest, wird diese als „ausgesondert“ eingestuft und dem Recycling zugeführt. Der Einsatz eines CNN-Netzwerks in diesem Prozess ermöglicht ein hohes Maß an Automatisierung und Genauigkeit bei der Inspektion von Solarzellen, da das Netzwerk Fehler, die für das menschliche Auge möglicherweise nicht sichtbar sind, schnell und zuverlässig identifizieren kann.

Bei der Entwicklung der CNN-Architektur für die Inspektion von Solarzellen bestand eine der größten Herausforderungen darin, Parameter anzupassen, die sich auf die Genauigkeit auswirken, wie z. B. die Anzahl der Trainingszyklen (Epochen), die Validierungsgenauigkeit und die Geschwindigkeit, mit der das Modell lernt (Lernen). Rate). Es wurde festgestellt, dass bei einer zu hohen Lernrate das Modell schnell zu einer suboptimalen Lösung konvergierte und bei einer zu niedrigen Lernrate der Prozess stecken bleiben konnte29,30. Um diese Herausforderung zu meistern, verwendete das Team zunächst eine Lernrate von 0,01 und 10 Epochen für das erste CNN-Netzwerk (Net1). Anfänglich betrug die Validierungsgenauigkeit 56 %, wurde jedoch schrittweise verbessert, indem die Lernrate auf 0,0001 und die Anzahl der Epochen auf 20 erhöht wurden. Dies führte zu einer maximalen Validierungsgenauigkeit von 81,5 % für Net1, wie in Abb. 5a dargestellt.

Validierungsgenauigkeit von CNN-Netzwerkarchitekturen. (a) Netz1, (b) Netz2, (c) Netz3, (d) Netz4.

Da eine weitere Erhöhung der Anzahl der Epochen die Genauigkeit nicht verbesserte, konzentrierte sich das Team auf die Verbesserung der CNN-Architektur. Sie replizierten das mittlere Pooling von Net1 mit dem maximalen Pooling von Net2, was zu einer Verbesserung der Validierungsgenauigkeit um 87,5 % führte, wie in Abb. 5b dargestellt. Wir haben die Architektur weiter verbessert, indem wir die gleichen Lernraten und Epochen beibehalten und drei Faltungsschichten mit Max-Mean-Pooling bzw. Max-Max-Pooling hinzugefügt haben, was zu Validierungsgenauigkeiten von 93,75 bzw. 96,97 % für Net3 und Net4 führte, wie in Abb. 5c und d. Dadurch konnten sie mit 20 Epochen und einer Lernrate von 0,0001 eine hohe Genauigkeit erreichen.

Ebenso ist die Verlustfunktion für CNN-Modelle ein wichtiger zu berücksichtigender Parameter, da sie die Varianz zwischen der vorhergesagten Ausgabe und den tatsächlichen Ground-Truth-Daten misst. Um dies zu erreichen, werden alle kritischen Parameter des CNN-Modells während des Trainingsprozesses angepasst, mit dem Ziel, die Verlustfunktion so zu minimieren, dass die Fähigkeit des Modells, die Verlustfunktion genauer vorherzusagen, sowie seine Gesamtleistung verbessert werden.

Ein ideales Verlustdiagramm weist zwei Linien auf, die rot für Trainingsverlust und blau für Validierungsverlust gekennzeichnet sind. Beide Linien müssen abnehmen und konvergieren, um anzuzeigen, dass das Verlustmodell den Vorhersagefehler des Modells verringert. Basierend auf der Net4-Architektur, die in Abb. 6 dargestellt ist, scheint es, dass der Verlust des Modells anfangs um einen Bruchteil höher war, aber da das Modell ständig trainiert wurde, verringerte sich der Verlust des Modells zunehmend gegen Null, was einen hohen Grad anzeigt des Lernens und dass das Modell eine gute Leistung erbringt und sowohl Verluste als auch Fehler minimiert.

Net4 CNN-Netzwerk-Lernverlust vs. Lerniterationen (Epochen).

