Yapay Zekâ Destekli Güneş Paneli Temizleme Robotları İçin Açık Erişimli 6.200 Görüntülü Veri Seti Yayınlandı
Malezya Teknoloji Üniversitesi öncülüğündeki araştırmacılar, robotların kirli panellerde yön bulma yeteneğini artırmak amacıyla 6.200 görüntüden oluşan açık erişimli bir veri seti oluşturdu.
Güneş enerjisi santrallerinin verimliliği, panel yüzeylerinin temizliğine doğrudan bağlıdır. Toz, kum, su lekeleri ve diğer kirleticiler, ışığın hücrelere ulaşmasını engelleyerek enerji üretimini azaltır. Bu sorunu çözmek için geniş ölçekli tesislerde otonom temizlik robotları kullanılmaktadır; ancak robotların panel üzerindeki doğru yönlendirilmesi, kirlenme koşullarının karmaşıklığı nedeniyle hâlâ bir zorluk teşkil etmektedir.
Malezya Teknoloji Üniversitesi (UTM) ve uluslararası iş birliği içinde çalışan bir araştırma ekibi, bu soruna yanıt vermek amacıyla 6.200 görüntüden oluşan yeni bir veri seti geliştirdi. Veri seti, açık erişimli olarak yayımlanarak yapay zekâ (YZ) destekli temizlik robotlarının farklı kirlenme seviyelerinde yön bulma performansını iyileştirmeyi hedefliyor. Çalışma, robotların ön kısmına monte edilen HF868-2 model kamera ile elde edilen görüntülerden oluşuyor; kamera yaklaşık 15 cm yükseklikte, 135° görüş açısına sahip geniş açılı bir lens kullanıyor ve saniyede 60 kare, 320 × 240 piksel çözünürlükte kaydedilen görüntüler, geometrik kalibrasyon sonrası 160 × 120 piksel çözünürlüğe düşürülerek robotların sınırlı işlem gücüyle analiz edilebilecek hâle getirildi.
Veri setinin oluşturulma süreci iki aşamadan oluştu. İlk aşamada, 800 temiz panel görüntüsü elle etiketlendi ve üç temel referans çizgisi (güneş hücreleri arasındaki beyaz boşluk çizgileri, yatay ve dikey panel çerçeve sınırları) tanımlandı. İkinci aşamada ise bu temiz görüntüler, kuş pisliği, su lekeleri, su birikintileri, ışık yansımaları ve çerçeve tozu gibi beş farklı kirlenme türüyle yapay olarak kirletildi; her bir kirlenme seviyesinde referans çizgilerinin %1‑%50'si kapatıldı. Bu yöntem, panel geometrisinin değişmeden kirlenmenin görsel etkisinin sistematik olarak incelenmesini sağladı.
Toplam 6.200 görüntünün 4.800'ü eğitim ve doğrulama amaçlı ayrıldı; bunların 3.846'sı model eğitimi, 954'i ise performans değerlendirmesi için kullanıldı. Test aşamasında ise altı farklı temiz ve yapay kirlenme koşulunu kapsayan 1.200 görüntünün yanı sıra, laboratuvar ortamında fiziksel olarak kirletilmiş iki panelden elde edilen 200 görüntü de değerlendirildi. Bu fiziksel kirletme, pigment damlaları, kum, atık su ve temiz su gibi maddelerle gerçekleştirildi ve yoğun ışık yansımalarının etkisi de test edildi.
Veri setiyle birlikte sunulan etiket dosyaları, referans çizgilerinin konum, yön, başlangıç‑bitiş noktaları ve sınıf bilgilerini içeriyor. Geliştiriciler, bu etiketler sayesinde YZ modellerinin çizgileri ne kadar doğru tespit ettiğini ölçebiliyor ve sadece simülasyon ortamında değil, gerçek kirlenme koşullarında da model başarısını değerlendirebiliyor. Araştırmacıların bir sonraki hedefi, bu veri setinin ötesine geçerek robotların düşük işlem gücüyle çalışabilen, panel üzerindeki referans çizgilerine dayanarak güvenilir otonom hareket sağlayan YZ algoritmaları geliştirmektir. Bu adım, güneş enerjisi santrallerinde temizlik maliyetlerini azaltırken, enerji üretim verimliliğini artırma potansiyeli taşıyor.
