فهرست نشریات علمی دسترسی آزاد ایران

در سال‌های اخیر، نگهداری و پایش خودکار پنل‌های خورشیدی به‌عنوان یکی از ارکان حیاتی در توسعه پایدار انرژی‌های تجدیدپذیر اهمیت فزاینده‌ای یافته است. در این پژوهش، یک چارچوب دقیق و کارآمد مبتنی‌بر یادگیری عمیق برای طبقه‌بندی خودکار عیوب پنل‌های خورشیدی ارائه شده است. مدل پیشنهادی با بهره‌گیری از معماری یولوV8m پیاده‌سازی شده است. این مدل با ساختاری سبک و مدرن قادر است تصاویر ورودی را به سرعت پردازش نموده و نوع عیب موجود در هر تصویر را با دقت بالا تعیین کند. برای آموزش و ارزیابی مدل، مجموعه‌داده‌ای جامع شامل تصاویر رنگی و خاکستری از پنل‌های خورشیدی تحت شرایط نوری و محیطی مختلف مورد استفاده قرار گرفت. نوآوری این پژوهش در به کارگیری معماری پیشرفته یولوV8m برای توسعه یک سامانه عملیاتی و دقیق در شناسایی و طبقه بندی خودکار عیوب متنوع پنل های خورشیدی در تصاویر پهپادی است. نتایج تجربی نشان می‌دهند که مدل یولوV8m توانسته در طبقه‌بندی شش نوع عیب رایج پنل های خورشیدی تمیز، پوشیده با برف، پوشیده با گردوغبار، آلوده به فضولات پرندگان، دارای آسیب الکتریکی و دارای آسیب فیزیکی به میانگین دقت 97.43٪، میانگین دقت پیش‌بینی برابر 97٪، و میانگین نرخ بازیابی برابر 97.58٪ دست یابد. این نتایج نسبت به مدل‌های پایه مانندVGG16,CNN و رزنت50 به‌طور میانگین بین 1.5 تا 3.5 درصد بهبود عملکرد نشان می‌دهند. افزون بر آن، با طراحی چارچوبی هوشمند بر پایه مدل یولوV8m، الگوی شناسایی و طبقه بندی عیوب به گونه ای بهینه سازی شد که امکان پردازش سریع و دقیق تصاویر در شرایط واقعی و در مقیاس وسیع فراهم شود. این سامانه، علاوه بر دقت بالا در تفکیک نوع عیوب، قابلیت پیاده سازی عملیاتی در سامانه های نظارتی خودکار را دارد و می تواند نقش مؤثری در نگهداری پیش‌بینانه و بهینه‌سازی زمان بندی تعمیرات ایفا نماید. استفاده از این راهکار می‌تواند به افزایش عمر مفید پنل‌ها، کاهش هزینه های تعمیر و نگهداری، و بهبود عملکرد کلی شبکه‌های انرژی خورشیدی کمک کند.