A Comprehensive Case Study on the Performance of Machine Learning Methods on the Classification of Solar Panel Electroluminescence Images

要約

太陽光発電 (PV) は、再生可能エネルギーの重要な形式である太陽エネルギーを収集するために広く使用されています。
太陽電池アレイは、太陽電池から構成される複数の太陽電池パネルで構成されます。
現場の太陽電池はさまざまな欠陥に対して脆弱ですが、エレクトロルミネッセンス (EL) イメージングは​​、これらの欠陥を検出するための効果的な非破壊診断を提供します。
当社では、複数の従来の機械学習モデルと最新の深層学習モデルを使用して、EL 太陽電池画像をさまざまな機能/欠陥カテゴリに分類します。
機能セルと欠陥セルの数が非対称であるため、EL 画像データでは不均衡なラベルの問題が発生します。
現在の文献には、モデルのトレーニングと予測にどの方法とメトリックを使用するかについての洞察が不足しています。
この論文では、単結晶モジュールと多結晶モジュールからの太陽電池 EL 画像の分類に関するさまざまなパフォーマンス指標の下で、さまざまな機械学習と深層学習の手法を包括的に比較します。
さまざまな指標に関する包括的な議論を提供します。
私たちの結果は、予測方法とパフォーマンス指標を選択する際の専門家に洞察とガイドラインを提供します。

要約(オリジナル)

Photovoltaics (PV) are widely used to harvest solar energy, an important form of renewable energy. Photovoltaic arrays consist of multiple solar panels constructed from solar cells. Solar cells in the field are vulnerable to various defects, and electroluminescence (EL) imaging provides effective and non-destructive diagnostics to detect those defects. We use multiple traditional machine learning and modern deep learning models to classify EL solar cell images into different functional/defective categories. Because of the asymmetry in the number of functional vs. defective cells, an imbalanced label problem arises in the EL image data. The current literature lacks insights on which methods and metrics to use for model training and prediction. In this paper, we comprehensively compare different machine learning and deep learning methods under different performance metrics on the classification of solar cell EL images from monocrystalline and polycrystalline modules. We provide a comprehensive discussion on different metrics. Our results provide insights and guidelines for practitioners in selecting prediction methods and performance metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google