# Thermal Imaging para sa Solar Panels: Paano Nahuhuli ng SESPNet > Isang malapitang pagtingin sa SESPNet, isang semantic-enhancement at scale-perception network na umaabot sa 92.1% mAP sa 62.4 FPS upang mahuli kahit ang pinakamaliit na hotspot sa ![Thermal Imaging para sa Solar Panels: Paano Nahuhuli ng SESPNet](https://cdn.ooitech.com/static/upload/image/20260710/9c54660bb42822317e3f00006ca6ac72.webp) - ** 2025-09-10 - ** 277 Views - ** [Blog](./Blog.html) ## Thermal Imaging para sa Solar Panels: Paano Nahuhuli ng SESPNet **Mabilis na sagot:** Ipinapakita ng thermal imaging kung saan mainit ang isang solar module; hindi nito sinasabi kung bakit. Tinatalakay ng artikulong ito kung ano talaga ang ipinapahiwatig ng temperatura — ang hot spot ay sintomas ng kuryenteng pinipilit dumaan sa isang resistive path, at pagkatapos ay sinasaktan ng init ang encapsulant, ang backsheet, ang salamin at ang mga interconnect sa ganoong pagkakasunod-sunod. Ang SESPNet ang diagnostic approach na ginagamit dito upang ikonekta ang thermal signature pabalik sa electrical cause nito sa halip na ituring ang imahe bilang sagot. Ang tamang pag-interpret ng thermal scan ay nagbabago sa corrective action: ang cell-level hot spot ay tumutukoy sa bitak o nalilimlangan na cell, ang string-level naman ay sa bypass diode na nabigo nang bukas. Ang praktikal na halaga ay nasa pagbasa ng pattern bago maging permanente ang pinsala, dahil ang encapsulant degradation at backsheet charring ay hindi na naibabalik kapag nagsimula na. PV Module Manufacturing · ni Jerry, Ooitech ## Pagpapakilala ng Produkto Sinasabi sa iyo ng thermal imaging kung nasaan ang hot spot. Para sa kung ano talaga ang gastos ng temperatura na ipinapakita nito sa module sa paglipas ng panahon, tingnan ang [mga hot spot ng solar panel, bakit mahalaga ang temperatura at kung ano ang nasisira ng init](https://www.ooitech.com/why-do-bc-solar-cells-offer-better-shading-tolerance-and-lower-hot-spot-temperature.html). Ang isang solar farm ay maaaring maglaman ng kahit saan mula sampu-sampung libo hanggang ilang milyong module. Araw-araw silang nakabilad sa init, hangin, buhangin, ulan at niyebe, kaya hindi kataka-taka na nakakakuha sila ng lahat ng uri ng sakit. Ang pinakakaraniwan, at pinakamapanganib din, ay ang hotspot. Ang hotspot ay isang maliit na bahagi lamang sa isang module na hindi normal ang init. Sa pinakamabuti, kinakain nito ang iyong power output. Sa pinakamasama, sinusunog nito ang [backsheet](https://www.ooitech.com/Photovoltaic-Backsheet-The-Critical-Protective-Layer-for-Solar-Modules.html) at nagsisimula ng sunog, na inilalagay sa panganib ang buong planta. Ang problema, ang mga module ay magkakadikit nang husto. Ang pagpapadala ng mga crew upang suriin ang mga ito nang isa-isa gamit ang handheld instrument ay mabagal at nakakaligta ng mga bagay. Kaya ang pagpapares ng infrared thermography sa deep learning ay naitulak sa spotlight. Itutok ang infrared camera sa isang module, kunin ang temperature spread nito bilang heat map, pagkatapos ay hayaang basahin ito ng isang sinanay na neural network para sa iyo at markahan kung saan ito mainit at gaano kainit. Mukhang simple. Ngunit ang pagpapagana nito sa aktwal na field ay ibang kuwento. Ang mga infrared na imahe ay may tatlong built-in na depekto na nagpapagulo sa mga ordinaryong algorithm: mababang resolution, lubhang magkakaibang laki ng depekto, at magulong background. Isang bagong paraan na tinatawag na SESPNet (Semantic Enhancement and Scale Perception Network) ang direktang tumutugon sa tatlong depektong iyon. Matibay ang mga numero nito: 92.1% mean average precision, 62.4 frames per second, at sapat na maliit upang tumakbo nang real time sa isang palm-sized embedded device. Sinusuri ng pirasong ito kung paano nito hinuhugot ang bawat hotspot mula sa isang mapusyaw na kulay-abong infrared frame. Una, bakit mahalaga ang mga hotspot. Ang isang PV module ay binubuo ng maraming cell na konektado sa series. Kung ang isang cell ay nawalan ng output dahil sa lilim, micro-crack o dumi, hihinto ito sa pag-aambag ng kuryente at magsisimulang kumilos na parang resistor, ginagawang init ang kuryente mula sa ibang mga cell at sinusunog ito sa loob mismo nito. Ang isang cell na iyon ay nagiging pinagmumulan ng init para sa buong string, tumatakbo nang sampu-sampung degree na mas mainit kaysa sa mga katabi nito. Ang banayad na kaso ay hinihila pababa ang output ng string. Ang malubha ay niluluto ang [encapsulant](https://www.ooitech.com/EVA-POE-EPE-Encapsulant-Film-for-Solar-Panel-Manufacturing-Complete-Technical-Guide.html) sa paglipas ng panahon, sinusunog ang backsheet, at maaari pang magliyab. Ang maagang paghahanap ng mga hotspot at mabilis na pagtugon sa mga ito ay trabahong hindi maiiwasan ng PV operations. *Figure 1: Mga solar collector module na nakakabit sa bubong, nakabilad sa labas sa loob ng maraming taon, kung saan nabubuo ang mga localized temperature spike bilang 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 sira na panel.* ## Technical Parameters ### 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 infrared lamang ang paraan. Ang visible-light imaging ay ordinaryong photography lamang. Mataas ang resolution, mayaman sa detalye, mabuti para sa pagtukoy ng mga bitak, gasgas at dumi sa ibabaw, ang mga bagay na nakikita mo. Ngunit may isang nakamamatay na limitasyon. Binabasa lamang nito ang hitsura, hindi ang temperatura. Ang micro-crack o malamig na solder joint sa loob ng isang module ay kadalasang hindi nagbabago ang hitsura sa simula, ngunit hinaharang nito ang kuryente sa bahaging iyon at pinapainit ito. Ang mga visible-light camera ay walang magagawa laban sa mga thermal fault na ito, at sa gabi o sa mahinang liwanag ay walang silbi. Iba ang tinatahak ng infrared. Anumang bagay na mas mataas sa absolute zero ay naglalabas ng infrared, at habang mas mainit ito, mas malakas ang radiation. Kinukuha ng infrared camera ang radiation na iyon at direktang ipinipinta ang hindi nakikitang temperature spread sa isang color o greyscale heat map. Hindi ito nangangailangan ng panlabas na liwanag, kaya gumagana ito araw o gabi. Malinaw na makikita kung saan mainit ang isang module at gaano. Para sa mga heat-driven na depekto tulad ng hotspot at sirang gridline, ang infrared ang natural na lunas. Iyon ang dahilan kung bakit ang infrared ay naging pangunahing paraan upang itaas ang parehong katumpakan at bilis ng defect detection sa mga PV plant. Ang isang drone na may infrared camera ay maaaring mag-sweep ng buong array sa loob ng ilang minuto, dose-dosenang beses na mas mabilis kaysa sa manual crew. Ngunit ang kakayahang makita ang init ay may kapalit: ang kalidad ng imahe ay mas mababa kaysa sa visible light. Ang lumang manual na paraan ay may mga manggagawang may dalang instrumento at nagsusukat nang panel by panel. Mabagal ito at lubos na umaasa sa karanasan. Sa mga module na magkakadikit at binibilang sa libu-libo, ang pagbasa sa mga ito nang isa-isa ay nakakapagod, madaling magkamali, at halos imposible sa gabi. Ang drone-plus-infrared combo ay nagma-maximize sa capture step, ngunit kung mano-mano mo pa ring binabasa ang libu-libong imaheng iyon, lumilipat lang ang bottleneck mula sa pagsukat tungo sa pagtingin. Upang maisara ang loop, kailangan mo ng algorithm upang basahin ang mga imahe. Iyon ang senyas para sa deep learning. *Figure 3: Isang tipikal na infrared heat map. Habang mas mainit ang lugar, mas mainit ang kulay nito, at kitang-kita ang sobrang init na rehiyon sa isang sulyap. Ito ang raw material 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 Matigas na Buto sa Infrared Defect Detection Nakikita ng infrared ang init, ngunit binibigyan nito ang detection algorithm ng tatlong mahirap na problema. Ang tatlong ito ang eksaktong dahilan kung bakit maraming off-the-shelf algorithm ang nabibigo sa PV infrared work. Isa: mababang contrast. Ang mga infrared frame ay mapusyaw at kulay-abo sa kabuuan. Ang pagkakaiba ng greyscale sa pagitan ng depekto at background ay maliit pa lang sa simula, at ang imaging noise sa ibabaw nito ay nagpapahintulot sa mga depekto na lamunin ng background. Hindi makuha ng algorithm