太陽電池の亀裂検出用のデュアル スピン マックス プーリング畳み込みニューラル ネットワーク

Jul 25, 2023

Scientific Reports volume 13、記事番号: 11099 (2023) この記事を引用

1352 アクセス

2 オルトメトリック

メトリクスの詳細

この論文では、太陽光発電 (PV) アセンブリユニットで使用する太陽電池の亀裂検出システムを紹介します。 このシステムは、検証精度が異なる 4 つの異なる畳み込みニューラル ネットワーク (CNN) アーキテクチャを利用して、亀裂、微小亀裂、潜在的誘導劣化 (PID)、および陰影領域を検出します。 このシステムは太陽電池のエレクトロルミネッセンス (EL) 画像を検査し、亀裂の存在とサイズに基づいてその合否ステータスを決定します。 提案されたシステムはさまざまな太陽電池でテストされ、最大 99.5% の合格率という高い精度を達成しました。 このシステムは、日陰の領域や微小亀裂など、システムによって正確に予測された実際のケースを使用した熱テストで検証されました。 結果は、提案されたシステムが太陽電池の状態を評価するための貴重なツールであり、効率の向上につながる可能性があることを示しています。 この研究では、提案された CNN モデルが以前の研究よりも優れており、欠陥のあるセルの数を減らし、PV 組み立てユニットの全体的な効率を向上させることで、PV 業界に大きな影響を与える可能性があることも示しています。

太陽電池の亀裂検出は、太陽光発電 (PV) 業界で重要な役割を果たしています。太陽光発電 (PV) 業界では、PV モジュールの生産量の増加と手動/目視検査の適用が限られているため、自動欠陥検出の必要性がますます高まっています。 これまでの研究は、信号処理および画像処理技術を利用して太陽電池の亀裂や異常を検出することに焦点を当ててきました。 ただし、これらの従来のアプローチでは、正確な結果を得るために複雑な構造と大量のデータが必要になることがよくあります。

畳み込みニューラル ネットワーク (CNN) は、亀裂検出のための強力なツールとして登場しており、従来の方法に比べていくつかの利点があります。 CNN は画像内のパターンを自動的に学習して識別できるため、亀裂がはっきりと見えない場合や複雑な形状の場合でも、PV パネルの亀裂を正確に検出して分類できます。 さらに、CNN は高精度かつ効率的に亀裂を検出するようにトレーニングできるため、手動検査方法と比較して時間とリソースを節約できます。 これは、多くの PV パネルを定期的かつ効率的に検査する必要がある PV 業界では特に重要です。

CNN は有力な深層学習技術として機能し、現実世界のさまざまなアプリケーションにおいて、ほとんどの機械学習アプローチを常に上回っています 1,2。 GoogleNet3、ResNet4、DenseNet5 などの最上位の CNN の中で、高レベルのパフォーマンスを達成するためのアーキテクチャはすべて、両方のデータ調査の経験によりドメインを深く理解した専門家によって専門的に設計されています。そしてCNNの発展。 問題は、特定のドメインに興味のあるすべてのユーザーがそのようなドメインの知識を備えているわけではないことです。 一例として、手元にあるデータの経験があるユーザーが、データへの精通度に応じて、CNN のアルゴリズムを構築する方法を必ずしも理解しているわけではない可能性があり、またその逆も同様です6。 したがって、CNN アーキテクチャの自動化に対する関心が高まっており、これにより、ドメインの知識がなくても CNN アーキテクチャの調整がユーザーに透過的に行われます 7、8、9、10。 一方、CNN アーキテクチャ設計アルゴリズムは CNN アーキテクチャの広範な採用を促進し、CNN の開発を通じて AI 分野の発展を促進します。

CNN アーキテクチャ設計のアルゴリズムを実装するときに必要なドメイン知識の種類に基づいて、既存の CNN アーキテクチャ設計アルゴリズムは 2 つの異なるカテゴリに分類できます。 最初のケースでは、CNN アーキテクチャ設計は「自動チューニングと手動チューニング」の組み合わせを使用して作成されます 11,12。これが意味するのは、CNN アーキテクチャ設計の専門知識に基づいて、自動チューニングに加えて手動チューニングも保証されるということです。 。 このカテゴリでは、遺伝的 CNN 手法と階層表現手法に関する情報が見つかります13。 別のタイプの CNN アーキテクチャ設計は、いわゆる「自動」CNN アーキテクチャ設計 14 です。これは、ユーザーが使用するときにパラメータを手動で調整する必要がありません。 CNN の手動の専門知識によってもたらされる追加の利点を考慮すると、「自動 + 手動チューニング」設計が多くの場合「自動」設計よりも優れていることは疑いの余地がありません 15。 したがって、「自動」設計には、手動調整が必要ないという点で、「手動」設計に比べて大きな利点があります16。 CNN に関する専門知識のないユーザーは、これらの自動化された設計を好む可能性が高くなります。