معرفی محصول

یک مزرعه خورشیدی می‌تواند از ده‌ها هزار تا چند میلیون ماژول داشته باشد. روز به روز در معرض گرما، باد، شن، باران و برف قرار می‌گیرند، بنابراین جای تعجب نیست که انواع عیوب را جمع کنند. رایج‌ترین و همچنین خطرناک‌ترین آنها، نقطه داغ است.

نقطه داغ فقط یک لکه کوچک روی یک ماژول است که به طور غیرعادی داغ می‌شود. در بهترین حالت، توان خروجی شما را کاهش می‌دهد. در بدترین حالت، از پشتیبان می‌سوزد و آتش‌سوزی ایجاد می‌کند و کل نیروگاه را به خطر می‌اندازد. مشکل این است که ماژول‌ها لبه به لبه چیده شده‌اند. فرستادن تیم‌ها برای بررسی تک‌تک آنها با یک دستگاه دستی کند است و مواردی را از دست می‌دهد. بنابراین ترکیب ترموگرافی مادون قرمز با یادگیری عمیق مورد توجه قرار گرفته است.

یک دوربین مادون قرمز را به سمت یک ماژول بگیرید، توزیع دمای آن را به عنوان یک نقشه حرارتی ثبت کنید، سپس اجازه دهید یک شبکه عصبی آموزش‌دیده آن نقشه را برای شما بخواند و مکان و میزان داغی را علامت‌گذاری کند. ساده به نظر می‌رسد. اما عملی کردن آن در میدان داستان دیگری است. تصاویر مادون قرمز دارای سه نقص ذاتی هستند که الگوریتم‌های معمولی را دچار مشکل می‌کنند: وضوح پایین، اندازه‌های عیب بسیار متفاوت، و پس‌زمینه‌های نامرتب.

یک روش جدید به نام SESPNet (شبکه تقویت معنایی و ادراک مقیاس) مستقیماً به سراغ این سه نقص می‌رود. اعداد آن محکم هستند: 92.1% میانگین دقت متوسط، 62.4 فریم بر ثانیه، و به اندازه‌ای کوچک است که می‌تواند در زمان واقعی روی یک دستگاه تعبیه‌شده به اندازه کف دست اجرا شود. این مقاله توضیح می‌دهد که چگونه هر نقطه داغ را از یک قاب مادون قرمز خاکستری کدر بیرون می‌کشد.

اول، چرا نقاط داغ اهمیت دارند. یک ماژول PV از سلول‌های زیادی تشکیل شده که به صورت سری به هم متصل شده‌اند. اگر یک سلول به دلیل سایه، ترک میکروسکوپی یا کثیفی خروجی خود را از دست بدهد، از مشارکت در جریان بازمی‌ایستد و مانند یک مقاومت عمل می‌کند، جریان سلول‌های دیگر را به گرما تبدیل کرده و درون خود می‌سوزاند. آن یک سلول به منبع گرمای کل رشته تبدیل می‌شود و ده‌ها درجه از همسایگان خود داغ‌تر می‌شود. موارد خفیف خروجی رشته را کاهش می‌دهند. موارد شدید به مرور زمان انکپسولانت را می‌پزند، پشتی را می‌سوزانند و حتی می‌توانند آتش بگیرند. یافتن زودهنگام نقاط داغ و برخورد سریع با آن‌ها وظیفه‌ای است که عملیات PV نمی‌تواند از آن اجتناب کند.

شکل 1: ماژول‌های کلکتور خورشیدی نصب شده روی پشت بام، که سال‌ها در معرض فضای باز قرار دارند، جایی که افزایش دمای موضعی نقاط داغ را تشکیل می‌دهد.

شکل 2: گردش کار پنج مرحله‌ای تشخیص حرارتی مادون قرمز برای عیوب ماژول PV، از ثبت دما تا شناسایی پنل معیوب.

پارامترهای فنی

چرا مادون قرمز برای تشخیص نقاط داغ ضروری است

برای درک این الگوریتم، با اصول اولیه شروع کنید: چرا دوربین نور مرئی برای عیوب پنهان PV کافی نیست و چرا مادون قرمز تنها راه است.

