BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20240509T122220Z LAST-MODIFIED:20240509T122220Z DTSTAMP:20260609T141642Z UID:1781003802@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Κωνσταντίνου Δημόπουλου - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=6927&cHash=40 847edf5c860125182801e45d095a04\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κω νσταντίνου Δημόπουλου\n με θέμα\n Επ ιθεώρηση Φωτοβολταϊκών Στοιχείων με την Βοήθεια Συστημάτων Βαθιάς Μάθηση ς σε Εικόνες από Μη Επανδρωμένο Όχημ α\n Photovoltaic Panel Inspection us ing Deep Learning Systems on Unmanne d Aerial Vehicle based Images\n Εξετ αστική Επιτροπή\n Καθηγητής Μιχαήλ Ζ ερβάκης (επιβλέπων)\n Αναπληρωτής Κα θηγητής Φώτιος Κανέλλος\n Καθηγητής Παναγιώτης Παρτσινέβελος (Σχολή ΜΗΧΟ Π, TUC)\n Περίληψη\n Είναι προφανές σε όλους ότι ο κόσμος στον οποίο ζού με μεταβαίνει αργά αλλά σταθερά από τα ορυκτά καύσιμα στις ανανεώσιμες π ηγές ενέργεια. Αυτό είναι αρκετά ωφέ λιμο για το περιβάλλον, τους ανθρώπο υς που κατοικούν σε αυτόν τον πλανήτ η, καθώς και την πανίδα και τη χλωρί δα . Μία από τις πιο ταχέως αναπτυσσ όμενες πηγές πράσινης ενέργειας είνα ι η ηλιακή ενέργεια. Κατασκευές τερά στιων ηλιακών πάρκων πραγματοποιούντ αι κάθε χρόνο. Καθώς κάθε ηλιακό πάρ κο περιέχει εκατοντάδες χιλιάδες μεμ ονωμένα ηλιακά πάνελ, έχει αυξηθεί η ανάγκη για έναν ταχύτερο, ασφαλέστε ρο και πιο αποτελεσματικό τρόπο παρα κολούθησης της κατάστασης του κάθε π άνελ. Έχει προταθεί και εφαρμοστεί η εξ αποστάσεως παρακολούθηση των πάν ελ μέσω της χρήσης μη επανδρωμένων ε ναέριων οχημάτων (UAV ή αλλιώς drone s), παράγοντας εξαιρετικά αποτελέσμα τα. Σε αυτή τη διατριβή εστιάζουμε σ τη δημιουργία καινοτόμων μοντέλων βα θιάς εκμάθησης, που λαμβάνουν ως είσ οδο, εικόνες μεμονωμένων φωτοβολταϊκ ών πάνελ που λαμβάνονται, των οποίων οι βλάβες δεν έχουν σχολιασθεί. Οι εικόνες αυτές είναι εικόνες του υπέρ υθρου φάσματος του φωτός. Έχουμε ως στόχο την δημιουργία ενός σχολιασμέν ου συνόλου δεδομένων, για την εκπαίδ ευση, την επικύρωση και τον έλεγχο τ ων μοντέλων καθώς και η δημιουργία ε νός γενικού συνόλου δεδομένων, μέσω data augmentation, για χρήση σε περε ταίρω ελέγχους. Δεύτερο στόχο αποτελ εί η επίτευξη της αποδοτικής εκπαίδε υσης 2 διαφορετικών μοντέλων. Το πρώ το μοντέλο εκτελεί δυαδική ανίχνευση σφαλμάτων στην επιφάνειας των ηλιακ ών πάνελ, που σημαίνει ότι μπορεί να ανιχνεύσει αποτελεσματικά εάν ένα φ ωτοβολταϊκό πάνελ έχει υποστεί κάποι α φθορά ή όχι. Το δεύτερο μοντέλο εξ ειδικεύεται στην ταξινόμηση πολλαπλώ ν κατηγοριών σφαλμάτων, που σημαίνει ότι μπορεί να ανιχνεύσει, να αναγνω ρίσει και να ταξινομήσει το συγκεκρι μένο σφάλμα σε ένα πάνελ και, στη συ νέχεια, προχωρά στην τοποθέτηση ενός πλαισίου οριοθέτησης πάνω από το σφ άλμα, προσδιορίζοντας την ακριβή θέσ η του στην εικόνα. Σε όλο αυτό το πε ίραμα, τροποποιούμε τα μοντέλα YOLOv 8 και YOLONAS. Κατά την εκπαίδευση τ ου YOLOv8 εκπαιδεύσαμε ένα μοντέλο δ υαδικής αναγνώρισης με F1 score ίσο με 93.8% και mAP50-90 score ίσο με 9 7.7%. Το μοντέλο ταξινόμησης πολλαπλ ών κατηγοριών, μπορεί να αναγνωρίσει σωστά 8 διαφορετικές κατηγορίες σφα λμάτων επιφάνειας ηλιακών πάνελ, με διαφορετικά\n ποσοστά επιτυχίας ανάλ ογα με την εν λόγω κατηγορία σφάλματ ος (με F1 score ίσο με 64.4% και mAP 50-90 score ίσο με 45.3%). Οι προδια γραφές