Eine Verwirrungsmatrix ist eine Tabelle, die die Leistung eines Klassifizierungsmodells zusammenfasst, indem sie die Anzahl der richtigen und falschen Vorhersagen anzeigt, die für einen Datensatz getroffen wurden. In diesem Fall zeigt Tabelle 2 die Ergebnisse der Verwirrungsmatrix für das CNN-Modell Net4, das auf 150 Bilder bestehend aus 75 gesunden Solarzellen und 75 rissigen Solarzellen angewendet wurde. Darüber hinaus wurden die Genauigkeit und Präzision des Modells mit (1) und (2) berechnet und die Ergebnisse sind wie folgt:

Die Genauigkeit von 93,3 % zeigt an, dass das Modell 93,3 % aller Proben korrekt klassifiziert hat und sowohl gerissene als auch nicht gerissene Solarzellen im Datensatz umfasst. Dies bedeutet, dass die Gesamtleistung des Modells bei der genauen Vorhersage der Klasse der Solarzellen 93,3 % betrug.

Die Genauigkeit von 92,2 % impliziert, dass von allen Proben, die das Modell als gerissen identifizierte, 92,2 % tatsächlich gerissene Solarzellenbilder waren. Präzision misst den Anteil korrekt vorhergesagter positiver Fälle, was darauf hinweist, dass die Fähigkeit des Modells, gerissene Solarzellen korrekt zu identifizieren, zu 92,2 % präzise war.

Diese Ergebnisse deuten darauf hin, dass das CNN-Modell Net4 bei der Klassifizierung der Solarzellenbilder eine gute Leistung erbringt und eine hohe Genauigkeit und Präzision aufweist. Es ist jedoch wichtig zu beachten, dass die Interpretation dieser Ergebnisse auf der Annahme beruht, dass die Werte in der Verwirrungsmatrix korrekt sind und korrekt gemeldet werden.

Das vorgeschlagene CNN wurde getestet, indem verschiedene Solarzellen in das System eingefügt wurden und die Genauigkeit seiner Vorhersagen bei der Bestimmung, ob die Solarzelle akzeptiert oder abgelehnt werden sollte, bewertet wurde. Die erste untersuchte Solarzelle war eine relativ gesunde Solarzelle mit geringfügigen schwarzen Flecken (diese erscheinen aufgrund der Auflösung/Kalibrierung der Kamera normalerweise im EL), wie in Abb. 7a dargestellt. Um Konsistenz zu gewährleisten und effektives Lernen zu ermöglichen, wurden die erfassten EL-Bilder vorverarbeitet, um eine einheitliche Auflösung sicherzustellen, oder in der Größe angepasst, um sie an einen bestimmten Auflösungsbereich anzupassen (z. B. 1000 × 1000 Pixel bis 2500 × 2500 Pixel). Das System prognostizierte, dass die Zelle mit einer Genauigkeit von 98,2 % angenommen und mit einer Genauigkeit von 1,8 % abgelehnt würde. Dies ist eine präzise Vorhersage, da die Zelle in gutem Zustand ist und nur wenige schwarze Flecken aufweist. Das System machte diese Vorhersage, indem es die Größe, Form und Menge der schwarzen Flecken auf der Solarzelle analysierte und sie mit einer Datenbank akzeptierter und abgelehnter Solarzellen verglich. Dabei wurden mathematische Algorithmen verwendet, um den Akzeptanz-/Ablehnungsstatus der Zelle in hohem Maße vorherzusagen der Genauigkeit.

Untersuchte gesunde Solarzellen mit einem Akzeptanz-/Ablehnungsprozentsatz. (a) Fall 1, (b) Fall 2.

Der zweite Fall (Fall 2) war eine gesunde Solarzelle mit weniger schwarzen Flecken (bessere EL-Bildauflösung) als der erste Fall, wie in Abb. 7b dargestellt. Das Modell sagte voraus, dass die Zelle eine Akzeptanzrate von 99,5 % und eine Ablehnungsrate von 0,5 % aufwies, was dazu führte, dass die Zelle für die Montagephase akzeptiert wurde. Dies zeigt, dass das vorgeschlagene Modell die Leistung einer Solarzelle genauer vorhersagen kann als herkömmliche Methoden und dass es Zellen mit weniger schwarzen Flecken erkennen kann, was zu einer verbesserten Effizienz führen kann.

In einer anschließenden Experimentierphase wurden Solarzellen mit deutlichen Rissen analysiert. Konkret konzentrierte sich Fall 3, wie in Abb. 8a dargestellt, auf die Untersuchung von Solarzellen mit großen Rissen. Beim Betrieb des Systems wurde festgestellt, dass die Solarzelle eine Ausschussrate von 99,1 % und eine Akzeptanzrate von 0,9 % aufwies. Dies ist eine gültige Vorhersage, da die Zelle durch das Vorhandensein erheblicher Risse sichtbar beschädigt ist.

Untersuchte rissige Solarzellen mit einem Akzeptanz-/Ablehnungsprozentsatz. (a) Fall 3, (b) Fall 4.

Um die Zuverlässigkeit der Tests weiter zu validieren, wurde eine zusätzliche Untersuchung rissiger Solarzellen durchgeführt. Dies wurde bei Fall 4 durchgeführt, der Fall 3 ähnelte, jedoch weniger Risse aufwies, wie in Abb. 8b dargestellt. Das System prognostizierte, dass 98,4 % der Solarzellen aussortiert würden, was immer noch eine vernünftige Schätzung ist, aber die Ausschussrate war niedriger als die von Fall 3, da weniger Risse vorhanden waren. Ein weiteres Beispiel zur Risserkennung finden Sie in den Abbildungen. S1 und S2 für jeweils 12 verschiedene gesunde und rissige Solarzellenproben.

Basierend auf der Analyse von vier verschiedenen Fällen scheint es, dass das vorgeschlagene System in der Lage ist, genaue Vorhersagen zu liefern, wie die Referenzbilder belegen. Es ist jedoch zu beachten, dass bestimmte Fälle eine größere Herausforderung bei der Vorhersage darstellen können. Diese werden im folgenden Abschnitt erörtert.

Die Vorhersage, ob eine Zelle akzeptiert oder abgelehnt wird, ist mit vielen Herausforderungen verbunden, und eine der größten Herausforderungen ist die Vorhersage des potenziell induzierten Abbaus (PID). PID ist eine der Hauptursachen für die Modulverschlechterung und wird durch die hohe Spannung verursacht, die zwischen den Verkapselungen und der vorderen Glasoberfläche erzeugt wird, die entweder über den Zellrahmen oder die Unterstruktur geerdet ist31. Aus diesem Grund haben wir damit begonnen, Tests an den Solarzellen vor und nach der PID durchzuführen. Der PID-Test wurde durchgeführt, während die Solarzellen 96 Stunden lang an −1000 V angeschlossen wurden. Nachdem wir die EL-Bilder vor und nach dem PID erhalten hatten, schalteten wir das CNN-System ein, um zu testen, ob wir vorhersagen können, ob der PID akzeptiert oder abgelehnt wird . Nach dem Betrieb des Systems wurde festgestellt (Fall 5), dass die Akzeptanzrate der Solarzellen vor dem PID 99,2 % betrug, wie in Abb. 9a dargestellt. Trotz der Tatsache, dass die Anzahl der Zellen nach Auftreten des PID zu schrumpfen begann, führte diese Vorhersage zu einer Ablehnung von 98,2 % für Solarzellen mit PID, wie in Abb. 9b dargestellt. Diese präzisen Vorhersagen belegen die Wirksamkeit des Systems bei der Bestimmung der Akzeptanzrate von Solarzellen mit und ohne PID und machen es zu einem wertvollen Werkzeug zur Bewertung des Zustands von Photovoltaikzellen.

