ISSN 1859 1531 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, VOL 20, NO 9, 2022 1 ĐÁNH GIÁ CHẤT LƯỢNG PIN NĂNG LƯỢNG MẶT TRỜI BẰNG MẠNG HỌC SÂU DỰA TRÊN ẢNH ĐIỆN PHÁT QUANG EVALUATE SOLAR PANEL QUALI.
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 20, NO 9, 2022 ĐÁNH GIÁ CHẤT LƯỢNG PIN NĂNG LƯỢNG MẶT TRỜI BẰNG MẠNG HỌC SÂU DỰA TRÊN ẢNH ĐIỆN PHÁT QUANG EVALUATE SOLAR PANEL QUALITY USING DEEP LEARNING METHOD BASED ON ELECTROLUMINESCENCE IMAGES Lưu Trọng Hiếu1*, Lâm Văn Tính2, Cao Thành Tân1, Nguyễn Chí Ngơn1 Trường Đại học Cần Thơ Trường Cao đẳng nghề Bạc Liêu *Tác giả liên hệ: luutronghieu@ctu.edu.vn (Nhận bài: 06/7/2022; Chấp nhận đăng: 12/9/2022) Tóm tắt - Nghiên cứu trình bày phương pháp đánh giá chất lượng pin lượng mặt trời mạng học sâu AlexNet dựa kỹ thuật xử lý ảnh Ảnh sử dụng cho mạng học sâu dạng ảnh điện phát quang, chụp từ máy ảnh hồng ngoại Để thu ảnh điện phát quang, phòng tối xây dựng để thu thập liệu Tấm pin cấp nguồn điện chiều máy ảnh hồng ngoại bố trí vng góc với pin Tập liệu chia thành ba nhóm với tỉ lệ hư hỏng khác huấn luyện thông qua mạng học sâu AlexNet Nghiên cứu đề xuất giải pháp đánh giá phần trăm hư hỏng pin Kết huấn luyện phân loại giải pháp cho thấy, đánh giá chất lượng pin với độ xác 90% Abstract - This paper aims to introduce a method for solar panel quality assessment by using deep learning network AlexNet based on image processing tẹchnology Electroluminescence images used in this research can only capture from the infrared camera Data acquisition was captured in dark room where the solar panel was supplied by DC power and the infrared camera was located perpendicular with solar surface Dataset was divided into three labels with different percentage damage and trained through the deep learning network AlexNet This paper also provided a method to estimate the percentage damage of the solar panel Result showed that the training and classification work well with the accuracy is higher than 90% Từ khóa - Ảnh quang điện tử; xử lý ảnh; trí thơng minh nhân tạo; mạng học sâu AlexNet; pin lượng mặt trời Key words - Artificial neural network; AlexNet network; electroluminescence image; image processing; solar panel Đặt vấn đề Các giải pháp cắt giảm khí thải để hạn chế biến đổi khí hậu xu hướng nghiên cứu lượng nhiều nhà nghiên cứu giới Tại Việt Nam, tìm kiếm nguồn lượng mới, đặc biệt lượng mặt trời phủ quan tâm thúc đẩy [1] Các pin quang điện thành phần quan trọng cấu tạo nên hệ lượng mặt trời Trong điều kiện lý tưởng, tuổi thọ pin thường dao động từ 25-30 năm [2] Tuy nhiên, tuổi thọ pin phụ thuộc vào điều kiện mơi trường (mưa, gió), nhiệt độ xạ từ mặt trời, theo [3] Để khắc phục nhược điểm này, nhà khoa học trọng đến nghiên cứu hóa học pin [4, 5] Tuy nhiên, nghiên cứu tốn kém, địi hỏi phịng thí nghiệm trang bị sở vật chất đại Bên cạnh đó, ngành cơng nghiệp lượng mặt trời phát triển kỹ thuật phát vết nứt rung siêu âm cộng hưởng (RUV- Resonance Ultrasonic Vibration) để sàng lọc tế bào PV có vết nứt để loại bỏ trước bán thị trường [6] Tuy nhiên, kinh phí vấn đề để sử dụng phương pháp Theo [7], tế bào quang điện lớp bán dẫn p-n tương tự diode thường Đặc