DETECTION OF DUST ON SOLAR PANELS WITH DEEP LEARNING

Tuba Sefer; Mahmut Kaya

doi:10.17780/ksujes.1493906

TR EN

GÜNEŞ PANELLERİ ÜZERİNDEKİ TOZUN DERİN ÖĞRENME İLE TESPİTİ

Öz

Güneş enerjisi, temiz ve sürdürülebilir bir enerji kaynağı olarak çevre dostu bir alternatiftir. Bu enerji kaynağının yaygınlaşması, hem çevre hem de ekonomik açıdan büyük faydalar sunar. Ancak, güneş panellerinin verimliliğini etkileyen bazı unsurlar vardır. Bu unsurlardan biri de tozdur. Toz, güneş panellerinin yüzeyine biriktiğinde enerji üretim verimliliğini önemli ölçüde düşürebilir. Bu nedenle, güneş panellerindeki tozun tespiti ve hızlı bir şekilde temizlenmesi büyük önem taşır. Özellikle geniş alanlarda bu sürecin insansız yapay zekâ sistemleriyle yönetilmesi, hem zaman hem de maliyet açısından önemli avantajlar sağlayacaktır. Son yıllarda evrişimsel sinir ağları görüntü sınıflandırma konusunda önemli başarılar elde etmiştir. Özellikle transfer öğrenme yöntemleri bu alanda başarısını kanıtlamıştır. Bu çalışmada, kirli ve temiz güneş panellerini sınıflandırmak için önceden eğitilmiş derin öğrenme modellerini (EfficientNetB3, ResNet50, MobileNet, VGG19, Xception, InceptionResNetV2, VGG16, ResNet101, DenseNet201, EfficientNetB7) kullanarak sınırlı veri ile yeni bir görevi çözme amaçlanmaktadır. Bu modellerin seçilme nedeni, her birinin farklı güçlü yönlere sahip olması ve çeşitli görevlerde başarılı performans sergilemiş olmalarıdır. Bu modeller arasında en iyi performansa sahip modeller, sınıflandırma tahminini iyileştirmek için birleştirilmiştir. Önerilen topluluk öğrenme yaklaşımı, modellerin tahmin sonuçlarını oylama yaklaşımıyla ele alarak %99,31 sınıflandırma doğruluğuna ulaşmıştır. Sonuç olarak, bu yaklaşım güneş enerjisi sistemlerinin bakım süreçlerini optimize etmeyi, enerji verimliliğini artırmayı ve uzun vadede sürdürülebilir enerji kullanımını desteklemeyi amaçlamaktadır.

Anahtar Kelimeler

DETECTION OF DUST ON SOLAR PANELS WITH DEEP LEARNING

Abstract

Solar energy is an environmentally friendly, clean, and sustainable alternative. The widespread use of this energy source offers excellent environmental and economic benefits. However, some factors affect the efficiency of solar panels. One of these factors is dust. When dust accumulates on the surface of solar panels, it can significantly reduce the efficiency of energy production. Therefore, detecting and quickly removing dust from solar panels is crucial. Managing this process with unmanned artificial intelligence systems, especially in large areas, will provide significant advantages in terms of time and cost. In recent years, convolutional neural networks have achieved significant success in image classification. In particular, transfer learning methods have proven their success in this field. In this study, we aim to solve a new task with limited data using pre-trained deep learning models (EfficientNetB3, ResNet50, MobileNet, VGG19, Xception, InceptionResNetV2, VGG16, ResNet101, DenseNet201, EfficientNetB7) to classify dirty and clean solar panels. These models were chosen because they each have different strengths and have performed well on various tasks. The models with the best performance among these models are combined to improve classification prediction. The proposed ensemble learning approach achieved 99.31% classification accuracy by considering the prediction results of the models with a voting approach. As a result, this approach aims to optimize the maintenance processes of solar energy systems, improve energy efficiency, and support sustainable energy use in the long term.

Keywords

Teşekkür

This article is based on Tuba SEFER's Master's thesis entitled “Dust detection on solar panels with deep learning”, conducted under the supervision of Dr. Mahmut KAYA at Siirt University, Institute of Science and Technology, Department of Computer Engineering.

