Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Επιθεώρηση φωτοβολταϊκών στοιχείων με την βοήθεια συστημάτων βαθιάς μάθησης σε εικόνες από μη επανδρωμένο όχημα

Dimopoulos Konstantinos

Πλήρης Εγγραφή

---

Περίληψη

Είναι προφανές σε όλους ότι ο κόσμος στον οποίο ζούμε μεταβαίνει αργά αλλάσταθερά από τα ορυκτά καύσιμα στις ανανεώσιμες πηγές ενέργεια. Αυτό είναι αρκετάωφέλιμο για το περιβάλλον, τους ανθρώπους που κατοικούν σε αυτόν τον πλανήτη,καθώς και την πανίδα και τη χλωρίδα . Μία από τις πιο ταχέως αναπτυσσόμενεςπηγές πράσινης ενέργειας είναι η ηλιακή ενέργεια. Κατασκευές τεράστιων ηλιακώνπάρκων πραγματοποιούνται κάθε χρόνο. Καθώς κάθε ηλιακό πάρκο περιέχειεκατοντάδες χιλιάδες μεμονωμένα ηλιακά πάνελ, έχει αυξηθεί η ανάγκη για ένανταχύτερο, ασφαλέστερο και πιο αποτελεσματικό τρόπο παρακολούθησης τηςκατάστασης του κάθε πάνελ. Έχει προταθεί και εφαρμοστεί η εξ αποστάσεωςπαρακολούθηση των πάνελ μέσω της χρήσης μη επανδρωμένων εναέριων οχημάτων(UAV ή αλλιώς drones), παράγοντας εξαιρετικά αποτελέσματα. Σε αυτή τη διατριβήεστιάζουμε στη δημιουργία καινοτόμων μοντέλων βαθιάς εκμάθησης, που λαμβάνουνως είσοδο, εικόνες μεμονωμένων φωτοβολταϊκών πάνελ που λαμβάνονται, τωνοποίων οι βλάβες δεν έχουν σχολιασθεί. Οι εικόνες αυτές είναι εικόνες του υπέρυθρου φάσματος του φωτός. Έχουμε ως στόχο την δημιουργία ενός σχολιασμένου συνόλου δεδομένων, για την εκπαίδευση, την επικύρωση και τον έλεγχο των μοντέλων καθώς και η δημιουργία ενός γενικού συνόλου δεδομένων, μέσω data augmentation, για χρήση σε περαιτέρω ελέγχους. Δεύτερο στόχο αποτελεί η επίτευξη της αποδοτικής εκπαίδευσης 2 διαφορετικών μοντέλων. Το πρώτο μοντέλο εκτελεί δυαδική ανίχνευση σφαλμάτων στην επιφάνειας των ηλιακών πάνελ, που σημαίνει ότι μπορεί να ανιχνεύσει αποτελεσματικά εάν ένα φωτοβολταϊκό πάνελ έχει υποστεί κάποια φθορά ή όχι. Το δεύτερο μοντέλο εξειδικεύεται στην ταξινόμηση πολλαπλών κατηγοριών σφαλμάτων, που σημαίνει ότι μπορεί να ανιχνεύσει, να αναγνωρίσει και να ταξινομήσει το συγκεκριμένο σφάλμα σε ένα πάνελ και, στη συνέχεια, προχωρά στην τοποθέτηση ενός πλαισίου οριοθέτησης πάνω από το σφάλμα, προσδιορίζοντας την ακριβή θέση του στην εικόνα. Σε όλο αυτό το πείραμα, τροποποιούμε τα μοντέλα YOLOv8 και YOLONAS. Κατά την εκπαίδευση του YOLOv8 εκπαιδεύσαμε ένα μοντέλο δυαδικής αναγνώρισης με F1 score ίσο με 93.8% και mAP50-90 score ίσο με 97.7%. Το μοντέλο ταξινόμησης πολλαπλών κατηγοριών, μπορεί να αναγνωρίσει σωστά 8 διαφορετικές κατηγορίες σφαλμάτων επιφάνειας ηλιακών πάνελ, με διαφορετικά ποσοστά επιτυχίας ανάλογα με την εν λόγω κατηγορία σφάλματος (με F1 score ίσο με 64.4% και mAP50-90 score ίσο με 45.3%). Οι προδιαγραφές αυτών των εκπαιδευμένων 8 μοντέλων αναλύονται περαιτέρω σε αυτή τη διατριβή, μαζί με όλη τη διαδικασία και τον πειραματισμό που χρειάστηκε για να φτάσουμε σε αυτό το σημείο. Τα μοντέλα ελέγχθηκαν με την χρήση τμήματος των αρχικών εικόνων αλλά και με εντελώς νέες εικόνες που δημιουργήθηκαν μέσω της τεχνικής data augmentation. Για πρώτη φορά 2 καινοτόμα μοντέλα βαθιάς μάθησης χρησιμοποιήθηκαν για τον εντοπισμό πολλαπλών κλάσεων σφαλμάτων σε φωτοβολταϊκά πάνελ, ανοίγοντας έτσι τον δρόμο για περαιτέρω αποδοτική ανίχνευση σφαλμάτων σε μεγάλα ηλιακά πάρκα.

Διαθέσιμα αρχεία

Υπηρεσίες