điểm vật lý tế bào bao gồm hấp thụ ánh sáng mặt trời tạo điện phát quang (Electroluminescence - EL) hồng ngoại cấp điện chiều DC Ánh sáng hồng ngoại nằm vùng quan sát mắt thường nhiên quan sát máy ảnh hồng ngoại Dựa hình ảnh từ điện phát quang, nhiều nghiên cứu đánh giá tình trạng pin đề xuất Trên giới, nhà khoa học [8 - 10] tập trung hướng nghiên cứu để đánh giá chất lượng pin lượng mặt trời Tuy nhiên, phương pháp chụp ảnh sử dụng phương pháp học sâu chưa nghiên cứu đề cập đến Tại Việt Nam, nhóm [11] sử dụng mạng học sâu để đánh giá độ lỗi pin dựa ảnh EL Tuy nhiên, phương pháp thu tập liệu chưa nhóm đề cập đến chưa đề xuất phương pháp đánh giá tỉ lệ hư hỏng pin Nghiên cứu đề giải pháp chụp ảnh điện phát quang cho pin lượng mặt trời Các ảnh liệu đầu vào cho mạng học sâu AlexNet để phân loại phần trăm hư hỏng lượng pin lượng mặt trời Một giải pháp cho điểm tỉ lệ phần trăm hư hỏng pin đề xuất Kết rằng, phương pháp hoạt động tốt với ảnh điện phát quang từ tập liệu khác 2 Phương pháp 2.1 Mạng học sâu AlexNet Mơ hình mạng AlexNet Alex Krizhevsky giới thiệu nghiên cứu ImageNet Classification with Deep Convolutional Networks Mơ hình học sâu giành chiến thắng thi ILSVRC (ImageNet Large-Scale Visual Recognition Challenge) năm 2012 [12] Ngõ vào mạng AlexNet tập liệu ảnh RGB dán nhãn có kích thước 227x227 pixel/ảnh, ngõ ma trận đánh giá tỉ lệ phân loại đối tượng dán nhãn Mạng học sâu AlexNet Can Tho University (Trong Hieu Luu, Thanh Tan Cao, Chi Ngon Nguyen) Bac Lieu Vocational College (Van Tinh Lam) Lưu Trọng Hiếu, Lâm Văn Tính, Cao Thành Tân, Nguyễn Chí Ngơn gồm 25 lớp, trọng tâm lớp tích chập (convolution layer) lớp kết nối đầy đủ (Fully connected Layer) (Hình 1) 2.3 Bố trí thí nghiệm thu thập liệu Các pin lượng mặt trời có tính chất vật lý: Khi có ánh sáng mặt trời tạo dịng điện; Nếu khơng có ánh sáng mặt trời cấp nguồn DC, pin phát ánh sáng hồng ngoại Dựa sở đó, nhóm tiến hành bố trí thí nghiệm thu thập liệu ảnh Hình Sơ đồ kết nối mạng học sâu AlexNet Bên cạnh đó, mạng học sâu AlexNet trình bày phương pháp huấn luyện “lớp đơn vị tuyến tính chỉnh lưu - ReLUs (Rectified Linear Units)” cho đơn vị huấn luyện thần kinh [13] Theo đó, phương pháp ReLUs có thời gian huấn luyện nhanh phương pháp cổ điển sử dụng hàm 𝑓(𝑥) = (𝑥) 𝑓(𝑥) = (1 + 𝑒 −𝑥 )−1 25% mạng tích chập lớp Đây ưu điểm lớn mạng AlexNet huấn luyện tập liệu có số lượng lớn ảnh Phương trình hàm ReLUs miêu tả như: 0, 𝑛ế𝑢 𝑥 < (1) 𝑓(𝑥) = { 𝑥, 𝑛ế𝑢 𝑥 ≥ Với 𝑥 giá trị ngõ vào hàm số Dựa phương trình (1), ngõ cho giá trị ngõ vào âm, ngõ 𝑥 ngõ vào lơn Từ đó, ta miêu tả lại ReLUs dạng 𝑓(𝑥) = max(0, 𝑥) Phương trình cho thấy hàm ReLUs dễ lập trình khó bị bão hịa hàm cổ điển 2.2 Hiệu chỉnh máy ảnh Hình Phương trình lỗ kim (Pinhole) Máy ảnh sử dụng thí nghiệm dạng máy ảnh quan sát hồng ngoại dân dụng, không chuyên dùng cho nghiên cứu khoa học Vì thơng số kỹ thuật máy ảnh phải hiệu chỉnh trước tiến hành thu thập liệu Trong nghiên cứu này, hiệu chỉnh máy ảnh bàn cờ thơng qua mơ hình pinhole (lỗ kim) để biến đổi điểm không gian chiều lên mặt phẳng ảnh sử dụng (Hình 2) Theo đó, điểm 𝑃 = (𝑋, 𝑌, 𝑍)𝑇 hệ tọa độ toàn cầu 𝑓𝑋 𝑓𝑌 𝑇 chiếu lên hệ tọa độ ảnh 𝑥 = ( , , 