Drone‐Based Solar Cell Inspection With Autonomous Deep Learning
Notice bibliographique
Résumé
Regular inspection and maintenance are crucial for ensuring the optimal performance of solar panels. However, conventional manual methods can be laborious, time consuming, and expensive, especially for large and inaccessible installations. Aerial inspection has the potential to overcome these limitations and improve operational flexibility. To fully leverage the potential of aerial inspection, we present a summary overview of drone-based photovoltaic module inspection and a case study demonstrating the integration of autonomous navigation and machine learning techniques for defect detection. In the case study, a convolutional neural network ( CNN ) based framework that can autonomously detect defective solar cells using aerial robots is integrated with the autonomous navigation of the aerial robot. There are two main phases for this framework: detection of the solar panel location and identification of the solar cell defect with a feasible set of trajectories. The solar panel is identified with a shape detection algorithm and the defects are classified using electroluminescence ( EL ) images with a CNN, based on the VGG16 architecture; various approaches to avoid overfitting are presented to achieve better performance. Seven solar cell states can be detected including breaks, finger interruptions, material defects, and microcracks. This pipeline is demonstrated virtually on the NEST building at the Swiss Federal Laboratories for Materials Science and Technology. The research hub is reconstructed in AirSim with real data and it is shown that the aerial robot can detect the location, conduct an approaching trajectory, extract the image, and transfer it to the CNN for defect identification.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,004 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».