فحص عيوب سطح الخلية الشمسية باستخدام شبكة عصبية تقنية التعلم العميق متعددة الطيف

كشف العيوب المشابهة وغير المحددة على سطح الخلايا الشمسية ذات النسيج غير المتجانس والخلفية المعقدة هو تحدي في تصنيع الخلايا الشمسية. تعتمد العملية التصنيعية التقليدية على الكشف البصري بواسطة العين البشرية، مما يتطلب عددًا كبيرًا من العمال دون تحقيق نتائج كشف مستقرة وجيّدة. لحل هذه المشكلة، تم تصميم طريقة كشف العيوب البصرية تعتمد على الشبكة العصبية التلافيفية العميقة متعددة الطيف (CNN) في هذا البحث. أولاً، تم إنشاء نموذج CNN محدد. من خلال ضبط عمق وعرض النموذج، تم تقييم تأثير عمق النموذج وحجم النواة على نتيجة التعرف. ثم تم اختيار أفضل هيكل للنموذج CNN. ثانيًا، تم تحليل خصائص الطيف الضوئي للصور الملونة للخلايا الشمسية. تبين أن مجموعة متنوعة من العيوب أظهرت خصائص مميزة مختلفة في الأطياف المختلفة. لذلك، تم بناء نموذج CNN متعدد الطيف لتعزيز قدرة النموذج على التمييز بين خصائص الخلفية ذات النسيج المعقد وخصائص العيوب. أخيرًا، أظهرت بعض نتائج التجارب والتحقق المتقاطع K-겹 (K-fold) أن نموذج CNN العميق متعدد الطيف يمكنه الكشف الفعال عن عيوب سطح الخلية الشمسية بدقة أعلى وقدرة تكيف أكبر. بلغت دقة التعرف على العيوب 94.30٪. يمكن أن يزيد استخدام مثل هذا الخوارزمية من كفاءة تصنيع الخلايا الشمسية يجعل عملية التصنيع أكثر ذكاءً.注释：在最后一句中，“”是为了标记“خوارزمية”这个词，确保其作为算法的专有名词被正确理解。此外，“K-겹”在阿拉伯语中没有直接对应的词汇，因此使用了“التحقق المتقاطع K-fold”来表示。