Husseın Yousefalturk

Güneş panellerinde oluşan kuş pisliği, tozlanma, fiziksel/elektriksel hasarlar ve kar örtüsü gibi faktörler, enerji üretim verimliliğini ciddi biçimde düşürmektedir. Bu çalışmada, söz konusu arıza türlerinin tek bir işlem hattı içerisinde, düşük hesaplama maliyetiyle ve yüksek doğrulukla tespit ve sınıflandırılmasını hedefleyen, YOLOv8 tabanlı bütünleşik bir derin öğrenme yaklaşımı önerilmektedir. Kaggle platformundan temin edilen 887 adet yüksek çözünürlüklü görüntü, Roboflow ortamında etiketlenmiş; veri setinin çeşitliliğini ve genelleme yeteneğini artırmak amacıyla döndürme, çevirme ve parlaklık ayarı gibi veri artırma teknikleri uygulanmıştır. Model eğitimi, %70 eğitim, %20 doğrulama ve %10 test veri bölünmesiyle, önceden eğitilmiş ağırlıklar kullanılarak Google Colab ortamında gerçekleştirilmiştir. Deneysel sonuçlar, önerilen modelin %94,3 mAP@0.5, %89 Top-1 doğruluk ve %99,1 Top-5 doğruluk değerlerine ulaştığını göstermektedir. Çalışmanın özgün katkısı, YOLOv8’in birleşik mimarisinden yararlanarak nesne tespiti ve sınıflandırma görevlerini ayrı modeller kullanmaksızın tek bir yapı altında optimize etmesidir. Elde edilen bulgular, geliştirilen yaklaşımın büyük ölçekli güneş enerjisi santrallerinde (GES) gerçek zamanlı izleme ve otonom bakım sistemlerine entegre edilebilir, ölçeklenebilir ve güvenilir bir çözüm sunduğunu ortaya koymaktadır. Bu yönüyle çalışma, saha uygulamalarına yönelik pratik bir çerçeve sunarak literatüre katkı sağlamaktadır.