- 🚀 Proje Hakkında
- 🏗 Sistem Mimarisi
- 📊 Veri Seti
- 🤖 Modeller
- 📝 Kullanım
- 🔌 API Referansı
- 👥 Katkıda Bulunma
- 📜 Lisans
Bu proje, derin öğrenme teknikleri kullanarak güneş panellerindeki arızaları tespit etmek ve segmentasyon yapmak için geliştirilmiş kapsamlı bir çözümdür. Sistem, görüntü işleme ve makine öğrenimi algoritmalarını kullanarak güneş panellerindeki çatlak, sıcak nokta ve diğer arızaları otomatik olarak tespit eder ve görselleştirir.
| 🔎 | Güneş Paneli Segmentasyonu | U-Net mimarisi kullanarak güneş panellerini arka plandan ayırma |
|---|---|---|
| Arıza Tespiti ve Sınıflandırması | EfficientNet-B0 mimarisi kullanarak panel arızalarını tespit etme | |
| 🖥️ | Kullanıcı Dostu Arayüz | React ile geliştirilmiş modern web arayüzü |
| 🔄 | Gerçek Zamanlı İşleme | FastAPI ile hızlı ve verimli backend hizmetleri |
| 📊 | Görselleştirme Araçları | Tespit edilen arızaların ve segmentasyonların görsel raporları |
┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
│ │ │ │ │ │
│ 📷 Kullanıcı │────▶│ ⚙️ Backend │────▶│ 🧠 Derin │
│ Arayüzü │ │ Servisleri │ │ Öğrenme │
│ (React) │ │ (FastAPI) │ │ Modelleri │
│ │ │ │ │ │
└─────────────────┘ └─────────────────┘ └─────────────────┘
▲ │ │
│ │ │
└───────────────────────┴────────────────────────┘
Proje, modern bir mikro servis mimarisine sahiptir ve üç ana bileşenden oluşur:
-
🧠 Derin Öğrenme Modelleri:
- U-Net tabanlı segmentasyon modeli
- EfficientNet-B0 tabanlı arıza sınıflandırma modeli
-
⚙️ Backend Servisleri (FastAPI):
- Model yükleme ve çalıştırma
- REST API sunumu
- Görüntü işleme ve ön işleme
-
🖥️ Frontend Uygulaması (React):
- Kullanıcı arayüzü
- Görüntü yükleme ve sonuç görselleştirme
- Gerçek zamanlı analiz
Proje, COCO formatında işaretlenmiş güneş paneli görüntülerini içeren özel bir veri seti kullanmaktadır. Veri seti Roboflow platformu üzerinden alınmış ve COCO formatında işaretlenmiştir.
| Metrik | Değer | Açıklama |
|---|---|---|
| 🔢 Toplam Görüntü | 1000+ | Güneş paneli görüntüsü |
| 🏷️ Sınıflar | 6 | Normal, Çatlak, Sıcak Nokta, Gölgelenme, Fiziksel Hasar, Kar Kaplı |
| 📏 Çözünürlük | 224x224 | Eğitim sırasında standardize edilmiş |
| 📊 Veri Dağılımı | Train: 70%, Validation: 15%, Test: 15% | Modellerin eğitim ve değerlendirmesi için |
┌─────────────┐ ┌─────────────┐
│ │ │ │
│ Eğitim │ │ Doğrulama │
│ Seti │ │ Seti │
│ (70%) │ │ (15%) │
│ │ │ │
└─────────────┘ └─────────────┘
┌─────────────┐
│ │
│ Test │
│ Seti │
│ (15%) │
│ │
└─────────────┘
U-Net mimarisi, görseldeki her bir pikseli sınıflandırarak semantik segmentasyon gerçekleştiren encoder-decoder yapısında bir derin öğrenme modelidir. Bu projede güneş panellerini arka plandan ayırmak için ResNet50 tabanlı bir U-Net mimarisi kullanılmıştır.
