پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,200 |
| تعداد مقالات | 77,257 |
| تعداد مشاهده مقاله | 157,594,104 |
| تعداد دریافت فایل اصل مقاله | 118,647,734 |
تشخیص هوشمند عیوب سطحی پنلهای خورشیدی با رویکرد بینایی ماشین مبتنی بر یادگیری عمیق | ||
| فصلنامه سیستم های انرژی پایدار | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 09 خرداد 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ses.2026.414893.1244 | ||
| نویسنده | ||
| علی جلوخانی نیارکی* | ||
| دانشکده کامپیوتر، دانشکده فنی دانشگاه تهران | ||
| چکیده | ||
| با گسترش استفاده از سامانههای فتوولتائیک، پایش سلامت پنلهای خورشیدی به یکی از موضوعات مهم در بهرهبرداری پایدار، کاهش هزینههای نگهداری و افزایش بازده تولید انرژی تبدیل شده است. عیوبی مانند شکستگی، گردوغبار، سایه و تغییرات سطحی میتوانند باعث افت عملکرد پنل و کاهش عمر مفید آن شوند. روشهای سنتی بازرسی معمولاً زمانبر، وابسته به نیروی انسانی و در مقیاسهای بزرگ غیرکارآمد هستند. در این پژوهش، یک چارچوب مبتنی بر بینایی ماشین و یادگیری عمیق برای تشخیص و مکانیابی نواحی سطحی پنلهای خورشیدی ارائه میشود. مدل پیشنهادی از استخراجگر ویژگی ResNet101، ماژول استخراج لبه مبتنی بر عملگر سوبل، ماژول توجه کانالی-فضایی، ساختار تلفیق ویژگی چندمقیاسی FPN/PAN و سر تشخیص چندمقیاسی تشکیل شده است. خروجی مدل شامل جعبههای محدودکننده، کلاس ناحیه و امتیاز اطمینان است و بنابراین میتواند چندین ناحیه مختلف را بهصورت همزمان در یک تصویر شناسایی کند. مجموعهداده مورد استفاده از ترکیب تصاویر گردآوریشده از منابع عمومی و دادههای جمعآوریشده دستی تشکیل شده و کلاسهای شکستگی، ناحیه سالم، گردوغبار و سایه را شامل میشود. نتایج آزمایشها نشان داد مدل پیشنهادی با دستیابی به دقت 0.954، بازخوانی 0.939، امتیاز F1 برابر با 0.946، مقدار mAP@0.5 برابر با 0.966 و مقدار mAP@0.5:0.95 برابر با 0.766، عملکرد بهتری نسبت به مدلهای پایه تشخیص عیوب فتوولتائیک دارد. نتایج مطالعه حذف اجزا نشان داد ترکیب اطلاعات لبهای، توجه کانالی–فضایی و تلفیق چندمقیاسی نقش مهمی در بهبود دقت تشخیص و مکانیابی دارد. روش پیشنهادی میتواند بهعنوان یک راهکار کاربردی برای پایش خودکار، پاکسازی هدفمند، تعمیر و نگهداری پیشبینانه پنلهای خورشیدی مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| پنل خورشیدی؛ تشخیص عیوب پنلهای خورشیدی؛ بینایی ماشین؛ یادگیری عمیق | ||
| عنوان مقاله [English] | ||
| Intelligent Detection of Surface Defects in Solar Panels Using Deep Learning-Based Computer Vision | ||
| نویسندگان [English] | ||
| Ali Jelokhani | ||
| School of Electrical and Computer Engineering, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| The growing deployment of photovoltaic systems has made reliable solar panel monitoring essential for sustainable operation, lower maintenance costs, and improved energy efficiency. Surface conditions such as breakage, dust accumulation, shadowing, and other visible abnormalities can reduce panel performance and shorten service life. Conventional inspection methods are often time-consuming, labor-dependent, and inefficient for large-scale photovoltaic plants. This study presents a computer vision framework based on deep learning for detecting and localizing surface regions in solar panel images. The proposed model integrates a ResNet101 feature extractor, a Sobel-based edge extraction module, a spatial–channel attention mechanism, an FPN/PAN multi-scale feature fusion structure, and a multi-scale detection head. The output consists of bounding boxes, region classes, and confidence scores, enabling simultaneous detection of multiple regions within a single image. The dataset was constructed by combining publicly available images with manually collected samples and includes four classes: breakage, clean region, dust, and shadow. Experimental results show that the proposed model achieves a Precision of 0.954, Recall of 0.939, F1-score of 0.946, mAP@0.5 of 0.966, and mAP@0.5:0.95 of 0.766, outperforming baseline photovoltaic defect detection models. The ablation study further demonstrates that edge information, spatial–channel attention, and multi-scale feature fusion substantially improve detection and localization accuracy. Overall, the proposed method provides a practical solution for automatic monitoring, targeted cleaning, inspection prioritization, and predictive maintenance of solar panels. | ||
| کلیدواژهها [English] | ||
| Solar panel, photovoltaic defect detection, computer vision, deep learning | ||
|
آمار تعداد مشاهده مقاله: 48 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب