Introduksyon ng Produkto

Ang isang solar farm ay maaaring maglaman ng sampu-sampung libo hanggang ilang milyong module. Araw-araw silang nakalantad sa init, hangin, buhangin, ulan at niyebe, kaya hindi nakakagulat na nakakakuha sila ng iba't ibang sakit. Ang pinakakaraniwan, at pinakamapanganib, ay ang hotspot.

Ang hotspot ay isang maliit na bahagi lamang sa isang module na sobrang init. Sa pinakamabuti, nababawasan nito ang iyong power output. Sa pinakamasama, nasusunog nito ang backsheet at nagdudulot ng apoy, na naglalagay sa buong planta sa panganib. Ang problema, ang mga module ay magkadikit-dikit. Ang pagpapadala ng mga tauhan upang suriin ang mga ito nang paisa-isa gamit ang handheld instrument ay mabagal at may mga hindi nahuhuli. Kaya't ang pagsasama ng infrared thermography at deep learning ay naging sentro ng atensyon.

Itutok ang isang infrared camera sa isang module, kunin ang pagkalat ng temperatura nito bilang heat map, pagkatapos ay hayaan ang isang sinanay na neural network na basahin ang mapa na iyon para sa iyo at markahan kung saan ito mainit at kung gaano kainit. Mukhang diretso. Ngunit ang pagpapatupad nito sa field ay ibang kuwento. Ang mga infrared na imahe ay may tatlong likas na depekto na pumipigil sa mga ordinaryong algorithm: mababang resolution, iba't ibang laki ng depekto, at magulong background.

Isang bagong pamamaraan na tinatawag na SESPNet (Semantic Enhancement and Scale Perception Network) ang direktang tumutugon sa tatlong depektong iyon. Ang mga numero nito ay matatag: 92.1% mean average precision, 62.4 frames per second, at sapat itong maliit upang tumakbo nang real-time sa isang palm-sized na embedded device. Ipinapaliwanag ng artikulong ito kung paano nito nahuhugot ang bawat hotspot mula sa isang mapurol na grey infrared frame.

Una, bakit mahalaga ang mga hotspot. Ang isang PV module ay maraming cell na naka-wire nang serye. Kung ang isang cell ay mawalan ng output dahil sa shading, micro-crack o dumi, ito ay hihinto sa pag-contribute ng current at magsisimulang kumilos na parang resistor, na ginagawang init ang current mula sa ibang mga cell at sinusunog ito sa loob mismo ng cell. Ang cell na iyon ay nagiging pinagmumulan ng init para sa buong string, na tumatakbo nang sampu-sampung degree na mas mainit kaysa sa mga kapitbahay nito. Ang mga banayad na kaso ay nagpapababa ng output ng string. Ang mga malalang kaso ay nagluluto ng encapsulant sa paglipas ng panahon, nasusunog ang backsheet, at maaari pang mag-apoy. Ang paghahanap ng mga hotspot nang maaga at pag-aayos ng mga ito nang mabilis ay isang trabaho na hindi maiiwasan ng PV operations.

Figure 1: Mga solar collector module na naka-mount sa rooftop, nakalantad sa labas sa loob ng maraming taon, kung saan ang mga localized temperature spike ay bumubuo ng mga hotspot.

Figure 2: Ang limang-hakbang na workflow ng infrared thermal detection para sa mga depekto ng PV module, mula sa pagkuha ng temperatura hanggang sa pagtukoy ng may sira na panel.

Mga Teknikal na Parameter

Bakit Kailangan ang Infrared para sa Hotspot Detection

Upang maunawaan ang algorithm na ito, magsimula sa mga pangunahing kaalaman: bakit hindi sapat ang visible-light camera para sa mga nakatagong PV fault, at bakit ang infrared lang ang paraan.

Ang visible-light imaging ay ordinaryong photography lamang. Mataas na resolution, mayamang detalye, maganda para sa pagtukoy ng mga crack, gasgas at dumi sa ibabaw, ang mga bagay na nakikita. Ngunit mayroon itong isang nakamamatay na limitasyon. Ito ay nagbabasa lamang ng hitsura, hindi ng temperatura. Ang isang micro-crack o cold solder joint sa loob ng isang module ay madalas na hindi nagbabago ng hitsura nito sa simula, gayunpaman hinaharangan nito ang current sa lugar na iyon at pinapainit ito. Ang mga visible-light camera ay walang magawa laban sa mga thermal fault na ito, at sa gabi o sa mahinang liwanag ay wala silang silbi.

Ang infrared ay ibang landas. Anumang bagay na higit sa absolute zero ay naglalabas ng infrared, at mas mainit ito, mas malakas ang radiation. Kinukuha ng infrared camera ang radiation na iyon at direktang ipinipinta ang invisible temperature spread sa isang color o greyscale heat map. Hindi ito nangangailangan ng panlabas na liwanag, kaya gumagana ito araw o gabi. Kung saan ang isang module ay mainit at kung gaano kainit ay malinaw na nakikita. Para sa mga depektong dulot ng init tulad ng mga hotspot at broken gridlines, ang infrared ang natural na lunas.

Iyon ang dahilan kung bakit ang infrared ay naging isang pangunahing paraan upang itaas ang parehong katumpakan at bilis ng pagtuklas ng depekto sa mga PV plant. Ang isang drone na may infrared camera ay maaaring mag-scan ng isang buong array sa loob ng ilang minuto, dose-dosenang beses na mas mabilis kaysa sa isang manual crew. Ngunit ang kakayahang makakita ng init ay may kapalit: ang kalidad ng imahe ay mas mababa kaysa sa visible light.

Ang lumang manu-manong paraan ay may mga manggagawa na nagdadala ng mga instrumento at sumusukat ng panel bawat panel. Ito ay mabagal at lubos na umaasa sa karanasan. Dahil ang mga module ay siksik at binibilang sa libu-libo, ang pagbabasa ng mga ito nang paisa-isa ay nakakapagod, madaling magkamali, at halos imposible sa gabi. Ang drone-plus-infrared combo ay pinapataas ang hakbang ng pagkuha, ngunit kung manu-mano mo pa ring babasahin ang libu-libong mga imaheng iyon, ang bottleneck ay lilipat lamang mula sa pagsukat patungo sa pagtingin. Upang maisara ang loop, kailangan mo ng algorithm para basahin ang mga imahe. Iyon ang senyales para sa deep learning.

Figure 3: Isang tipikal na infrared heat map. Kung mas mainit ang lugar, mas mainit ang kulay nito, at ang sobrang init na rehiyon ay agad na namumukod-tangi. Ito ang hilaw na materyal para sa hotspot detection.

Figure 4: Ang paghahati ng trabaho sa pagitan ng visible-light at infrared imaging. Para sa mga thermal fault, ang infrared ang natural na lunas.

Tatlong Mahirap na Buto sa Infrared Defect Detection

Ang infrared ay nakakakita ng init, ngunit nagbibigay ito sa detection algorithms ng tatlong mahihirap na problema. Ang tatlong ito ang eksaktong dahilan kung bakit maraming off-the-shelf algorithm ang nabibigo sa PV infrared work.

Una: mababang contrast. Ang mga infrared frame ay mapurol at kulay-abo sa pangkalahatan. Ang pagkakaiba ng greyscale sa pagitan ng defect at background ay maliit na sa simula, at ang imaging noise sa ibabaw nito ay nagpapalubog sa mga defect sa background. Hindi makuha ng algorithm ang mga pangunahing feature, kaya bumababa ang accuracy.

Ikalawa: lubhang nag-iiba-ibang laki ng defect. Sa loob ng isang infrared frame, ang laki ng hotspot ay maaaring magkaiba ng sampung beses. Ang ilan ay isang buong bypassed string na kumikinang sa isang malaking patch; ang iba ay isang cell lamang na umiinit nang bahagya sa isang sulok. Ang isang fixed receptive field, ang saklaw na malinaw na nakikita ng network sa isang pass, ay may posibilidad na mawala ang isa para sa isa laban sa ganoong spread: makuha ang malaking target at mawala ang maliit, o kabaliktaran.

Ikatlo: nawawala ang impormasyon ng maliit na target. Ito ang pinakamahirap. Ang mga neural network ay nagda-downsample layer by layer, pinapaliit ang imahe upang makuha ang high-level na kahulugan. Ngunit ang mga maliit na hotspot na ilang pixels lamang sa simula ay pinapakinis habang lumiliit, hanggang sa halos wala nang natitira sa oras na gumawa ng desisyon, at ang recognition ay lubhang naaapektuhan.

