PV panellerin kalite kontrolü, verimli ve uzun ömürlü çalışmaları için çok önemlidir. PV panellerdeki kusurların
üretim sırasında tespit edilmesi de ayrıca önem arz etmektedir. Elektrolüminesans görüntüleme, PV panellerde
arıza tespiti için yaygın olarak kullanılan bir yöntem olarak karşımıza çıkmaktadır. Bu çalışma, spesifik bir PV
panel arızası olan bara kaymasının tespitine odaklanmaktadır. Üretim hattından alınan 500 EL görüntüsünden
oluşan bir veri seti üzerinde makine öğrenmesi yöntemleri kullanılarak otomatik hata tespiti araştırılmıştır. Özellik
çıkarma, önceden eğitilmiş ResNet ve SqueezeNet derin öğrenme mimarileri kullanılarak gerçekleştirilmiştir.
Ayrıca çalışmada, farklı derin öğrenme mimarilerindeki özellikleri birleştirmenin başarı parametreleri üzerindeki
etkisini gözlemlenmiştir. En yüksek doğruluk oranı olan 0,9920, Relu34 ve Relu25+Conv10 katmanları tarafından
çıkarılan derin özellikler kullanılarak elde edilmiştir.
PV panel quality control is crucial for their efficient and long-lasting operation. Detecting defects in PV panels
during production is essential. Electroluminescence imaging is a commonly used method for fault detection in PV
panels. This study focuses on detecting busbar slippage, a specific PV panel malfunction. Automatic error
detection was researched using machine learning methods on a dataset of 500 EL images taken from the production
line. Feature extraction was performed using two pre-trained deep learning architectures: ResNet and SqueezeNet.
Additionally, the study aimed to observe the impact of combining features from different deep learning
architectures on success parameters. The highest accuracy rate of 0.9920 was achieved using deep features
extracted by Relu34 and Relu25+Conv10 layers.
