Güneş panellerinde yabancı cisim tespiti: DHLNet tabanlı yaklaşım

Güneş panellerinin temiz tutulmasının neden gerçekten önemli olduğu

Güneş panelleri, her hücre güneşi net görebildiğinde en verimli çalışır. Gerçekte ise paneller hızla kuş pisliği, toz, yaprak, kar ve hatta küçük çatlaklar ya da yanık izleriyle kaplanır. Bu istenmeyen etkenler yalnızca panellerin kirli görünmesine yol açmaz—ışığı engeller, sıcak noktalara neden olur, donanımın daha hızlı yaşlanmasına sebep olur ve tüm güneş çiftliklerinin üretimini sessizce düşürür. Bu makale, fotovoltaik (PV) panellerdeki böyle yabancı cisimleri, küçük, sönük ya da kısmen gizlenmiş olsalar bile otomatik olarak tespit edebilen DHLNet adlı yeni bir bilgisayarlı görü modelini tanıtıyor; bu da güneş enerjisinin güvenli, verimli ve uygun maliyetli kalmasına yardımcı oluyor.

Güneş tarlalarını izlemenin artan zorluğu

Güneş enerjisi çatı sistemlerinden geniş ölçekli tesislere yayıldıkça, panellerin elle kontrolü yavaş, maliyetli ve hataya açık hale geldi. Geleneksel yöntemler genellikle bir panel dizisinin elektriksel sinyallerini dinleyip anormal desenleri arar. Bu yaklaşımlar basit ve hızlı olsa da, sorunun panel üzerindeki kesin konumunu veya nedenini belirtmekte zorlanır. Son yıllarda mühendisler, panellerin fotoğraf veya termal görüntülerini çekmek için bazen insansız hava araçlarına (drone) monte edilen kameralara yöneldi. Derin öğrenme modelleri daha sonra arızalarla ilişkili desenleri tanımak üzere eğitilebiliyor. Yine de mevcut araçlar, özellikle dış mekan sahalarında yaygın olan değişken güneş ışığı, gölgeler ve karmaşık arka planlar altında pek çok küçük veya düşük kontrastlı kusuru kaçırmaya devam ediyor.

Yeni tespit modelinin aynı görüntüde daha fazlasını görmesi

DHLNet, popüler gerçek zamanlı nesne algılama ailesi YOLO üzerine kuruludur ancak güneş panellerindeki ince kusurları daha iyi ayırt edebilmek için ağın bazı kritik bölümlerini yeniden yapılandırır. Öncelikle, yazarlar ağın orta kısmındaki "boyun" bölümündeki bilgi akışını yeniden tasarlıyor. İkili Akışlı Özellik Piramidi Ağı (Dual-Flow Feature Pyramid Network), kaba, yüksek seviyeli katmanlardan ince katmanlara ve ince katmanlardan geri doğru sinyaller gönderirken farklı ölçekler arasında çapraz bağlantılar da ekler. Bu çapraz trafik, modelin küçük bir lekesinin sınırı gibi keskin detayları korurken genel sahneyi de anlamasını sağlar; bu, kusurlar panel karolarından çok daha küçük olduğunda özellikle kritiktir.

Bulanık kenarlar ve karmaşık dokular için daha keskin gözler

Panellerdeki birçok yabancı cisim arka plandan ayırt edilmesi zordur: toz nazik lekeler olarak görünür, kuş pislikleri yansımalarla karışır ve kar kenarları yumuşatabilir. Bu durumlarla başa çıkmak için DHLNet, özellikleri iki akıma bölen yüksek frekans artırma bloğu ekler. Bunlardan biri çok yerel kenar ve dokulara odaklanırken diğeri daha geniş bir alandaki yüksek frekans desenlerine bakar. Bunlar, özgün sahne bağlamını koruyan bir kısa yol bağlantısıyla yeniden birleştirilir. Buna ek olarak, ağ geniş bir görüş alanından bilgi toplamak için büyük, ayrılabilir filtreler kullanan özel bir dikkat modülü içerir. Bu, modelin çatlaklar veya düzensiz yamalar gibi birkaç hücreye yayılan sönük veya garip şekilli kusurları fark etmesine yardımcı olurken ince detayları kaybetmemesini sağlar.

Modelin gerçek koşullarda sınanması

Araştırmacılar, farklı mevsimleri, aydınlatma koşullarını ve hava durumlarını kapsayan, birden çok güneş santrali ve çevrimiçi kaynaklardan elde edilen çeşitli bir görüntü veri seti derlediler. Her görüntü standart bir formata yeniden boyutlandırıldı ve kar, toz, kuş pisliği, fiziksel hasar ve sağlam paneller dahil olmak üzere yabancı cisimlerin veya kusurların kesin konumu ve türü dikkatle etiketlendi. DHLNet, klasik iki aşamalı modellerden Faster R-CNN gibi yöntemlerden, hafif tek aşamalı YOLO sürümlerine ve Transformer tabanlı tasarımlara kadar geniş bir modern algılayıcı setiyle karşılaştırıldı. DHLNet, yaygın doğruluk ölçümlerinde ve hassas sınırlama ile doğru sınıflandırmayı birçok örtüşme eşiğinde ödüllendiren daha zorlu testlerde daha yüksek puanlar aldı; üstelik tek bir yüksek uç GPU üzerinde gerçek zamanlı kullanım için yeterince küçük ve hızlı kaldı.

Bu, gelecekteki güneş enerjisi bakımına ne ifade ediyor

Uzman olmayan biri için ana mesaj basittir: DHLNet, muayeneleri yavaşlatmadan performansı sessizce aşındıran küçük sorunların daha fazlasını görmeyi sağlar. Daha keskin kenar algılama, bağlama daha akıllı dikkat ve ölçekler arası bilginin daha iyi karıştırılmasını birleştirerek model, özellikle küçük, sönük veya kısmen gizlenmiş olduğunda panellerdeki yabancı cisimlerin güvenilir şekilde tespit edilme şeklini iyileştirir. Gerçek zamanlı çalışıp mütevazı hesaplama kaynakları kullandığı için dronlarla veya sabit kameralarla sürekli izlemeye entegre edilebilir. Uzun vadede bu tür araçlar denetim maliyetlerini düşürebilir, kalıcı panel hasarı riskini azaltabilir ve güneş tarlalarının mümkün olan en fazla temiz enerji üretmeye devam etmesini sağlayabilir.

Atıf: Jin, H., Li, M., Lv, X. et al. Foreign object detection on photovoltaic panels based on DHLNet. Sci Rep 16, 8145 (2026). https://doi.org/10.1038/s41598-026-39074-6

Anahtar kelimeler: güneş paneli denetimi, bilgisayarlı görü, yabancı cisim tespiti, derin öğrenme, fotovoltaik bakım