ang mga pangunahing feature, kaya nagdurusa ang katumpakan. Dalawa: lubhang nagbabago ang scale ng depekto. Sa loob ng isang infrared frame, ang mga laki ng hotspot ay maaaring magkaiba nang sampu-sampung beses. Ang iba ay buong bypassed string na kumikinang sa malaking bahagi; ang iba ay isang cell lamang na bahagyang umiinit sa isang sulok. Ang isang fixed receptive field, ang saklaw na malinaw na nakikita ng network sa isang pass, ay may tendensiyang mawalan ng isa para sa iba laban sa ganoong pagkakaiba: makuha ang malaking target at mawala ang maliit, o kabaliktaran. Tatlo: ang impormasyon ng maliliit na target ay nawawala. Ito ang pinakamahirap. Ang mga neural network ay nagda-downsample nang layer by layer, pinapaliit ang imahe upang makuha ang mataas na antas na kahulugan. Ngunit ang maliliit na hotspot na sampu-sampung pixel lamang sa simula ay napapawi habang lumiliit, hanggang sa halos wala nang natitira sa oras na magdesisyon, at malaki ang epekto sa pagkilala. Pagsamahin ang tatlo at malinaw: mahirap ang PV infrared defect detection dahil kailangan mong labanan ang "hindi malinaw, iba-iba ang laki, madaling mawala" nang sabay. Ang tatlong pangunahing upgrade ng SESPNet ay bawat isa ay tumutugon sa isa sa mga buto na ito: ang isa ay nagpapalakas ng semantika upang sugpuin ang background, ang isa ay bumubuo ng pyramid upang hawakan ang mga laki, ang isa ay nagbabantay sa mga channel upang mabawi ang maliliit 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: mag-rough-screen muna ng mga kandidatong rehiyon, pagkatapos ay husgahan ang bawat isa nang maingat, mataas ang katumpakan ngunit mabagal. Ang isa ay one-stage: isang tingin ay nagbibigay ng lokasyon at klase, mabilis at angkop sa real time. Ang seryeng YOLO ang flagship ng one-stage. Ngunit ang mga pangkalahatang algorithm na ito ay sinanay sa ordinaryong nakikitang mga imahe, at kapag inilagay sa mababang contrast, lubhang magkakaibang PV infrared frames, nahihirapan sila. Pinupunan ng mga upgrade ng SESPNet ang tatlong puwang na iyon, na ginawa mismo para sa infrared defects. *Figure 5: Ang tatlong matitigas na buto ng infrared defect detection: mababang contrast, maraming scale, at maliliit na target.* *Figure 6: Isang multi-rotor drone na may dalang camera, lumilipad sa ibabaw ng array upang kumuha ng infrared images nang maramihan, nagwawalis sa ilang minuto ang aabutin ng kalahating araw ng isang crew.* ## Mga Teknikal na Kalamangan ### Unang Hakbang: Semantic Enhancement, Paglutang ng Defects Mula sa Background Ang SESPNet ay nakabatay sa YOLOv10 bilang base model nito. Ang YOLOv10 ay isa sa pinakasikat na real-time detectors ngayon, inilabas ng isang Tsinghua team noong Mayo 2024, 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 problema sa mababang contrast. Ang mahinang contrast sa infrared defect images ay nagpapahintulot sa background noise na makagambala sa mga feature na kinukuha ng modelo, nakakasira sa katumpakan. 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 ang interference ng kalat ay nababawasan. Ang local attention branch ay nakatuon sa detalye at texture ng defect mismo, pinapatalas ang feature expression nito. Bawat branch ay nagmamasid sa sarili nitong bagay, pagkatapos ang global at local ay binibigyan ng timbang at pinagsama. Isipin ito na parang pumipikit upang makita ang buong balangkas ng bubong at maalis ang kalat, pagkatapos ay sumandal upang titigan ang isang kahina-hinalang bahagi. Malapit at malayo na pinagsama, at ang defect ay nailalabas mula sa maputlang background. Ang pinagsamang mga feature ay nagpapanatili ng detalye ng defect habang pinipigilan ang interference ng background, kaya ang feature expression ay malinaw na mas malakas. Ang resulta ay malinaw na makikita sa ablation study mamaya: idagdag lamang ang SIEM at ang mean precision ay tumataas sa lahat ng tatlong target classes, may tunay na pakinabang sa paglaban sa kumplikadong background. Ang backbone ay ang bahagi ng modelo na unang humahawak sa imahe at kumukuha ng mga base feature. Ang paglalagay ng SIEM dito ay nangangahulugan ng