Güneş paneli üretiminde yüzey kalitesi, panelin verimliliğini ve uzun ömürlü kullanımını doğrudan etkileyen kritik bir faktördür. Mikro çatlaklar, lekeler, renk sapmaları ve yapısal kusurlar gibi yüzey hataları, enerji üretim kapasitesini düşürmekle kalmaz, aynı zamanda sistem arızalarına yol açabilmektedir.. Bu nedenle üretim hattında erken aşamada ve yüksek doğrulukla kusur tespiti, kalite kontrol açısından büyük önem taşımaktadır.

Bu yazımızda, geleneksel yöntemlerle tespit edilmesi oldukça güç olan bu hataları derin öğrenme tabanlı görüntü segmentasyonu kullanarak nasıl analiz ettiğimizi ve süreçte elde ettiğimiz teknik başarıları paylaşıyoruz.

Üretim hattından çıkan her güneş paneli, yüzeyinde çeşitli mikro ve makro seviyede kusurlar barındırabilir:

• Mikroskobik çatlaklar (microcracks)

• Renk farklılıkları (renk homojenliği problemleri)

• Leke ve toz benzeri yüzey kirlilikleri

• Hücre kenarlarında veya bağlantı noktalarında üretim hataları

Bu kusurların çoğu, düşük kontrastlı ya da karmaşık yapıda oldukları için klasik görüntü işleme algoritmalarıyla yeterince tespit edilememektedir. Ayrıca manuel inceleme süreçleri yavaş, maliyetli ve insan hatasına açıktır.

Derin Öğrenme ile Görüntü Segmentasyonu

Bu zorlukları aşmak için semantic segmentation tabanlı bir yapay zeka modeli geliştirdik. Model, giriş görüntüsündeki her pikseli ait olduğu sınıfa göre (örneğin: çatlak, leke, sağlıklı bölge) etiketleyerek yüksek çözünürlüklü kusur haritaları oluşturur.

Teknik Detaylar

• Model mimarisi: U-Net + ResNet-34 encoder

• Eğitim verisi: Etiketlenmiş güneş paneli görüntüleri (firmaya özel)

• Loss function: Dice + Cross Entropy kombinasyonu

• Veri artırma: Renk varyasyonları, döndürme, gürültü ekleme gibi augmentasyonlar

• Başarım:

  • Intersection over Union (IoU): %89

  • F1 Skoru: %91

  • Piksel düzeyinde doğruluk: %98+

Model, 0.2 mm seviyesindeki mikro kusurları dahi yüksek doğrulukla segmentleyebilmektedir.

Derin öğrenme tabanlı görüntü segmentasyonu, güneş paneli üretiminde kalite kontrol süreçlerini yeniden tanımlıyor. Hem mikroskobik düzeyde hassasiyet sunması hem de üretimle eşzamanlı çalışabilmesi sayesinde klasik yöntemlere kıyasla çok daha etkili ve verimli bir çözüm sunuyor.

Güneş paneli gibi yüksek hassasiyet gerektiren alanlarda bu tarz yapay zeka destekli sistemler, üretim kalitesinin sürdürülebilirliği için artık vazgeçilmez hale geliyor.