Pagsamahin ang tatlo at malinaw: mahirap ang PV infrared defect detection dahil kailangan mong labanan ang 'hindi makita nang malinaw, iba-iba ang laki, madaling mawala' nang sabay-sabay. Ang tatlong pangunahing upgrade ng SESPNet ay bawat isa ay tumutugon sa isa sa mga butong ito: ang isa ay nagpapalakas ng semantics upang pigilan ang background, ang isa ay gumagawa ng pyramid upang hawakan ang mga laki, ang isa ay nagbabantay sa mga channel upang mabawi ang mga maliit na target.

Bakit hindi na lang kumuha ng off-the-shelf detector? Mabilis ang pag-unlad ng object detection, at nahahati ito sa dalawang ruta. Ang isa ay two-stage: unang mag-screen ng mga kandidatong rehiyon, pagkatapos ay husgahan nang maingat ang bawat isa, mataas ang accuracy ngunit mabagal. Ang isa naman ay one-stage: isang tingin ay nagbibigay ng parehong lokasyon at klase, mabilis at angkop sa real time. Ang YOLO series ang flagship ng one-stage. Ngunit ang mga pangkalahatang algorithm na ito ay sinanay sa ordinaryong visible images, at kapag inilapat sa low-contrast, malawak na sukat na PV infrared frames, nahihirapan sila. Ang mga upgrade ng SESPNet ay pumupuno sa tatlong kakulangan na iyon, ginawa para sa infrared defects.

Figure 5: Ang tatlong mahihirap na buto ng infrared defect detection: low contrast, multiple scales, at small targets.

Figure 6: Isang multi-rotor drone na may dalang camera, lumilipad sa ibabaw ng array upang kumuha ng maraming infrared images sa isang iglap, tinatapos sa ilang minuto ang aabutin ng kalahating araw para sa isang crew.

Mga Teknikal na Bentahe

Unang Hakbang: Semantic Enhancement, Pag-angat ng mga Defect mula sa Background

Ang SESPNet ay binuo sa YOLOv10 bilang base model nito. Ang YOLOv10 ay isa sa pinakasikat na real-time detectors ngayon, inilabas ng isang team mula sa Tsinghua noong Mayo 2024, na ginawa upang maging mabilis, tumpak, at madaling i-deploy. Ang SESPNet ay nagsasagawa ng tatlong operasyon dito, at ang una ay naglalagay ng Semantic Information Enhancement Module, SIEM, sa backbone.

Ang nilulutas nito ay ang low-contrast problem. Ang mahinang contrast sa infrared defect images ay nagpapahintulot sa background noise na makagambala sa mga feature na kinukuha ng modelo, na nakakasira sa accuracy. Ang SIEM ay gumagana sa dalawang paraan nang sabay. Ang global attention branch ay kumukuha ng pangkalahatang kahulugan ng buong imahe, tinutukoy kung ano ang background at kung ano ang maaaring nagtatago ng defect, kaya nababawasan ang interference ng clutter. Ang local attention branch ay nakatuon sa sariling detalye at texture ng defect, pinapatalas ang feature expression nito.

Bawat branch ay nanonood ng sarili nitong bagay, pagkatapos ang global at local ay binibigyan ng timbang at pinagsasama. Isipin ito tulad ng pagpikit upang makita ang outline ng buong bubong at alisin ang clutter, pagkatapos ay sumandal upang titigan ang isang kahina-hinalang patch. Pinagsama ang malapit at malayo, at ang defect ay naaangat mula sa mapurol na background. Ang pinagsamang features ay nagpapanatili ng detalye ng defect habang pinipigilan ang background interference, kaya ang feature expression ay malinaw na mas malakas.

Ang resulta ay malinaw na ipinapakita sa ablation study mamaya: magdagdag lamang ng SIEM at ang mean precision ay tumataas sa lahat ng tatlong target classes, na may tunay na pakinabang sa paglaban sa mga kumplikadong background.

Ang backbone ay ang bahagi ng modelo na unang humahawak sa imahe at kumukuha ng mga pangunahing feature. Ang paglalagay ng SIEM dito ay nangangahulugang paglilinis sa pinagmulan: bago maipasa ang anuman, ang mga feature ng depekto ay pinalalakas na at ang ingay sa background ay pinipigilan na. Sa malinis na pinagmulan, ang paghawak sa scale at pag-target sa lokasyon ay hindi maliligaw ng kalat. Kaya ito nasa backbone at wala sa ibang lugar. Gamutin ang polusyon nang maaga.