paglilinis sa pinagmulan: bago maipasa ang anuman, ang mga feature ng defect ay pinalakas na at ang background noise ay nasugpo na. Sa malinis na pinagmulan, ang kasunod na paghawak ng scale at target localization ay hindi maliligaw ng kalat. Iyon ang dahilan kung bakit ito nakaupo sa backbone at wala nang iba pa. Gamutin ang polusyon nang maaga. *Figure 7: Ang dual-branch structure ng SIEM semantic-enhancement module. Ang global branch ay nagbabasa ng malaking larawan upang sugpuin ang background, ang local branch ay nagmamasid sa detalye upang palakasin ang defect, pagkatapos ang dalawa ay binibigyan ng timbang at pinagsama.* *Figure 8: Isang rooftop PV array. Ang siksik na field ng mga module ay eksaktong magulong eksena na nagpapakain ng interference sa isang 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. Target nito ang problema sa 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. 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 parallel, kaya kung ang defect ay pumupuno ng ilang row o isang maliit na mantsa lamang, ang tamang window ay nakakahuli nito. Bukod dito, ang SAPPM ay nagdaragdag ng isang 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 ng scale ay pinapanatiling nasa harap at gitna habang ang hindi kaugnay ay binabawasan, pagkatapos ay pinagsama ang mga multi-scale feature na ito sa isang mas kumpletong feature map. Sa madaling salita, ang unang bahagi ay humahawak sa "pagkakita sa bawat laki," ang ikalawa ay humahawak sa "pag-highlight sa dapat makita." Sama-sama silang nagpapalakas nang husto sa kamalayan ng modelo sa multi-scale targets. Direktang nagpapagaan ito sa lumang problema ng pagkawala ng isa para sa isa pa. Ang network na may fixed receptive field ay ibinabagsak ang maliit na target habang inaalagaan ang malaki; sa pagkakaroon ng SAPPM, ang malaki at maliit na hotspot ay parehong malinaw na makikita sa parehong pass, gaano man kalawak ang agwat ng laki. *Figure 9: Isang sketch ng SAPPM multi-scale feature pyramid pooling, nag-scan nang parallel gamit ang mga window na may iba't ibang laki pagkatapos ay pinagsama ang mga ito gamit ang spatial attention weighting.* *Figure 10: Isang aerial shot ng isang plant. Ang mga drone ay kumukuha sa iba't ibang taas, ginagawang mas iba-iba ang scale ng parehong defect sa imahe.* ### Ikatlong Hakbang: Channel Attention, Pagsagip Pabalik sa Maliliit na Target na Halos Nawala Ang ikatlong pagbabago ay napupunta sa neck network, bumubuo ng multi-scale channel attention mechanism, MCI. Ginagamot nito ang pinakamahirap na problema, ang pagkawala ng impormasyon ng maliliit na target. Una, isang salita tungkol sa mga channel. Kapag ang network ay nagpoproseso ng imahe, hinahati nito ang mga feature sa maraming parallel channel, bawat isa ay naglalarawan sa imahe mula sa ibang anggulo. Ang mga feature ng maliliit na target ay mahina na, nakakalat sa mga channel na ito, at kung ang bawat channel ay nag-iisip lamang sa sarili nito nang walang palitan, ang mahalagang piraso ng impormasyon ay madaling malulunod sa layer-by-layer na paghahatid. Ang paraan ng MCI ay bumuo ng interaksyon sa pagitan ng mga channel, hinahayaan silang mag-usap. Saanman ang isang channel ay may bakas pa ng maliit na target, ang cross-channel cooperation ay nagpapalakas at nagpapanatili nito. Mas pinapalakas pa nito ang pagkuha ng impormasyon ng small-scale feature, at ang mga maliliit na hotspot na malapit nang mawala sa downsampling ay nasasagip pabalik. Kung saan nakaupo ang tatlong hakbang na ito sa network ay sinadya rin. Nililinis ng SIEM ang mga feature sa pinagmulan ng backbone, pinagsasama-sama ng SAPPM ang multi-scale na impormasyon sa dulo ng backbone, at ginagawa ng MCI ang huling pagpapakintab sa neck na nag-uugnay sa backbone sa detection head. Harap, gitna, likod, sama-sama 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 pain point ng infrared-defect. Ang tatlong hakbang ay may malinaw na mga tungkulin: ang SIEM ay humahawak ng contrast, ang SAPPM ay humahawak ng scale, ang MCI ay humahawak ng maliliit na target. Hindi sila lumalaban nang nag-iisa kundi nagpapasa ng baton: iangat muna ang depekto mula sa background, pagkatapos ay saklawin ang lahat ng laki, pagkatapos ay hulihin ang maliit na target na pinaka-malamang na makatakas. Sa kombinasyong ito, ang tatlong pinakamahirap na buto ng infrared defect detection ay isa-isang nabubuwag. *Figure 11: Mga infrared hotspot na pinagsunod-sunod ayon sa scale sa Large, Middle at Mini. Napakalaki ng agwat ng laki, at ang pinakamaliit na hotspot ang pinakamadaling mapalampas.