Derin öğrenme algoritmaları kullanarak elektrolüminesans görüntüleri ile fotovoltaik hücrelerde kusur tespiti

Abstract

Güneş enerjisi santrallerinin artan kurulum kapasitesi, fotovoltaik modüllerin işletme ömrü ve verimliliğinin sürdürülebilirliğini kritik bir mühendislik problemi hâline getirmiştir. Üretim ve işletme süreçlerinde hücre yüzeyinde oluşan mikro çatlaklar ve deformasyonlar zamanla ciddi enerji kayıplarına neden olmaktadır. Endüstriyel standart olan Elektrolüminesans görüntüleme tekniğinin manuel analizi ise yüksek uzmanlık gerektirmekte ve zaman maliyeti oluşturmaktadır. Bu tez çalışmasında, PV hücre kusurlarının otonom, gerçek zamanlı ve piksel hassasiyetinde tespiti için YOLOv11 nesne tespiti algoritması ile temel segmentasyon modeli SAM 2'yi birleştiren hibrit bir derin öğrenme mimarisi önerilmiştir. Önerilen yöntem, YOLOv11 aracılığıyla kusur konumunu sınırlayıcı kutularla belirlemekte ve bu koordinatları kutu istemi olarak SAM 2'ye ileterek kusurların morfolojik sınırlarını maskelemektedir. Performansı doğrulamak amacıyla, tek aşamalı YOLOv11-seg modeli referans alınarak karşılaştırmalı analizler yapılmıştır. Eğitim ve test süreçleri, 7 farklı kusur sınıfını içeren toplam 13.631 görselden oluşan kapsamlı veri havuzu üzerinde, %80-10-10 optimum dağılım stratejisiyle gerçekleştirilmiştir. Deneysel bulgulara göre, hibrit yapının ön aşamasını oluşturan YOLOv11, kusur konumlandırmada %95,71 (0.9571) mAP@0.50 değerine ulaşarak tek aşamalı YOLOv11-seg modelini (0.9245) net bir şekilde geride bırakmıştır. Hız ve uygulanabilirlik metrikleri incelendiğinde, YOLOv11'in görüntü başına 1.38 milisaniye çıkarım süresi ve saniyede 720 kare (FPS) işleme hızı ile referans modele kıyasla yaklaşık 2,6 kat daha hızlı çalıştığı tespit edilmiştir. Bu çalışmada önerilen YOLOv11+SAM 2 yapısı, yüksek tespit doğruluğu ve gerçek zamanlı işlem çevikliğini bir araya getirirken, sıfır-atış özelliği sayesinde araştırmacıları zahmetli çokgen etiketleme süreçlerinden kurtarmış; endüstriyel kalite kontrol uygulamaları için maliyet-etkin ve yüksek doğruluklu bir otonom sistem ortaya koymuştur.

The increasing installation capacity of solar power plants has made the sustainability of the operational lifetime and efficiency of photovoltaic modules a critical engineering problem. Micro-cracks and deformations occurring on the cell surface during production and operational processes cause significant energy losses over time. The manual analysis of Electroluminescence imaging, which is the industrial standard, requires high expertise and is highly time-consuming. In this thesis, a hybrid deep learning architecture combining the YOLOv11 object detection algorithm and the foundation segmentation model SAM 2 is proposed for the autonomous, real-time, and pixel-level precise detection of PV cell defects. The proposed method determines the defect locations using bounding boxes via YOLOv11 and transmits these coordinates as "box prompts" to SAM 2, thereby masking the morphological boundaries of the defects. To verify the performance, comparative analyses were conducted using the single-stage YOLOv11-seg model as a reference. The training and testing processes were carried out on a comprehensive dataset consisting of a total of 13,631 images containing 7 different defect classes, utilizing an optimal 80-10-10 data split strategy. According to the experimental findings, YOLOv11, which constitutes the preliminary stage of the hybrid structure, achieved a 95.71% (0.9571) mAP@0.50 score in defect localization, clearly outperforming the single-stage YOLOv11-seg model (0.9245). When speed and applicability metrics were examined, it was determined that YOLOv11 operated approximately 2.6 times faster compared to the reference model, with an inference time of 1.38 milliseconds per image and a processing speed of 720 frames per second (FPS). In conclusion, the YOLOv11+SAM 2 architecture proposed in this study combines high detection accuracy and real-time processing agility, while freeing researchers from laborious polygon annotation processes thanks to its zero-shot capability, thereby presenting a cost-effective and highly accurate autonomous system for industrial quality control applications.