Figure 7: Ang dual-branch na istraktura ng SIEM semantic-enhancement module. Ang global branch ay nagbabasa ng malaking larawan upang pigilan ang background, ang local branch ay nanonood ng detalye upang palakasin ang depekto, pagkatapos ang dalawa ay tinitimbang at pinagsasama.

Figure 8: Isang rooftop PV array. Ang siksik na field ng mga module ay eksaktong magulong eksena na nagpapakain ng interference sa detection algorithm.

Ikalawang Hakbang: Pyramid Pooling, Malaki at Maliit na Hotspot Parehong Nakatutok

Ang ikalawang pagbabago ay pinapalitan ang orihinal na spatial pyramid pooling module ng YOLOv10 ng Space Attention Pyramid Pooling Module, SAPPM. Ito ay tumutugon sa problema ng iba't ibang scale.

Ang "pyramid pooling" ay mababasa bilang pag-scan sa parehong feature map gamit ang ilang window na may iba't ibang laki nang sabay-sabay. Ang maliliit na window ay nakakakita ng pinong detalye, mabuti para sa maliliit na hotspot; ang malalaking window ay nakakakita ng malawak, mabuti para sa malalaking hotspot. Ang pag-aaral ay nagpapatakbo ng ilang pooling window mula maliit hanggang malaki nang magkakasabay, kaya kung ang depekto ay sumasakop ng ilang row o isang maliit na batik lang, ang tamang window ay makakahuli nito.

Dagdag pa rito, ang SAPPM ay nagdaragdag ng layer ng spatial attention. Nagtatalaga ito ng iba't ibang timbang sa mga feature mula sa iba't ibang window, kaya ang tunay na mahalagang impormasyon sa scale ay nananatiling nasa harapan at ang hindi nauugnay ay pinapahina, pagkatapos ay pinagsasama ang mga multi-scale feature na ito sa isang mas kumpletong feature map. Sa madaling salita, ang unang bahagi ay humahawak ng "pagkita sa bawat laki," ang ikalawang bahagi ay humahawak ng "pagpapatingkad ng dapat makita." Sama-sama, lubos nilang pinapalakas ang pakiramdam ng modelo sa multi-scale targets.

Ito ay direktang nagpapagaan sa lumang problema ng pagkawala ng isa para sa isa. Ang isang fixed-receptive-field network ay nawawala ang maliit na target habang inaalagaan ang malaki; sa SAPPM, ang malaki at maliit na hotspot ay parehong makikita nang malinaw sa parehong pass, gaano man kalawak ang agwat ng laki.

Figure 9: Isang sketch ng SAPPM multi-scale feature pyramid pooling, nag-scan nang magkakasabay gamit ang mga window na may iba't ibang laki pagkatapos ay pinagsasama ang mga ito gamit ang spatial attention weighting.

Figure 10: Isang aerial shot ng isang planta. Ang mga drone ay kumukuha sa iba't ibang taas, na ginagawang mas iba-iba ang scale ng parehong depekto sa imahe.

Ikatlong Hakbang: Channel Attention, Pagsalo sa mga Maliit na Target na Halos Nawala

Ang ikatlong pagbabago ay nasa neck network, na bumubuo ng multi-scale channel attention mechanism, MCI. Nilulutas nito ang pinakamahirap na problema, ang pagkawala ng impormasyon ng maliit na target.

Una, isang salita tungkol sa mga channel. Kapag pinoproseso ng isang network ang isang imahe, hinahati nito ang mga feature sa maraming parallel channel, bawat isa ay naglalarawan ng imahe mula sa ibang anggulo. Ang mga feature ng maliit na target ay mahina na, nakakalat sa mga channel na ito, at kung ang bawat channel ay nag-iisip lamang para sa sarili nito na walang palitan, ang mahalagang piraso ng impormasyon na iyon ay madaling malunod sa sunod-sunod na paglipat ng layer.

