Целью данной работы является анализ фотопринимающей поверхности с использованием машинного обучения. Разработана программа для оптического контроля фотопринимающей поверхности. Она использует обученную нейронную сеть YOLOv8 для распознавания солнечных элементов. Точность распознавания солнечного элемента составляет 96.6%. Программа способна сохранять результаты в различных форматах, что позволяет в последствии использовать их для расчета теоретических выходных данных фотоэлектрического преобразователя. В комплексе с программами для расчетов выходных параметров солнечных батарей были получены теоретические значения токов короткого замыкания и произведено их сравнение с экспериментальными токами, измеренными на имитаторе солнечного излучения. Погрешность между значениями токов при разном уровне затенения фотопринимающей поверхности не превышает 7%. Разработанная программа позволяет повысить точность моделирования работы концентраторных фотоэлектрических модулей более чем в 2 раза, поэтому может быть использована в научных исследованиях, а также в инженерной практике для разработки и оптимизации солнечных батарей.

The purpose of this work is to analyze the photoreceiving surface using machine learning. A program for optical control of the photoreceiving surface has been developed. It uses a trained YOLOv8 neural network to detect solar cells. The accuracy of solar cell detection is 96.6%. The program can save results in various formats, which allows them to be used later to calculate the theoretical output data of the photovoltaic converter. In conjunction with programs for calculating the output parameters of solar cells, theoretical values of short-circuit currents were obtained and their comparison was made with experimental currents measured on a solar radiation simulator. The error between the current values at different levels of shading of the photoreceiving surface does not exceed 7%. The developed program allows to increase the accuracy of modeling the operation of concentrator photovoltaic modules by more than 2 times, so it can be used in scientific research, as well as in engineering practice for the development and optimization of solar cells.

• ВВЕДЕНИЕ
• ГЛАВА 1. ТЕОРЕТИЧЕСКИЙ РАЗДЕЛ
  • 1.1 Солнечные элементы
  • 1.2 Анализ принципов работы искусственных нейронных сетей и их применения для распознавания объектов на изображении
  • 1.2.1 Нейронные сети
  • 1.2.2. Анализ методов обучения искусственных нейронных сетей
  • 1.2.3 Функции активации
  • 1.2.4 Особенности свёрточной нейронной сети
  • 1.2.5. Алгоритмы обнаружения объектов
• 2. Выбор и реализация алгоритма для анализа фотопринимающей поверхности на основе свёрточных нейронных сетей
  • 2.1 Описание работы программы для анализа фотопринимающей поверхности
  • 2.2 Свёрточная сеть YOLOv8
• ГЛАВА 3. ОБУЧЕНИЕ И ОЦЕНКА ТОЧНОСТИ РЕАЛИЗОВАННОГО АЛГОРИТМА ДЛЯ РАСЧЁТА ПЛОЩАДИ ЗАТЕНЕННОЙ ПОВЕРХНОСТИ
  • 3.1 Создание набора изображений для обучения нейронной сети
  • 3.2 Обучение модели для распознавания фотопринимающей поверхности
  • 3.3 Алгоритм расчета площади
  • 3.4 Реализация программы
  • 3.5 Тестирование программы расчёта площади затенения
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