Ürün Tanıtımı

Bir güneş çiftliği on binlerce ila birkaç milyon modül arasında barındırabilir. Günlerce sıcakta, rüzgarda, kumda, yağmurda ve karda kalırlar, bu yüzden her türlü rahatsızlığı toplamaları şaşırtıcı değildir. En yaygın ve aynı zamanda en tehlikeli olanı sıcak noktadır.

Sıcak nokta, bir modül üzerinde anormal derecede sıcak çalışan küçük bir yamadır. En iyi ihtimalle güç çıkışınızı azaltır. En kötü ihtimalle arka tabakayı yakarak yangına neden olur ve tüm tesisi riske atar. Sorun şu ki, modüller uç uca dizilmiştir. Ekipleri elde bir cihazla tek tek kontrol etmeye göndermek yavaştır ve birçok şeyi kaçırır. Bu nedenle, kızılötesi termografi ile derin öğrenmenin birleşimi ön plana çıkmıştır.

Bir kızılötesi kamerayı bir modüle doğrultun, sıcaklık dağılımını bir ısı haritası olarak yakalayın, ardından eğitilmiş bir sinir ağının bu haritayı sizin için okumasına ve nerenin sıcak olduğunu ve ne kadar sıcak olduğunu işaretlemesine izin verin. Kulağa basit geliyor. Ancak sahada gerçekten çalışmasını sağlamak başka bir hikaye. Kızılötesi görüntüler, sıradan algoritmaları zorlayan üç doğal kusurla gelir: düşük çözünürlük, çok farklı kusur boyutları ve dağınık arka planlar.

SESPNet (Anlamsal İyileştirme ve Ölçek Algılama Ağı) adlı yeni bir yöntem, bu üç kusurun üzerine doğrudan gider. Rakamları sağlam: %92.1 ortalama hassasiyet, saniyede 62.4 kare ve avuç içi büyüklüğünde bir gömülü cihazda gerçek zamanlı çalışacak kadar küçük. Bu yazı, donuk gri bir kızılötesi kareden her sıcak noktayı nasıl çıkardığını açıklıyor.

Öncelikle, sıcak noktaların neden önemli olduğu. Bir PV modülü, seri bağlı birçok hücreden oluşur. Bir hücre gölgelenme, mikro çatlak veya kir nedeniyle çıkışını kaybederse, akım sağlamayı durdurur ve bir direnç gibi davranarak diğer hücrelerden gelen akımı ısıya dönüştürüp kendi içinde yakar. Bu tek hücre, tüm dizi için ısı kaynağı haline gelir ve komşularından onlarca derece daha sıcak çalışır. Hafif vakalar dizinin çıkışını düşürür. Şiddetli olanlar zamanla kapsülantı pişirir, arka tabakayı yakar ve hatta tutuşmaya neden olabilir. Sıcak noktaları erken bulmak ve hızlıca müdahale etmek, PV operasyonlarının kaçınamayacağı bir iştir.

Şekil 1: Bir çatıya monte edilmiş, yıllarca dış ortama maruz kalan ve yerel sıcaklık artışlarının sıcak noktalar oluşturduğu güneş kolektör modülleri.

Şekil 2: PV modül kusurları için kızılötesi termal tespitin beş adımlı iş akışı: sıcaklık yakalamadan hatalı paneli belirlemeye kadar.

Teknik Parametreler

Sıcak Nokta Tespiti İçin Kızılötesi Neden Bir Zorunluluktur

Bu algoritmayı anlamak için temellerle başlayın: görünür ışık kamerasının neden gizli PV arızaları için yeterli olmadığı ve kızılötesinin neden tek yol olduğu.

Görünür ışık görüntüleme sıradan fotoğrafçılıktır. Yüksek çözünürlük, zengin detay, yüzeydeki çatlakları, çizikleri ve kiri tespit etmek için iyidir, görebildiğiniz türden şeyler. Ancak ölümcül bir sınırı vardır: yalnızca görünüşü okur, sıcaklığı değil. Bir modülün içindeki mikro çatlak veya soğuk lehim bağlantısı genellikle erken aşamada görünümünü değiştirmez, ancak o noktada akımı bloke eder ve ısıtır. Görünür ışık kameraları bu termal arızalara karşı çaresizdir ve gece veya zayıf ışıkta işe yaramazlar.

