Güneş Panelleri İçin Termal Görüntüleme: SESPNet Kızılötesindeki Her Sıcak Noktayı Nasıl Yakalar

Ürün Tanıtımı

Bir güneş çiftliği on binlerce ila birkaç milyon modül arasında herhangi bir sayıda barındırabilir. Günlerce sıcakta, rüzgarda, kumda, yağmurda ve karda dışarıda kalırlar, bu yüzden her türlü rahatsızlığı kapmaları 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 yangın başlatır ve tüm tesisi riske atar. Sorun şu ki, modüller uç uca dizilmiştir. Ekipleri elde taşınan 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 nerede 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 yerleşik kusurla birlikte gelir: düşük çözünürlük, çok farklı kusur boyutları ve dağınık arka planlar.

SESPNet (Anlamsal İyileştirme ve Ölçek Algılama Ağı) adı verilen yeni bir yöntem, bu üç kusurun üzerine doğrudan gider. Rakamları sağlam: %92,1 ortalama hassasiyet, saniyede 62,4 kare ve avuç içi büyüklüğünde gömülü bir cihazda gerçek zamanlı çalışacak kadar küçük. Bu yazı, donuk gri bir kızılötesi kareden her sıcak noktayı nasıl çıkardığını açıklıyor.

İlk olarak, sıcak noktaların neden önemli olduğu. Bir PV modülü seri bağlı birçok hücreden oluşur. Gölgeleme, mikro çatlak veya kir nedeniyle bir hücre çıkışını kaybederse, akım sağlamayı durdurur ve bir direnç gibi davranarak diğer hücrelerden gelen akımı ısıya dönüştürür ve 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 kapsülleyiciyi pişirir, arka tabakayı yakar ve hatta tutuşmaya neden olabilir. Sıcak noktaları erken bulmak ve hızlı bir şekilde ele almak, PV operasyonlarının kaçınamayacağı bir iştir.

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

Şekil 2: PV modül kusurları için kızılötesi termal tespitin beş adımlı iş akışı: sıcaklığın yakalanmasından arızalı panelin belirlenmesine 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. Sadece 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 bir renkli veya gri tonlamalı ısı haritasına dönüştürür. Harici bir ışığa ihtiyaç duymaz, bu nedenle gece gündüz çalışır. Bir modülün nerede ve ne kadar sıcak olduğu net bir şekilde görülür. Sıcak noktalar ve kırık ızgara hatları gibi ısı kaynaklı kusurlar için kızılötesi doğal çözümdür.

Bu nedenle kızılötesi, PV santrallerinde kusur tespitinin hem doğruluğunu hem de hızını artırmak için önemli bir yöntem haline gelmiştir. Kızılötesi kameralı bir drone, tüm bir diziyi birkaç dakika içinde tarayabilir, bu manuel bir ekibin hızından onlarca kat daha hızlıdır. Ancak ısıyı görme yeteneğinin bir bedeli vardır: görüntü kalitesi görünür ışıktan çok daha düşüktür.

Eski manuel yöntemde işçiler aletler taşır ve panel panel ölçüm yapardı. Yavaştır ve büyük ölçüde deneyime dayanır. Modüller sıkışık ve binlerce sayıda olduğunda, tek tek okumak yorucudur, hataya açıktır ve gece neredeyse imkansızdır. Drone ve kızılötesi kombinasyonu yakalama adımını maksimize eder, ancak bu binlerce görüntüyü hala elle okuyorsanız, darboğaz sadece ölçümden bakmaya kayar. Döngüyü kapatmak için görüntüleri okuyacak bir algoritmaya ihtiyacınız vardır. İşte bu noktada derin öğrenme devreye girer.

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 Arıza Tespitinde Üç Zorlu Kemik

Kızılötesi ısıyı görebilir, ancak tespit algoritmalarına üç zor problem sunar. Bu üç problem, birçok hazır algoritmanın PV kızılötesi çalışmalarında başarısız olmasının tam nedenidir.