αυτών των εκπαιδευμένων 8 μον τέλων αναλύονται περαιτέρω σε αυτή τ η διατριβή, μαζί με όλη τη διαδικασί α και τον πειραματισμό που χρειάστηκ ε για να φτάσουμε σε αυτό το σημείο. Τα μοντέλα ελέγχθηκαν με την χρήση τμήματος των αρχικών εικόνων αλλά κα ι με εντελώς νέες εικόνες που δημιου ργήθηκαν μέσω της τεχνικής data augm entation. Για πρώτη φορά 2 καινοτόμα μοντέλα βαθιάς μάθησης χρησιμοποιήθ ηκαν για τον εντοπισμό πολλαπλών κλά σεων σφαλμάτων σε φωτοβολταϊκά πάνελ , ανοίγοντας έτσι τον δρόμο για περε ταίρω αποδοτική ανίχνευση σφαλμάτων σε μεγάλα ηλιακά πάρκα.\n Abstract \ n It is apparent to everyone that th e world that we live in is slowly bu t steadily transitioning from fossil fuels to renewable and clean energy . This is quite beneficial for the e nvironment, the humans that inhabit this planet and the fauna and flora as well. One of the most rapidly gro wing sources of green energy is sola r anergy. Constructions of huge sola r farms are taking place each year. With each farm containing hundreds o f thousands of individual photovolta ic panels (PV), the need for a faste r, safer, and more efficient way of condition monitoring for each panel has risen. Surveillance monitoring v ia the use of unmanned aerial vehicl es (UAVs) has been proposed and appl ied, showing\n exceptional results. In this thesis, the focus is on inve stigating the use of novel deep lear ning models, that take as an input i nfrared spectrum images of individua l photovoltaic panels with non-annot ated multiple damages. The goal is f irst to create an annotated dataset for training, validation and testing purposed and a general data augment ed dataset for further testing purpo ses. The second goal is to achieve a n\n optimal training of 2 individual ly trained models. The first of the models excels in binary detection of surface of solar panels, meaning th at it can detect efficiently whether a photovoltaic panel is damaged or not. The other model excels at multi -class classification, meaning that it can detect, identify and classify the specific error on a damaged pan el, and then proceeds to put a bound ing box over the error, pinpointing\ n its exact location on the image. T hroughout this this sensitivity inve stigation, the YOLOv8 and YOLONAS mo dels are used. For YOLOv8, the detec tion performance on the training pha se achieved for the binary model an F1 score of 93.8% and mAP50-90 score of 97.7%. Our multi-class classific ation model can correctly identify 8 distinct categories of solar panel surface faults, with different perce ntages of success depending on the f ault class in question (e.g. F1 scor e: 64.4% and mAP50-90 score: 45.3%). The specs of these trained models a re further analyzed in this thesis, together with all the process that w as required to reach this point. The se models were tested both on part o f the\n initial database as well as a smaller database that was created using data augmentation. For first t ime, two cutting-edge DNN models wer e used for multiclass detection of d amages in PV panels paving the way f or future more efficient and massive detection of damages in PV farms.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20240513T170000 DTEND:20240513T180000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR