Das Solarmodul ist ein wesentlicher Bestandteil der Komponenten zur Erzeugung von Solarenergie, dessen Qualität direkt mit der Sicherheit und Effizienz der Energieerzeugung verbunden ist. Die Erkennung von Mängeln in Solarmodulen hat daher einen wichtigen praktischen Wert. Unter Berücksichtigung der Ineffizienz und der hohen Kosten der manuellen Erkennung schlägt dieser Artikel die Verwendung von Faltungs-Neuronalen Netzwerken vor, die eine gute Leistung im Bereich des Deep Learning gezeigt haben, zur automatischen Erkennung und Klassifizierung von Bildern von Solarmodulen vor. Durch die Verwendung der Tensorboard-Plattform von Tensorflow zur Visualisierung der Leistung wurde die Struktur des klassischen Faltungs-Neuronalen Netzwerkmodells LeNet-5 verbessert und die Hyperparameter angepasst. Die Ergebnisse der Klassifizierung des verbesserten LeNet-5-Modells wurden mit denen des klassischen LeNet-5-Modells und der Support-Vektor-Maschine verglichen, und die Ergebnisse zeigten, dass das verbesserte LeNet-5-Modell die beste Klassifikationsleistung bietet.

Solarmodul; Modell Le Net-5; Bildklassifizierung; Faltungs-Neuronales Netzwerk; Hyperparameter; Tensorboard