論文の概要: Unified Deep Learning Platform for Dust and Fault Diagnosis in Solar Panels Using Thermal and Visual Imaging
- arxiv url: http://arxiv.org/abs/2511.18514v1
- Date: Sun, 23 Nov 2025 16:09:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.875647
- Title: Unified Deep Learning Platform for Dust and Fault Diagnosis in Solar Panels Using Thermal and Visual Imaging
- Title（参考訳）: 熱・ビジュアルイメージングによるソーラーパネルのダスト・故障診断のための統合ディープラーニングプラットフォーム
- Authors: Abishek Karthik, Sreya Mynampati, Pandiyaraju V,
- Abstract要約: 太陽エネルギーは、将来の大きなポテンシャルを持つ再生可能エネルギーの最も豊富でテーピングされた源の1つである。
我々は,太陽パネル上の塵や断層の検出モデルを実装した。
これら2つのアプリケーションは、単一プラットフォームとして集中化されており、ルーチン保守やその他のチェックに使用できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Solar energy is one of the most abundant and tapped sources of renewable energies with enormous future potential. Solar panel output can vary widely with factors like intensity, temperature, dirt, debris and so on affecting it. We have implemented a model on detecting dust and fault on solar panels. These two applications are centralized as a single-platform and can be utilized for routine-maintenance and any other checks. These are checked against various parameters such as power output, sinusoidal wave (I-V component of solar cell), voltage across each solar cell and others. Firstly, we filter and preprocess the obtained images using gamma removal and Gaussian filtering methods alongside some predefined processes like normalization. The first application is to detect whether a solar cell is dusty or not based on various pre-determined metrics like shadowing, leaf, droppings, air pollution and from other human activities to extent of fine-granular solar modules. The other one is detecting faults and other such occurrences on solar panels like faults, cracks, cell malfunction using thermal imaging application. This centralized platform can be vital since solar panels have different efficiency across different geography (air and heat affect) and can also be utilized for small-scale house requirements to large-scale solar farm sustentation effectively. It incorporates CNN, ResNet models that with self-attention mechanisms-KerNet model which are used for classification and results in a fine-tuned system that detects dust or any fault occurring. Thus, this multi-application model proves to be efficient and optimized in detecting dust and faults on solar panels. We have performed various comparisons and findings that demonstrates that our model has better efficiency and accuracy results overall than existing models.
- Abstract（参考訳）: 太陽エネルギーは、将来の大きなポテンシャルを持つ再生可能エネルギーの最も豊富でテーピングされた源の1つである。
ソーラーパネルの出力は、強度、温度、汚れ、破片などの要因によって大きく変化する。
我々は,太陽パネル上の塵や断層の検出モデルを実装した。
これら2つのアプリケーションは、単一プラットフォームとして集中化されており、ルーチン保守やその他のチェックに使用できる。
これらは、出力、正弦波(太陽電池のI-V成分)、各太陽電池間の電圧など、様々なパラメータに対してチェックされる。
まず,ガンマ除去法やガウスフィルタ法を用いて得られた画像を,正規化などの事前定義されたプロセスとともにフィルタし,前処理する。
第一の応用は、太陽電池がほこりだらけであるかどうかを、影、葉、落葉、大気汚染など、事前に決められた様々な指標に基づいて検出することである。
もう一つは、熱イメージングアプリケーションを使って、欠陥やひび割れ、細胞機能不全といった、ソーラーパネル上の欠陥やその他の発生を検出することです。
この中央集権的なプラットフォームは、ソーラーパネルが地域によって異なる効率性(空気と熱の影響)を持ち、小規模の住宅需要に対して有効に活用できるため、不可欠である。
CNN、ResNetモデルを組み込んでおり、分類に使用される自己認識機構を持つ-KerNetモデルは、ダストや発生した障害を検出する微調整システムとなる。
したがって、このマルチアプリケーションモデルは、太陽パネル上の塵や断層を検出するのに効率的で最適化されていることが証明されている。
我々は,既存のモデルと比較して,モデル全体の効率と精度がよいことを示す様々な比較と実験を行った。
関連論文リスト
- Ultra-short-term solar power forecasting by deep learning and data reconstruction [60.200987006598524]
深層学習に基づく超短周期太陽エネルギー予測とデータ再構成を提案する。
我々は、ターゲット予測期間に対する長期的および短期的依存関係をキャプチャするために、ディープラーニングモデルを用いる。
論文 参考訳（メタデータ） (2025-09-21T14:22:35Z) - A Hybrid Ensemble Learning Framework for Image-Based Solar Panel Classification [2.80608717912532]
本稿では,デュアルアンサンブルニューラルネットワーク (DENN) を用いて, 太陽電池パネルを画像ベースで分類する手法を提案する。
DENNモデルは、現在のアンサンブル法と比較して評価され、その優れた性能を様々な評価指標で示す。
論文 参考訳（メタデータ） (2025-07-02T15:07:43Z) - Improving day-ahead Solar Irradiance Time Series Forecasting by
Leveraging Spatio-Temporal Context [46.72071291175356]
太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。
しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。
本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-06-01T19:54:39Z) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳（メタデータ） (2023-04-14T14:40:32Z) - Data-driven soiling detection in PV modules [58.6906336996604]
太陽光発電モジュールの土質比を推定する問題について検討した。
私たちのアルゴリズムの重要な利点は、ラベル付きデータでトレーニングする必要がない、土壌を推定することです。
実験により, 土質比を推定するための工法として, 現状を著しく上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2023-01-30T14:35:47Z) - Computational Solar Energy -- Ensemble Learning Methods for Prediction
of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。
本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。
その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
論文 参考訳（メタデータ） (2023-01-21T19:16:03Z) - Feature Construction and Selection for PV Solar Power Modeling [1.8960797847221296]
太陽光発電(PV)発電を予測するモデルを構築することで、意思決定者はエネルギー不足を補うことができる。
太陽エネルギーの出力は、光や天気など多くの要因に依存する時系列データである。
本研究では, 過去のデータをもとに, 1時間先進太陽エネルギー予測のための機械学習フレームワークを開発した。
論文 参考訳（メタデータ） (2022-02-13T06:49:28Z) - HyperionSolarNet: Solar Panel Detection from Aerial Images [0.7157957528875099]
深層学習法を用いて,空中画像を用いたソーラーパネル位置とその表面積の自動検出を行う。
我々の研究は、ソーラーパネルの検出に効率的でスケーラブルな方法を提供し、分類に0.96の精度とセグメンテーション性能に0.82のIoUスコアを達成している。
論文 参考訳（メタデータ） (2022-01-06T15:43:13Z) - A Multi-Stage model based on YOLOv3 for defect detection in PV panels
based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。
このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。
提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文 参考訳（メタデータ） (2021-11-23T08:04:32Z) - Prediction of Solar Radiation Using Artificial Neural Network [0.0]
本稿では,太陽放射の時間的活動を予測するアルゴリズムを提案する。
データセットは、空気の温度、時間、湿度、風速、気圧、風向き、太陽放射データで構成されている。
教師付き学習データを通じてパターンを解釈できるシステムを構築するために、2つのモデルを作成する。
論文 参考訳（メタデータ） (2021-04-01T20:41:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。