تصویربرداری نور مرئی فقط عکاسی معمولی است. وضوح بالا، جزئیات غنی، مناسب برای تشخیص ترک‌ها، خراش‌ها و کثیفی روی سطح، چیزهایی که قابل مشاهده هستند. اما یک محدودیت مهلک دارد. فقط ظاهر را می‌خواند، نه دما را. یک ترک میکروسکوپی یا اتصال لحیم سرد درون یک ماژول اغلب در مراحل اولیه ظاهر آن را تغییر نمی‌دهد، با این حال جریان را در آن نقطه مسدود کرده و آن را گرم می‌کند. دوربین‌های نور مرئی در برابر این عیوب حرارتی ناتوان هستند و در شب یا نور کم بی‌فایده هستند.

مادون قرمز مسیر متفاوتی را طی می‌کند. هر جسمی بالاتر از صفر مطلق، مادون قرمز ساطع می‌کند و هرچه داغ‌تر باشد، تابش قوی‌تر است. یک دوربین مادون قرمز آن تابش را گرفته و توزیع دمای نامرئی را مستقیماً روی یک نقشه حرارتی رنگی یا خاکستری ترسیم می‌کند. به نور خارجی نیاز ندارد، بنابراین شب و روز کار می‌کند. جایی که یک ماژول داغ است و میزان آن به وضوح نشان داده می‌شود. برای عیوب ناشی از گرما مانند نقاط داغ و خطوط شبکه شکسته، مادون قرمز درمان طبیعی است.

به همین دلیل مادون قرمز به یک روش کلیدی برای افزایش دقت و سرعت تشخیص عیوب در نیروگاه‌های PV تبدیل شده است. یک پهپاد با دوربین مادون قرمز می‌تواند یک آرایه کامل را در چند دقیقه اسکن کند، ده‌ها برابر سریع‌تر از یک تیم دستی. اما این توانایی دیدن گرما بهایی دارد: کیفیت تصویر بسیار پایین‌تر از نور مرئی است.

روش دستی قدیمی این است که کارگران ابزارها را حمل کرده و پنل به پنل اندازه‌گیری می‌کنند. این روش کند است و شدیداً به تجربه وابسته است. با ماژول‌هایی که فشرده چیده شده‌اند و تعدادشان به هزاران می‌رسد، خواندن یک‌به‌یک آن‌ها خسته‌کننده، مستعد خطا و در شب تقریباً غیرممکن است. ترکیب پهپاد و مادون قرمز مرحله جمع‌آوری را به حداکثر می‌رساند، اما اگر هنوز هم آن هزاران تصویر را به صورت دستی بخوانید، گلوگاه فقط از اندازه‌گیری به نگاه کردن منتقل می‌شود. برای بستن حلقه به یک الگوریتم برای خواندن تصاویر نیاز دارید. اینجاست که یادگیری عمیق وارد عمل می‌شود.

شکل 3: یک نقشه حرارتی مادون قرمز معمولی. هرچه ناحیه داغ‌تر باشد، رنگ آن گرم‌تر است و ناحیه بیش از حد گرم شده در یک نگاه خودنمایی می‌کند. این ماده خام برای تشخیص نقاط داغ است.

شکل 4: تقسیم کار بین تصویربرداری نور مرئی و مادون قرمز. برای عیوب حرارتی، مادون قرمز درمان طبیعی است.

سه استخوان سخت در تشخیص عیب مادون قرمز

مادون قرمز می‌تواند گرما را ببیند، اما سه مشکل سخت را به الگوریتم‌های تشخیص تحویل می‌دهد. این سه مشکل دقیقاً دلیل شکست بسیاری از الگوریتم‌های آماده در کار مادون قرمز PV هستند.

یک: کنتراست پایین. فریم‌های مادون قرمز به طور کلی کدر و خاکستری هستند. تفاوت سطح خاکستری بین عیب و پس‌زمینه از ابتدا کم است و نویز تصویربرداری نیز باعث می‌شود عیوب در پس‌زمینه بلعیده شوند. الگوریتم نمی‌تواند ویژگی‌های کلیدی را بگیرد، بنابراین دقت آسیب می‌بیند.

دو: مقیاس عیب به شدت متغیر. در یک فریم مادون قرمز، اندازه نقاط داغ می‌تواند ده‌ها برابر متفاوت باشد. برخی یک رشته بایپس شده کامل هستند که در یک ناحیه بزرگ می‌درخشند؛ برخی دیگر فقط یک سلول هستند که در یک گوشه کمی گرم می‌شوند. یک میدان دریافتی ثابت، یعنی محدوده‌ای که شبکه در یک گذر به وضوح می‌بیند، در برابر چنین پراکندگی‌ای تمایل دارد یکی را به قیمت دیگری از دست بدهد: هدف بزرگ را بگیرید و هدف کوچک را از دست بدهید، یا برعکس.

