A proposed hybrid model of ANN and KNN for solar cell defects detection and temperature prediction using fuzzy image segmentation
Notice bibliographique
Résumé
This paper presents a novel hybrid model employing Artificial Neural Networks (ANN) and Mathematical Morphology (MM) for the effective detection of defects in solar cells. Focusing on issues such as broken corners and black edges caused by environmental factors like broken glass cover, dust, and temperature variations. This study utilizes a hybrid model of ANN and K-Nearest Neighbor (KNN) for temperature prediction. This hybrid approach leverages the strengths of both models, potentially opening up new avenues for improved accuracy in temperature forecasting, which is critical for solar energy applications. The significance lies in the interconnectedness of temperature fluctuations and solar cell efficiency, leading to defects. The proposed model aims to predict temperatures accurately, providing insights into potential solar cell efficiency problems. Subsequently, this work studies the transitions to defect detection using Fuzzy C-Means (FCM) clustering and MM techniques. The hybrid model demonstrates accurate temperature prediction with Mean Absolute Percentage Error (MAPE) values of 0.92 %, 0.72 %, and 1.3 % for average, maximum, and minimum temperatures, respectively. The defect detection process yields a detection accuracy (CR) of 96 % and sensitivity of detection (SD) of 89 %. This work is validated compared to the literature work done and by using K-fold cross validation technique. The proposed work emphasizes the improvement in defect detection accuracy and the overall quality enhancement of solar cells.
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 | 0,000 | 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) | 0,000 | 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 ».