Orientador:	Fernandes, Carlos Alexandre Rolim
Coorientador:	Souza, Marcelo Marques Simões de
Lattes do Co-orientador:	http://lattes.cnpq.br/1617071773481762
Lattes do Orientador:	http://lattes.cnpq.br/4292868742453389
Autor:	Rocha, Alan Marques da
Lattes do Autor:	http://lattes.cnpq.br/6271570002464318
Membro da banca:	Paula Júnior, Iális Cavalcante de
Lattes membro da banca:	http://lattes.cnpq.br/5022453748409432
Segundo membro da banca:	Veras, Rodrigo de Melo Souza
Lattes segundo membro da banca:	http://lattes.cnpq.br/2634254790193199
Data de Acesso:	2024-11-11T19:05:21Z
Ano de publicação:	2024
Abstract:	The global demand for electricity has been increasing exponentially in recent years. In light of this, investments in renewable energy sources have become increasingly necessary, with photovoltaic (PV) solar energy standing out as a source that is easy to install and cost-effective. The growth of the installed capacity of PV generation sources brings a demand for sophisticated and precise methods to detect defects in the cells that make up such systems. This work proposes a method for classifying monocrystalline silicon (Si-m) and polycrystalline silicon (Si-p) PV cells into functional and non-functional categories, using a Hybrid Convolutional Neural Network (HCNN) based on ResNet50 and VGG16 architectures, pre-trained with the ImageNet database to extract image features, where the best hyperparameters for each network were obtained through Evolutionary Genetic Algorithms (EGA). The classification process of the HCNN was conducted using a Support Vector Machine (SVM). Four classification experiments were performed. Initially, elementary algorithms such as SVM, Naïve Bayes (NB), k-Nearest Neighbors (k-NN), and Random Forest (RF) were tested. Subsequently, experiments were conducted with the ResNet50, VGG16, and InceptionV3 architectures. The HCNN models ResNet50+SVM and VGG16+SVM were tested with the original dataset containing 2.624 samples and an augmented dataset containing 13.120 images. The fine-tuning using EGA without data augmentation resulted in the VGG16+SVM topology achieving an accuracy of 95.21% and a Kappa index of 78.23%. Finally, as the main result of this work, the same HCNN topology surpassed its previous performance, achieving an accuracy of 99.67% and a Kappa index of 80.17% with data augmentation. The ResNet50+SVM model also showed robust results with data augmentation, achieving an accuracy of 98.17% and a Kappa index of 85.26%. These results highlight the effectiveness of the proposed techniques, positioning the HCNN optimized by EGA and data augmentation as a promising solution for the automatic detection of defects in Si-m and Si-p PV cells.
Proveniência:	Submitted by Alan Marques da Rocha (eng.alanmarquesrocha@gmail.com) on 2024-10-28T19:04:53Z No. of bitstreams: 3 2024_dis_amrocha.pdf: 1248418 bytes, checksum: 576b421203fa3e768a24c7d298199da8 (MD5) ata_de_defesa_alan_m_rocha.pdf: 135665 bytes, checksum: 03f6df1ef8ec968ff541597b172a2a7f (MD5) certidao_colacao_grau_stricto.pdf: 50218 bytes, checksum: 00daf27860d3c6b799f7eb29ad5fc54b (MD5)
Proveniência:	Approved for entry into archive by Cássio Morais (cassiomorais@ibict.br) on 2024-11-11T19:05:21Z (GMT) No. of bitstreams: 3 2024_dis_amrocha.pdf: 1248418 bytes, checksum: 576b421203fa3e768a24c7d298199da8 (MD5) ata_de_defesa_alan_m_rocha.pdf: 135665 bytes, checksum: 03f6df1ef8ec968ff541597b172a2a7f (MD5) certidao_colacao_grau_stricto.pdf: 50218 bytes, checksum: 00daf27860d3c6b799f7eb29ad5fc54b (MD5)