Untersuchte Solarzellen mit PID (Fall 5). (a) Vor PID, (b) Nach PID.

Zur weiteren Validierung des PID wurde ein weiterer Fall (Fall 6) am System mit den gleichen Eigenschaften wie Fall 5 getestet, jedoch mit einer deutlich deutlicheren Abschwächung, insbesondere nach Auftreten des PID, wie in Abb. 10a und b dargestellt.

Untersuchte Solarzellen mit PID (Fall 6). (a) Vor PID, (b) Nach PID.

Beim Betrieb des Systems wird vorhergesagt, dass das System effektiv zwischen den Solarzellen vor und nach dem PID unterscheiden kann, indem es den Prozentsatz der Zellen vor dem PID von 99,4 % akzeptiert und gleichzeitig genaue Vorhersagen für die Zellen mit PID macht , mit einer Ablehnungsquote von 99,4 %. Dies weist auf eine bemerkenswerte Leistung des Systems hin und legt nahe, dass es in der Lage ist, mit einem hohen Maß an Genauigkeit und Präzision zwischen Zellen zu unterscheiden, die einer PID unterzogen wurden, und solchen, bei denen dies nicht der Fall war.

In unserer Studie haben wir Solarzellen mit schattigen Bereichen untersucht, die häufig bei Solarzellen auf Siliziumbasis aufgrund eines als Shunting bekannten Phänomens beobachtet werden. Während des Herstellungsprozesses kommt es zu Nebenschlüssen, die zu lokal schattierten Bereichen auf der Oberfläche der Solarzelle führen. Durch die Einbeziehung schattierter Bereiche in unsere Bewertung wollten wir die Wirksamkeit unseres Risserkennungssystems bei der Identifizierung und Unterscheidung zwischen echten Rissen und diesen überbrückten Bereichen bewerten.

Bei Solarzellen mit schattierten Bereichen (in Abb. 11 durch rote gestrichelte Kreise gekennzeichnet) ist es besonders schwierig vorherzusagen, ob sie angenommen oder abgelehnt werden. Dies liegt daran, dass die Verschattung zu einer ungleichmäßigen Stromverteilung in den Stromschienen führt. Dies würde zu Stress in der Zelle und damit zu höheren Temperaturen führen. Vor diesem Hintergrund haben wir uns zwei Fälle von Solarzellen mit schattigen Bereichen, die sogenannten Fälle 7 und 8, angeschaut und den gleichen Verarbeitungstest wie bei den anderen durchgeführt. Basierend auf den Ergebnissen der Analyse wurde vorhergesagt, dass beide Fälle mit 98,5 % bzw. 98,9 % zurückgewiesen würden, wie in Abb. 11a und b gezeigt, was genaue Vorhersagen waren, da das System darauf trainiert wurde, Zellen zu erkennen schattige Bereiche.

Untersuchte Solarzellen mit schattiertem Bereich. (a) Fall 7, (b) Fall 8.

Um die Fälle innerhalb des schattierten Bereichs weiter zu validieren, haben wir für beide Fälle (Fall 7 und Fall 8) thermische Tests durchgeführt, um sie unter Standardbedingungen, einer Sonneneinstrahlung von 1000 W/m2 und einer Zelltemperatur von 25 °C einem Sonnensimulator zu unterziehen C sind beschäftigt. Mittels Wärmebildtechnik lässt sich feststellen, ob eine Zellprobe Hotspots aufweist. In beiden Fällen stellte sich nach der Aufnahme der Wärmebilder heraus, dass die Temperatur der Zellen auf 77,6 °C bzw. 57,8 °C angestiegen war, wie in Abb. 12a und b dargestellt, was letztlich jeweils zu einem Leistungsverlust führte.

Wärmebild der untersuchten Solarzelle mit schattiertem Bereich unter STC-Bedingung. (a) Fall 7, (b) Fall 8.

