อัลกอริทึมการเรียนรู้เชิงลึกสำหรับการจำแนกข้อบกพร่องจากรูปภาพไฟฟ้าเรืองแสงของเซลล์แสงอาทิตย์

ในยุคปัจจุบันที่โลกของเราเริ่มเข้าสู่วิกฤตพลังงาน ทำให้พลังงานทางเลือกได้รับความสนใจมากขึ้น หนึ่งในนั้นก็คือ พลังงานจากเซลล์แสงอาทิตย์ ซึ่งเป็นพลังงานหมุนเวียนและที่ได้รับความนิยมอยากแพร่หลาย อย่างไรก็ตาม การจะผลิตเซลล์แสงอาทิตย์ให้มีประสิทธิภาพสูงจำเป็นจะต้องตรวจจับความผิดปกติที่เกิดขึ้นในกระบวนการผลิตให้รวดเร็วและแม่นยำที่สุด เพื่อลดของเสียและเพิ่มคุณภาพของเซลล์แสงอาทิตย์ ซึ่งการตรวจจับความผิดปกติด้วยภาพถ่ายไฟฟ้าเรืองแสงเป็นวิธีที่ใช้กันอย่างสากลในอุตสาหกรรมการผลิตเซลล์แสงอาทิตย์ โดยในปัจจุบันผู้ผลิตเซลล์แสงอาทิตย์ส่วนใหญ่ใช้มนุษย์ในการจำแนกประเภทข้อบกพร่องของภาพถ่ายไฟฟ้าเรืองแสง ซึ่งจำเป็นต้องใช้เวลาอย่างมากในการจำแนก นอกการนั้นยังง่ายต่อการจำแนกผิดอีกด้วย การนำอัลกอริทึมการเรียนรู้เชิงลึกมาช่วยในการจำแนกข้อบกพร่องจากรูปภาพไฟฟ้าเรืองแสงชองเซลล์แสงอาทิตย์ จะสามารถช่วยให้การจำแนกมีความแม่นยำมากขึ้นและยังช่วยลดเวลาที่ใช้ในการจำแนกได้อย่างมากผลการใช้อัลกอริทึมการเรียนรู้เชิงลึกมาช่วยในการจำแนกข้อบกพร่องจากรูปภาพไฟฟ้าเรืองแสงชองเซลล์แสงอาทิตย์ให้ค่าความถูกต้องในการทำนายที่ 98.60% ด้วยการใช้โมเดล EfficientNetB5 ที่ถูกปรับปรุงด้วยค่าไฮเปอร์พารามิเตอร์คือ อัตราการเรียนรู้ (เปิดใช้งานอัตราการเรียนรู้แบบปรับตัว), จำนวนชั้นที่สามารถฝึกอบรมได้, และจำนวนรอบการฝึกอบรม (เปิดใช้งานการหยุดก่อนกำหนด) เมื่อนำไปประยุกต์ใช้งานในองค์กรจริงพบว่าผลการทำนายเมื่อเทียบกับการใช้มนุษย์นั้นอยู่ในระดับที่น่าพอใจโดยมีความถูกต้องมากกว่า 95% และยังสามารถลดเวลาการทำงานของมนุษย์ลงได้ถึง 16.67 ชั่วโมงคนต่อวัน

在当今世界面临能源危机的时代，替代能源受到了更多关注。其中之一是太阳能电池产生的能源，它是一种可再生且广受欢迎的能源。然而，要生产高效的太阳能电池，必须在生产过程中快速且准确地检测异常，以减少浪费并提高太阳能电池的质量。其中，使用电致发光图像（Electroluminescence image）检测异常是太阳能电池生产行业中广泛采用的方法。目前，大多数太阳能电池制造商依赖人工对电致发光图像中的缺陷类型进行分类，这不仅耗时，还容易出现分类错误。将深度学习算法应用于太阳能电池电致发光图像的缺陷分类，可以显著提高分类准确性并大幅减少分类时间。该应用的结果显示，使用经超参数优化的EfficientNetB5模型（优化的超参数包括学习率（启用自适应学习率）、可训练层数和训练轮数（启用提前停止）），预测准确率达到98.60%。在实际组织中应用时，发现其预测结果与人工相比达到了令人满意的水平，准确率超过95%，并且每天每人可减少多达16.67小时的工作时间。