سه: اطلاعات هدف کوچک گم می‌شود. این مشکل‌ترین است. شبکه‌های عصبی لایه به لایه نمونه‌برداری پایین انجام می‌دهند و تصویر را کوچک می‌کنند تا معنای سطح بالا را استخراج کنند. اما نقاط داغ کوچک که در ابتدا فقط ده‌ها پیکسل بودند، با کوچک شدن محو می‌شوند تا جایی که تا زمان تصمیم‌گیری تقریباً چیزی باقی نمی‌ماند و تشخیص به شدت آسیب می‌بیند.

هر سه را کنار هم بگذارید و واضح است: تشخیص عیب مادون قرمز PV سخت است زیرا باید همزمان با «نمی‌توان به وضوح دید، اندازه‌ها همه جا هستند، به راحتی گم می‌شوند» مبارزه کنید. سه ارتقای اصلی SESPNet هر کدام یکی از این استخوان‌ها را هدف قرار می‌دهند: یکی معناشناسی را تقویت می‌کند تا پس‌زمینه را سرکوب کند، یکی یک هرم برای مدیریت اندازه‌ها می‌سازد، و یکی از کانال‌ها محافظت می‌کند تا اهداف کوچک را بازیابی کند.

چرا فقط یک آشکارساز آماده برنداریم؟ تشخیص اشیاء سریع پیشرفت کرده و به دو مسیر تقسیم می‌شود. یکی دو مرحله‌ای است: ابتدا نواحی کاندید را به صورت تقریبی غربال می‌کند، سپس هر کدام را با دقت بررسی می‌کند، دقت بالا اما کند. دیگری یک مرحله‌ای است: یک نگاه هم مکان و هم کلاس را می‌دهد، سریع و مناسب برای زمان واقعی. سری YOLO پرچمدار یک مرحله‌ای است. اما این الگوریتم‌های عمومی روی تصاویر مرئی معمولی آموزش دیده‌اند و روی فریم‌های مادون قرمز PV با کنتراست کم و مقیاس‌های وحشیانه، مشکل دارند. ارتقاهای SESPNet آن سه شکاف را پر می‌کند، مخصوص عیوب مادون قرمز ساخته شده است.

شکل 5: سه استخوان سخت تشخیص عیب مادون قرمز: کنتراست کم، مقیاس‌های متعدد، و اهداف کوچک.

شکل 6: یک پهپاد چند روتور حامل دوربین، در حال پرواز بر روی آرایه برای گرفتن تصاویر مادون قرمز به صورت عمده، در چند دقیقه چیزی را پوشش می‌دهد که یک تیم نیم روز طول می‌کشد.

مزایای فنی

حرکت اول: تقویت معنایی، شناور کردن عیوب از پس‌زمینه

SESPNet بر پایه YOLOv10 به عنوان مدل پایه ساخته شده است. YOLOv10 یکی از محبوب‌ترین آشکارسازهای بلادرنگ امروزی است که توسط تیمی از دانشگاه Tsinghua در می 2024 منتشر شده و برای سرعت، دقت و سهولت استقرار ساخته شده است. SESPNet سه عملیات روی آن انجام می‌دهد و اولین مورد، یک ماژول تقویت اطلاعات معنایی (SIEM) را در backbone جاسازی می‌کند.

آنچه حل می‌کند مشکل کنتراست کم است. کنتراست ضعیف در تصاویر عیب مادون قرمز باعث می‌شود نویز پس‌زمینه با ویژگی‌هایی که مدل استخراج می‌کند تداخل کند و دقت را کاهش دهد. SIEM به دو صورت همزمان کار می‌کند. یک شاخه توجه سراسری معنای کلی کل تصویر را دریافت می‌کند و تشخیص می‌دهد چه چیزی پس‌زمینه است و چه چیزی ممکن است عیب را پنهان کند، بنابراین تداخل شلوغی کاهش می‌یابد. یک شاخه توجه محلی بر جزئیات و بافت خود عیب تمرکز می‌کند و بیان ویژگی آن را تقویت می‌کند.