𝑓) thơng qua 𝑧 𝑧 phương trình quay tịnh tiến sau: P = K[R| t] 𝑓 𝑝𝑥 (2) K = [0 𝑓 𝑝𝑦 ] 0 Với: K: Ma trận hiệu chỉnh (camera calibration matrix); R, t: Ma trận quay tịnh tiến từ hệ tọa độ toàn cầu hệ tọa độ máy ảnh; 𝑓: Tiêu cự máy ảnh Hình Bố trí thí nghiệm thu thập liệu Bố trí thí nghiệm chụp ảnh điện phát quang trình bày Hình Thí nghiệm bố trí phịng tối nhằm đảm bảo ảnh thu không bị nhiễu sáng từ mơi trường bên ngồi Máy ảnh hồng ngoại Yoosee có độ phân giải 1920x1080 pixel bố trí chụp thẳng góc từ xuống độ cao 45cm Pin lượng mặt trời sử dụng loại PV đơn tinh thể (Mono PV) có cơng suất tối đa 10Wp, với kích thước 44,5x19 cm Q trình thu thập liệu tiến hành pin lượng mặt trời với độ hư hỏng khác Để chụp ảnh hồng ngoại pin, nguồn DC từ nguồn tuyến tính DC cho mức điện áp đạt từ 18-25V, điện áp tăng giảm để điều chỉnh độ phát quang pin, dòng điện qua pin dao động từ 1,8-2,2A Cực dương nguồn điện cấp vào cực dương pin cực âm nguồn điện cấp vào cực âm pin, lúc pin phát ánh sáng hồng ngoại Để đảm bảo ảnh thu khơng bị lóa ánh sáng, máy ảnh chụp tia tới hồng ngoại, hay nói cách khác LED phát hồng ngoại máy ảnh tắt Kết 3.1 Thu thập liệu đánh giá hư hỏng Kết chụp ảnh phịng kín thể Hình Hình 4a pin chụp máy ảnh thường, gần quan sát hư hỏng pin mắt thường, Hình 4b, ảnh phát quang hồng ngoại chụp phương pháp đề xuất Kết cho thấy, ta quan sát phát quang tế bào quang điện pin Màu đen cho thấy, vị trí khơng phát quang, vị trí bị hư hại; Màu trắng cho thấy, tế bào quang điện hoạt động bình thường Hình 4b cho thấy pin bị cong góc ảnh chứng tỏ độ biến dạng máy ảnh lớn vùng rìa đen phần thừa cần loại bỏ Bên cạnh đó, pin bị hư khơng tồn bộ, nên việc chia pin thành phần với độ hư hỏng khác đề xuất (Hình 4d), phần bổ sung vào tập liệu để tăng tính đa dạng cho tập huấn luyện Thêm vào đó, phương pháp làm mờ (blur), co, giãn ảnh (dilate, erode) áp dụng lên ảnh Điều nhằm tránh tượng ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 20, NO 9, 2022 học vẹt (overfitting) mạng học sâu Bảng trình bày số lượng ảnh thu thập nhãn huấn luyện cho lớp liệu mạng học sâu AlexNet Cơ sở để đánh giá hư hỏng tỉ lệ pixel đen tồn vùng ảnh Có nhãn liệu theo phần trăm hư hỏng pin mặt trời bao gồm: Hư hỏng 5%, hư hỏng 5%-10%, hư hỏng 10%-20% hư hỏng 20% Số ảnh huấn luyện gồm 900 ảnh ảnh kiểm chứng gồm 75 ảnh cho tất tập ảnh (Bảng 1) Tập liệu ảnh nhóm tạo tham khảo thêm nguồn mã nguồn mỡ sau [14-15] a) mạng Alxenet 80% liệu ảnh Bảng dùng để huấn luyện (training) 20% dùng để kiểm tra trình huấn luyện (validation) Tồn q trình gồm 1080 lần lặp lại với 180 lần lặp lại cho chu kỳ học Trên biểu đồ Hình 5, độ xác tăng nhanh từ 48% đến 90% lần huấn luyện đầu tiên, dao động xung quanh 92% lần huấn luyện Sau đó, độ xác ổn định quanh 98% Thêm vào đó, độ sai sót giảm dần từ 2.5% gần 0% lần huấn luyện ổn định đến hết trình huấn luyện mạng Tổng thời gian huấn luyện mạng AlexNet 335 phút (Hình 6) b) c) d) Hình Kết chụp ảnh quang hồng ngoại pin lượng mặt trời a) chụp ngồi phịng tối b) Chụp phương pháp đề xuất c) Sau hiệu chỉnh ảnh d) chia thành vùng khác Bảng Số lượng ảnh thu thập nhãn huấn luyện Nhãn Hỏng 5% Hỏng 5% - 10 % Hỏng 10% – 20% Hỏng 20% Số