Impact of Combining RGB and Grayscale Images on Hotspot Detection in Solar Panels Using Inception Resnet V2 Architecture
Notice bibliographique
Résumé
Solar panels are a technology that converts solar energy into electricity through the photovoltaic effect.This photovoltaic technology is packaged into solar modules consisting of many solar cells arranged in series or parallel.Damage to these panels can be identified by detecting hotspots using a thermal camera.Hotspots can be classified into three categories of damage: No Damage, Minor Damage, and Severe Damage.This study applies the Inception ResNet V2 architecture from deep learning to automatically classify the level of damage based on thermal images.The novelty of this research is its implementation for real time monitoring of a structured array of 20 solar panels (5×4 panel), enabling early detection and reporting of damage conditions.The model includes several architectural enhancements such as Average Pooling, Flatten, and ReLU layers.Training was conducted using three different datasets: RGB, grayscale, and a combination of both.The RGB dataset achieved the highest accuracy at 98.62 percent, followed by the combined dataset at 98.44 percent, and the grayscale dataset at 96.93 percent.These high accuracy results demonstrate that the proposed system can effectively support preventive maintenance of solar panels.Specifically, the system is applicable for operational use at PT PLN Nusantara Power UP Cirata to improve reliability, reduce power loss, and enhance the overall efficiency of solar energy generation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».