BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  20,496,888
  • Công bố khoa học và công nghệ Việt Nam

44

Điện hóa

Lưu Trọng Hiếu, Lâm Văn Tính, Cao Thành Tân, Nguyễn Chí Ngôn(1)

Đánh giá chất lượng pin năng lượng mặt trời bằng mạng học sâu dựa trên ảnh điện phát quang

Evaluate solar panel quality using deep learning method based on electroluminescence images

Tạp chí Khoa học và Công nghệ (Đại học Đà Nẵng)

2022

9

1-4

1859-1531

Ảnh quang điện tử, Xử lý ảnh, Trí thông minh nhân tạo, Mạng học sâu AlexNet, Pin năng lượng mặt trời

Artificial neural network, AlexNet network, Electroluminescence image, Image processing, Solar panel.

Nghiên cứu trình bày một phương pháp đánh giá chất lượng pin năng lượng mặt trời bằng mạng học sâu AlexNet dựa trên kỹ thuật xử lý ảnh. Ảnh sử dụng cho mạng học sâu là dạng ảnh điện phát quang, chỉ có thể chụp được từ máy ảnh hồng ngoại. Để thu được ảnh điện phát quang, một phòng tối được xây dựng để thu thập dữ liệu. Tấm pin được cấp nguồn điện một chiều và máy ảnh hồng ngoại được bố trí vuông góc với tấm pin. Tập dữ liệu này được chia thành ba nhóm với tỉ lệ hư hỏng khác nhau và được huấn luyện thông qua mạng học sâu AlexNet. Nghiên cứu cũng đề xuất một giải pháp đánh giá phần trăm hư hỏng của các tấm pin. Kết quả huấn luyện và phân loại của giải pháp cho thấy, có thể đánh giá chất lượng tấm pin với độ chính xác hơn 90%.

This paper aims to introduce a method for solar panel quality assessment by using deep learning network AlexNet based on image processing tẹchnology. Electroluminescence images used in this research can only capture from the infrared camera. Data acquisition was captured in dark room where the solar panel was supplied by DC power and the infrared camera was located perpendicular with solar surface. Dataset was divided into three labels with different percentage damage and trained through the deep learning network AlexNet. This paper also provided a method to estimate the percentage damage of the solar panel. Result showed that the training and classification work well with the accuracy is higher than 90%.

TTKHCNQG, CVv 465

Xem toàn văn