Research Article
BibTex RIS Cite

Classification of Solar Cells EL Images with Different Busbars Via Deep Learning Models

Year 2024, Volume: 7 Issue: 2, 217 - 226, 31.08.2024
https://doi.org/10.35377/saucis...1463788

Abstract

Electricity generation from renewable energy sources such as solar energy has come to the forefront in the last decade. The solar energy cell is an indispensable part of the solar energy ecosystem of solar panels, and defective cells cause financial losses in energy production. Experienced experts are needed to detect defects on solar cells. Autonomous systems are important to accelerate the process. Classical image processing techniques are used to manually detect defects on cells. To use these techniques, many parameters are need to be entered into EL imaging software. However, in this study, these processes were carried out automatically without the need for external intervention. False detection/classification may occur during the processes performed by EL imaging devices due to weakness of the operator experience or EL imaging software. It is aimed to use automatic image processing and then deep learning techniques to achieve faster and higher performance than the results obtained from EL imaging devices using classic image processing techniques. AI algorithm and deep learning models can be an important solution. In this study, two AI algorithm and 10 different deep learning models were used to classify solar cells. EL images of defective and normal solar cells with 4 and 5 busbars were used in the study. The dataset, includes 9360 images of solar cells, 4680 of which are defective and 4680 are normal. Performance evaluation of the models made according to the confusion matrix. According to the results, Mobilenet-v2 and VGG-19 achieved the highest validation accuracy rate of 99.68%. According to F1-score, Mobilenetv2 achieved the highest performance of 99.73%. It has been shown that the Mobilenet-v2 is slightly more successful than other models in terms of validation and F1-score. The results show that trained DL models can be used as an inspection method in the production line of solar panels and cells.

Ethical Statement

This research did not involve any human participants, animals, or the collection of social science data.