Kızılötesi farklı bir yol izler. Mutlak sıfırın üzerindeki herhangi bir nesne kızılötesi yayar ve ne kadar sıcaksa radyasyon o kadar güçlüdür. Bir kızılötesi kamera bu radyasyonu yakalar ve görünmez sıcaklık dağılımını doğrudan renkli veya gri tonlamalı bir ısı haritasına dönüştürür. Harici ışığa ihtiyaç duymaz, bu nedenle gece gündüz çalışır. Bir modülün nerede sıcak olduğu ve ne kadar sıcak olduğu net bir şekilde görünür. Sıcak noktalar ve kırık grid hatları gibi ısı kaynaklı kusurlar için kızılötesi doğal çözümdür.

Bu nedenle kızılötesi, PV santrallerinde kusur tespitinin hem doğruluğunu hem de hızını artırmanın anahtar yolu haline gelmiştir. Kızılötesi kameralı bir drone, tüm bir diziyi birkaç dakikada tarayabilir, bu manuel bir ekibin onlarca katı hızlıdır. Ancak ısıyı görme yeteneği bir bedelle gelir: görüntü kalitesi görünür ışıktan çok daha düşüktür.

The old manual method has workers carrying instruments and measuring panel by panel. It's slow and leans heavily on experience. With modules packed tight and counted in the thousands, reading them one at a time is exhausting, error-prone, and nearly impossible at night. The drone-plus-infrared combo maxes out the capture step, but if you still read those thousands of images by hand, the bottleneck just moves from measuring to looking. To close the loop you need an algorithm to read the images. That's the cue for deep learning.

Şekil 3: Tipik bir kızılötesi ısı haritası. Alan ne kadar sıcaksa rengi o kadar sıcak olur ve aşırı ısınmış bölge bir bakışta öne çıkar. Bu, sıcak nokta tespiti için ham malzemedir.

Şekil 4: Görünür ışık ve kızılötesi görüntüleme arasındaki iş bölümü. Termal arızalar için kızılötesi doğal çözümdür.

Kızılötesi Kusur Tespitinde Üç Zor Kemik

Kızılötesi ısıyı görebilir, ancak tespit algoritmalarına üç zor problem sunar. Bu üçü, birçok hazır algoritmanın PV kızılötesi çalışmalarında neden başarısız olduğunu tam olarak açıklar.

Bir: düşük kontrast. Kızılötesi kareler genel olarak donuk ve gridir. Kusur ve arka plan arasındaki gri ton farkı baştan küçüktür ve üstüne görüntüleme gürültüsü eklenince kusurlar arka plan tarafından yutulur. Algoritma temel özellikleri yakalayamaz, bu nedenle doğruluk düşer.

İki: büyük ölçüde değişen kusur boyutu. Tek bir kızılötesi kare içinde sıcak nokta boyutları onlarca kat farklılık gösterebilir. Bazıları geniş bir alana yayılmış tam bir bypass edilmiş dizi; diğerleri bir köşede hafifçe ısınan tek bir hücre. Sabit bir alıcı alan, ağın tek seferde net görebildiği aralık, böyle bir yayılım karşısında birini diğerine kaybetme eğilimindedir: büyük hedefi yakalarsanız küçüğü kaçırırsınız veya tam tersi.

Üç: küçük hedef bilgisi kaybolur. Bu en zor olanı. Sinir ağları katman katman alt örnekleme yaparak görüntüyü küçültür ve yüksek seviyeli anlam çıkarır. Ancak başlangıçta yalnızca onlarca piksel olan küçük sıcak noktalar, küçülürken yumuşatılır ve karar verildiğinde neredeyse hiçbir şey kalmaz, tanıma büyük darbe alır.

