Notice bibliographique
Résumé
Photovoltaic panels are subject to thermomechanical stresses during their production and subsequent life stages. These conditions give rise to cracks and other defects in panels that can affect power output. Cell cracking is one of the most important causes of power loss in photovoltaic panels. Therefore, photovoltaic panels and cells need to be monitored to achieve the maximum output during production and further downstream. Electroluminescent imaging is a powerful and established technique consisting of many electrically connected solar cells arranged on a grid, and it is employed in order for assessing the quality of photovoltaic panels. In this study, the detection of photovoltaic panel defects in electroluminescent images was examined through image processing methods. PV panels can consist of different numbers of cells. Performance evaluation is made on a cell-based and whole module basis. In PV panel production, unlike EL images taken in standard environments in the factory environment, EL images taken under field conditions require preprocessing before actually being processed. Features were extracted from the preprocessed EL images by exploiting Gabor filter. The obtained features were evaluated as cell-based and the stability of the cells was determined. The performance of the panel was calculated according to the power loss of the cells of the panel. When the calculated performance values were compared with the power values obtained by I-V measurement, the highest error was found to be 0.059, the lowest error was 0.004, and the average error was 0.0213. As a result, the highest success rate was 99.99%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».