┌──────────────┐ ┌──────────────┐
│ Giriş │ │ Çıkış │
│ (224x224x3) │ │ (224x224x1) │
└──────┬───────┘ └──────┬───────┘
│ │
▼ ▲
┌──────────────┐ ┌──────────────┐
│ ResNet50 │ │ Convolution │
│ Encoder │ │ (1x1, sigmoid)│
└──────┬───────┘ └──────┬───────┘
│ │
▼ ▲
┌──────────────────────────────────────┐ ┌──────────────┐
│ Skip Connections │ │ Upsampling │
│ 1. conv1_relu (128x128) │──┐ │ Block 4 │
│ 2. conv2_block3_out (64x64) │ │ │ (128x128) │
│ 3. conv3_block4_out (32x32) │ │ └──────┬───────┘
│ 4. conv4_block6_out (16x16) │ │ │
│ 5. conv5_block3_out (8x8) │ │ ▲
└──────────────────────────────────────┘ │ ┌──────────────┐
│ │ │ Upsampling │
▼ │ │ Block 3 │
┌──────────────┐ │ │ (64x64) │
│ Bottleneck │ │ └──────┬───────┘
│ (8x8) │ │ │
└──────┬───────┘ │ ▲
│ │ ┌──────────────┐
▼ └─────▶│ Upsampling │
┌──────────────┐ │ │ Block 2 │
│ Upsampling │ │ │ (32x32) │
│ Block 1 │ │ └──────┬───────┘
│ (16x16) │ │ │
└──────┬───────┘ │ ▲
│ └─────▶┌──────────────┐
└───────────────────────────────────┐ │ Upsampling │
└─────▶│ Block 1 │
│ (16x16) │
└──────────────┘
| Parametre | Değer |
|---|---|
| 📐 Mimari | ResNet50 encoder tabanlı U-Net |
| 📏 Giriş Boyutu | 224x224x3 (RGB görüntüler) |
| 📤 Çıkış | 224x224x1 (İkili segmentasyon maskesi) |
| ⚙️ Omurga | ResNet50 (önceden eğitilmiş, dondurulmuş) |
| 🔄 Optimizasyon | Adam optimizer (lr=0.001) |
| 📉 Loss Fonksiyonu | Binary Crossentropy |
| 📈 Metrikler | Accuracy, IoU (Intersection over Union) |
| 🔍 Performans | Accuracy: 73.04% |
Arıza tespit modeli, transfer öğrenme yaklaşımı ile güneş panellerindeki çeşitli arıza türlerini tespit etmek üzere EfficientNet-B0 mimarisi kullanılarak geliştirilmiştir. Bu modern CNN mimarisi, güneş paneli veri setine ince ayar yapılarak optimize edilmiştir.
┌──────────────┐ ┌──────────────┐ ┌──────────────┐
│ Giriş │ │ EfficientNet │ │ Global Avg │
│ (224x224x3) │─────▶│ B0 Omurga │─────▶│ Pooling │
└──────────────┘ │ (dondurulmuş)│ └──────┬───────┘
└──────────────┘ │
▼
┌──────────────┐
│ Dropout │
│ (0.2) │
└──────┬───────┘
│
▼
┌──────────────┐
│ Dense (6) │
│ Softmax │
└──────────────┘
| Parametre | Değer |
|---|---|
| 📐 Mimari | Transfer öğrenme ile ince ayar yapılmış EfficientNet-B0 |
| 📏 Giriş Boyutu | 224x224x3 (RGB görüntüler) |
| 📤 Çıkış | 6 sınıf olasılık değerleri (Softmax) |
| 🧮 Toplam Parametreler | 4,057,257 (15.48 MB) |
| 🛠️ Eğitilebilir | 7,686 (30.02 KB) |
| 🔒 Dondurulmuş | 4,049,571 (15.45 MB) |
| 🔄 Optimizasyon | Adam optimizer (lr=0.001) |
| 📉 Loss Fonksiyonu | Categorical Crossentropy |
| 📈 Doğruluk | %85.79 (Doğrulama seti) |
Epoch Accuracy Loss Val Accuracy Val Loss 1 0.6961 1.5740 0.7438 0.8177 2 0.7009 0.8629 0.7796 0.6685 3 0.7471 0.7267 0.7931 0.5975 4 0.7713 0.6625 0.8154 0.5455 5 0.7934 0.6019 0.8255 0.5150 6 0.8084 0.5669 0.8333 0.4890 7 0.8060 0.5534 0.8490 0.4715 8 0.8092 0.5302 0.8468 0.4533 9 0.8244 0.5135 0.8523 0.4446 10 0.8294 0.4910 0.8579 0.4263
Sınıf AUC Bird-drop 0.97 Clean 0.99 Dusty 0.97 Electrical-damage 0.99 Physical-Damage 0.99 Snow-Covered 1.00
Backend servisi, FastAPI kullanılarak geliştirilmiş modern ve yüksek performanslı bir API sunucusudur.
| Bileşen | Açıklama |
|---|---|
| 🔄 API Rotaları | /api/segmentation ve /api/classification endpoint'leri |
| 📦 Model Kaydı | Modellerin yüklenmesi ve işlenmesi için ModelRegistry sınıfı |
| 🔒 CORS Desteği | Cross-Origin kaynak paylaşımı için güvenlik yapılandırması |
| 📊 Veri İşleme | Görüntü ön işleme ve sonuç formatlanması |
| 📁 Statik Sunucu | Görüntü ve sonuçların statik dosya olarak sunulması |
Frontend uygulaması, React ve Vite kullanılarak geliştirilmiş, modern ve kullanıcı dostu bir arayüz sunar.
