Red neuronal convolucional de agrupación máxima de doble giro para la detección de grietas en células solares

Scientific Reports volumen 13, número de artículo: 11099 (2023) Citar este artículo

1348 Accesos

2 altmétrico

Detalles de métricas

Este artículo presenta un sistema de detección de grietas en células solares para uso en unidades de ensamblaje fotovoltaico (PV). El sistema utiliza cuatro arquitecturas diferentes de redes neuronales convolucionales (CNN) con precisión de validación variable para detectar grietas, microfisuras, degradaciones potenciales inducidas (PID) y áreas sombreadas. El sistema examina la imagen de electroluminiscencia (EL) de una célula solar y determina su estado de aceptación o rechazo en función de la presencia y el tamaño de la grieta. El sistema propuesto se probó en varias células solares y logró un alto grado de precisión, con una tasa de aceptación de hasta el 99,5%. El sistema se validó con pruebas térmicas utilizando casos del mundo real, como áreas sombreadas y microfisuras, que el sistema predijo con precisión. Los resultados muestran que el sistema propuesto es una herramienta valiosa para evaluar el estado de las células fotovoltaicas y puede conducir a una mayor eficiencia. El estudio también muestra que el modelo CNN propuesto supera a los estudios anteriores y puede tener implicaciones significativas para la industria fotovoltaica al reducir la cantidad de células defectuosas y mejorar la eficiencia general de las unidades de ensamblaje fotovoltaico.

La detección de grietas en células solares desempeña un papel vital en la industria fotovoltaica (PV), donde la detección automatizada de defectos se está volviendo cada vez más necesaria debido a las crecientes cantidades de producción de módulos fotovoltaicos y la aplicación limitada de la inspección manual/visual. Investigaciones anteriores se han centrado en la utilización de técnicas de procesamiento de señales y de imágenes para detectar grietas y anomalías en las células solares. Sin embargo, estos enfoques convencionales suelen requerir estructuras complejas y una gran cantidad de datos para lograr resultados precisos.

Las redes neuronales convolucionales (CNN) se han convertido en una poderosa herramienta para la detección de grietas y ofrecen varias ventajas sobre los métodos tradicionales. Las CNN pueden aprender e identificar automáticamente patrones en imágenes, lo que les permite detectar y clasificar con precisión grietas en paneles fotovoltaicos, incluso cuando las grietas no son claramente visibles o tienen formas complejas. Además, las CNN se pueden entrenar para detectar grietas con alta precisión y eficiencia, ahorrando tiempo y recursos en comparación con los métodos de inspección manuales. Esto es especialmente crucial en la industria fotovoltaica, donde muchos paneles fotovoltaicos deben inspeccionarse de forma regular y eficiente.

Las CNN sirven como técnica dominante de aprendizaje profundo y han superado consistentemente a la mayoría de los enfoques de aprendizaje automático en diversas aplicaciones del mundo real1,2. Entre las CNN de primera línea, incluidas GoogleNet3, ResNet4 y DenseNet5, las arquitecturas para lograr un alto nivel de rendimiento están diseñadas profesionalmente por expertos que tienen un profundo conocimiento del dominio debido a su experiencia tanto en la investigación de datos como en la investigación de datos. y el desarrollo de las CNN. El problema es que no todos los usuarios interesados en un dominio en particular cuentan con ese conocimiento del mismo. Por ejemplo, es posible que los usuarios que tienen experiencia con los datos disponibles no necesariamente comprendan cómo crear algoritmos para CNN, o viceversa, dependiendo de su familiaridad con los datos6. Por lo tanto, existe un gran interés en la automatización de las arquitecturas CNN, lo que hará que el ajuste de las arquitecturas CNN sea transparente para los usuarios sin ningún conocimiento del dominio7,8,9,10. Por otro lado, un algoritmo de diseño de arquitectura CNN puede promover una amplia adopción de arquitecturas CNN, promoviendo así el desarrollo del campo de la IA a través del desarrollo de CNN.

Según el tipo de conocimiento del dominio que se requiere al implementar los algoritmos para el diseño de la arquitectura CNN, los algoritmos de diseño de la arquitectura CNN existentes se pueden dividir en dos categorías diferentes. En el primer caso, los diseños de arquitectura CNN se crean utilizando una combinación de "ajuste automático y manual"11,12, y lo que esto significa es que el ajuste manual aún estaría justificado además del ajuste automático, según la experiencia en el diseño de arquitecturas CNN. . En esta categoría encontrará información sobre métodos genéticos de CNN y métodos de representación jerárquica13. Otro tipo de diseño de arquitectura CNN es el llamado diseño de arquitectura CNN "automático"14, que no requiere que los usuarios ajusten manualmente sus parámetros cuando lo utilizan. No hay duda de que el diseño de "sintonización automática + manual" suele ser superior al diseño "automatizado" cuando se consideran los beneficios adicionales que se producen con la experiencia manual en las CNN15. Como tal, los diseños "automáticos" tienen una ventaja significativa sobre los diseños "manuales", ya que no necesitan ningún ajuste manual16. Es mucho más probable que los usuarios sin ningún conocimiento de dominio de las CNN prefieran estos diseños automatizados.