Bir: düşük kontrast. Kızılötesi kareler genel olarak donuk ve gridir. Arıza ile arka plan arasındaki gri ton farkı baştan küçüktür ve üzerine görüntüleme gürültüsü eklenince arızalar arka plan tarafından yutulur. Algoritma ana özellikleri yakalayamaz, bu nedenle doğruluk düşer.

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

Üç: küçük hedef bilgisi kaybolur. Bu en zor olanıdır. 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 açıktır: PV kızılötesi arıza tespiti zordur çünkü aynı anda 'net görememe, boyutların her yerde olması, kolayca kaybolma' ile savaşmanız gerekir. SESPNet'in üç temel iyileştirmesinin her biri bu kemiklerden birini hedefler: biri arka planı bastırmak için anlambilimi güçlendirir, biri boyutları yönetmek için bir piramit oluşturur, biri küçük hedefleri kurtarmak için kanalları korur.

Neden hazır bir dedektör almayalım? Nesne tespiti hızlı ilerledi ve iki yola ayrılıyor. Biri iki aşamalı: önce aday bölgeleri kabaca tarar, sonra her birini dikkatlice değerlendirir, yüksek doğruluk ancak yavaş. Diğeri tek aşamalı: tek bakışta hem konum hem sınıf verir, hızlı ve gerçek zamanlıya uygundur. YOLO serisi tek aşamalı amiral gemisidir. Ancak bu genel algoritmalar sıradan görünür görüntüler üzerinde eğitilir ve düşük kontrastlı, büyük ölçüde değişen PV kızılötesi karelere uygulandığında zorlanır. SESPNet'in iyileştirmeleri, kızılötesi arızalar için özel olarak bu üç boşluğu doldurur.

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

Şekil 6: Kamera taşıyan çok rotorlu bir drone, dizinin üzerinde uçarak toplu halde kızılötesi görüntüler alıyor; bir ekibin yarım günde tarayacağı alanı dakikalar içinde tarıyor.

Teknik Avantajlar

Adım Bir: Anlamsal İyileştirme, Arka Plandaki Kusurları Yüzdürme

SESPNet, temel model olarak YOLOv10 üzerine inşa edilmiştir. YOLOv10, Mayıs 2024'te bir Tsinghua ekibi tarafından yayınlanan, hızlı, doğru ve dağıtıma uygun olacak şekilde oluşturulmuş, 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 görüntülerindeki zayıf kontrast, arka plan gürültüsünün modelin çıkardığı özelliklere müdahale etmesine izin vererek doğruluğu düşürür. SIEM aynı anda iki şekilde çalışır. Küresel bir dikkat kolu, tüm görüntünün genel anlamını alır, arka planın ne olduğunu ve bir kusuru gizliyor olabilecek şeyi belirler, böylece karmaşanın müdahalesi bastırılır. Yerel bir dikkat kolu, kusurun kendi detayına ve dokusuna odaklanarak özellik ifadesini keskinleştirir.

Her kol kendi işine bakar, ardından küresel ve yerel ağırlıklandırılır ve birleştirilir. Bunu, tüm çatının ana hatlarını seçmek ve karmaşayı elemek için gözlerinizi kısmak, ardından şüpheli bir lekeye odaklanmak için eğilmek gibi düşünün. Yakın ve uzak birleştiğinde, kusur donuk arka plandan sıyrılır. Birleştirilmiş özellikler, arka plan girişimini bastırırken kusurun detayını korur, böylece özellik ifadesi açıkça daha güçlüdür.

Getirisi daha sonraki ablasyon çalışmasında açıkça görülür: yalnızca SIEM eklendiğinde, her üç hedef sınıfında da ortalama hassasiyet yükselir ve 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 güçlendirilmiş ve arka plan gürültüsü bastırılmıştır. Temiz bir kaynakla, sonraki ölçek işleme ve hedef yerelleştirme, karmaşa tarafından yanıltılmaz. Bu yüzden omurgada ve başka hiçbir yerde bulunur. Kirliliği erken tedavi edin.