Üçünü bir araya getirin ve netleşir: PV kızılötesi kusur tespiti zordur çünkü aynı anda 'net görememe, boyutların her yerde olması, kolayca kaybolma' ile savaşmanız gerekir. SESPNet'in üç temel yükseltmesi bu kemiklerin her birini hedefler: biri anlambilimi artırarak arka planı bastırır, biri boyutları ele almak için bir piramit oluşturur, biri küçük hedefleri kurtarmak için kanalları korur.

Neden hazır bir dedektör almayalım? Nesne tespiti hızla ilerledi ve iki yola ayrılıyor. Biri iki aşamalı: önce kaba aday bölgeleri taranır, sonra her biri dikkatlice değerlendirilir, yüksek doğruluk ancak yavaş. Diğeri tek aşamalı: tek bakışta hem konum hem sınıf verilir, hızlı ve gerçek zamana uygun. YOLO serisi tek aşamalının amiral gemisidir. Ancak bu genel algoritmalar sıradan görünür ışık görüntüleri üzerinde eğitilmiştir ve düşük kontrastlı, aşırı ölçekli PV kızılötesi karelerine uygulandıklarında zorlanırlar. SESPNet'in yükseltmeleri bu üç boşluğu doldurur ve kızılötesi kusurlar için özel olarak tasarlanmıştır.

Şekil 5: Kızılötesi kusur tespitinin üç zorlu noktası: düşük kontrast, çoklu ölçekler ve küçük hedefler.

Şekil 6: Kamera taşıyan çok rotorlu bir drone, dizilim üzerinde uçarak toplu kızılötesi görüntüler alır, bir ekibin yarım günde tarayacağı alanı dakikalar içinde tarar.

Teknik Avantajlar

Adım Bir: Anlamsal İyileştirme, Kusurları Arka Plandan Ayırma

SESPNet, temel model olarak YOLOv10 üzerine inşa edilmiştir. YOLOv10, Mayıs 2024'te bir Tsinghua ekibi tarafından yayınlanan, hızlı, doğru ve dağıtıma uygun olacak şekilde tasarlanmış, günümüzün en popüler gerçek zamanlı dedektörlerinden biridir. SESPNet üzerinde üç işlem gerçekleştirir ve ilki, omurgaya bir Anlamsal Bilgi İyileştirme Modülü (SIEM) yerleştirir.

Çözdüğü şey düşük kontrast sorunudur. Kızılötesi kusur görüntülerinde zayıf kontrast, arka plan gürültüsünün modelin çıkardığı özelliklere müdahale etmesine izin vererek doğruluğu düşürür. SIEM aynı anda iki şekilde çalışır. Bir küresel dikkat dalı, tüm görüntünün genel anlamını alır, arka planın ne olduğunu ve bir kusuru gizliyor olabilecek şeyi belirler, böylece karmaşanın müdahalesi azaltılır. Bir yerel dikkat dalı, kusurun kendi ayrıntı ve dokusuna odaklanarak özellik ifadesini keskinleştirir.

Her dal kendi işine bakar, ardından küresel ve yerel ağırlıklandırılıp birleştirilir. Bunu, tüm çatının ana hatlarını seçmek ve karmaşayı elemek için gözlerini kısmak, ardından şüpheli bir lekeye bakmak için eğilmek gibi düşünün. Yakın ve uzak birleşir ve kusur donuk arka plandan çıkarılır. Birleştirilmiş özellikler, arka plan müdahalesini bastırırken kusurun ayrıntısını korur, böylece özellik ifadesi açıkça daha güçlüdür.

Getirisi daha sonraki ablasyon çalışmasında açıkça görülür: yalnızca SIEM ekleyin ve ortalama hassasiyet her üç hedef sınıfında da yükselir, karmaşık arka planlara direnmede gerçek kazanımlar elde edilir.

Omurga, modele ilk dokunan ve temel özellikleri çıkaran kısımdır. SIEM'i buraya koymak, kaynağında temizlik yapmak anlamına gelir: hiçbir şey iletilmeden önce, kusurun özellikleri zaten güçlendirilir ve arka plan gürültüsü bastırılır. Temiz bir kaynakla, sonraki ölçek işleme ve hedef lokalizasyonu karmaşa tarafından yanıltılmaz. Bu yüzden omurgada ve başka hiçbir yerde bulunur. Kirliliği erken tedavi edin.