Los autores de 17 desarrollaron recientemente una innovadora infraestructura profunda de CNN conocida como Hypotheses-CNN Pooling (HCP), en la que se utilizó un número arbitrario de hipótesis de segmentos de objetos como entradas al sistema. Cada hipótesis se conectó a una CNN compartida y, finalmente, las salidas de CNN para cada hipótesis se agregaron con una agrupación máxima para producir las predicciones definitivas de etiquetas múltiples a partir de las salidas de CNN. La flexibilidad de esta infraestructura profunda de CNN se puede atribuir a una serie de características únicas, como el hecho de que no se requiere información del cuadro delimitador real para el entrenamiento y que toda la infraestructura HCP es robusta ante posibles ruidos y/o hipótesis redundantes. . Otro estudio reciente18 concluyó que degradar una imagen disminuye significativamente su rendimiento de clasificación, especialmente cuando las imágenes de entrenamiento no pueden reflejar los niveles de degradación de las imágenes de prueba. Su análisis visual de las capas CNN reveló que muchas características críticas de bajo nivel no eran claramente discernibles en las primeras capas, lo que podría equivaler a una pérdida de precisión.

Un estudio reciente19 examinó el uso de redes CNN para aplicaciones de imágenes médicas. Un experimento evaluó tres técnicas, incluidas máquinas de vectores de soporte con funciones libres de rotación y orientación, transferencia de aprendizaje en redes CNN y entrenamiento de redes de cápsulas. En consecuencia, los métodos CNN funcionan mejor que los métodos tradicionales porque aprenden y seleccionan funciones automáticamente. Los modelos de aprendizaje por transferencia producen los resultados más precisos.

Las crecientes cantidades de producción de módulos fotovoltaicos y la aplicación limitada de la inspección manual/visual están impulsando la necesidad de una detección automatizada de defectos en el campo fotovoltaico (PV). La investigación en esta área se ha centrado en la detección de grietas y anomalías en células solares mediante técnicas de procesamiento de señales y procesamiento de imágenes20,21,22,23. Sin embargo, un estudio reciente24 desarrolló un método para detectar automáticamente defectos de módulos fotovoltaicos en imágenes de electroluminiscencia, utilizando una arquitectura de red neuronal convolucional ligera para identificar defectos en imágenes EL, logrando una precisión del 93,02% en el conjunto de datos de células solares. Además, las clasificaciones de los defectos de las células solares se basan en dos enfoques de aprendizaje automático propuestos por25 que utilizan máquinas de vectores de soporte (SVM) basadas en extracción de características y redes neuronales convolucionales (CNN). Utilizando hiperparámetros adecuados, optimizadores de algoritmos y funciones de pérdida, han logrado una precisión del 91,58% en la clasificación de detección de células.

Se necesita una gran cantidad de datos para compilar los métodos de detección de células solares basados en CNN existentes (normalmente más de 100 imágenes para cada célula), así como estructuras altamente complejas para que la CNN funcione con precisión26,27. En los últimos años, los algoritmos basados en CNN para la detección de grietas en células solares también se han probado en entornos no industriales, donde obtienen acceso a imágenes EL y posteriormente desarrollan sus modelos, sin purificar la validez de sus modelos cuando se aplican en un entorno industrial. configuración (por ejemplo, tiempo de procesamiento, velocidad de detección de células solares agrietadas, detección de estructuras anormales de células solares, probar el modelo CNN contra diferentes células solares que contienen diferentes barras colectoras, etc.).

Normalmente, los modelos CNN son lentos debido a una operación conocida como “agrupación máxima” dentro de su arquitectura28, y este método se utiliza con frecuencia para inspeccionar células solares. En aplicaciones del mundo real de modelos CNN, entrenar CNN con múltiples capas lleva mucho tiempo si una computadora no tiene una GPU de alto rendimiento. En nuestro trabajo no se utilizó ni la agrupación máxima ni las CNN multicapa.

Las CNN son cada vez más importantes en la industria fotovoltaica para la detección de grietas. El uso de CNN en la detección de grietas puede proporcionar varios beneficios con respecto a los métodos tradicionales. Uno de los principales beneficios de utilizar CNN para la detección de grietas es su capacidad para aprender e identificar patrones en imágenes automáticamente. Esto les permite detectar y clasificar con precisión grietas en paneles fotovoltaicos, incluso en casos en los que las grietas no son claramente visibles o tienen formas complejas. Además, las CNN se pueden entrenar para detectar grietas en imágenes con alta precisión y eficiencia, lo que puede ahorrar tiempo y recursos en comparación con los métodos de inspección manuales. Esto es particularmente importante en la industria fotovoltaica, donde es necesario inspeccionar una gran cantidad de paneles fotovoltaicos de forma regular y eficiente. Además, el uso de CNN para la detección de grietas puede mejorar la seguridad y confiabilidad de los sistemas fotovoltaicos al detectar y prevenir grietas que pueden provocar fallas en el sistema o riesgos para la seguridad. Esto puede ayudar a aumentar el rendimiento general y la vida útil de los sistemas fotovoltaicos, lo que puede generar ahorros de costos para los propietarios y operadores de sistemas fotovoltaicos.

