AÇIKGÖZ, HakanKorkmaz, Deniz2025-10-242025-10-2420221308-9072https://doi.org/10.35234/fumbd.1099000https://search.trdizin.gov.tr/tr/yayin/detay/1126075https://hdl.handle.net/20.500.12899/2518Fotovoltaik (FV) panel hücrelerindeki arızaların tespiti ve sınıflandırılması güneş enerjisi santrallerinin verimli ve güvenilir bir şekilde işletilebilmesi için oldukça önemli bir konu haline gelmiştir. Bu çalışmada, FV panel hücrelerindeki arızaların hızlı ve doğru bir şekilde tespit edilmesi ve sınıflandırılması için etkin bir evrişimli sinir ağı (ESA) modeli önerilmiştir. Önerilen model, daha az parametre ve model boyutuna sahip SqueezeNet ile transfer öğrenme yaklaşımı kullanılarak geliştirilmiştir. Eğitim yakınsamasını iyileştirmek ve sınıflandırma başarımını arttırmak için modelin aktivasyon fonksiyonları değiştirilerek ateşleme modüllerinden atlama bağlantıları oluşturulmuştur. Deneylerde, Elektrolüminesans (EL) görüntülerinden elde edilen bir veri seti kullanılmıştır. Sınıf dağılımının dengesizliğini gidermek ve örnek sayısını arttırmak için veri artırma teknikleri uygulanmıştır. Önerilen yöntemin performansı AlexNet, ShuffleNet, GoogLeNet ve SqueezeNet gibi ön eğitimli ESA mimarileri ile karşılaştırılmıştır. Gerçekleştirilen deneysel çalışmalarda önerilen yöntemin doğruluk, kesinlik, duyarlılık, özgüllük ve F1-skor değerleri sırasıyla %91.29, %84.21, %89.72, %92.04 ve %86.88 olarak elde edilmiştir. Ayrıca önerilen yöntem diğer yöntemlerin doğruluk ölçütündeki değerlerini %0.99 ile %6.29 arasında iyileştirmiştir. Elde edilen tüm sonuçlar analiz edildiğinde önerilen yöntemin FV panel hücrelerindeki arızaların tespitinde üstün bir performansa sahip olduğu gözlemlenmiştir.trinfo:eu-repo/semantics/openAccessMühendislikElektrik ve ElektronikEnerji ve YakıtlarDerin ÖğrenmeFotovoltaik Panel HücreleriArıza TespitiElektrolüminesans GörüntülemeEvrişimli Sinir AğlarıArticle10.35234/fumbd.10990003425896001126075