Şekil 7: SIEM anlamsal iyileştirme modülünün çift dallı yapısı. Global dal, arka planı bastırmak için büyük resmi okur; yerel dal, kusuru güçlendirmek için detayı izler; ardından ikisi ağırlıklandırılır ve birleştirilir.

Şekil 8: Bir çatı üstü PV dizisi. Yoğun modül alanı, bir algılama algoritmasına girişim besleyen tam dağınık sahnedir.

İkinci Hamle: Piramit Havuzlama, Büyük ve Küçük Sıcak Noktaların İkisi de Odakta

İkinci değişiklik, YOLOv10'un orijinal uzamsal piramit havuzlama modülünü bir Uzay Dikkat Piramit Havuzlama Modülü (SAPPM) ile değiştirir. Değişen ölçek sorununu hedefler.

"Piramit havuzlama", aynı özellik haritasını aynı anda farklı boyutlarda birkaç pencereyle taramak olarak okunabilir. Küçük pencereler ince detayı görür, küçük sıcak noktalar için iyidir; büyük pencereler geniş alanı görür, büyük sıcak noktalar için iyidir. Çalışma, küçükten büyüğe birkaç havuzlama penceresini paralel olarak çalıştırır, böylece bir kusur birkaç satırı kaplasa veya sadece avuç içi büyüklüğünde bir leke olsa bile, doğru pencere onu yakalar.

Bunun üzerine SAPPM bir katman uzamsal dikkat ekler. Farklı pencerelerden gelen özelliklere farklı ağırlıklar atar, böylece gerçekten anahtar ölçek bilgisi ön planda tutulurken ilgisiz olan azaltılır, ardından bu çok ölçekli özellikler daha eksiksiz bir özellik haritasında birleştirilir. Kısacası, ilk kısım "her boyutu görme" işini halleder, ikinci kısım "görülmesi gerekeni vurgulama" işini halleder. Birlikte modelin çok ölçekli hedeflere duyarlılığını keskin bir şekilde artırırlar.

Bu, doğrudan eski birini kaybetme diğerini kazanma sorununu hafifletir. Sabit alıcı alanlı bir ağ, büyük hedefe dikkat ederken küçük hedefi kaybeder; SAPPM devredeyken, büyük ve küçük sıcak noktalar, boyut farkı ne kadar geniş olursa olsun, aynı geçişte net bir şekilde görülebilir.

Şekil 9: SAPPM çok ölçekli özellik piramit havuzlamasının bir taslağı, farklı boyutlardaki pencerelerle paralel tarama yapıp ardından uzamsal dikkat ağırlıklandırmasıyla birleştirme.

Şekil 10: Bir tesisin havadan çekimi. Dronlar farklı yüksekliklerde çekim yapar, bu da aynı kusurun görüntüde daha da çeşitli ölçeklerde görünmesine neden olur.

Üçüncü Hamle: Kanal Dikkati, Neredeyse Kaybolan Küçük Hedefleri Geri Yakalamak

Üçüncü değişiklik boyun ağına gelir ve çok ölçekli bir kanal dikkat mekanizması olan MCI'yi oluşturur. En zor sorunu, küçük hedef bilgi kaybını iyileştirir.

Önce kanallar hakkında bir söz. Bir ağ bir görüntüyü işlediğinde, özellikleri her biri görüntüyü farklı bir açıdan tanımlayan birçok paralel kanala ayırır. Küçük hedef özellikleri zaten zayıftır, bu kanallara dağılmıştır ve eğer her kanal kendisiyle ilgilenir ve hiçbir alışveriş olmazsa, bu değerli bilgi parçası katman katman aktarımda kolayca kaybolur.

MCI'nin yaklaşımı, kanallar arasında etkileşim kurarak birbirleriyle konuşmalarını sağlamaktır. Bir kanal hala küçük hedefin bir izini taşıyorsa, kanallar arası işbirliği onu güçlendirir ve korur. Bu, küçük ölçekli özellik bilgilerinin çıkarımını daha da güçlendirir ve alt örneklemede kaybolmak üzere olan küçük sıcak noktalar geri kazanılır.