Nuestro trabajo amplía los enfoques existentes en el campo de las CNN para la detección de grietas, con el objetivo de mejorar la capacidad de detección en este dominio. Mediante el desarrollo de una arquitectura CNN diseñada específicamente para la detección de grietas, hemos introducido nuevos elementos para mejorar la efectividad del modelo. Al emplear una red de capacitación, realizamos evaluaciones exhaustivas de diferentes arquitecturas e hicimos los ajustes necesarios para mejorar la precisión de la validación. En particular, nuestras modificaciones incluyeron la transición de la agrupación media a la agrupación máxima, el aumento del número de capas convolucionales y la introducción de un método de agrupación novedoso. Estas mejoras dieron como resultado una mejora significativa en la precisión de la validación, logrando un nivel notable del 96,97%. Para resaltar el carácter distintivo de nuestro enfoque, lo llamamos "DSMP-CNN", que denota la utilización de una arquitectura de red neuronal convolucional de agrupación dual Spin Max. La arquitectura DSMP-CNN representa una variación única de las CNN que incorpora el mecanismo de agrupación de giro dual junto con la capa de agrupación máxima convencional. Este enfoque innovador está diseñado estratégicamente para mejorar la precisión de la detección de grietas al capturar las características distintivas de las grietas y otros defectos presentes en las células solares. Al integrar la arquitectura DSMP-CNN en nuestro sistema propuesto, hemos logrado evaluaciones altamente precisas del estado de aceptación/rechazo de células fotovoltaicas, basadas en la identificación de puntos negros, grietas, PID y áreas sombreadas.

En resumen, las principales contribuciones de nuestra investigación se pueden destacar de la siguiente manera:

Nueva arquitectura CNN: Proponemos la arquitectura DSMP-CNN, que combina las ventajas de la agrupación media y la agrupación máxima con un mecanismo de agrupación de doble giro. Este enfoque único captura características distintivas de grietas y otros defectos en las células solares, lo que mejora la precisión en la detección de grietas.

Alta precisión y eficiencia: a través de pruebas exhaustivas en varias células solares, nuestra arquitectura DSMP-CNN propuesta logra un alto grado de precisión, con una tasa de aceptación de hasta el 99,5 %. Esto demuestra la eficacia de nuestro enfoque para evaluar con precisión el estado de aceptación/rechazo de las células fotovoltaicas en función de la presencia y el tamaño de los defectos, incluidas grietas, microfisuras, PID y áreas sombreadas.

Validación del mundo real: validamos el rendimiento de nuestro sistema utilizando casos del mundo real, como áreas sombreadas y microgrietas, que la arquitectura DSMP-CNN predice con precisión. Esta validación muestra la solidez y confiabilidad de nuestro enfoque en escenarios prácticos.

Eficiencia mejorada y reducción de celdas defectuosas: al aprovechar el poder de DSMP-CNN, nuestra investigación tiene implicaciones significativas para la industria fotovoltaica. El sistema propuesto puede reducir la cantidad de celdas defectuosas al detectar y prevenir con precisión grietas y otros defectos. Esto conduce a una mayor eficiencia y rendimiento general de las unidades de ensamblaje fotovoltaico, lo que genera ahorros de costos para los propietarios y operadores de sistemas fotovoltaicos.

La red CNN se implementa utilizando imágenes EL tomadas directamente de una instalación de fabricación de líneas de células solares, como se muestra en la Fig. 1a. Las células fotovoltaicas se pueden probar con cámaras EL para encontrar defectos ocultos en su estructura; sin embargo, como se describió anteriormente, la automatización de la detección es necesaria para tomar decisiones rápidas sobre si la célula solar está agrietada. En la Fig. 1b, se muestran cinco células solares sanas (no defectuosas), mientras que en la Fig. 1c se muestran células solares defectuosas. Implementamos la CNN como parte de la configuración de EL, de modo que el proceso pudiera determinar automáticamente si una célula solar debería continuar en producción (células libres de defectos) o si debería reportarse como dañada y pasar al proceso de reciclaje (células solares defectuosas). ).

(a) Línea de producción de células solares con equipo interno de detección de EL, (b) Ejemplo de células solares sin grietas “muestras sanas”, (c) Ejemplo de células solares con grietas “muestras agrietadas”.

Las imágenes EL son una técnica utilizada para visualizar la actividad eléctrica dentro de una célula solar. En este proceso, se aplica una corriente eléctrica de alto voltaje a la célula solar, lo que hace que emita luz. Esta luz se puede capturar con una cámara y la imagen resultante se puede analizar para obtener información sobre el rendimiento de la célula solar. Las imágenes EL se pueden utilizar para identificar áreas de la célula solar que no funcionan correctamente, como regiones con alta resistencia o baja absorción de luz (Fig. 1c). Además, se puede utilizar para optimizar el diseño de la célula solar para mejorar su eficiencia general.

En este estudio, la resolución de imagen EL empleada para fines de entrenamiento, validación y prueba de CNN varía de 1000 × 1000 píxeles a 2500 × 2500 píxeles. Esta variación deliberada en la resolución de la imagen se implementó para garantizar que el algoritmo de detección desarrollado pueda manejar una amplia gama de niveles de resolución, abarcando imágenes tanto de baja como de alta resolución. Al incorporar imágenes de diversas resoluciones, en este trabajo se evalúan y validan minuciosamente la eficacia y solidez del algoritmo en diferentes calidades de imagen.

Al crear CNN, normalmente se utilizan las siguientes capas:

El núcleo de una CNN es la capa de convolución. Esta capa contiene un conjunto de filtros (o núcleos), cuyos parámetros se aprenden a lo largo del proceso de capacitación. Un filtro suele tener un tamaño más pequeño que la imagen real. Se crea un mapa de activación combinando cada filtro con una imagen. Cada producto escalar se calcula en cada posición espacial entre cada elemento de filtro y la entrada cuando el filtro se desliza a lo largo de la altura y el ancho de la imagen.

La normalización por lotes, o norma por lotes, es la segunda capa de CNN. Durante el entrenamiento, garantiza la regularización, evita el sobreajuste y aumenta la velocidad de las CNN. En esta capa, cada mapa de características está normalizado junto con sus parámetros. La norma por lotes daría como resultado que cada característica tenga una media y una desviación estándar diferentes y, por lo tanto, la CNN producirá una precisión adicional en la extracción de características de la imagen.