Supporting Institution

GTC GUNES SANAYI VE TICARET AS

References

  • [1] M. Abdelhamid, R. Singh, and M. Omar, “Review of microcrack detection techniques for silicon solar cells,” IEEE Journal of Photovoltaics, vol. 4, no. 1. pp. 514–524, Jan. 2014. doi: 10.1109/JPHOTOV.2013.2285622.
  • [2] K. G. Bedrich, “Quantitative electroluminescence measurements of PV devices,” Loughborough University, 2017.
  • [3] M. Aktas, F. Doğan, and İ. Türkoğlu, “Analysis Of Cracks In Photovoltaic Module Cells From Electroluminescence Images By Deep Learning.,” in 1st International Conference on Computing and Machine Intelligence, 2021, pp. 103–103.
  • [4] F. Doğan and İ. Türkoğlu, “Derin Öğrenme Modelleri ve Uygulama Alanlarına İlişkin Bir Derleme,” Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Derg., vol. 10, no. 2, pp. 409–445, 2019, doi: 10.24012/dumf.411130.
  • [5] F. Doğan and I. Turkoğlu, “Comparison of deep learning models in terms of multiple object detection on satellite images,” J. Eng. Res., Nov. 2021, doi: 10.36909/jer.12843.
  • [6] J. Balzategui et al., “Semi-automatic quality inspection of solar cell based on Convolutional Neural Networks,” in 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), IEEE, Sep. 2019, pp. 529–535. doi: 10.1109/ETFA.2019.8869359.
  • [7] N. A.-A. Julen Balzategui, Luka Eciolaza, 2020 IEEE/SICE International Symposium on System Integration (SII). 2020.
  • [8] A. S. Al-Waisy et al., “Identifying defective solar cells in electroluminescence images using deep feature representations,” PeerJ Comput. Sci., vol. 8, p. e992, 2022.
  • [9] S.-H. Lee, L.-C. Yan, and C.-S. Yang, “LIRNet: A lightweight inception residual convolutional network for solar panel defect classification,” Energies, vol. 16, no. 5, p. 2112, 2023.
  • [10] S. Deitsch et al., “Automatic Classification of Defective Photovoltaic Module Cells in Electroluminescence Images,” Jul. 2018, doi: 10.1016/j.solener.2019.02.067.
  • [11] M. W. Akram et al., “CNN based automatic detection of photovoltaic cell defects in electroluminescence images,” Energy, vol. 189, Dec. 2019, doi: 10.1016/j.energy.2019.116319.
  • [12] S. A. Anwar and M. Z. Abdullah, “Micro-crack detection of multicrystalline solar cells featuring an improved anisotropic diffusion filter and image segmentation technique,” Eurasip J. Image Video Process., vol. 2014, 2014, doi: 10.1186/1687-5281-2014-15.
  • [13] A. Bartler, L. Mauch, B. Yang, M. Reuter, and L. Stoicescu, “Automated Detection of Solar Cell Defects with Deep Learning,” in 2018 26th European Signal Processing Conference (EUSIPCO), IEEE, Sep. 2018, pp. 2035–2039. doi: 10.23919/EUSIPCO.2018.8553025.
  • [14] J. Wang et al., “Deep-Learning-Based Automatic Detection of Photovoltaic Cell Defects in Electroluminescence Images,” Sensors, vol. 23, no. 1, p. 297, Dec. 2022, doi: 10.3390/s23010297.
  • [15] J. Wohlgemuth and W. Herrmann, “Hot spot tests for crystalline silicon modules,” in Conference Record of the Thirty-first IEEE Photovoltaic Specialists Conference, 2005., 2005, pp. 1062–1063.
  • [16] V. Tiwari and S. C. Jain, “An optimal feature selection method for histopathology tissue image classification using adaptive jaya algorithm,” Evol. Intell., vol. 14, no. 3, pp. 1279–1292, Sep. 2021, doi: 10.1007/s12065-019-00205-w.
  • [17] “ImageDataAugmenter,.” Accessed: May 19, 2023. [Online]. Available: https://www.mathworks.com/help/deeplea rning/ref/imagedataaugmenter.html
  • [18] D. K. Sharma, M. Chatterjee, G. Kaur, and S. Vavilala, “Deep learning applications for disease diagnosis,” in Deep Learning for Medical Applications with Unique Data, Elsevier, 2022, pp. 31–51. doi: 10.1016/B978-0-12-824145-5.00005-8.

Farklı Busbarlara Sahip Güneş hücrelerinin EL Görüntülerinin Derin Öğrenme Modelleri ile Sınıflandırılması

Year 2024, Volume: 7 Issue: 2, 217 - 226, 31.08.2024
https://doi.org/10.35377/saucis...1463788

Abstract

Yenilenebilir enerji kaynakları, özellikle güneş enerjisine dayalı enerji sistemleri, alternatif enerji üretim yöntemlerinde giderek daha önemli bir rol oynamaktadır. Güneş enerjisi hücresi, güneş enerjisi ekosisteminin vazgeçilmez bir parçasıdır ve hatalı hücreler enerji üretiminde maddi kayıplara neden olmaktadır. Güneş hücrelerindeki bu hataların tespit edilebilmesi için alanında uzman kişilere ihtiyaç duyulmaktadır. Süreçlerin otonom sistemlerle yapılması uzman ihtiyacını ortadan kaldırarak süreci hızlandırmanın önemli bir yoludur. Paneldeki hataları manuel olarak tespit etmek için klasik görüntü işleme teknikleri kullanılmaktadır. Bu teknikleri kullanmak için EL görüntüleme yazılımına birçok parametrenin girilmesi gerekir. Bu parametreler hücre sayısı, hücreler arası mesafe, bara sayısı, baralar arası mesafe, bara kalınlığı, hücre boyutu, dolgu (marjin) mesafesi, dikey hücre sayısıdır. Ayrıca kusurlu hücre tespitinde piksel yoğunlukları dikkate alınarak hücrenin kusurlu ya da kusursuz olduğu belirlenmektedir. Ancak bizim çalışmamızda bu işlemler dışarıdan müdahaleye gerek kalmadan otomatik olarak gerçekleştirilmiştir. EL görüntüleme cihazları tarafından gerçekleştirilen işlemler sırasında operatör deneyiminin veya EL görüntüleme yazılımının yetersiz olması nedeniyle yanlış tespit/sınıflandırma meydana gelebilmektedir. Otomatik görüntü işleme ve sonrasında derin öğrenme teknikleri kullanılarak EL görüntüleme cihazlarından klasik görüntü işleme teknikleri kullanılarak elde edilen sonuçlardan daha hızlı ve yüksek performans elde edilmesi hedeflenmektedir.
Yapay zeka teknikleri ve derin öğrenme modelleri önemli bir çözüm olabilir. Bu çalışmada, güneş pillerini sınıflandırmak için yapay zeka teknikleri ve derin öğrenme modelleri kullanılmıştır. Mobilenet-v2, Darknet-19, Darknet-53, Alexnet, Googlenet, Vgg-16, Vgg-19, Resnet-50, Resnet-101, Densenet201 derin öğrenme modelleri ile SVM ve KNN makine öğrenmesi algoritmaları kullanılmıştır. Çalışmada 4 ve 5 baralı arızalı ve normal güneş pillerinin elektrolüminesans görüntüleri kullanılmıştır. Güneş paneli üreticisi tarafından sağlanan veri kümesi, 4680'i hatalı ve 4680'i normal olmak üzere 9360 güneş pili görüntüsü içermektedir. Modellerin performans değerlendirmesi karışıklık matrisi ve bu matristen elde edilen F-skoruna göre yapılmıştır. Sonuçlara göre Mobilenet-v2 ve VGG-19 %99,68 ile en yüksek doğrulama doğruluk oranına ulaşmıştır. F1 skorlarına göre ise Mobilenetv2 %99,73 ile en yüksek performansı elde etmiştir. Mobilenet-v2'nin doğruluk ve F1-skoru açısından diğer modellerden daha başarılı olduğu gösterilmiştir. Sonuçlar, eğitilmiş Derin öğrenme modellerinin güneş panelleri ve hücrelerinin üretim hattında bir denetim yöntemi olarak kullanılabileceğini göstermektedir. Böylece güneş pillerinin Derin öğrenme modelleri aracılığıyla sınıflandırılmasıyla maddi kayıpların önüne geçilebilir.