| Bileşen | Açıklama |
|---|---|
| 📷 Görüntü Yükleme | Sürükle-bırak ve dosya seçiciyi kullanabilirsiniz |
| 📊 Sonuç Gösterimi | Segmentasyon maskeleri ve arıza analizinin görselleştirilmesi |
| 📱 Responsive Tasarım | Tüm cihazlarda uyumlu kullanıcı deneyimi |
| 🔄 Gerçek Zamanlı | Anında sonuç gösterimi ve işleme durumu |
| 📦 Bileşen Mimarisi | Yeniden kullanılabilir ve bakımı kolay React bileşenleri |
- Python 3.8+
- Node.js 16+
- npm veya yarn
- CUDA 11.2+ (GPU kullanımı için, opsiyonel)
# Depoyu klonlayın
git clone https://github.com/Efe-Eroglu/solar-panel-segmentation-and-classification.git
cd solar-panel-segmentation-and-classification
# Sanal ortam oluşturun (isteğe bağlı)
python -m venv venv
source venv/bin/activate # Linux/Mac
venv\Scripts\activate # Windows
# Backend bağımlılıklarını yükleyin
cd Backend
pip install -r requirements.txt
# Uygulamayı çalıştırın
uvicorn app.main:app --reload# Frontend dizinine geçin
cd ../Frontend
# Bağımlılıkları yükleyin
npm install
# veya
yarn install
# Geliştirme sunucusunu başlatın
npm run dev
# veya
yarn dev
-
📤 Görüntü Yükleme:
- Web arayüzünden bir güneş paneli görüntüsü yükleyin
- Sürükle-bırak veya dosya seçiciyi kullanabilirsiniz
-
⚙️ İşleme:
- "İşle" düğmesine tıklayarak analizi başlatın
- İşleme durumu gerçek zamanlı olarak gösterilir
-
📊 Sonuçları Görüntüleme:
- Segmentasyon Sonuçları: Panel sınırları renkli maske ile gösterilir
- Arıza Tespiti: Tespit edilen arızalar ve konumları işaretlenir
- Arıza Analizi: Her bir arıza tipi ve güvenilirlik skorları tablo halinde sunulur
- Görsel Rapor: Sonuçları indirebilir veya paylaşabilirsiniz
POST /api/segment-image| Parametre | Tip | Gereklilik | Açıklama |
|---|---|---|---|
file |
file |
Zorunlu | Segmentasyon yapılacak görüntü dosyası (PNG, JPG, JPEG) |
{
"mask_base64": "iVBORw0KGgoAAAANSUhEUgAAAoAAAAHgCAYAAAA10dzkAABKTUlEQVR4nO3d...",
"description": "Panel üzerindeki hasarlı bölgeleri vurgulayan segmentasyon maskesi."
}Bu endpoint, yüklenen görüntüdeki güneş panellerini segmente eder ve maskeyi base64 formatında döndürür. Döndürülen maske görüntüsü, panellerin konumunu işaretlemek için kullanılabilir.
POST /api/predict-class| Parametre | Tip | Gereklilik | Açıklama |
|---|---|---|---|
file |
file |
Zorunlu | Sınıflandırılacak görüntü dosyası (PNG, JPG, JPEG) |
{
"predicted_class": "electrical-damage",
"confidence": 0.87,
"all_probabilities": {
"normal": 0.03,
"bird-drop": 0.02,
"dusty": 0.04,
"electrical-damage": 0.87,
"faulty": 0.03,
"snow-covered": 0.01
}
}Bu endpoint, yüklenen güneş paneli görüntüsünü sınıflandırarak panel durumunu tespit eder. Yanıt olarak tahmin edilen sınıf, güven skoru ve tüm sınıfların olasılık değerlerini döndürür.
Sınıflandırma kategorileri:
- normal: Normal durumdaki panel
- bird-drop: Kuş pisliği bulunan panel
- dusty: Tozlu panel
- electrical-damage: Elektriksel hasarlı panel
- faulty: Fiziksel hasarlı panel
- snow-covered: Kar kaplı panel
Bu projeye katkıda bulunmak istiyorsanız, aşağıdaki adımları izleyin:
- Projeyi forklayın
- Feature branch'i oluşturun (
git checkout -b feature/amazing-feature) - Değişikliklerinizi commit edin (
git commit -m 'Add some amazing feature') - Branch'inize push edin (
git push origin feature/amazing-feature) - Pull Request açın
- Kodunuzu açıklayıcı yorumlarla belgelendirin
- Yeni özellikler için birim testleri ekleyin
- Stil kılavuzlarına uyun (PEP8 Python için, ESLint React için)
- Commit mesajlarınızı açıklayıcı tutun
Bu proje MIT Lisansı altında lisanslanmıştır - detaylar için LICENSE dosyasına bakın.