En CNN, la tercera capa se conoce como unidad lineal rectificada (ReLU). Esta capa elimina todos los valores negativos de la imagen filtrada y los reemplaza con ceros. Una cierta cantidad debe estar presente como entrada para que se active esta función. En otras palabras, si la entrada es inferior a cero, la salida también será cero. Sin embargo, existe una relación lineal entre el insumo y la variable dependiente una vez que el insumo alcanza un cierto umbral. Esto significa que es capaz de acelerar el conjunto de datos de entrenamiento de una red neuronal profunda a un ritmo más rápido que otras funciones de activación.

La agrupación es la cuarta capa de CNN. La agrupación se puede dividir en dos tipos: agrupación máxima y agrupación media. Al utilizar Max Pooling, podemos extraer el valor máximo de una porción específica de una imagen cubierta por el kernel. Mientras tanto, la agrupación media es un método para promediar los valores de una parte de la imagen que está cubierta por el núcleo. Si bien en la práctica, cuando se trata de seleccionar si se utiliza la agrupación máxima o media, no existe una solución estandarizada, por lo que la elección debe realizarse mientras se entrena y verifica la precisión de la red CNN a lo largo del tiempo.

Una capa completamente conectada se refiere a una red neuronal que comprende neuronas que aplican una transformación lineal a los vectores de entrada para encontrar una solución al problema mediante el uso de matrices de peso. En consecuencia, todas las conexiones posibles entre el vector de entrada y el vector de salida están presentes como resultado del uso de capas, de modo que cada entrada del vector de entrada influye en cada salida del vector de salida.

En la red CNN que predice una distribución probabilística basada en una distribución multinomial, la función softmax se utiliza como función de activación en la capa de salida del modelo de red neuronal. Esto significa que softmax se utiliza como función de activación en problemas de clasificación de clases múltiples cuando se requieren más de dos etiquetas de clase para que una clase sea miembro de la clasificación CNN.

En la red CNN, la última capa se denomina capa de clasificación. Aquí es donde una red neuronal puede clasificar una clase de acuerdo con las reglas definidas por la red CNN. En nuestro trabajo se incluyen dos clases, aceptar y rechazar, para indicar el estado de la célula solar. En caso de grietas en la imagen, la célula solar será rechazada y transferida a la unidad de reciclaje de la unidad de fabricación fotovoltaica; de lo contrario, si CNN acepta la imagen, la célula solar real se colocará en la unidad de ensamblaje de fabricación.

Para comenzar a desarrollar una arquitectura CNN para la detección de grietas, comenzamos creando una red de capacitación desde cero. La arquitectura de la red de capacitación se divide en varias etapas, que incluyen entrada, convolucional, agrupación, capas completamente conectadas y salida. La red convolucional inicial, denominada Net1/Net2, comenzó con una capa de entrada de imágenes redimensionadas de 227 × 227 × 3 píxeles. A esto le siguieron dos capas de filtros convolucionales con 32 filtros, cada uno conectado con una capa de normalización por lotes y una capa de activación Relu. Se aplicó la combinación media/máxima, como se ilustra en las figuras 2a y b. Durante los experimentos iniciales, la tasa de aprendizaje se estableció en 0,0001, el tamaño del minilote se estableció en 16 y la red se entrenó durante 20 épocas. En la Tabla 1 se puede encontrar un resumen de los parámetros clave de la arquitectura.

Desarrollé arquitecturas de red CNN. (a) Convoluciones de dos capas y agrupación media (denominada Net1), (b) Convoluciones de dos capas y agrupación máxima (denominada Net2).

Utilizando la red de entrenamiento, se determinó que la precisión de validación de Net1 es del 81,5%, que es el estándar para la agrupación de medias, que está bastante lejos de su validez. La precisión mejoró al 87,5 % cuando la combinación media se completó hasta la combinación máxima, lo que aún no es significativo, pero está avanzando hacia la validez.

A continuación, la tarea principal fue cómo mejorar la precisión de la validez de la arquitectura. En este caso, aumentamos el número de capas convolucionales de dos a tres utilizando el máximo y la media de doble agrupación, como se muestra en la Fig. 3a, y manteniendo todos los demás parámetros y factores de aprendizaje sin cambios. A partir de ahí, pudimos mejorar la precisión de la validación al 93,75%. Teniendo en cuenta el hecho de que las tres capas de convolución mejoraron la precisión de la validación, decidimos mantener las capas iguales pero cambiamos el diseño de la arquitectura, cambiando la doble agrupación. desde Max y media hasta duplicar la agrupación de Max como se muestra en la Fig. 3b. A partir de ahí, la precisión de la validación mejoró al 96,97%, lo que demuestra que Net4 es la arquitectura más apropiada para emplear en nuestra investigación.

Arquitecturas de red CNN mejoradas. (a) Convoluciones de tres capas y agrupación máxima-media (denominada Net3), (b) Convoluciones de tres capas y agrupación máxima-máxima (denominada Net4).

Como se muestra en la Fig. 4, el despliegue de una red CNN para la inspección de células solares comienza capturando una imagen EL de la célula solar cuando sale de la línea de fabricación. Las imágenes EL son un método utilizado para probar la calidad de una célula solar midiendo la luz emitida por la célula cuando se le aplica una pequeña corriente. Una vez obtenida una imagen EL de la célula solar, se incorpora a la red CNN para su análisis. La red CNN está entrenada para reconocer patrones y características en la imagen que indican la presencia de grietas o fracturas en la célula solar. Utiliza esta información para decidir si acepta o rechaza la celda.