Bu üç hamlenin ağdaki konumları da bilinçlidir. SIEM, omurga kaynağındaki özellikleri temizler, SAPPM omurganın sonunda çok ölçekli bilgileri toplar ve MCI, omurgayı algılama başlığına bağlayan boyunda son cilayı yapar. Ön, orta, arka; birlikte özelliklerin çıkarılması, toplanması ve çıktılanmasının tüm zincirini kapsarlar ve her adım, kızılötesi kusur için hedeflenmiş bir çözüm alır.

Üç hamlenin net rolleri vardır: SIEM kontrastı, SAPPM ölçeği, MCI küçük hedefleri ele alır. Yalnız savaşmazlar, bayrağı devrederler: önce kusuru arka plandan çıkar, sonra tüm boyutları kapsa, sonra kaçma olasılığı en yüksek olan küçük hedefi yakala. Bu kombinasyonla, kızılötesi kusur tespitinin en zor üç kemiği birer birer kırılır.

Şekil 11: Ölçeğe göre Büyük, Orta ve Mini olarak sıralanmış kızılötesi sıcak noktalar. Boyut farkı çok büyüktür ve en küçük sıcak noktaların gözden kaçması en kolaydır.

Şekil 12: Kızılötesi kamera tarafından yakalanan soluk bir hedef. Hedef ne kadar küçük ve loş olursa, işleme sırasında yumuşatılıp kaybolması o kadar kolaydır.

Ürün Uygulaması

Karnesi: %92,1 Doğruluk, Saniyede 62 Kare

Üç hamlenin etkisi verilere dayanır. Araştırmacılar kendi PV modülü kızılötesi kusur veri setini oluşturdu ve sıcak noktaları görüntüde kapladıkları piksel boyutuna göre üç sınıfa ayırdı: 64x64 piksel üzeri Büyük, 32x32 ile 64x64 arası Orta, 32x32 altı Mini. Tespitin iyi olup olmadığı sınıf sınıf, ölçek ölçek okunmalıdır.

Doğruluk iki metriğe dayanır. Biri geri çağırma, R, "bulunması gereken kusurlardan kaç tanesi geri kazanıldı" sorusunu yanıtlar. Diğeri ortalama ortalama hassasiyet, PmA, sınıflar arası tespit hassasiyetinin bir bileşkesidir, bir dedektörün en çok önemsediği toplam puandır. Saniyede işlenen kare cinsinden ölçülen tespit hızını ekleyin ve bu üç sayı bir algoritmanın tüm hikayesini anlatır.

Modül bazında ablasyonla başlayın. Temel YOLOv10 ile ortalama ortalama hassasiyeti %89,8'dir. Sadece SIEM ekleyin, %90,4'e; sadece SAPPM, %90,5'e; sadece MCI, %90,7'ye çıkar. Her hareket yardımcı olur. Üçünü birden, tam SESPNet'i ekleyin ve ortalama ortalama hassasiyet %92,1'e fırlar. Öne çıkan küçük hedeflerdir: temelin Mini hassasiyeti sadece %86,7'dir ve üçüyle birlikte %90,3'e yükselir, tam 3,6 puan, bu da MCI'nin küçük hedefleri geri kazanmadaki başarısını kanıtlar.

Şekil 13: Modül bazında ablasyon. Üç modül bir araya getirildiğinde, en zor küçük hedef hassasiyeti %86,7'den %90,3'e yükselir.

Şekil 14: Sonsuz büyüklükte bir zemine monte güneş santrali. Binlerce modülü, bu algoritmanın tek tek kontrol etmesi gereken şeydir.

Kafa Kafaya: Tek Sahne Üzerinde Dokuz Algoritma

Kendisiyle karşılaştırmak yeterli değil. Çalışma, SESPNet'i diğer sekiz ana akım algoritmayla aynı sahneye koyuyor, aynı veri kümesi üzerinde eğitiyor ve doğruluk ile hızı yan yana ölçüyor.