Ein weiterer Faktor, der bei der Vorhersage des Zustands von Solarzellen berücksichtigt werden muss, ist das Vorhandensein von Mikrorissen. Mikrorisse sind keine großen Risse, die zu einem großen Leistungsverlust führen können und können als gesunde Zellen eingestuft werden, wie in den roten gestrichelten Kreisen in Abb. 13a und b dargestellt. Daher müssen Mikrorisse bei der Zustandsbeurteilung von Solarzellen berücksichtigt werden, da sie keinen nennenswerten Rückgang der Energieausbeute verursachen. Daraufhin begannen wir mit der Untersuchung zweier Solarzellen mit Mikrorissen (Fall 9 und 10), was das System dazu veranlasste, sie als akzeptierte Solarzellen zu identifizieren. Am Ende kam das laufende System zu dem Schluss, dass beide Fälle gesund waren, mit einer prozentualen Akzeptanz von 99,5 % bzw. 99,9 %. Dies weist darauf hin, dass es sich um eine zuverlässige Vorhersage handelt, da es sich nicht um einen großen Riss handelt und der Leistungsverlust minimal ist.

Untersuchte Solarzellen ohne größere Risse. (a) Fall 9, (b) Fall 10.

Um die Ergebnisse des CNN-Systems zu validieren, wurden in beiden Fällen 9 und 10 thermische Tests unter Verwendung des Sonnensimulators mit STC und mit demselben Wärmebildverfahren durchgeführt, das in den Fällen 7 und 8 verwendet wurde. Wie in Abb 14a und b zeigten die Ergebnisse der thermischen Tests, dass eine gleichmäßige Wärmeverteilung über die Oberfläche der Solarzelle beobachtet wurde. Daher wurde die Oberflächentemperatur auf 25 °C geschätzt, was der Standardtemperatur für Tests entspricht. Es wird beobachtet, dass die Mikroriss-Solarzellen keinen Hotspots ausgesetzt sind. Bemerkenswert ist auch, dass es bei den Mikrorissen zu keinem Temperaturanstieg in der Zelle kam, was bestätigt, dass Mikrorisse die Temperatur der Zelle nicht verändern oder zur Entstehung eines Hot Spots in der Zelle führen.

Wärmebild der untersuchten Solarzelle mit Mikrorissen unter STC-Bedingung. (a) Fall 9, (b) Fall 10.

Um die Wirksamkeit der vorgeschlagenen Methode zu überprüfen, wurden die erzielten Ergebnisse mit mehreren gut entwickelten CNN-Risserkennungsmethoden26,28,32,33,34 verglichen, die in der Industrie weit verbreitet sind. Eine Zusammenfassung des Vergleichs finden Sie in Tabelle 3.

Neuere Studien stützen sich am stärksten auf Transferlernen, bei dem vorab trainierte Netzwerke verwendet werden, anstatt sie unter Verwendung verschiedener Datensätze von Grund auf neu zu entwickeln. Die bemerkenswertesten Fälle von Transferlernen sind26,32,34, die auf AlexNet, VGG-16, VGG-19, Inception-v3, Inception ResNet50-v2 und ResNet50-v2 basieren. Obwohl die Fälle nicht von Grund auf neu entwickelt wurden, wurde das vorab trainierte Netzwerk von 32 ein wenig optimiert. Interessanterweise sind alle diese Studien in der Lage, Risse zu erkennen, nicht jedoch PIDs und schattierte Bereiche. Darüber hinaus wurden die Ergebnisse nicht durch thermische Tests validiert. Darüber hinaus diskutieren diese Studien nicht das Potenzial des Transferlernens zur Erkennung von PIDs und schattierten Bereichen oder den möglichen Nutzen thermischer Tests bei der Validierung der Ergebnisse.

Basierend auf28,33 entwickelten CNN-Architekturen, dem bidirektionalen Attention Feature Pyramid Network (BAFPN) und der Schwarmoptimierung (PSO) sind beide Netzwerke in der Lage, Risse genauso effizient zu erkennen wie frühere Netzwerke. Zusätzlich zu ihrer Zurückhaltung bei der Erkennung von PIDs und schattigen Bereichen wurden diese Netzwerke nicht durch thermische Tests validiert und erfordern tendenziell umfangreiche Daten zum Trainieren.