Incorporación de la red CNN en la toma de decisiones para la identificación de grietas de células solares en una aplicación de entorno industrial.

Si la cadena CNN determina que la celda está libre de grietas o fracturas, se clasifica como "aceptada" y se envía para su montaje en un panel solar. Por otro lado, si la red detecta grietas o fracturas en la celda, esta se clasifica como "rechazada" y se envía a reciclaje. El uso de una red CNN en este proceso permite un alto nivel de automatización y precisión en la inspección de células solares, ya que la red puede identificar de forma rápida y fiable defectos que pueden no ser visibles para el ojo humano.

Durante el desarrollo de la arquitectura CNN para la inspección de células solares, uno de los principales desafíos enfrentados fue ajustar los parámetros que afectan la precisión, como el número de ciclos de entrenamiento (épocas), la precisión de la validación y la velocidad a la que aprende el modelo (aprendizaje). tasa). Se descubrió que si la tasa de aprendizaje era demasiado alta, el modelo convergería rápidamente a una solución subóptima, y si la tasa de aprendizaje era demasiado baja, el proceso podría atascarse29,30. Para superar este desafío, el equipo comenzó utilizando una tasa de aprendizaje de 0,01 y 10 épocas para la primera red CNN (Net1). Inicialmente, la precisión de la validación fue del 56 %, pero se mejoró gradualmente al aumentar la tasa de aprendizaje a 0,0001 y aumentar el número de épocas a 20. Esto resultó en una precisión de validación máxima del 81,5 % para Net1, como se ve en la Fig. 5a.

Precisión de validación de arquitecturas de red CNN. (a) Net1, (b) Net2, (c) Net3, (d) Net4.

Dado que aumentar aún más el número de épocas no mejoraba la precisión, el equipo se centró en mejorar la arquitectura de CNN. Replicaron la combinación media de Net1 hasta la combinación máxima de Net2, lo que resultó en una mejora en la precisión de la validación del 87,5%, como se ve en la Fig. 5b. Continuamos mejorando la arquitectura manteniendo la misma tasa de aprendizaje y épocas y agregando tres capas de convolución con agrupación máxima-media y agrupación máxima-máxima, respectivamente, lo que resultó en precisiones de validación de 93,75 y 96,97% para Net3 y Net4, como se ve en la Fig. 5c y d. Esto les permitió alcanzar un alto nivel de precisión con 20 épocas y una tasa de aprendizaje de 0,0001.

De manera similar, la función de pérdida para los modelos CNN es un parámetro clave a considerar, ya que mide la variación entre la salida predicha y los datos reales. Para lograr esto, todos los parámetros críticos del modelo CNN se ajustarán a través del proceso de entrenamiento con el objetivo de minimizar la función de pérdida de una manera que mejore la capacidad del modelo para predecir la función de pérdida con mayor precisión, así como su rendimiento general.

Un gráfico de pérdida ideal tiene dos líneas etiquetadas en rojo para la pérdida de entrenamiento y en azul para la pérdida de validación, las cuales deben disminuir y converger para indicar que el modelo de pérdida está reduciendo el error de predicción del modelo. Según la arquitectura Net4, que se muestra en la Fig. 6, parece que inicialmente, la pérdida del modelo fue una fracción mayor, pero a medida que el modelo se entrenó constantemente, la pérdida del modelo se redujo progresivamente hasta llegar a cero, mostrando un alto grado. de aprendizaje y que el modelo esté funcionando bien y minimizando tanto las pérdidas como los errores.

Pérdida de aprendizaje de la red Net4 CNN frente a iteraciones de aprendizaje (épocas).

Una matriz de confusión es una tabla que resume el rendimiento de un modelo de clasificación mostrando la cantidad de predicciones correctas e incorrectas realizadas en un conjunto de datos. En este caso, la Tabla 2 presenta los resultados de la matriz de confusión para el modelo Net4 de CNN, que se aplicó a 150 imágenes que constan de 75 células solares sanas y 75 células solares agrietadas. Además, la exactitud y precisión del modelo se calcularon utilizando (1) y (2), y los resultados son los siguientes:

La precisión del 93,3% indica que el modelo clasificó correctamente el 93,3% de todas las muestras, abarcando células solares tanto agrietadas como no agrietadas en el conjunto de datos. Esto significa que el rendimiento general del modelo a la hora de predecir con precisión la clase de células solares fue del 93,3%.

La precisión del 92,2% implica que de todas las muestras que el modelo identificó como agrietadas, el 92,2% de ellas eran en realidad imágenes de células solares agrietadas. La precisión mide la proporción de casos positivos predichos correctamente, lo que indica que la capacidad del modelo para identificar correctamente las células solares agrietadas tenía una precisión del 92,2%.

Estos resultados sugieren que el modelo Net4 de CNN tuvo un buen desempeño en la clasificación de imágenes de células solares, con una alta exactitud y precisión. Sin embargo, es importante señalar que la interpretación de estos resultados se basa en el supuesto de que los valores de la matriz de confusión son precisos y se informan correctamente.

La CNN propuesta se probó insertando varias células solares en el sistema y evaluando la precisión de sus predicciones para determinar si la célula solar debía aceptarse o rechazarse. La primera célula solar examinada era relativamente sana con puntos negros menores (estos suelen aparecer en el EL debido a la resolución/calibración de la cámara), como se muestra en la Fig. 7a. Para garantizar la coherencia y facilitar el aprendizaje eficaz, las imágenes EL capturadas se preprocesaron para garantizar una resolución uniforme o se redimensionaron para ajustarse a un rango de resolución específico (por ejemplo, 1000 × 1000 píxeles a 2500 × 2500 píxeles). El sistema predijo que la celda sería aceptada con un 98,2% de precisión y rechazada con un 1,8% de precisión, lo cual es una predicción precisa ya que la celda está en buenas condiciones y solo tiene una pequeña cantidad de puntos negros. El sistema hizo esta predicción analizando el tamaño, la forma y la cantidad de los puntos negros en la célula solar y comparándolos con una base de datos de células solares aceptadas y rechazadas, utilizando algoritmos matemáticos para predecir el estado de aceptación/rechazo de la célula con un alto grado. de exactitud.

Se examinaron células solares sanas con un porcentaje de aceptación/rechazo. (a) Caso 1, (b) Caso 2.

El segundo caso (Caso 2) fue una célula solar sana con menos puntos negros (mejor resolución de imagen EL) que el primer caso, como se muestra en la Fig. 7b. El modelo predijo que la celda tenía una tasa de aceptación del 99,5% y una tasa de rechazo del 0,5%, lo que resultó en la aceptación de la celda para la fase de ensamblaje. Esto ilustra que el modelo propuesto es más preciso a la hora de predecir el rendimiento de una célula solar que los métodos convencionales, y que puede reconocer células con menos puntos negros, lo que puede conducir a una mayor eficiencia.

En una fase posterior de experimentación se analizaron células solares con grietas importantes. Específicamente, el Caso 3, como se muestra en la Fig. 8a, se centró en el examen de células solares con grietas importantes. Al ejecutar el sistema, se determinó que la celda solar tenía una tasa de rechazo del 99,1% y una tasa de aceptación del 0,9%, lo cual es una predicción válida ya que la celda está visiblemente dañada por la presencia de grietas importantes.

Se examinaron células solares agrietadas con un porcentaje de aceptación/rechazo. (a) Caso 3, (b) Caso 4.

Para validar aún más la confiabilidad de las pruebas, se realizó un examen adicional de las células solares agrietadas. Esto se hizo en el Caso 4, que era similar al Caso 3, pero con menos grietas presentes, como se muestra en la Fig. 8b. La predicción del sistema era que el 98,4% de las células solares serían rechazadas, lo que sigue siendo una estimación razonable, pero la tasa de rechazo fue menor que la del Caso 3, debido a la presencia de menos grietas. Un ejemplo adicional de detección de grietas se puede encontrar en las Figs. S1 y S2 para 12 muestras diferentes de células solares sanas y agrietadas, respectivamente.

Según el análisis de cuatro casos distintos, parece que el sistema propuesto es capaz de proporcionar predicciones precisas, como lo demuestran las imágenes de referencia. Sin embargo, cabe señalar que ciertos casos pueden presentar un desafío mayor de predecir, y estos se analizarán en la siguiente sección.

Hay muchos desafíos asociados con la predicción de si una célula será aceptada o rechazada, y uno de los desafíos clave es predecir la degradación inducida por potencial (PID). El PID es una de las principales causas de degradación del módulo y es causado por el alto voltaje generado entre los encapsulantes y la superficie de vidrio frontal, que está conectada a tierra a través del marco de la celda o de la subestructura31. Como resultado de esto, comenzamos a realizar pruebas en las células solares antes y después del PID. La prueba PID se llevó a cabo mientras conectamos las células solares con −1000 V durante 96 h, y después de obtener las imágenes EL antes y después del PID, instalamos el sistema CNN para probar si podemos predecir el PID como aceptado o rechazado. . Después de ejecutar el sistema, se determinó que (caso 5) la tasa de aceptación de las células solares antes del PID era del 99,2%, como se muestra en la Fig. 9a. A pesar de que las células comenzaron a disminuir después de que ocurrió el PID, esta predicción resultó en un rechazo del 98,2% para las células solares con PID, como se muestra en la Fig. 9b. Estas predicciones precisas demuestran la eficacia del sistema para determinar la tasa de aceptación de células solares con y sin PID, lo que lo convierte en una herramienta valiosa para evaluar el estado de las células fotovoltaicas.

Células solares examinadas con PID (caso 5). (a) Antes del PID, (b) Después del PID.

Con el fin de realizar una mayor validación del PID, se probó un caso adicional (caso 6) en el sistema con las mismas características que el Caso 5 pero con una atenuación mucho más notable específicamente después de que se produjo el PID, como se muestra en las Fig. 10a y b.

Células solares examinadas con PID (caso 6). (a) Antes del PID, (b) Después del PID.

Al ejecutar el sistema, predice que el sistema puede diferenciar efectivamente entre las células solares anteriores y posteriores al PID al aceptar el porcentaje de células anteriores al PID del 99,4%, al mismo tiempo que realiza predicciones precisas para las células con PID. , con una tasa de rechazo del 99,4%. Esto indica un rendimiento notable del sistema y sugiere que es capaz de distinguir entre células que se han sometido a PID y aquellas que no, con un alto grado de exactitud y precisión.

En nuestro estudio, examinamos las células solares con áreas sombreadas, que se observan comúnmente en las células solares basadas en silicio debido a un fenómeno conocido como derivación. Las derivaciones se producen durante el proceso de fabricación y dan como resultado regiones sombreadas localizadas en la superficie de la célula solar. Al incluir áreas sombreadas en nuestra evaluación, nuestro objetivo era evaluar la efectividad de nuestro sistema de detección de grietas para identificar y distinguir entre grietas genuinas y estas regiones desviadas.

Las células solares con áreas sombreadas (etiquetadas con círculos rojos discontinuos en la Fig. 11) son especialmente difíciles de predecir si serán aceptadas o rechazadas. Esto se debe a que la sombra provocará una distribución desigual de la corriente en las barras colectoras. Esto provocaría estrés en la célula y, en consecuencia, temperaturas más altas. En vista de esto, analizamos dos casos de células solares con áreas sombreadas, denominados casos 7 y 8, y les realizamos la misma prueba de procesamiento que a los demás. Con base en los resultados del análisis, se predijo que ambos casos serían rechazados con un 98,5% y 98,9%, respectivamente, como se muestra en las Fig. 11a y b, que fueron predicciones precisas dado que el sistema ha sido entrenado para detectar células con zonas sombreadas.

Células solares examinadas con zona de sombra. (a) Caso 7, (b) Caso 8.

Para proporcionar una mayor validación para los casos dentro del área sombreada, realizamos pruebas térmicas para ambos casos (caso 7 y caso 8) para colocarlos en un simulador solar, en condiciones estándar, irradiancia solar de 1000 W/m2 y temperatura de la celda de 25 °. C están empleados. Mediante imágenes térmicas, es posible determinar si una muestra de células tiene puntos calientes. En ambos casos, después de obtener las imágenes térmicas, se reveló que la temperatura de las celdas había aumentado a 77,6 °C y 57,8 °C respectivamente, como se muestra en las figuras 12a y b, lo que finalmente provocó una pérdida de energía en cada caso.

Imagen térmica de la célula solar examinada con área sombreada en condición STC. (a) Caso 7, (b) Caso 8.

Otro factor a considerar al predecir el estado de las células solares es la presencia de microfisuras. Las microfisuras no son grietas importantes que puedan provocar una gran pérdida de potencia y pueden clasificarse como células sanas, como se indica en los círculos rojos discontinuos en las figuras 13a y b. Por lo tanto, es necesario tener en cuenta las microfisuras al evaluar el estado de las células solares, ya que no provocan una disminución significativa en la producción de energía. Como resultado, comenzamos a examinar dos células solares con microgrietas (casos 9 y 10), lo que llevó al sistema a identificarlas como células solares aceptadas. Al final, el sistema de ejecución concluyó que ambos casos estaban sanos, con un porcentaje de aceptación del 99,5% y 99,9%, respectivamente. Esto indica que es una predicción confiable ya que no es una grieta importante y tiene una pérdida de energía mínima.

Células solares examinadas sin grietas importantes. (a) Caso 9, (b) Caso 10.

Con el fin de validar los resultados del sistema CNN, en ambos casos 9 y 10 se realizaron pruebas térmicas utilizando el simulador solar con STC, con el mismo proceso de imagen térmica que se había utilizado en los casos 7 y 8. Como se muestra en la Fig. 14a y b, los resultados de las pruebas térmicas indicaron que se observó una distribución uniforme de calor a través de la superficie de la célula solar. Por lo tanto, la temperatura de la superficie se ha aproximado a 25 °C, que es la temperatura estándar para las pruebas. Se observa que las células solares con microfisuras no están expuestas a puntos calientes. También es digno de mención que para las microfisuras, no hubo aumento en la temperatura de la celda, lo que confirma que las microfisuras no cambian la temperatura de la celda ni causan que se desarrolle un punto caliente en la celda.

Imagen térmica de la célula solar examinada con microfisuras en condiciones STC. (a) Caso 9, (b) Caso 10.

Como medio para verificar la efectividad del método propuesto, los resultados obtenidos se han comparado con varios métodos de detección de grietas CNN bien desarrollados26,28,32,33,34 que se utilizan ampliamente en la industria. En la Tabla 3 se ofrece un resumen de la comparación.

Los estudios recientes se basan principalmente en el aprendizaje por transferencia, que utiliza redes previamente entrenadas en lugar de desarrollarlas desde cero utilizando diferentes conjuntos de datos. Los casos más notables de aprendizaje por transferencia son26,32,34, que se basan en AlexNet, VGG-16, VGG-19, Inception-v3, Inception ResNet50-v2 y ResNet50-v2. Aunque los casos no se desarrollaron desde cero,32 modificó un poco la red previamente entrenada. Curiosamente, todos estos estudios son competentes para detectar grietas, pero no PID ni áreas sombreadas. Además, los resultados no han sido validados con pruebas térmicas. Además, estos estudios no analizan el potencial del aprendizaje por transferencia para detectar PID y áreas sombreadas, ni el posible beneficio de las pruebas térmicas para validar los resultados.

Basadas en28,33 arquitecturas CNN desarrolladas, red piramidal de características de atención bidireccional (BAFPN) y optimización de enjambre (PSO), ambas redes son capaces de detectar grietas con tanta eficiencia como las redes anteriores. Además de su renuencia a detectar PID y áreas sombreadas, estas redes no han sido validadas con pruebas térmicas y tienden a requerir una gran cantidad de datos para entrenarse.

Como resultado de este estudio, se desarrollaron cuatro arquitecturas diferentes desde cero y pudimos evaluar la efectividad y precisión de estas arquitecturas, así como mejorar la confiabilidad de las validaciones. Hemos validado los resultados de esta red con pruebas térmicas para poder confiar en ella en unidades de montaje fotovoltaico para identificar grietas, microfisuras, PID y zonas de sombra. Gracias a esta red, las unidades de montaje fotovoltaico podrán clasificar varias células solares de la forma más sencilla posible.