Kaynakça

Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. IEEE conference on computer vision and pattern recognition (pp. 1251-1258).
Çetin, S., Turan, E., & Bayrakdar, E. (2019). Türkiye'nin güneş enerjisi politikaları. Third Sector Social Economic Review, Ankara, 54(2), 949-968. http://dx.doi.org/10.15659/3.sektor-sosyal-ekonomi.19.04.1118
Canbay, Y., İsmetoğlu A., Canbay, P., (2021). Covid-19 Hastalığının Teşhisinde Derin Öğrenme ve Veri Mahremiyeti, Mühendislik Bilimleri ve Tasarım Dergisi, 9(2), 701-715. https://doi.org/10.21923/jesd.870263
Davaadorj, U., Yoo, K. H., Choi, S. H., & Nasridinov, A. (2021). The Soiling Classification of Solar Panel using Deep Learning. International Conference on Convergence Content, (pp. 59-60).
Dwivedi, D., Babu, K. V. S. M., Yemula, P. K., Chakraborty, P., & Pal, M. (2024). Identifying surface defects on solar PV panels and wind turbine blades using an attention-based deep learning model. Engineering Applications of Artificial Intelligence, 1-28, https://doi.org/10.1016/j.engappai.2023.107836.
Ferrell, D. & Anderson, E. (2023). Adapting and Generalizing Convolutional Neural Networks in Detecting Dust on Solar Panels, preprint researchgate, 1-6.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... & Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861. https://doi.org/10.48550/arXiv.1704.04861

Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4700-4708).
Kanani, P., & Padole, M. (2019). Deep learning to detect skin cancer using google colab. International Journal of Engineering and Advanced Technology Regular Issue, 8(6), 2176-2183. https://doi.org/10.35940/ijeat.F8587.088619
Kaya, Y., Yiner, Z., Kaya, M., & Kuncan, F. (2022). A new approach to COVID-19 detection from X-ray images using angle transformation with GoogleNet and LSTM. Measurement Science and Technology, 33(12), 124011. https://doi.org/10.1088/1361-6501/ac8ca4
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539
Maity, R., Shamaun Alam, M., & Pati, A. (2020). An Approach for Detection of Dust on Solar Panels Using CNN from RGB Dust Image to Predict Power Loss. Cognitive Computing in Human Cognition: Perspectives and Applications, 41-48. https://doi.org/10.1007/978-3-030-48118-6_4
Mete, S., Çakır, O., Bayat, O., Duru, D. G., & Duru, A. D. (2020). Gözbebeği hareketleri temelli duygu durumu sınıflandırılması. Bilişim Teknolojileri Dergisi, 13(2), 137-144. https://doi.org/10.17671/gazibtd.563830
Onim, M. S. H., Sakif, Z. M. M., Ahnaf, A., Kabir, A., Azad, A. K., Oo, A. M. T., & Ali, M. S. (2023). Solnet: A convolutional neural network for detecting dust on solar panels. Energies, 16(1), 155. https://doi.org/10.3390/en16010155
Pan, S. J., & Yang, Q. (2009). A survey on transfer learning. IEEE Transactions on knowledge and data engineering, 22(10), 1345-1359. https://doi.org/10.1109/TKDE.2009.191
Prabhakaran, S., Uthra, R. A., & Preetharoselyn, J. (2023). Deep Learning-Based Model for Defect Detection and Localization on Photovoltaic Panels. Computer Systems Science and Engineering, 44(3), 2683-2700. http://dx.doi.org/10.32604/csse.2023.028898
Saqlain, M., Jargalsaikhan, B., & Lee, J. Y. (2019). A voting ensemble classifier for wafer map defect patterns identification in semiconductor manufacturing. IEEE Transactions on Semiconductor Manufacturing, 32(2), 171–182. https://doi.org/10.1109/TSM.2019.2904306
Selvi, S., Devaraj, V., Prabha, R. P. S., & Subramani, K. (2023). Detection of Soiling on PV Module using Deep Learning. SSRG International Journal of Electrical and Electronics Engineering, 10(7), 93-101. https://doi.org/10.14445/23488379/IJEEE-V10I7P108
Sewell, M. (2008). Ensemble learning. RN, 11(02), 1-34.
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556. https://doi.org/10.48550/arXiv.1409.1556
Sokolova, M., Japkowicz, N., & Szpakowicz, S. (2006, December). Beyond accuracy, F-score and ROC: a family of discriminant measures for performance evaluation. Australasian joint conference on artificial intelligence (pp. 1015-1021). https://doi.org/10.1007/11941439_114
Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A. (2017, February). Inception-v4, inception-resnet and the impact of residual connections on learning. Thirsty-First AAAI conference on artificial intelligence, (pp. 4278-4284) https://doi.org/10.1609/aaai.v31i1.11231
Şenol, A., Canbay, Y., & Kaya, M. (2021). Trends in Outbreak Detection in Early Stage by Using Machine Learning Approaches. Bilişim Teknolojileri Dergisi, 14(4), 355-366. https://doi.org/10.17671/gazibtd.878089
Tan, M., & Le, Q. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. International conference on machine learning (pp. 6105-6114).
Utku, A., & Akcayol, M. A. (2024). Spread patterns of COVID-19 in European countries: hybrid deep learning model for prediction and transmission analysis. Neural Computing and Applications, 36, 10201–10217. https://doi.org/10.1007/s00521-024-09597-y
Yarğı, V., & Postalcıoğlu, S. (2021). EEG işareti kullanılarak bağımlılığa yatkınlığın makine öğrenmesi teknikleri ile analizi. El-Cezeri, 8(1), 142-154. https://doi.org/10.31202/ecjse.787726
Zyout, I. & Oatawneh, A. (2020), February. Detection of PV solar panel surface defects using transfer learning of the deep convolutional neural networks. Advances in Science and Engineering Technology International Conferences (ASET), (pp. 1-4). https://doi.org/10.1109/ASET48392.2020.9118384