Ang diskarte ng MCI ay bumuo ng interaksyon sa pagitan ng mga channel, na nagpapahintulot sa kanila na mag-usap sa isa't isa. Saanman ang isang channel ay may bakas pa ng maliit na target, ang cross-channel cooperation ay nagpapalakas at nagpapanatili nito. Ito ay higit na nagpapalakas ng pagkuha ng maliit na scale feature information, at ang mga maliliit na hotspot na malapit nang mawala sa downsampling ay naisasabalik.

Kung saan inilalagay ang tatlong galaw na ito sa network ay sinadya rin. Nililinis ng SIEM ang mga feature sa backbone source, binubuod ng SAPPM ang multi-scale information sa dulo ng backbone, at ginagawa ng MCI ang huling polish sa neck na nag-uugnay ng backbone sa detection head. Harap, gitna, likod, magkasama nilang sinasaklaw ang buong chain ng pagkuha, pagbubuod at pag-output ng mga feature, at bawat hakbang ay nakakakuha ng naka-target na lunas para sa isang infrared-defect pain point.

Ang tatlong galaw ay may malinaw na tungkulin: SIEM ang humahawak ng contrast, SAPPM ang humahawak ng scale, MCI ang humahawak ng maliliit na target. Hindi sila lumalaban nang mag-isa kundi nagpapasa ng baton: unang iangat ang defect mula sa background, pagkatapos ay saklawin ang lahat ng laki, pagkatapos ay hulihin ang maliit na target na malamang na makatakas. Sa kombinasyong ito, ang tatlong pinakamahirap na buto ng infrared defect detection ay nahihiwa-hiwalay nang paisa-isa.

Figure 11: Infrared hotspots na inayos ayon sa scale sa Large, Middle at Mini. Malaki ang agwat ng laki, at ang pinakamaliit na hotspot ang pinakamadaling makaligtaan.

Figure 12: Isang mahinang target na nahuli ng infrared camera. Kung mas maliit at madilim ang target, mas madali itong ma-smooth out sa pagproseso.

Product Application

Ang Scorecard: 92.1% Accuracy, 62 Frames bawat Segundo

Ang epekto ng tatlong galaw ay bumababa sa datos. Binuo ng mga mananaliksik ang kanilang sariling PV module infrared defect dataset, na nag-label ng mga hotspot ayon sa pixel size na kanilang sinasakop sa imahe sa tatlong klase: higit sa 64x64 pixels ay Large, sa pagitan ng 32x32 at 64x64 ay Middle, mas mababa sa 32x32 ay Mini. Kung maganda ang detection ay kailangang basahin class by class, scale by scale.

Ang katumpakan ay nakasalalay sa dalawang sukatan. Ang isa ay recall, R, na sumasagot sa "sa mga depektong dapat matagpuan, ilan ang na-recover." Ang isa pa ay mean average precision, PmA, isang pinagsamang sukat ng detection precision sa mga klase, ang pinakamahalagang kabuuang marka para sa isang detector. Idagdag ang bilis ng detection, sinusukat sa frames na naproseso bawat segundo, at ang tatlong numerong iyon ay magkakasamang nagsasabi ng buong kwento ng isang algorithm.

Magsimula sa module-by-module ablation. Gamit ang stock YOLOv10 bilang baseline, ang mean average precision nito ay 89.8%. Idagdag ang SIEM lamang, umabot sa 90.4%; SAPPM lamang, 90.5%; MCI lamang, 90.7%. Bawat galaw ay nakatutulong. Pagsamahin ang tatlo, ang buong SESPNet, at ang mean average precision ay tumalon sa 92.1%. Ang pinakapansin ay ang maliliit na target: ang Mini precision ng baseline ay 86.7% lamang, at sa tatlo ay umakyat ito sa 90.3%, isang buong 3.6 puntos, na nagpapatunay sa gawain ng MCI sa pag-recover ng maliliit na target.

Figure 13: Ang module-by-module ablation. Sa pagsasama ng tatlong modules, ang pinakamahirap na small-target precision ay tumaas mula 86.7% hanggang 90.3%.

Figure 14: Isang walang katapusang malaking ground-mounted plant. Ang libu-libong modules nito ay eksaktong kailangang suriin isa-isa ng algorithm na ito.

Head to Head: Siyam na Algorithm sa Isang Yugto

Hindi sapat ang paghahambing sa sarili lamang. Inilalagay ng pag-aaral ang SESPNet sa parehong yugto kasama ang walong iba pang mainstream algorithm, sinasanay ang mga ito sa parehong dataset, at sinusukat ang katumpakan at bilis nang magkatabi.