Als Ergebnis dieser Studie wurden vier verschiedene Architekturen von Grund auf entwickelt und wir konnten die Wirksamkeit und Genauigkeit dieser Architekturen bewerten sowie die Zuverlässigkeit der Validierungen verbessern. Wir haben die Ergebnisse dieses Netzwerks mit thermischen Tests validiert, um in PV-Montageeinheiten darauf vertrauen zu können, Risse, Mikrorisse, PID und verschattete Bereiche zu identifizieren. Mithilfe dieses Netzwerks können PV-Montageeinheiten verschiedene Solarzellen auf einfachste Weise klassifizieren.

Während dieses Papier erhebliche Vorteile bietet, gibt es in dieser Studie bestimmte Einschränkungen, die anerkannt werden müssen. Erstens wurde die Bewertung des vorgeschlagenen Systems anhand eines bestimmten Datensatzes durchgeführt, der die Vielfalt realer Szenarien mit verschiedenen Arten von Solarzellen möglicherweise nicht vollständig erfasst. Beispielsweise wurden Solarzellen mit unterschiedlichen Busbar-Konfigurationen oder Herstellungsvarianten nicht umfassend untersucht. Daher kann die Generalisierbarkeit der Ergebnisse auf diese spezifischen Fälle eingeschränkt sein.

Zweitens stützte sich die Studie auf EL-Bilder aus Innenräumen und einer Solarzellen-Produktionslinie. Obwohl diese Einstellungen für die beabsichtigte Anwendung relevant sind, ist es wichtig zu beachten, dass die Bildgebungsbedingungen in verschiedenen Szenarien variieren können. Faktoren wie Lichtverhältnisse, Kameraspezifikationen und Bildeinstellungen können bei der Untersuchung von Solarzellen im Freien oder bei der Verwendung unterschiedlicher EL-Detektionsgeräte unterschiedlich sein. Daher kann die Übertragbarkeit des vorgeschlagenen Systems auf diese alternativen Bildgebungsbedingungen weitere Untersuchungen und Anpassungen erfordern.

Um diese Einschränkungen in zukünftigen Forschungen zu beseitigen, wird Folgendes empfohlen:

Erweitern Sie den Datensatz, um ein breiteres Spektrum an Solarzellentypen abzudecken, einschließlich Variationen in den Sammelschienenkonfigurationen und Herstellungsprozessen, um die Repräsentativität der Bewertung zu verbessern.

Integrieren Sie EL-Bilder, die unter verschiedenen Bildbedingungen aufgenommen wurden, z. B. in Außenumgebungen oder mit unterschiedlichen EL-Erkennungsgeräten, um die Leistung des Systems in verschiedenen Szenarien zu bewerten.

Erwägen Sie die Durchführung von Vergleichsstudien oder Benchmarking mit bestehenden Risserkennungsmethoden unter Verwendung mehrerer Datensätze, um die Robustheit und Wirksamkeit des vorgeschlagenen Systems in verschiedenen Umgebungen festzustellen.

Arbeiten Sie mit Industriepartnern oder Forschungseinrichtungen zusammen, um auf ein breiteres Spektrum an Solarzellenproben und Bildgebungsbedingungen zuzugreifen und sicherzustellen, dass die Ergebnisse auf reale Szenarien anwendbar sind.

Führen Sie Empfindlichkeitsanalysen durch oder führen Sie Experimente durch, um die Leistung des Systems unter kontrollierten Schwankungen der Lichtbedingungen, Kameraeinstellungen oder anderer Bildparameter zu bewerten und so seine Robustheit und Anpassungsfähigkeit zu beurteilen.

Durch die Beseitigung dieser Einschränkungen kann zukünftige Forschung die Anwendbarkeit und Zuverlässigkeit des Risserkennungssystems für ein breiteres Spektrum von Solarzellentypen und Bildgebungsbedingungen verbessern.