هر شاخه به چیز خود نگاه می‌کند، سپس سراسری و محلی وزن‌دهی و با هم ترکیب می‌شوند. مانند این است که چشمک بزنید تا خط کلی سقف را تشخیص دهید و شلوغی را حذف کنید، سپس خم شوید تا به یک لکه مشکوک خیره شوید. نزدیک و دور ترکیب می‌شوند و عیب از پس‌زمینه کدر بیرون کشیده می‌شود. ویژگی‌های ترکیبی جزئیات عیب را حفظ می‌کنند در حالی که تداخل پس‌زمینه را سرکوب می‌کنند، بنابراین بیان ویژگی به وضوح قوی‌تر است.

نتیجه به وضوح در مطالعه ablation بعداً نشان داده می‌شود: افزودن SIEM به تنهایی دقت متوسط را در هر سه کلاس هدف افزایش می‌دهد، با پیشرفت‌های واقعی در مقاومت در برابر پس‌زمینه‌های پیچیده.

بک‌بون بخشی از مدل است که ابتدا تصویر را لمس کرده و ویژگی‌های پایه را استخراج می‌کند. قرار دادن SIEM در اینجا به معنای پاک‌سازی در مبدأ است: قبل از اینکه چیزی منتقل شود، ویژگی‌های عیب تقویت شده و نویز پس‌زمینه سرکوب می‌شود. با یک منبع تمیز، مدیریت مقیاس بعدی و مکان‌یابی هدف توسط شلوغی گمراه نمی‌شوند. به همین دلیل است که در بک‌بون قرار دارد و نه جای دیگر. آلودگی را زود درمان کنید.

شکل 7: ساختار دو شاخه ماژول تقویت معنایی SIEM. شاخه جهانی تصویر بزرگ را می‌خواند تا پس‌زمینه را سرکوب کند، شاخه محلی جزئیات را تماشا می‌کند تا عیب را تقویت کند، سپس این دو وزن‌دهی و ترکیب می‌شوند.

شکل 8: یک آرایه PV روی پشت‌بام. میدان متراکم ماژول‌ها دقیقاً همان صحنه شلوغی است که به الگوریتم تشخیص تداخل می‌دهد.

حرکت دوم: تجمع هرمی، نقاط داغ بزرگ و کوچک هر دو در کانون توجه

تغییر دوم، ماژول تجمع هرمی فضایی اصلی YOLOv10 را با یک ماژول تجمع هرمی توجه فضایی (SAPPM) جایگزین می‌کند. این ماژول مشکل مقیاس‌های مختلف را هدف قرار می‌دهد.

"تجمع هرمی" را می‌توان به عنوان اسکن همزمان نقشه ویژگی یکسان با چندین پنجره با اندازه‌های مختلف تفسیر کرد. پنجره‌های کوچک جزئیات ریز را می‌بینند، برای نقاط داغ کوچک خوب هستند؛ پنجره‌های بزرگ نمای وسیعی دارند، برای نقاط داغ بزرگ خوب هستند. این مطالعه چندین پنجره تجمع از کوچک تا بزرگ را به صورت موازی اجرا می‌کند، بنابراین چه عیب چندین ردیف را پر کند و چه یک لکه به اندازه کف دست باشد، پنجره مناسب آن را می‌گیرد.

علاوه بر این، SAPPM یک لایه توجه فضایی اضافه می‌کند. این لایه وزن‌های متفاوتی به ویژگی‌های پنجره‌های مختلف اختصاص می‌دهد، بنابراین اطلاعات مقیاس واقعاً کلیدی در مرکز نگه داشته می‌شود و موارد نامرتبط کاهش می‌یابند، سپس این ویژگی‌های چندمقیاسی را به یک نقشه ویژگی کامل‌تر می‌دوزد. به طور خلاصه، بخش اول "دیدن هر اندازه" را مدیریت می‌کند، بخش دوم "برجسته کردن آنچه باید دیده شود" را مدیریت می‌کند. با هم، حس مدل را نسبت به اهداف چندمقیاسی به شدت افزایش می‌دهند.

این به طور مستقیم مشکل قدیمی از دست دادن یکی به نفع دیگری را کاهش می‌دهد. یک شبکه با میدان دید ثابت، هدف کوچک را هنگام توجه به هدف بزرگ از دست می‌دهد؛ با SAPPM، نقاط داغ بزرگ و کوچک هر دو می‌توانند در یک گذر به وضوح دیده شوند، صرف نظر از فاصله اندازه.

شکل 9: طرحی از تجمع هرمی ویژگی چندمقیاسی SAPPM، اسکن موازی با پنجره‌های با اندازه‌های مختلف و سپس دوختن آنها با وزن‌دهی توجه فضایی.