Ang resulta ay nagsasalita para sa sarili nito. Ang mga klasikong two-stage algorithm tulad ng Faster R-CNN at Cascade R-CNN ay may limitadong feature extraction at mabagal, na umaabot sa 86% hanggang 88% mean average precision, hindi angkop para sa mga eksenang nangangailangan ng mataas na real-time performance. Ang SSD ang pinakamabilis ngunit ang katumpakan nito ay 74.3% lamang, malinaw na mababa. Ang YOLO series ay mas balanse sa pangkalahatan: mula sa YOLOv7 na 88.1%, hanggang YOLOX, YOLOv8, YOLOv10 at YOLOv11, ang katumpakan ay umakyat sa 89% hanggang 90% na hanay na may bilis na nasa paligid ng limampu hanggang animnapung frames bawat segundo.

Itinutulak ng SESPNet ang kurba na iyon patungo sa kanang itaas: 92.1% mean average precision, mga 2 puntos sa itaas ng runner-up, at 62.4 frames per second, kasabay ng mga YOLO speedsters. Hindi nito isinasakripisyo ang bilis para itaas ang katumpakan; hawak nito ang top-right spot ng mabilis-at-tumpak na hindi maabot ng iba. Iyon ang pinakamalaking halaga nito. Sa isang eksena ng napakaraming module kung saan naghuhusga ka habang nagpapatrol, bawat kaunting bagal ay gastos.

R = TP ÷ ( TP + FN ) · P = TP ÷ ( TP + FP )

Ang dalawang linyang iyon ay ang mga pangunahing depinisyon ng mga sukatan ng katumpakan. Sinusukat ng R (recall) ang bahagi ng mga tunay na depekto na natagpuan, sinusukat ng P (precision) kung ilan sa mga naiulat na depekto ang totoo, at ang PmA ay ang kabuuang iskor na kinakalkula sa mga klase at sa mga antas ng precision. Hindi kumplikado ang lohika: maliit na makaligtaan hangga't maaari (mataas na recall) at maliit na magkamali ng alarma hangga't maaari (mataas na precision), panatilihing balanse ang parehong dulo, at magkakaroon ka ng maaasahang detector.

Figure 15: Ang paghahambing ng katumpakan-bilis ng siyam na algorithm. Ang SESPNet ay nasa kanang-itaas na sulok na may 92.1% katumpakan at 62.4 FPS.

Figure 16: Isang real-world test sa isang embedded platform. Ang pinakatumpak na SESPNet ay nananatiling matatag sa 12.6 FPS.

Pinisil sa Isang Kahon na Kasinlaki ng Palad at Real Time Pa Rin

Ang mahusay na pagtakbo sa lab ay hindi nangangahulugang magagamit ito sa field. Ang mga PV plant ay kadalasang nasa labas, kung saan limitado ang compute at power ng inspection gear. Kung ang algorithm ay maaaring magkasya sa isang maliit na low-power box at tumakbo sa real time ay ang huling hadlang para sa tunay na deployment.

Inilipat ng mga mananaliksik ito sa isang embedded platform na tinatawag na Jetson Nano upang i-verify. Ang processor nito ay isang quad-core ARM chip na may kasamang entry-level na 128-core GPU, na mas mababa kaysa sa lab workstation na may dedicated card sa parehong compute at power. Ang SESPNet ay na-deploy sa parehong input scale, pagkatapos ay pinatakbo laban sa iba pang mga algorithm sa maliit na board na ito.

Ang resulta ay muling nagpapatunay ng balanse nito. Ang mga classic two-stage algorithm ay nagpapakita ng kanilang tunay na kulay sa embedded setting: ang Faster R-CNN ay bumaba sa 1.9 frames per second, halos hindi real time; ang Cascade R-CNN ay 3.7 lamang. Ang YOLO series ay karaniwang bumabagsak sa mga labing-isa o labindalawang frames, habang ang SESPNet ay humahawak ng 12.6 frames per second habang pinapanatili ang nangungunang 92.1% katumpakan, kasabay ng mga lightweight na YOLO, kahit na medyo nauuna. Kahit na pinutol ang compute, nananatiling tumpak at matatag ito, na nagpapakita kung gaano kahusay ang disenyo para sa resource-constrained na mga sitwasyon.

