Rede neural convolucional híbrida otimizada por algoritmos genéticos para classificação em imagens eletroluminescentes de células fotovoltaicas

• Ano de defesa: 2024
• Autor(a) principal: Rocha, Alan Marques da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Ceará
• Palavras-chave em Português: Automatic defect detection; Hybrid convolutional neural network; Photovoltaic cell; Fine-tuning of hyperparameters; Evolutionary genetic algorithms; Engenharias IV
• Link de acesso: https://deposita.ibict.br/handle/deposita/688

A demanda global por energia elétrica vem aumentando exponencialmente nos últimos anos. Diante disso, investimentos em fontes de energia renovável têm se tornado cada vez mais necessários, destacando-se a energia solar fotovoltaica (FV) como uma fonte de fácil instalação e baixo custo. O crescimento da capacidade instalada de fontes de geração FV traz demandas por métodos sofisticados e precisos para a detecção de defeitos nas células que compõem tal sistema. O presente trabalho propõe um método para classificação de células FVs de silício monocristalino (Si-m) e policristalino (Si-p) em funcionais e não-funcionais, utilizando uma Hybrid Convolutional Neural Network (HCNN) com as arquiteturas ResNet50 e VGG16 prétreinadas com a base de dados ImageNet para a extração de características das imagens, onde os melhores hiperparâmetros de cada rede foram obtidos por meio de Algoritmos Genéticos Evolutivos (AGE). O processo de classificação da HCNN foi feito por meio de uma Support Vector Machine (SVM). Quatro experimentos de classificação foram realizados. Inicialmente, foram testados algoritmos elementares como SVM, Naïve Bayes (NB), k-Nearest Neighbors (k-NN) e Random Forest (RF). Subsequentemente, foram realizados experimentos com as arquiteturas ResNet50, VGG16 e InceptionV3. Os modelos de HCNN ResNet50+SVM e VGG16+SVM foram testadas com a base de dados original contendo 2.624 amostras e com a base de dados aumentada, contendo 13.120 imagens. O ajuste fino utilizando AGE sem aumento de dados, resultou na topologia VGG16+SVM alcançando uma acurácia de 95,21% e um índice Kappa de 78,23%. Por fim, como resultado principal deste trabalho, a mesma topologia de HCNN superou seu desempenho anterior, alcançando uma acurácia de 99,67% e um índice Kappa de 80,17% com aumento de dados. O modelo ResNet50+SVM também mostrou resultados robustos com aumento de dados, atingindo uma acurácia de 98,17% e um índice Kappa de 85,26%. Esses resultados evidenciam a eficácia das técnicas propostas, posicionando a HCNN otimizada por AGE e aumento de dados como uma solução promissora para a detecção automática de defeitos em células FVs de Si-m e Si-p.