ảnh huấn luyện 900 900 900 900 Hình Mơ hình huấn luyện mạng AlexNet Số ảnh kiểm chứng 75 75 75 75 Do tập liệu huấn luyện kiểm tra phần pin lượng mặt trời, để đánh giá độ hư hỏng toàn pin, điểm trung bình phần trăm hư hỏng pin đề xuất: 𝑃1 + 𝑃2 + 𝑃3 + 𝑃4 (3) 𝑇𝐵 = Trong đó: TB điểm trung bình sau chia trung bình cho bốn phần pin • • • • P1 điểm phần pin thứ nhất; P2 điểm phần pin thứ hai; P3 điểm phần pin thứ ba; P4 điểm phần pin thứ tư Hình Thông số huấn luyện mạng AlexNet Với thang điểm cho Bảng sau: Bảng Bảng điểm cho mức độ hưng hỏng % hư hỏng Điểm Dưới 5% 5% - 10% 10% -20% Trên 20% 3.2 Đánh giá chất lượng pin lượng mặt trời mạng học sâu AlexNet Ngôn ngữ lập trình cấp cao MATLAB sử dụng để huấn luyện nhận dạng pin lượng mặt trời cho mạng học sâu AlexNet MATLAB chạy máy tính có cấu hình CPU core i3, nhớ đệm 4MB (Cache 4MB), nhớ RAM 4GB, ổ cứng 120GB SSD để tăng tốc độ xử lý số liệu Hình miêu tả trình huấn luyện Hình 7, minh họa kết phân loại chất lượng pin lượng mặt trời mạng học sâu AlexNet Trên tập liệu kiểm chứng, ảnh thu thập từ nhiều nguồn khác bao gồm nguồn nhóm xây dựng (Hình 7) tập mã nguồn mở (Hình 8) Kết thí nghiệm mạng học sâu AlexNet toàn tập kiểm tra thể Bảng 3, ma trận kết nhầm lẫn Ma trận nhầm lẫn cho phép trình bày hiệu suất thuật toán AlexNet với tập liệu tạo Mỗi hàng ngang bảng trình bày lớp huấn luyện, cột bảng đại diện cho lớp dự đoán (hoặc ngược lại) Tổng hàng cột với số ảnh kiểm chứng (75 ảnh) Theo đó, tỉ lệ nhận dạng hỏng 5% đạt kết xác tối đa Lưu Trọng Hiếu, Lâm Văn Tính, Cao Thành Tân, Nguyễn Chí Ngơn (100%) Kết hỏng (5%-10%) cho tỉ lệ xác cao Tỉ lệ hỏng 10%-20% cho nhầm lẫn với độ hư hỏng mức thấp cao Tỉ lệ hư hỏng 20% cho độ xác đạt mức 90.6% với 68/75 ảnh nhận dạng Kết luận Nghiên cứu trình bày giải pháp đánh giá chất lượng pin lượng mặt trời hệ xử lý ảnh kết hợp mạng học sâu AlexNet Ảnh điện phát quang pin mặt trời thu thập từ phòng tối Tấm pin cấp nguồn chiều với mức điện áp 18-25V máy ảnh hồng ngoại bố trí chụp vng góc từ xuống Dữ liệu ảnh ngõ vào mạng học sâu AlexNet Kết nhận dạng cho thấy, mạng học sâu AlexNet cho độ xác cao, có khả đánh giá hư hỏng từ nguồn ảnh khác Tuy nhiên, nghiên cứu chưa đề giải pháp đánh giá độ nứt tế bào quang điện riêng rẽ chưa có nguồn ảnh pin quang điện với thời gian sử dụng nhiều (lớn 800G) Trong thời gian tới, nhóm tiếp tục bổ sung liệu đầu vào cho tập huấn luyện: Thu thập ảnh điện phát quang từ pin lượng mặt trời có thời gian sử dụng nhiều (hơn 800G) Độ sụt áp pin hư hại cần nghiên cứu TÀI LIỆU THAM KHẢO Hình Tỉ lệ hư hỏng tập kiểm tra Hình Tỉ lệ hư hỏng tập ảnh nguồn khác Bảng Ma trận kết nhầm lẫn Dưới 5% 5% - 10% 10% – 20% 20% Hỏng 5% 75 5% - 10 % 73 10% – 20% 70 Trên 20% 68 [1] Nguyen, Q K “Annual Report on Electric Power Generation Development Scenerios in Vietnam”, Green Innovation and Delelopment Centre of Vietnam, 2019 [2] P Rajput, G.N Tiwari, O.S Sastry, B Bora, and V Sharma “Degradation of monocrystalline photovoltaic modules after 22 years of outdoor exposure in the composite climate of India” Solar Energy, Vol 135, 2016, pp 786-795 [3] Sharma, V., and Chandel, S.S “Performance and degradation analysis for long