Ibig sabihin nito, ang isang drone o portable inspector na may ganitong algorithm ay hindi na kailangang magpadala ng mga imahe pabalik sa cloud para sa mabagal na pagproseso. Sa lugar, sa real time, masasabi nito kung aling panel ang may hotspot. Parehong tumataas ang inspection efficiency at response speed sa susunod na antas.

Ang halaga ng paghusga sa mabilisan ay higit pa sa pagtitipid ng isang round trip. Ang paglalagay ng compute sa edge ay nangangahulugang ang inspeksyon ay maaari pa ring tumakbo sa malalayong planta na may mahinang signal; makakita ng pinaghihinalaang hotspot at maaari mo itong markahan sa lugar at muling lumipad upang kumpirmahin agad, hindi na kailangang maghintay na bumalik ang data at manu-manong suriin bago ang pangalawang sortie. Para sa malalaking planta na sinusukat sa daan-daang megawatts na may mga module na binibilang sa milyun-milyon, ang on-site real-time na kakayahang ito ay direktang nagpapasya kung ang isang buong inspeksyon ay tatagal ng ilang oras o araw.

Pangwakas: Wala Nang Mapagtataguan ang Bawat Overheating na Panel

Sa pagbabalik-tanaw, ang katalinuhan ng SESPNet ay hindi sa pagtatambak ng ilang masalimuot na istraktura kundi sa paggamot sa tamang sintomas. Mababa ang infrared contrast, kaya pinipigilan ng semantic enhancement ang background. Magulo ang sukat ng depekto, kaya ang pyramid pooling ay sumasaklaw sa lahat ng laki. Madaling mawala ang maliliit na target, kaya ang channel attention ay nagbabalik sa kanila. Tatlong galaw, bawat isa ay may kanya-kanyang gawain, at nagpapasa ng baton.

Ang mas bihira ay hindi nito pinataba ang modelo para sa katumpakan. Maraming algorithm ang bulag na humahabol sa mataas na katumpakan, nauuwi sa pagiging bloated, bumabagal ang bilis, at hindi man lang kasya sa isang embedded device. Pinapanatili ng SESPNet ang bilis nito habang pinakamataas ang katumpakan, at nakaligtas ito sa pagsubok ng lubhang pinababang compute. Ang balanseng iyon ng tumpak, mabilis at magaan ay eksaktong kalidad na pinahahalagahan ng larangan. Kung maganda ba ang isang teknolohiya ay bumababa sa kung kaya ba nitong gumawa ng tunay na trabaho sa isang tunay na planta.

92.1% mean average precision, 62.4 frames per second, at sapat na maliit upang tumakbo nang real time sa isang kahon na kasya sa palad. Ang tatlong numerong iyon na magkasama ay naglalarawan ng isang tool na tunay na makakababa sa planta at makakapagtrabaho. Ginagawa nitong isang ulat sa kalusugan kung saan walang mapagtataguan ang mga depekto ang isang mapurol na kulay abong infrared na imahe, na minsan ay mahirap kahit para sa mata ng tao.

Kapag ang isang drone na may dalang algorithm na tulad nito ay lumilipad sa sunod-sunod na field ng mga asul na array, bawat tahimik na overheating na panel ay natutukoy at napapangasiwaan sa unang sandali. Ang mga nakatagong hotspot ay nagiging nakikita, at ang mga tila maliit na panganib ay napapawi. Ang nananatili ay eksaktong isang planta na nagpapalit ng sikat ng araw sa kuryente, mahaba, ligtas at sa buong karga.

Pananaw ng Ooitech

Ang pinakapumukaw sa amin dito ay kung paano ang detection at manufacturing ay dalawang panig ng parehong barya ng pagiging maaasahan. Ang isang hotspot na natukoy sa field ay madalas na nagmumula sa isang micro-crack o isang malamig na solder joint na isinilang sa linya, kaya naman ang stringer welding, layup alignment at lamination control ay napakahalaga sa isang module production line. Kung tama ang mga hakbang na iyon, mas kaunting hotspot ang mapupunta sa field sa simula pa lang. Kung gusto mong makita kung paano binuo at inaayos ang isang tunay na module line, ang aming factory walkthroughs sa Ooitech YouTube channel (www.youtube.com/ooitech) ay worth a look and a subscribe.