* *Figure 12: Isang mahinang target na nahuli ng infrared camera. Habang mas maliit at mas madilim ang target, mas madali itong ma-smooth sa pagproseso.* ## Application ng Produkto ### Ang Scorecard: 92.1% Accuracy, 62 Frames kada Segundo Ang epekto ng tatlong hakbang ay bumababa sa datos. Ang mga mananaliksik ay gumawa ng kanilang sariling PV module infrared defect dataset, na nilalagyan ng label ang mga hotspot ayon sa pixel size na kanilang sinasakop sa larawan sa tatlong klase: higit sa 64x64 pixels ay Large, sa pagitan ng 32x32 at 64x64 ay Middle, wala pang 32x32 ay Mini. Kung maayos ang detection ay dapat basahin klase-klase, scale-scale. Ang accuracy ay nakasandal sa dalawang metric. Ang isa ay recall, R, na sumasagot sa "sa mga depektong dapat matagpuan, ilan ang nabawi." Ang isa pa ay mean average precision, PmA, isang average ng detection precision sa mga klase, ang kabuuang score na pinakapinapahalagahan ng isang detector. Idagdag ang bilis ng detection, na sinusukat sa frames na naproseso kada segundo, at ang tatlong numerong ito na magkasama ay nagsasabi ng buong kuwento ng isang algorithm. Simulan sa module-by-module ablation. Sa stock YOLOv10 bilang baseline, ang mean average precision nito ay 89.8%. Idagdag ang SIEM lamang, hanggang 90.4%; SAPPM lamang, 90.5%; MCI lamang, 90.7%. Bawat hakbang ay nakakatulong. Pagsamahin ang lahat ng tatlo, ang buong SESPNet, at ang mean average precision ay tumalon sa 92.1%. Ang namumukod-tangi ay ang maliliit na target: ang Mini precision ng baseline ay 86.7% lamang, at sa lahat ng tatlo ay umaakyat ito sa 90.3%, isang buong 3.6 puntos, na nagpapatunay sa trabaho ng MCI sa pagbawi ng maliliit na target. *Figure 13: Ang module-by-module ablation. Sa pagsasama ng tatlong module, ang pinakamahirap na small-target precision ay tumataas mula 86.7% hanggang 90.3%.* *Figure 14: Isang walang katapusang malaking ground-mounted plant. Ang libu-libo nitong module ay eksaktong kailangang suriin ng algorithm na ito isa-isa.* ### Head to Head: Siyam na Algorithm sa Isang Entablado Hindi sapat ang paghahambing sa sarili. Inilalagay ng pag-aaral ang SESPNet sa parehong entablado kasama ng walong iba pang mainstream algorithm, sinasanay ang mga ito sa parehong dataset, at sinusukat ang accuracy 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 tumakbo, na umaabot sa 86% hanggang 88% mean average precision, hindi angkop sa mga eksenang nangangailangan ng mataas na real-time performance. Ang SSD ang pinakamabilis ngunit ang accuracy nito ay 74.3% lamang, malinaw na mababa. Ang seryeng YOLO ay mas balanse sa pangkalahatan: mula sa 88.1% ng YOLOv7, sa pamamagitan ng YOLOX, YOLOv8, YOLOv10 at YOLOv11, ang accuracy ay umaakyat sa 89% hanggang 90% na saklaw na may bilis na humigit-kumulang limampu hanggang animnapung frames kada segundo. Itinutulak ng SESPNet ang kurba na iyon palayo sa kanang itaas: 92.1% mean average precision, mga 2 puntos sa itaas ng runner-up, at 62.4 frames kada segundo, kasabay ng mga YOLO speedster. Hindi nito isinasakripisyo ang bilis para iangat ang accuracy; hawak nito ang top-right spot ng mabilis-at-tumpak na hindi maabot ng iba. Iyon ang pinakamalaking halaga nito. Sa isang eksena ng napakalaking bilang ng module kung saan humahatol ka habang nagpapatrolya, bawat bahagyang kabagalan ay gastos. **R = TP ÷ ( TP + FN ) · P = TP ÷ ( TP + FP )** Ang dalawang linyang iyon ay ang base definitions ng accuracy metrics. Sinusukat ng R (recall) ang bahagi ng mga tunay na depektong nabawi, sinusukat ng P (precision) kung ilan sa mga iniulat na depekto ang tunay, at ang PmA ay ang kabuuang score na kinakalkula sa mga klase at sa mga antas ng precision. Hindi kumplikado ang lohika: pinakamababa ang palampasin (mataas na recall) at pinakamababa ang false-alarm (mataas na precision), panatilihing kontrolado ang dalawang dulo, at mayroon kang maaasahang detector. *Figure 15: Ang paghahambing ng accuracy-speed ng siyam na algorithm. Hawak ng SESPNet ang top-right corner na may 92.1% accuracy 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.