term reliability of solar photovoltaic systems: a review” Renewable and Sustainable Energy Review Vol 27, 2013, pp 753-767 [4] Kima, J., Park, N., Yuna, J S., Huanga, S., Greena, M A., and Anita, W.Y “An effective method of predicting perovskite solar cell lifetime– Case study on planar CH3NH3PbI3 and HC(NH2)2PbI3 perovskite solar cells and hole transfer materials of spiro-OMeTAD and PTAA” Solar energy Materials & Solar Cells Vol 162, 2017, pp 41-46 [5] Masaki, M., and Tatsuo, M “Novel tandem cell structure of dyesensitized solar cell for improvement in photocurrent” Thin Solid Films Volume 516, Issue 9, 2008, pp 2716-2722 [6] A Monastyrskyi, S Ostapenko, O Polupan, H Maeckel and M Vazquez, "Resonance Ultrasonic Vibrations for in-line crack detection in silicon wafers and solar cells”, 33rd IEEE Photovoltaic Specialists Conference, 2008, pp 1-6 [7] Jeffery L, L “The Physics of the Solar Cell” Handbook of Photovoltaic Science and Engineering, 2003, pp 82–129 DOI: https://doi.org/10.1002/0470014008.ch3 [8] Drabczyk, K Matlak, G K., Drygała, A Szindler, M and Lipiński, M “Electroluminescence imaging for determining the influence of metallization parameters for solar cell metal contacts” Solar Energy, Vol 126, 2006, 14-21 [9] Fada, J S., Hossain, M A., Braid, J L., Yang, S., Pershek, T J., and R H French "Electroluminescent Image Processing and Cell Degradation Type Classification via Computer Vision and Statistical Learning Methodologies”, IEEE 44th Photovoltaic Specialist Conference (PVSC), 2017, pp 3456-3461 [10] A Bartler, L Mauch, B Yang, M Reuter, and L Stoicescu, "Automated Detection of Solar Cell Defects with Deep Learning”, 26th European Signal Processing Conference (EUSIPCO), 2018, pp 2035-2039, doi: 10.23919/EUSIPCO.2018.8553025 [11] Nguyễn, Q M., Lê, T M C., Nguyễn, Đ T., Lê, M H “Nhận dạng pin mặt trời lỗi dựa hình ảnh điện pháp quang deep learning” Tạp chí Đại học Thái Nguyên, 226(11), 2021, 117-123 [12] Krizhevsky, A., Sutskever, I., and Hinton., G “ImageNet classification with deep convolutional neural networks”, Advances in Neural Information Processing Systems, 25th (NIPS 2012), 2012 pp 1106-1114 [13] Nair, V and Hinton, G E “Rectified linear units improve restricted boltzmann machines” 27th International Conference on Machine Learning, 2010, pp 807-814 [14] https://easymeasures.com/product/electroluminescence/, truy cập ngày 9/7/2022 [15] https://data.london.gov.uk/download/photovoltaic pv solar-panelenergy-generation-data/81fb6b31-f6b2-4e12-b054090319faec7b/PV%20Data.zip Truy cập ngày 9/7/2022 ... 90.6% với 68/75 ảnh nhận dạng Kết luận Nghiên cứu trình bày giải pháp đánh giá chất lượng pin lượng mặt trời hệ xử lý ảnh kết hợp mạng học sâu AlexNet Ảnh điện phát quang pin mặt trời thu thập... 10% 10% -20% Trên 20% 3.2 Đánh giá chất lượng pin lượng mặt trời mạng học sâu AlexNet Ngơn ngữ lập trình cấp cao MATLAB sử dụng để huấn luyện nhận dạng pin lượng mặt trời cho mạng học sâu AlexNet... thu thập liệu Các pin lượng mặt trời có tính chất vật lý: Khi có ánh sáng mặt trời tạo dịng điện; Nếu khơng có ánh sáng mặt trời cấp nguồn DC, pin phát ánh sáng hồng ngoại Dựa sở đó, nhóm tiến