Sonuç kendini anlatıyor. Faster R-CNN ve Cascade R-CNN gibi klasik iki aşamalı algoritmalar sınırlı özellik çıkarmaya sahiptir ve yavaş çalışır, %86 ila %88 ortalama ortalama hassasiyete ulaşır, yüksek gerçek zamanlı performans gerektiren sahneler için uygun değildir. SSD en hızlısıdır ancak doğruluğu sadece %74,3'tür, açıkça düşüktür. YOLO serisi genel olarak daha dengelidir: YOLOv7'nin %88,1'inden YOLOX, YOLOv8, YOLOv10 ve YOLOv11'e kadar doğruluk %89 ila %90 aralığına yükselir ve hızlar saniyede elli ila altmış kare civarındadır.

SESPNet bu eğriyi daha da sağ üst köşeye iter: %92,1 ortalama ortalama hassasiyet, ikincinin yaklaşık 2 puan üzerinde ve saniyede 62,4 kare, YOLO hızlılarıyla tam uyum içinde. Doğruluğu artırmak için hızdan ödün vermez; başkalarının ulaşamadığı hızlı-ve-doğru sağ üst köşeyi tutar. En büyük değeri budur. Devasa modül sayılarının olduğu ve devriye gezerken değerlendirme yaptığınız bir sahnede, her bir yavaşlık maliyettir.

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

Bu iki satır, doğruluk metriklerinin temel tanımlarıdır. R (geri çağırma) gerçek kusurların ne kadarının tespit edildiğini ölçer, P (kesinlik) rapor edilen kusurların ne kadarının gerçek olduğunu ölçer ve PmA, sınıflar ve kesinlik seviyeleri arasında hesaplanan toplam puandır. Mantık karmaşık değildir: mümkün olduğunca az kaçırın (yüksek geri çağırma) ve mümkün olduğunca az yanlış alarm verin (yüksek kesinlik), her iki ucu da dengede tutun ve güvenilir bir dedektöre sahip olursunuz.

Şekil 15: Dokuz algoritmanın doğruluk-hız karşılaştırması. SESPNet, %92.1 doğruluk ve 62.4 FPS ile sağ üst köşede yer alıyor.

Şekil 16: Gömülü bir platformda gerçek dünya testi. En doğru SESPNet hala 12.6 FPS'de sabit kalıyor.

Avuç İçi Kadar Bir Kutuya Sıkıştırılmış ve Hala Gerçek Zamanlı

Laboratuvarda iyi çalışması, sahada kullanılabilir olduğu anlamına gelmez. PV santralleri çoğunlukla doğada bulunur ve denetim ekipmanları hesaplama ve güç açısından sınırlıdır. Algoritmanın düşük güçlü küçük bir kutuya sığıp gerçek zamanlı çalışabilmesi, gerçek dağıtım için son engeldir.

Araştırmacılar, doğrulamak için Jetson Nano adlı gömülü bir platforma taşıdı. İşlemcisi, hem hesaplama hem de güç açısından özel kartlı laboratuvar iş istasyonunun çok altında olan dört çekirdekli bir ARM yongası ve giriş seviyesi 128 çekirdekli GPU'dur. SESPNet aynı giriş boyutunda dağıtıldı ve ardından bu küçük kartta diğer algoritmalarla yarıştı.

Sonuç yine dengesini kanıtlıyor. Klasik iki aşamalı algoritmalar, gömülü ortamda gerçek renklerini gösteriyor: Faster R-CNN saniyede 1.9 kareye düşüyor, zar zor gerçek zamanlı; Cascade R-CNN sadece 3.7. YOLO serisi genellikle on bir veya on iki kare civarına düşerken, SESPNet en yüksek %92.1 doğruluğu korurken saniyede 12.6 kareyi tutuyor, hafif YOLO'larla yan yana, hatta biraz önde. Hesaplama ciddi şekilde kısıldığında bile doğru ve sabit kalıyor, tasarımın kaynak kısıtlı senaryolara ne kadar uygun olduğunu gösteriyor.

