تشخیص و طبقه بندی خودکار عیوب پنل های خورشیدی با استفاده از مدل یولوV۸m در تصاویر پهپادی

در سال های اخیر، نگهداری و پایش خودکار پنل های خورشیدی به عنوان یکی از ارکان حیاتی در توسعه پایدار انرژی های تجدیدپذیر اهمیت فزاینده ای یافته است. در این پژوهش، یک چارچوب دقیق و کارآمد مبتنی بر یادگیری عمیق برای طبقه بندی خودکار عیوب پنل های خورشیدی ارائه شده است. مدل پیشنهادی با بهره گیری از معماری یولوV۸m پیاده سازی شده است. این مدل با ساختاری سبک و مدرن قادر است تصاویر ورودی را به سرعت پردازش نموده و نوع عیب موجود در هر تصویر را با دقت بالا تعیین کند. برای آموزش و ارزیابی مدل، مجموعه داده ای جامع شامل تصاویر رنگی و خاکستری از پنل های خورشیدی تحت شرایط نوری و محیطی مختلف مورد استفاده قرار گرفت. نوآوری این پژوهش در به کارگیری معماری پیشرفته یولوV۸m برای توسعه یک سامانه عملیاتی و دقیق در شناسایی و طبقه بندی خودکار عیوب متنوع پنل های خورشیدی در تصاویر پهپادی است. نتایج تجربی نشان می دهند که مدل یولوV۸m توانسته در طبقه بندی شش نوع عیب رایج پنل های خورشیدی تمیز، پوشیده با برف، پوشیده با گردوغبار، آلوده به فضولات پرندگان، دارای آسیب الکتریکی و دارای آسیب فیزیکی به میانگین دقت ۹۷.۴۳٪، میانگین دقت پیش بینی برابر ۹۷٪، و میانگین نرخ بازیابی برابر ۹۷.۵۸٪ دست یابد. این نتایج نسبت به مدل های پایه مانندVGG۱۶,CNN و رزنت۵۰ به طور میانگین بین ۱.۵ تا ۳.۵ درصد بهبود عملکرد نشان می دهند. افزون بر آن، با طراحی چارچوبی هوشمند بر پایه مدل یولوV۸m، الگوی شناسایی و طبقه بندی عیوب به گونه ای بهینه سازی شد که امکان پردازش سریع و دقیق تصاویر در شرایط واقعی و در مقیاس وسیع فراهم شود. این سامانه، علاوه بر دقت بالا در تفکیک نوع عیوب، قابلیت پیاده سازی عملیاتی در سامانه های نظارتی خودکار را دارد و می تواند نقش موثری در نگهداری پیش بینانه و بهینه سازی زمان بندی تعمیرات ایفا نماید. استفاده از این راهکار می تواند به افزایش عمر مفید پنل ها، کاهش هزینه های تعمیر و نگهداری، و بهبود عملکرد کلی شبکه های انرژی خورشیدی کمک کند.

کلیدواژه ها:

تشخیص عیب ، پنل خورشیدی ، یادگیری عمیق ، یولوV۸m ، بینایی ماشین ، سامانه های نظارتی خودکار ، پایش هوشمند