References

  • [1] M. Abdelhamid, R. Singh, and M. Omar, “Review of microcrack detection techniques for silicon solar cells,” IEEE Journal of Photovoltaics, vol. 4, no. 1. pp. 514–524, Jan. 2014. doi: 10.1109/JPHOTOV.2013.2285622.
  • [2] K. G. Bedrich, “Quantitative electroluminescence measurements of PV devices,” Loughborough University, 2017.
  • [3] M. Aktas, F. Doğan, and İ. Türkoğlu, “Analysis Of Cracks In Photovoltaic Module Cells From Electroluminescence Images By Deep Learning.,” in 1st International Conference on Computing and Machine Intelligence, 2021, pp. 103–103.
  • [4] F. Doğan and İ. Türkoğlu, “Derin Öğrenme Modelleri ve Uygulama Alanlarına İlişkin Bir Derleme,” Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Derg., vol. 10, no. 2, pp. 409–445, 2019, doi: 10.24012/dumf.411130.
  • [5] F. Doğan and I. Turkoğlu, “Comparison of deep learning models in terms of multiple object detection on satellite images,” J. Eng. Res., Nov. 2021, doi: 10.36909/jer.12843.
  • [6] J. Balzategui et al., “Semi-automatic quality inspection of solar cell based on Convolutional Neural Networks,” in 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), IEEE, Sep. 2019, pp. 529–535. doi: 10.1109/ETFA.2019.8869359.
  • [7] N. A.-A. Julen Balzategui, Luka Eciolaza, 2020 IEEE/SICE International Symposium on System Integration (SII). 2020.
  • [8] A. S. Al-Waisy et al., “Identifying defective solar cells in electroluminescence images using deep feature representations,” PeerJ Comput. Sci., vol. 8, p. e992, 2022.
  • [9] S.-H. Lee, L.-C. Yan, and C.-S. Yang, “LIRNet: A lightweight inception residual convolutional network for solar panel defect classification,” Energies, vol. 16, no. 5, p. 2112, 2023.
  • [10] S. Deitsch et al., “Automatic Classification of Defective Photovoltaic Module Cells in Electroluminescence Images,” Jul. 2018, doi: 10.1016/j.solener.2019.02.067.
  • [11] M. W. Akram et al., “CNN based automatic detection of photovoltaic cell defects in electroluminescence images,” Energy, vol. 189, Dec. 2019, doi: 10.1016/j.energy.2019.116319.
  • [12] S. A. Anwar and M. Z. Abdullah, “Micro-crack detection of multicrystalline solar cells featuring an improved anisotropic diffusion filter and image segmentation technique,” Eurasip J. Image Video Process., vol. 2014, 2014, doi: 10.1186/1687-5281-2014-15.
  • [13] A. Bartler, L. Mauch, B. Yang, M. Reuter, and L. Stoicescu, “Automated Detection of Solar Cell Defects with Deep Learning,” in 2018 26th European Signal Processing Conference (EUSIPCO), IEEE, Sep. 2018, pp. 2035–2039. doi: 10.23919/EUSIPCO.2018.8553025.
  • [14] J. Wang et al., “Deep-Learning-Based Automatic Detection of Photovoltaic Cell Defects in Electroluminescence Images,” Sensors, vol. 23, no. 1, p. 297, Dec. 2022, doi: 10.3390/s23010297.
  • [15] J. Wohlgemuth and W. Herrmann, “Hot spot tests for crystalline silicon modules,” in Conference Record of the Thirty-first IEEE Photovoltaic Specialists Conference, 2005., 2005, pp. 1062–1063.
  • [16] V. Tiwari and S. C. Jain, “An optimal feature selection method for histopathology tissue image classification using adaptive jaya algorithm,” Evol. Intell., vol. 14, no. 3, pp. 1279–1292, Sep. 2021, doi: 10.1007/s12065-019-00205-w.
  • [17] “ImageDataAugmenter,.” Accessed: May 19, 2023. [Online]. Available: https://www.mathworks.com/help/deeplea rning/ref/imagedataaugmenter.html
  • [18] D. K. Sharma, M. Chatterjee, G. Kaur, and S. Vavilala, “Deep learning applications for disease diagnosis,” in Deep Learning for Medical Applications with Unique Data, Elsevier, 2022, pp. 31–51. doi: 10.1016/B978-0-12-824145-5.00005-8.
There are 18 citations in total.

Details

Primary Language English
Subjects Software Testing, Verification and Validation, Software Engineering (Other), Environmentally Sustainable Engineering
Journal Section Articles
Authors

Miktat Aktaş 0000-0002-0731-5668

Ferdi Doğan 0000-0002-9203-697X

İbrahim Türkoğlu 0000-0003-4938-4167

Early Pub Date August 26, 2024
Publication Date August 31, 2024
Submission Date April 3, 2024
Acceptance Date June 3, 2024
Published in Issue Year 2024Volume: 7 Issue: 2

Cite

IEEE M. Aktaş, F. Doğan, and İ. Türkoğlu, “Classification of Solar Cells EL Images with Different Busbars Via Deep Learning Models”, SAUCIS, vol. 7, no. 2, pp. 217–226, 2024, doi: 10.35377/saucis...1463788.

29070    The papers in this journal are licensed under a Creative Commons Attribution-NonCommercial 4.0 International License