* ### Siksik sa Isang Kahon na Kasinglaki ng Palad at Real Time Pa Rin Ang pagtakbo nang maayos sa lab ay hindi nangangahulugang magagamit ito sa field. Ang mga PV plant ay kadalasang nasa ilang, kung saan ang inspection gear ay limitado sa compute at power. Kung ang algorithm ay kasya sa isang mababang-kapangyarihang maliit na kahon at tumatakbo sa real time ay ang huling hadlang para sa tunay na deployment. Inilipat ito ng mga mananaliksik sa isang embedded platform na tinatawag na Jetson Nano upang i-verify. Ang processor nito ay isang quad-core ARM chip na ipinares sa isang entry-level na 128-core GPU, malayo sa lab workstation na may dedicated card nito sa parehong compute at power. Ang SESPNet ay na-deploy sa parehong input scale, pagkatapos ay nakipagkarera sa iba pang algorithm sa maliit na board na ito. Ang resulta ay muling nagpapatunay ng balanse nito. Ang mga klasikong two-stage algorithm ay nagpapakita ng tunay na kulay sa embedded setting: ang Faster R-CNN ay bumaba sa 1.9 frames kada segundo, halos hindi real time; ang Cascade R-CNN ay 3.7 lamang. Ang seryeng YOLO sa pangkalahatan ay bumaba sa mga labing-isa o labindalawang frames, habang ang SESPNet ay humahawak ng 12.6 frames kada segundo habang pinapanatili ang nangungunang 92.1% accuracy, kasabay ng mga lightweight YOLO, kahit medyo nauuna. Matinding nabawasan ang compute, nananatili itong tumpak at matatag, na nagpapakita kung gaano kahusay ang disenyo sa mga eksenang limitado ang resources. Nangangahulugan ito na ang isang drone o portable inspector na nilagyan ng algorithm na ito ay hindi na kailangang ipadala ang mga larawan pabalik sa cloud upang mabagal na iproseso. Sa lugar mismo, sa real time, masasabi nito kung aling panel ang may hotspot. Ang kahusayan ng inspection at bilis ng pagtugon ay umuusad pa ng isang hakbang. Ang halaga ng paghatol habang tumatakbo ay higit pa sa pagtitipid ng isang round trip. Ang paglalagay ng compute sa edge ay nangangahulugang ang inspection ay maaari pa ring tumakbo sa malalayong plant na mahina ang signal; makita ang isang pinaghihinalaang hotspot at maaari mo itong markahan sa lugar at agad na muling lumipad upang kumpirmahin, walang paghihintay na bumalik ang data at manu-manong review bago ang ikalawang sortie. Para sa malalaking plant na sinusukat sa daan-daang megawatt na may mga module na binibilang sa milyon-milyon, ang on-site real-time na kakayahang ito ay direktang nagpapasya kung ang isang buong inspection ay tatagal ng ilang oras o ilang araw. ### Pangwakas: Wala Nang Mapagtataguan ang Bawat Nag-o-overheat na Panel Sa pagbabalik-tanaw, ang katalinuhan ng SESPNet ay hindi sa pagtatambak ng ilang detalyadong istruktura kundi sa paggamot sa tamang sintomas. Mababa ang infrared contrast, kaya pinipigilan ng semantic enhancement ang background. Magulo ang defect scale, kaya sinasaklaw ng pyramid pooling ang lahat ng laki. Madaling mawala ang maliliit na target, kaya hinihila sila pabalik ng channel attention. Tatlong hakbang, bawat isa sa sariling gawain, at nagpapasa ng baton. Ang mas bihira ay hindi nito pinataba ang modelo para sa kapakanan ng katumpakan. Maraming algorithm ang bulag na hinahabol ang mataas na katumpakan, nauuwi sa pagiging bloated, pinapabagal ang bilis, at hindi man lang kasya sa isang embedded device. Pinapanatili ng SESPNet ang bilis nito habang nangunguna sa katumpakan, at nakayanan nito ang pagsubok ng matinding pagbawas sa compute. Ang balanseng iyon ng tumpak, mabilis at magaan ay eksaktong katangian na pinakamahalaga sa larangan. Kung ang isang teknolohiya ay mahusay ay nakasalalay sa kung ito ay makakagawa 