Şekil 7: SIEM anlamsal iyileştirme modülünün çift dallı yapısı. Küresel 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 dağınık sahnenin ta kendisidir.

Adım İki: Piramit Havuzlama, Büyük ve Küçük Sıcak Noktaların İkisi de Odakta

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

"Piramit havuzlama", aynı özellik haritasını aynı anda farklı boyutlardaki birkaç pencereyle taramak olarak okunabilir. Küçük pencereler ince ayrıntıları 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 uzaysal dikkat katmanı ekler. Farklı pencerelerden gelen özelliklere farklı ağırlıklar atar, böylece gerçekten önemli olan ölçek bilgisi ön planda tutulurken ilgisiz olanlar azaltılır ve ardından bu çok ölçekli özellikler daha eksiksiz bir özellik haritasında birleştirilir. Kısacası, ilk kısım "her boyutu görmeyi", ikinci kısım ise "görülmesi gerekeni vurgulamayı" halleder. Birlikte, modelin çok ölçekli hedeflere duyarlılığını keskin bir şekilde artırırlar.

Bu, doğrudan eski birini kaybetme sorununu hafifletir. Sabit alıcı alanlı bir ağ, büyük hedefe odaklanırken 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 uzaysal dikkat ağırlıklandırmasıyla birleştirme.

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

Üçüncü Adım: Kanal Dikkati, Neredeyse Kaybolan Küçük Hedefleri Geri Getirme

Üçüncü değişiklik, boyun ağına (neck network) yerleşir ve çok ölçekli bir kanal dikkat mekanizması olan MCI'yı oluşturur. Bu, en zorlu sorun olan küçük hedef bilgi kaybını giderir.

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

MCI'nın 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 bilgisinin çıkarımını daha da güçlendirir ve alt örneklemede neredeyse kaybolacak olan küçük sıcak noktalar geri kazanılır.

Bu üç hamlenin ağ içindeki konumu 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 özellikleri çıkarma, toplama ve çıktılama zincirinin tamamını kapsarlar ve her adım, kızılötesi kusur tespitindeki bir sorun noktasına yönelik hedefli bir çözüm alır.

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

Şekil 11: Ölçeğe göre Büyük, Orta ve Mini olarak sınıflandırılmış 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 sönükse, 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 kurtarıldı' sorusunu yanıtlar. Diğeri ortalama ortalama hassasiyet, PmA, sınıflar arası tespit hassasiyetinin bir birleşimidir ve bir dedektörün en çok önemsediği toplam puandır. Buna saniyede işlenen kare cinsinden ölçülen tespit hızını ekleyin ve bu üç sayı bir algoritmanın tüm hikayesini anlatır.

Modül bazında ablasyonla başlayın. Stok YOLOv10 taban çizgisi olarak alındığında, ortalama ortalama hassasiyeti %89.8'dir. Sadece SIEM ekleyin, %90.4'e; sadece SAPPM, %90.5'e; sadece MCI, %90.7'ye çıkar. Her hamle yardımcı olur. Üçünü birden, tam SESPNet'i ekleyin ve ortalama ortalama hassasiyet %92.1'e fırlar. Öne çıkan küçük hedeflerdir: taban çizgisinin Mini hassasiyeti sadece %86.7 iken, üçüyle birlikte %90.3'e yükselir, tam 3.6 puan, bu da MCI'nin küçük hedefleri kurtarmadaki işini 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 tesis. Binlerce modülü, bu algoritmanın tek tek kontrol etmesi gereken şeylerdir.

