Eine Forschungsgruppe von Chinas Beihua-Universität und der Northeast Electric Power University hat eine neue Methode zur Detektion von PV-Defekten entwickelt, die auf dem Deep Learning von Elektrolumineszenz (EL) -Bildern basiert. Defekte in PV-Zellen können zu Modulfehlern führen, die die Leistungsausbeute reduzieren und Sicherheitsrisiken für das System darstellen können. Daher ist es wichtig, regelmäßige Inspektionen und Wartungsarbeiten an Photovoltaikmodulen durchzuführen, um eine maximale Leistung des PV-Systems während seiner Lebensdauer zu gewährleisten.
Die vorgeschlagene Methode basiert auf dem VarifocalNet Deep-Learning-Objekterkennungsframework, das darauf abzielt, eine große Anzahl von Kandidatendetektionen in der Objekterkennung genau zu bewerten. Ein Deep Convolutional Neural Network ResNet-101 wird als Backbone für die Merkmalsextraktion verwendet. Um das VarifocalNet schneller zu machen, entwarf die Gruppe ein Bottleneck-Modul mit kleineren Parametern, um die Anzahl der Parameter und die Rechenkomplexität zu reduzieren.
Die neue Detektionsmethode wurde auf dem PVEL-AD Datensatz trainiert und getestet, der 4.000 Nah-Infrarot-Bilder mit verschiedenen Defekten wie Rissen, Fingerkratzern, schwarzen Kernen und horizontalen Verschiebungen enthält. Die Methode wurde als schnell und präzise in der Detektion von Defekten beschrieben und weist die höchste mittlere durchschnittliche Präzision (mAP) und Recall auf.
Die Forscher betonten, dass ihr Modell eine Zwei-Stufen-Methode ist, während sowohl DDH-YOLOv5 als auch das verbesserte YOLOv7 zur Ein-Stufen-Methode gehören. Die Zwei-Stufen-Methode weist eine komplexere Netzwerkstruktur auf, was zu höherer Detektionsgenauigkeit und langsamerer Detektionsgeschwindigkeit führt, während die Ein-Stufen-Methode eine relativ einfachere Netzwerkstruktur verwendet, was zu schnellerer Detektionsgeschwindigkeit und niedrigerer Detektionsgenauigkeit führt.
Die neuartige Methode wurde in dem Artikel “Defect detection of photovoltaic modules based on improved VarifocalNet” in Scientific Reports beschrieben.