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 kasinglaki ng palad. Ang tatlong numerong iyon na magkasama ay naglalarawan ng isang kasangkapan na tunay na makakababa sa planta at makakapagtrabaho. Ginagawa nitong health report ang isang mapurol na kulay abong infrared na imahe, na dating mahirap kahit sa mata ng tao, kung saan ang mga depekto ay walang matataguan. Kapag ang isang drone na may dalang algorithm na tulad nito ay nagwawalis sa bukid pagkatapos ng bukid ng asul na mga array, bawat tahimik na nag-o-overheat na panel ay natutukoy at naaayos sa unang sandali. Ang mga nakatagong hotspot ay nagiging nakikita, at ang tila maliliit na panganib ay napapatay. Ang nananatiling matibay ay eksaktong isang planta na ginagawang kuryente ang sikat ng araw, mahaba, ligtas at sa buong karga. ### Pananaw ng Ooitech Ang pinaka-nakapupukaw sa amin dito ay kung paano ang detection at manufacturing ay dalawang panig ng parehong barya ng pagiging maaasahan. Ang isang hotspot na na-flag sa bukid ay madalas na nagmumula sa isang micro-crack o cold solder joint na isinilang sa linya, kaya napakahalaga ng stringer welding, layup alignment at lamination control sa isang linya ng produksyon ng module. Gawin nang tama ang mga hakbang na iyon at mas kaunting hotspot ang ipapasok mo sa bukid sa simula pa lang. Kung gusto mong makita kung paano itinayo at ini-tune ang isang tunay na linya ng module, ang aming mga factory walkthrough sa Ooitech YouTube channel ([www.youtube.com/ooitech](http://www.youtube.com/ooitech)) ay sulit tingnan at i-subscribe. --- ##### Mga Tag : ![](/template/ooitech/assets/img/shape/06.png) ![](https://cdn.ooitech.com/runtime/image/w800_h700_fitblur_v2_w800_h700_fitblur_v2_1757399770541443.webp) ### Humiling ng Quote Lahat ng upload ay secure at kumpidensyal. ## Naghahatid kami ng expertise na maaasahan mo aming serbisyo Direct-from-Factory Equipment. ![](/template/ooitech/assets/img/icon/money-2.svg) ### Mga Kalamangan na Cost-Effective Naghahatid kami ng pambihirang halaga, pinalalaki ang mga resulta habang ino-optimize ang badyet para sa mga kliyente. ![](/template/ooitech/assets/img/icon/staff.svg) ### Ang Aming Experienced Team Ang aming mga bihasang propesyonal ay dalubhasa sa mga makabagong solusyon at mga pasadyang estratehiya. ![](/template/ooitech/assets/img/icon/certified.svg) ### 15+ Taon ng Karanasan sa Industriya Ang malalim na kadalubhasaan ay nagsisiguro ng maaasahan, may kamalayan sa uso, at napatunayang mga resulta para sa tagumpay. ![](https://cdn.ooitech.com/static/upload/image/20250910/1757477357667605.webp ) ![](https://cdn.ooitech.com/static/upload/image/20250910/1757477724911512.webp) ![](/template/ooitech/assets/img/shape/06.png) ## Ano ang Sinasabi ng Aming Kliyente Sabi tungkol sa amin Pinupuri ng mga testimonya ng kliyente ang aming malalim na pag-unawa sa kanilang mga hamon, na humahantong sa mga makabagong solusyon at matibay na ROI. Ang mga pangmatagalang pakikipagtulungan—ang ilan ay mahigit isang dekada—ay nagpapakita ng kanilang tiwala at kasiyahan. Ang kanilang mga kuwento ng tagumpay ay nagtutulak sa amin na patuloy na malampasan ang mga inaasahan. [Alamin Pa **](#quote-form) ![](/template/ooitech/assets/img/icon/quote.svg) Salamat sa Ooitech sa pagbibigay ng lubos na angkop na kagamitan sa eksperimento ng BC solar cell. ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1776426122864564.webp) ### KTECH ![](/template/ooitech/assets/img/icon/quote.svg) salamat sa propesyonal na suporta ng ooitech at sa on time na after service. ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1784509010217979.webp) ### Diarra Mula sa Africa ![](/template/ooitech/assets/img/icon/quote.svg) Salamat sa Ooitech sa pagbibigay ng ganap na awtomatikong kagamitan sa produksyon—napakahusay ng inyong pag-install at serbisyo pagkatapos ng benta. ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_2026041720921238.webp) ### Amjad ![](/template/ooitech/assets/img/icon/quote.svg) Isang lalaking may malaking puso. Maraming salamat sa iyong pagbisita Mr Wu. Maraming salamat sa mga serbisyong ibinigay sa pag-install ng kagamitan at pagsasanay sa aking mga estudyante. Ang pinakamabait na tao at propesyonal sa kanyang larangan ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_2026041716444445.webp) ### Jizzakh Polytechnic Institute ![](/template/ooitech/assets/img/icon/quote.svg) Maraming salamat muli sa napakalaking tulong para sa pagpapabuti at pag-aayos ng pabrika at pati na rin sa pagtuturo sa mga manggagawa kung paano gamitin ang mga makina ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1757479675272137.webp) ### Mark BIPV Philippines ## Aming Pinakabagong mga Produkto ![CHT9980A PV Safety Tester: 8kV, 0.001kV na Resolusyon](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_2026032763823477.jpg) - [** Rachael](./cht9980a-cht9981a-pv-safety-comprehensive-tester-solar-panel-hipot-insulation-ground-continuity-tester.html) - [** 83849](./cht9980a-cht9981a-pv-safety-comprehensive-tester-solar-panel-hipot-insulation-ground-continuity-tester.html) ### CHT9980A PV Safety Tester: 8kV, 0.001kV na Resolusyon Ang CHT9980A/CHT9981A PV Safety Comprehensive Tester ay isang high-performance 3-in-1 instrument na pinagsasama ang DC withstand voltage, insulation resistance ![AM050FH MBB Tabber Stringer: 6800 Strip/oras, ±0.05mm](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1774262936967131.webp) - [** ooitech](./am050fh-mbb-pv-cell-soldering-stringer-fully-automatic-solar-cell-tabber-stringer-machine-ooitech.html) - [** 56873](./am050fh-mbb-pv-cell-soldering-stringer-fully-automatic-solar-cell-tabber-stringer-machine-ooitech.html) ### AM050FH MBB Tabber Stringer: 6800 Strip/oras, ±0.05mm Automatic solar cell tabber stringer: Ang AM050FH ay naghihinang ng multi-busbar cells na may laser half-cut at 1/3-cut sa isang platform, para sa MBB at half-cut lines. ![SC-20D Dual-Laser na Makina sa Pagputol ng Solar Cell](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1773917787610971.webp) - [** ooitech](./SC-20D-Full-Automatic-Solar-Cell-Laser-Cutting-Machine-High-Precision-Wafer-Scribing-Equipment.html) - [** 51209](./SC-20D-Full-Automatic-Solar-Cell-Laser-Cutting-Machine-High-Precision-Wafer-Scribing-Equipment.html) ### SC-20D Dual-Laser na Makina sa Pagputol ng Solar Cell Ang SC-20D ay ang advanced na bersyon ng SC-20A, espesyal na dinisenyo para sa shingled solar cell production, na may dual laser heads at dalawang laser na gumagana ![KS-01C Junction Box Welding Machine: 16s na Siklo](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1774492507915923.webp) - [** Rachael](./junction-box-welding-machine-ks-01c-automatic-solar-panel-junction-box-soldering-equipment-ooitech.html) - [** 92407](./junction-box-welding-machine-ks-01c-automatic-solar-panel-junction-box-soldering-equipment-ooitech.html) ### KS-01C Junction Box Welding Machine: 16s na Siklo Ang Ooitech KS-01C Junction Box Welding Machine ay may tampok na automatic hot bar tin welding at high frequency welding na may CCD positioning accuracy na ±0.1mm. ![SL-1000 Pang-welding ng Back Contact Cell: 600 Cell/oras](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1774263750726273.webp) - [** Rachael](./sunpower-back-contact-cell-welding-machine-sl-1000-ibc-back-contact-solar-cell-stringer.html) - [** 45516](./sunpower-back-contact-cell-welding-machine-sl-1000-ibc-back-contact-solar-cell-stringer.html) ### SL-1000 Pang-welding ng Back Contact Cell: 600 Cell/oras Ang SUNPOWER Back Contact Cell Welding Machine SL-1000 ng Ooitech ay may electromagnetic welding, CCD+SCARA robot positioning, dual cell loading ![EVA Encapsulant Film: higit sa 80 N/cm Peel to Glass](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1774518543829873.webp) - [** ooitech](./EVA-POE-EPE-Encapsulant-Film-for-Solar-Panel-Manufacturing-Complete-Technical-Guide.html) - [** 89443](./EVA-POE-EPE-Encapsulant-Film-for-Solar-Panel-Manufacturing-Complete-Technical-Guide.html) ### EVA Encapsulant Film: higit sa 80 N/cm Peel to Glass EVA encapsulant film para sa mga solar module, kasama ang POE at EPE na mga opsyon: anti-PID, UV-resistant at compatible sa TOPCon at PERC lines, sa iyong kapal.