Kafa Kafaya: Bir Sahnedeki Dokuz Algoritma

Kendisiyle karşılaştırmak yeterli değil. Çalışma, SESPNet'i diğer sekiz ana akım algoritmayla aynı sahneye koyuyor, aynı veri setinde 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 çıkarımına sahip ve yavaş çalışıyor, %86 ila %88 ortalama hassasiyetle kalıyor, yüksek gerçek zamanlı performans gerektiren sahneler için uygun değil. SSD en hızlısı ancak doğruluğu sadece %74,3, açıkça düşük. YOLO serisi genel olarak daha dengeli: YOLOv7'nin %88,1'inden YOLOX, YOLOv8, YOLOv10 ve YOLOv11'e doğru doğruluk %89 ila %90 aralığına yükseliyor ve hızlar saniyede elli ila altmış kare civarında.

SESPNet bu eğriyi daha da sağ üst köşeye itiyor: %92,1 ortalama hassasiyet, ikincinin yaklaşık 2 puan üzerinde ve saniyede 62,4 kare, YOLO hızlılarıyla aynı seviyede. Hızı feda ederek doğruluğu artırmıyor; başkalarının ulaşamadığı hızlı ve doğru sağ üst köşeyi tutuyor. En büyük değeri bu. Devasa modül sayılarının olduğu bir sahnede, devriye gezerken değerlendirme yaparken 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 bulunduğunu ölçer, P (kesinlik) rapor edilen kusurların ne kadarının gerçek olduğunu ölçer ve PmA, sınıflar ve hassasiyet seviyeleri arasında hesaplanan toplam puandır. Mantık karmaşık değil: mümkün olduğunca az kaçır (yüksek geri çağırma) ve mümkün olduğunca az yanlış alarm ver (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 köşeyi tutuyor.

Şekil 16: Gömülü bir platformda gerçek dünya testi. En doğru SESPNet bile 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 açık alandadır ve burada denetim ekipmanlarının işlem gücü ve enerjisi 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, giriş seviyesi 128 çekirdekli bir GPU ile eşleştirilmiş dört çekirdekli bir ARM yongasıdır; hem hesaplama hem de güç açısından özel kartına sahip laboratuvar iş istasyonunun çok altındadır. SESPNet aynı giriş ölçeğinde 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 ise sadece 3,7. YOLO serisi genellikle saniyede on bir veya on iki kareye düşerken, SESPNet en yüksek %92,1 doğruluğu koruyarak saniyede 12,6 kare tutuyor, hafif YOLO'ların hemen yanında, hatta biraz önde. Hesaplama ciddi şekilde kısıldığında bile doğru ve istikrarlı kalıyor ve tasarımın kaynak kısıtlı senaryolara ne kadar iyi uyduğunu gösteriyor.

Bu, bu algoritma ile donatılmış bir drone veya taşınabilir denetçinin, görüntüleri yavaşça işlemek için buluta geri göndermek zorunda kalmayacağı anlamına gelir. Yerinde, 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 tasarruf etmekten daha fazlasıdır. Hesaplamayı uçta yapmak, denetimin sinyalin zayıf olduğu uzak tesislerde bile çalışabileceği anlamına gelir; şüpheli bir sıcak nokta tespit edilirse, verilerin dönmesini ve ikinci bir sortiden önce manuel inceleme yapılmasını beklemeden, hemen işaretleyip doğrulamak için tekrar uçabilirsiniz. Yüzlerce megawatt ile ölçülen ve modül sayısı milyonlarla ifade edilen 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 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 da nadir olan, 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 ciddi şekilde kısılmış 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 kızılötesi görüntüyü, kusurların saklanacak yeri olmadığı bir sağlık raporuna dönüştürüyor.

Böyle bir algoritmayı taşıyan bir drone, mavi dizilerle dolu tarlaların üzerinde tarama yaptığında, sessizce aşırı ısınan her panel ilk anda tespit edilir ve ele alınır. Gizli sıcak noktalar görünür hale gelir ve görünüşte küçük riskler yok edilir. 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 parasının 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, yerleşim 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.