In diesem Artikel wurde ein neuartiges System zur Risserkennung von Solarzellen für den Einsatz in PV-Montageeinheiten entwickelt und vorgestellt. Ein vorgeschlagenes Netzwerk umfasst vier verschiedene CNN-Architekturen mit unterschiedlicher Validierungsgenauigkeit zur Erkennung von Rissen, Mikrorissen, PIDs und schattierten Bereichen, unterstützt durch thermische Tests zur Validierung der Ergebnisse. Bei dieser Methode untersucht das System das EL-Bild der Solarzelle und ermittelt präzise, ob es die Annahme oder Ablehnung der Solarzelle vorhersagt. Darüber hinaus nutzt das System eine Reihe von Funktionen, um die Falsch-Positiv-Rate zu reduzieren und die Genauigkeit des Risserkennungsprozesses mithilfe einer Dual-Spin-Max-Pooling-CNN-Architektur zu erhöhen.

Das vorgeschlagene CNN-System wurde an verschiedenen Solarzellen getestet, um deren Akzeptanz-/Ablehnungsstatus zu bestimmen. Das System erwies sich bei der Bestimmung des Zustands von Solarzellen anhand des Vorhandenseins und der Größe von schwarzen Flecken, Rissen, PID und schattigen Bereichen als äußerst genau. Das System erreichte ein hohes Maß an Genauigkeit mit einer Akzeptanzrate von bis zu 99,5 % und einer Ablehnungsrate von bis zu 99,1 % in verschiedenen Fällen. Darüber hinaus wurde das System durch thermische Tests anhand von Fällen mit realen Bereichen validiert, wie z. B. schattierten Bereichen und Mikrorissen, die vom System mit hoher Genauigkeit vorhergesagt wurden. Die Ergebnisse zeigen, dass das vorgeschlagene System ein wertvolles Instrument zur Bewertung des Zustands von Photovoltaikzellen ist und zu einer verbesserten Effizienz führen kann. Darüber hinaus ergab die Studie eine überlegene Leistung des vorgeschlagenen CNN-Modells im Vergleich zu früheren Studien bei der Erkennung von Rissen, Mikrorissen, PIDs und schattigen Bereichen auf Solarzellen.

Diese Forschung ist aus mehreren Gründen für die PV-Industrie und die Automatisierung der Risserkennung von PV-Solarzellen wichtig:

Präzise Risserkennung: Das vorgeschlagene DSMP-CNN-System kann Risse, Mikrorisse, PIDs und schattige Bereiche in Photovoltaikzellen genau erkennen, was zu einer verbesserten Effizienz und Zuverlässigkeit der Zellen führen kann.

Hohe Genauigkeit: Das System wurde an verschiedenen Solarzellen getestet und erreichte ein hohes Maß an Genauigkeit mit einer Akzeptanzrate von bis zu 99,5 % und einer Ablehnungsrate von bis zu 99,1 % in verschiedenen Fällen.

Verbesserte Effizienz: Durch die Automatisierung des Risserkennungsprozesses kann das vorgeschlagene System die manuelle Inspektionszeit und Fehler reduzieren, was zu einer verbesserten Effizienz in der PV-Industrie führt.

Echtzeiterkennung: Das System kann das EL-Bild der Solarzelle schnell untersuchen und ihren Akzeptanz- oder Ablehnungsstatus in Echtzeit vorhersagen, was PV-Unternehmen Zeit und Ressourcen sparen kann.

Der in dieser Studie generierte und analysierte Datensatz ist auf begründete Anfrage möglicherweise beim entsprechenden Autor (SH) erhältlich.

Nazzicari, N. & Biscarini, F. Gestapelte Verwandtschaft CNN vs. GBLUP für genomische Vorhersagen additiver und komplexer kontinuierlicher Phänotypen. Wissenschaft. Rep. https://doi.org/10.21203/rs.3.rs-1932443/v1 (2022).