Proveniência:	Made available in DSpace on 2024-11-11T19:05:21Z (GMT). No. of bitstreams: 3 2024_dis_amrocha.pdf: 1248418 bytes, checksum: 576b421203fa3e768a24c7d298199da8 (MD5) ata_de_defesa_alan_m_rocha.pdf: 135665 bytes, checksum: 03f6df1ef8ec968ff541597b172a2a7f (MD5) certidao_colacao_grau_stricto.pdf: 50218 bytes, checksum: 00daf27860d3c6b799f7eb29ad5fc54b (MD5) Previous issue date: 2024
Região:	Nordeste
Resumo:	A demanda global por energia elétrica vem aumentando exponencialmente nos últimos anos. Diante disso, investimentos em fontes de energia renovável têm se tornado cada vez mais necessários, destacando-se a energia solar fotovoltaica (FV) como uma fonte de fácil instalação e baixo custo. O crescimento da capacidade instalada de fontes de geração FV traz demandas por métodos sofisticados e precisos para a detecção de defeitos nas células que compõem tal sistema. O presente trabalho propõe um método para classificação de células FVs de silício monocristalino (Si-m) e policristalino (Si-p) em funcionais e não-funcionais, utilizando uma Hybrid Convolutional Neural Network (HCNN) com as arquiteturas ResNet50 e VGG16 prétreinadas com a base de dados ImageNet para a extração de características das imagens, onde os melhores hiperparâmetros de cada rede foram obtidos por meio de Algoritmos Genéticos Evolutivos (AGE). O processo de classificação da HCNN foi feito por meio de uma Support Vector Machine (SVM). Quatro experimentos de classificação foram realizados. Inicialmente, foram testados algoritmos elementares como SVM, Naïve Bayes (NB), k-Nearest Neighbors (k-NN) e Random Forest (RF). Subsequentemente, foram realizados experimentos com as arquiteturas ResNet50, VGG16 e InceptionV3. Os modelos de HCNN ResNet50+SVM e VGG16+SVM foram testadas com a base de dados original contendo 2.624 amostras e com a base de dados aumentada, contendo 13.120 imagens. O ajuste fino utilizando AGE sem aumento de dados, resultou na topologia VGG16+SVM alcançando uma acurácia de 95,21% e um índice Kappa de 78,23%. Por fim, como resultado principal deste trabalho, a mesma topologia de HCNN superou seu desempenho anterior, alcançando uma acurácia de 99,67% e um índice Kappa de 80,17% com aumento de dados. O modelo ResNet50+SVM também mostrou resultados robustos com aumento de dados, atingindo uma acurácia de 98,17% e um índice Kappa de 85,26%. Esses resultados evidenciam a eficácia das técnicas propostas, posicionando a HCNN otimizada por AGE e aumento de dados como uma solução promissora para a detecção automática de defeitos em células FVs de Si-m e Si-p.
Formato:	application/pdf
URI:	https://deposita.ibict.br/handle/deposita/688
Idioma:	por
Instituição:	Universidade Federal do Ceará
País:	Brasil
Departamento:	Universidade Federal do Ceará
Programa:	Programa de Pós-graduação em Engenharia Elétrica e de Computação
Tipo de acesso:	openAccess
Palavra Chave:	Automatic defect detection
Palavra Chave:	Hybrid convolutional neural network
Palavra Chave:	Photovoltaic cell
Palavra Chave:	Fine-tuning of hyperparameters
Palavra Chave:	Evolutionary genetic algorithms
Área de conhecimento CNPq:	Engenharias IV
Título:	Rede neural convolucional híbrida otimizada por algoritmos genéticos para classificação em imagens eletroluminescentes de células fotovoltaicas
Tipo:	Dissertação

Ferramentas do administrador

Rede neural convolucional híbrida otimizada por algoritmos genéticos para classificação em imagens eletroluminescentes de células fotovoltaicas

Arquivos

Pacote Original

Licença do Pacote

Coleções