Erkennen von Solarmodulfehlern mithilfe von maschinellem Lernen
Erkennen von Solarmodulfehlern mithilfe von maschinellem Lernen
Arduino-Team – 14. Oktober 2022
Große Solaranlagen sind für unsere Zukunft der Stromerzeugung ohne die massiven Kohlendioxidemissionen, die wir jetzt produzieren, von entscheidender Bedeutung. Im Laufe der Zeit können sich jedoch mikroskopisch kleine Brüche, Hot Spots und andere Defekte auf der Oberfläche entwickeln, die zu Produktionseinbußen und sogar zu Ausfällen führen, wenn sie unentdeckt bleiben. Manivannan Sivans Lösung für dieses Problem besteht darin, mithilfe von Computer Vision und maschinellem Lernen kleine Fehler auf der Oberfläche zu finden, bevor die Informationen automatisch gemeldet werden.
Sivan stellte seinen Datensatz zusammen, indem er zunächst mit einem Arduino Portenta H7 und einem Vision Shield Bilder von Solarmodulen mit sichtbaren Rissen sammelte und dann Begrenzungsrahmen um sie herum zeichnete. Anschließend trainierte er ein MobileNetV2-Modell mit dem neusten FOMO-Objekterkennungsalgorithmus von Edge Impulse für eine bessere Leistung. Er konnte die Genauigkeit des Modells noch weiter verbessern, indem er den Datensatz mit Bildern aus verschiedenen Kamerawinkeln und Lichtverhältnissen anreicherte, um zu vermeiden, dass die weißen Grenzlinien mit Rissen verwechselt werden.
Nachdem er das Studiomodell von Edge Impulse auf seinem Portenta H7-Board getestet und eingesetzt hatte, gelang es ihm, in etwa 80 % der Fälle Risse in der Oberfläche eines Solarmoduls zu finden. In Zukunft kann Sivan weitere Funktionen hinzufügen, die die fahrzeuginterne Konnektivität nutzen, um mit externen Diensten für schnellere Reaktionszeiten zu kommunizieren. Hier erfahren Sie mehr über das Projekt.
Arduino-Team – 14. Oktober 2022
Große Solaranlagen sind für unsere Zukunft der Stromerzeugung ohne die massiven Kohlendioxidemissionen, die wir jetzt produzieren, von entscheidender Bedeutung. Im Laufe der Zeit können sich jedoch mikroskopisch kleine Brüche, Hot Spots und andere Defekte auf der Oberfläche entwickeln, die zu Produktionseinbußen und sogar zu Ausfällen führen, wenn sie unentdeckt bleiben. Manivannan Sivans Lösung für dieses Problem besteht darin, mithilfe von Computer Vision und maschinellem Lernen kleine Fehler auf der Oberfläche zu finden, bevor die Informationen automatisch gemeldet werden.
Sivan stellte seinen Datensatz zusammen, indem er zunächst mit einem Arduino Portenta H7 und einem Vision Shield Bilder von Solarmodulen mit sichtbaren Rissen sammelte und dann Begrenzungsrahmen um sie herum zeichnete. Anschließend trainierte er ein MobileNetV2-Modell mit dem neusten FOMO-Objekterkennungsalgorithmus von Edge Impulse für eine bessere Leistung. Er konnte die Genauigkeit des Modells noch weiter verbessern, indem er den Datensatz mit Bildern aus verschiedenen Kamerawinkeln und Lichtverhältnissen anreicherte, um zu vermeiden, dass die weißen Grenzlinien mit Rissen verwechselt werden.
Nachdem er das Studiomodell von Edge Impulse auf seinem Portenta H7-Board getestet und eingesetzt hatte, gelang es ihm, in etwa 80 % der Fälle Risse in der Oberfläche eines Solarmoduls zu finden. In Zukunft kann Sivan weitere Funktionen hinzufügen, die die fahrzeuginterne Konnektivität nutzen, um mit externen Diensten für schnellere Reaktionszeiten zu kommunizieren. Hier erfahren Sie mehr über das Projekt.
What's Your Reaction?