Si bien este artículo presenta ventajas significativas, existen ciertas limitaciones que deben reconocerse en este estudio. En primer lugar, la evaluación del sistema propuesto se realizó utilizando un conjunto de datos específico, que podría no capturar completamente la diversidad de escenarios del mundo real que involucran varios tipos de células solares. Por ejemplo, no se exploraron exhaustivamente las células solares con diferentes configuraciones de barras colectoras o variaciones de fabricación. Por lo tanto, la generalización de los hallazgos a estos casos específicos puede ser limitada.

En segundo lugar, el estudio se basó en imágenes EL obtenidas de ambientes interiores y de una línea de producción de células solares. Si bien estas configuraciones son relevantes para la aplicación prevista, es importante reconocer que las condiciones de las imágenes pueden variar en diferentes escenarios. Factores como las condiciones de iluminación, las especificaciones de la cámara y la configuración de imágenes pueden diferir al examinar células solares en ambientes exteriores o al utilizar diferentes equipos de detección EL. Por lo tanto, la transferibilidad del sistema propuesto a estas condiciones de imagen alternativas puede requerir más investigación y adaptación.

Para abordar estas limitaciones en futuras investigaciones, se recomienda:

Ampliar el conjunto de datos para abarcar una gama más amplia de tipos de células solares, incluidas variaciones en las configuraciones de barras colectoras y procesos de fabricación, para mejorar la representatividad de la evaluación.

Incorpore imágenes EL capturadas en diversas condiciones de imagen, como entornos exteriores o utilizando diferentes equipos de detección EL, para evaluar el rendimiento del sistema en diversos escenarios.

Considere la posibilidad de realizar estudios comparativos o evaluaciones comparativas con los métodos de detección de grietas existentes utilizando múltiples conjuntos de datos para establecer la solidez y eficacia del sistema propuesto en diferentes entornos.

Colabore con socios de la industria o instituciones de investigación para acceder a una gama más amplia de muestras de células solares y condiciones de imágenes, garantizando que los hallazgos sean aplicables a escenarios del mundo real.

Realice análisis de sensibilidad o realice experimentos para evaluar el rendimiento del sistema bajo variaciones controladas en las condiciones de iluminación, configuraciones de la cámara u otros parámetros de imagen para evaluar su robustez y adaptabilidad.

Al abordar estas limitaciones, las investigaciones futuras pueden mejorar la aplicabilidad y confiabilidad del sistema de detección de grietas para una gama más amplia de tipos de células solares y condiciones de obtención de imágenes.

En este artículo se desarrolló y presentó un novedoso sistema de detección de grietas en células solares para su aplicación en unidades de ensamblaje fotovoltaico. Una red propuesta incorpora cuatro arquitecturas CNN diferentes con precisión de validación variable para detectar grietas, microfisuras, PID y áreas sombreadas, respaldadas por pruebas térmicas para validar los resultados. En este método, el sistema examina la imagen EL de la célula solar e identifica si predice con precisión que la célula solar será aceptada o rechazada. Además, el sistema utiliza un conjunto de características para reducir la tasa de falsos positivos y aumentar la precisión del proceso de detección de grietas utilizando una arquitectura CNN de agrupación máxima de doble giro.

El sistema CNN propuesto se probó en varias células solares para determinar su estado de aceptación/rechazo. Se descubrió que el sistema era muy preciso a la hora de determinar el estado de las células solares en función de la presencia y el tamaño de puntos negros, grietas, PID y áreas sombreadas. El sistema logró un alto grado de precisión, con una tasa de aceptación de hasta el 99,5% y una tasa de rechazo de hasta el 99,1% en diferentes casos. Además, el sistema fue validado con pruebas térmicas utilizando casos con rangos reales, como áreas sombreadas y microfisuras, que el sistema predijo con altos grados de precisión. Los resultados indican que el sistema propuesto es una herramienta valiosa para evaluar el estado de las células fotovoltaicas y puede conducir a una mayor eficiencia. Además, el estudio descubrió un rendimiento superior del modelo CNN propuesto en comparación con estudios anteriores en la detección de grietas, microfisuras, PID y áreas sombreadas en células solares.

Esta investigación es importante para la industria fotovoltaica y la automatización de la detección de grietas en células solares fotovoltaicas por varias razones:

Detección precisa de grietas: el sistema DSMP-CNN propuesto puede detectar con precisión grietas, microfisuras, PID y áreas sombreadas en células fotovoltaicas, lo que puede conducir a una mayor eficiencia y confiabilidad de las células.

Alta precisión: el sistema se probó en varias células solares y logró un alto grado de precisión, con una tasa de aceptación de hasta el 99,5 % y una tasa de rechazo de hasta el 99,1 % en diferentes casos.

Eficiencia mejorada: al automatizar el proceso de detección de grietas, el sistema propuesto puede reducir el tiempo de inspección manual y los errores, lo que lleva a una mayor eficiencia en la industria fotovoltaica.

Detección en tiempo real: el sistema puede examinar rápidamente la imagen EL de la célula solar y predecir su estado de aceptación o rechazo en tiempo real, lo que puede ahorrar tiempo y recursos a las empresas fotovoltaicas.

El conjunto de datos generado y analizado en este estudio puede estar disponible del autor correspondiente (SH) previa solicitud razonable.

Nazzicari, N. & Biscarini, F. Parentesco apilado CNN frente a GBLUP para predicciones genómicas de fenotipos continuos aditivos y complejos. Ciencia. Representante https://doi.org/10.21203/rs.3.rs-1932443/v1 (2022).