Bu, bu algoritma ile donatılmış bir drone veya taşınabilir denetçinin, görüntüleri buluta gönderip yavaşça işlemesine gerek kalmayacağı anlamına gelir. Anında, gerçek zamanlı olarak hangi panelde sıcak nokta olduğunu söyleyebilir. Hem denetim verimliliği hem de yanıt hızı bir adım daha yükselir.

Anında karar vermenin değeri, bir gidiş-dönüşten daha fazlasını kurtarmaktır. Hesaplamayı uç noktaya koymak, denetimin sinyalin zayıf olduğu uzak tesislerde hala çalışabilmesi anlamına gelir; şüpheli bir sıcak nokta tespit ederseniz, hemen işaretleyip onaylamak için tekrar uçabilirsiniz, verilerin geri dönmesini ve ikinci bir sortiden önce manuel inceleme yapılmasını beklemeniz gerekmez. Yüzlerce megawatt ile ölçülen ve milyonlarla sayılan modüllere sahip büyük tesisler için, bu yerinde gerçek zamanlı yetenek, tam bir denetimin saatler mi yoksa günler mi süreceğine doğrudan karar verir.

Kapanış: Her Aşırı Isınan Panel İçin Saklanacak Yer Kalmadı

Geriye dönüp baktığımızda, SESPNet'in zekası karmaşık bir yapı yığmaktan değil, doğru semptomları tedavi etmekten geliyor. Kızılötesi kontrast düşüktür, bu nedenle anlamsal iyileştirme arka planı bastırır. Kusur ölçeği karmaşıktır, bu nedenle piramit havuzlama tüm boyutları kapsar. Küçük hedefler kolayca kaybolur, bu nedenle kanal dikkati onları geri çeker. Her biri kendi görevine yönelik üç hamle ve sopayı devreder.

Daha nadir olan şey, doğruluk uğruna modeli şişirmemesidir. Birçok algoritma körü körüne yüksek doğruluk peşinde koşar, sonunda şişer, hızı düşürür ve gömülü bir cihaza bile sığmaz. SESPNet, doğrulukta zirve yaparken hızını korur ve büyük ölçüde azaltılmış hesaplama testinden geçer. Doğru, hızlı ve hafif olan bu denge, alanın en çok değer verdiği niteliktir. Bir teknolojinin iyi olup olmadığı, gerçek bir tesiste gerçek iş yapıp yapamayacağına bağlıdır.

%92.1 ortalama hassasiyet, saniyede 62.4 kare ve avuç içi büyüklüğünde bir kutuda gerçek zamanlı çalışacak kadar küçük. Bu üç sayı birlikte, gerçekten tesise inip çalışmaya başlayabilecek bir aracı tasvir ediyor. Bir zamanlar insan gözü için bile zor olan donuk gri bir kızılötesi görüntüyü, kusurların saklanacak yeri olmadığı bir sağlık raporuna dönüştürüyor.

Böyle bir algoritmayı taşıyan bir drone, mavi dizilerin olduğu tarlaların üzerinde süzüldüğünde, sessizce aşırı ısınan her panel ilk anda tespit edilir ve ele alınır. Gizli sıcak noktalar görünür hale gelir ve görünüşte küçük riskler söndürülür. Ayakta kalan şey, güneş ışığını uzun süre, güvenli ve tam yükte elektriğe dönüştüren bir tesistir.

Ooitech'in Görüşü

Burada bizi en çok etkileyen şey, tespit ve üretimin aynı güvenilirlik madalyonunun iki yüzü olmasıdır. Sahada işaretlenen bir sıcak nokta, genellikle hatta doğan bir mikro çatlağa veya soğuk lehim bağlantısına kadar uzanır; bu nedenle bir modül üretim hattında şerit kaynağı, yerleştirme hizalaması ve laminasyon kontrolü çok önemlidir. Bu adımları doğru yaparsanız, sahaya daha az sıcak nokta gönderirsiniz. Gerçek bir modül hattının nasıl kurulduğunu ve ayarlandığını görmek isterseniz, Ooitech YouTube kanalındaki fabrika turlarımız (www.youtube.com/ooitech) izlemeye ve abone olmaya değer.