Ayrıntılar

Birincil Dil

İngilizce

Konular

Derin Öğrenme , Nöral Ağlar

Bölüm

Araştırma Makalesi

Yazarlar

Tuba Sefer
0009-0002-5650-1683
Türkiye

Mahmut Kaya ^*
0000-0002-7846-1769
Türkiye

Yayımlanma Tarihi

3 Aralık 2024

Gönderilme Tarihi

1 Haziran 2024

Kabul Tarihi

19 Temmuz 2024

Yayımlandığı Sayı

Yıl 2024 Cilt: 27 Sayı: 4

DOI

https://doi.org/10.17780/ksujes.1493906

IZ

https://izlik.org/JA88BL47EA

Kaynak Göster

RIS / Bibtex

APA

Sefer, T., & Kaya, M. (2024). DETECTION OF DUST ON SOLAR PANELS WITH DEEP LEARNING. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 27(4), 1451-1464. https://doi.org/10.17780/ksujes.1493906

Cited By

Dust Detection on Solar Photovoltaic Panels Used in Optoelectronics with Convolutional Neural Network-Based Deep Learning Models

International Journal of Computational and Experimental Science and Engineering

https://doi.org/10.22399/ijcesen.922

A New Hybrid ConvViT Model for Dangerous Farm Insect Detection

Applied Sciences

https://doi.org/10.3390/app15052518

MESKEN TİPİ FOTOVOLTAİK SANTRALLER İÇİN TEKNİK, EKONOMİK VE SİMÜLASYON TABANLI FİZİBİLİTE ANALİZİ

Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi

https://doi.org/10.17780/ksujes.1627874

PORTEKİZ GÜN ÖNCESİ ELEKTRİK FİYATLARININ DERİN ÖĞRENME YÖNTEMİYLE TAHMİNİ: ZAMAN SERİLERİ İÇİN SİNİRSEL TEMEL GENİŞLEME ANALİZİ MODELİ

Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi

https://doi.org/10.17780/ksujes.1736690

TransferLearning-Driven Large-Scale CNN Benchmarking with Explainable AI for Image-Based Dust Detection on Solar Panels

Information

https://doi.org/10.3390/info17010052