شکل 10: نمای هوایی از یک نیروگاه. پهپادها در ارتفاع‌های مختلف تصویربرداری می‌کنند و باعث می‌شوند همان عیب در تصویر در مقیاس‌های حتی متنوع‌تری ظاهر شود.

حرکت سوم: توجه کانالی، بازیابی اهداف کوچکی که تقریباً گم شده‌اند

تغییر سوم در شبکه گردن قرار می‌گیرد و یک مکانیسم توجه چندمقیاسی کانالی به نام MCI می‌سازد. این مکانیسم سخت‌ترین مشکل یعنی از دست دادن اطلاعات اهداف کوچک را درمان می‌کند.

ابتدا، نکته‌ای درباره کانال‌ها. وقتی یک شبکه تصویری را پردازش می‌کند، ویژگی‌ها را به کانال‌های موازی زیادی تقسیم می‌کند که هر کدام تصویر را از زاویه‌ای متفاوت توصیف می‌کنند. ویژگی‌های اهداف کوچک از قبل ضعیف هستند و در این کانال‌ها پراکنده‌اند، و اگر هر کانال فقط به خودش توجه کند و تبادلی نداشته باشد، آن اطلاعات ارزشمند به راحتی در انتقال لایه‌به‌لایه غرق می‌شود.

رویکرد MCI ایجاد تعامل بین کانال‌ها است تا آنها با یکدیگر ارتباط برقرار کنند. هر جا که یک کانال هنوز اثری از هدف کوچک دارد، همکاری بین‌کانالی آن را تقویت و حفظ می‌کند. این کار استخراج اطلاعات ویژگی‌های مقیاس کوچک را بیشتر تقویت می‌کند و آن نقاط داغ کوچکی که در نمونه‌برداری پایین‌رونده در حال ناپدید شدن بودند، بازیابی می‌شوند.

محل قرارگیری این سه تغییر در شبکه نیز عمدی است. SIEM ویژگی‌ها را در منبع ستون فقرات پاک‌سازی می‌کند، SAPPM اطلاعات چندمقیاسی را در انتهای ستون فقرات جمع‌بندی می‌کند، و MCI در گردن که ستون فقرات را به سر تشخیص متصل می‌کند، پرداخت نهایی را انجام می‌دهد. جلو، وسط، عقب، با هم زنجیره کامل استخراج، جمع‌بندی و خروجی ویژگی‌ها را پوشش می‌دهند و هر مرحله یک درمان هدفمند برای یک نقطه ضعف نقص مادون قرمز دریافت می‌کند.

سه تغییر نقش‌های مشخصی دارند: SIEM کنتراست را مدیریت می‌کند، SAPPM مقیاس را مدیریت می‌کند، MCI اهداف کوچک را مدیریت می‌کند. آنها به تنهایی نمی‌جنگند بلکه باتوم را رد می‌کنند: ابتدا نقص را از پس‌زمینه بیرون می‌کشند، سپس همه اندازه‌ها را پوشش می‌دهند، و سپس هدف کوچکی که بیشتر احتمال دارد فرار کند را می‌گیرند. با این ترکیب، سه استخوان سخت تشخیص نقص مادون قرمز یکی یکی شکسته می‌شوند.

شکل 11: نقاط داغ مادون قرمز بر اساس مقیاس به بزرگ، متوسط و کوچک دسته‌بندی شده‌اند. شکاف اندازه بسیار زیاد است و کوچک‌ترین نقاط داغ به راحتی از دست می‌روند.

شکل 12: یک هدف کم‌نور که توسط دوربین مادون قرمز گرفته شده است. هرچه هدف کوچک‌تر و کم‌نورتر باشد، در پردازش راحت‌تر صاف می‌شود.

کاربرد محصول

کارنامه: دقت 92.1٪، 62 فریم در ثانیه

اثر سه تغییر به داده‌ها برمی‌گردد. محققان مجموعه داده نقص مادون قرمز پنل خورشیدی خود را ساختند و نقاط داغ را بر اساس اندازه پیکسلی که در تصویر اشغال می‌کنند به سه کلاس برچسب‌گذاری کردند: بیش از 64x64 پیکسل بزرگ، بین 32x32 و 64x64 متوسط، و کمتر از 32x32 کوچک. خوب بودن تشخیص باید کلاس به کلاس و مقیاس به مقیاس خوانده شود.

دقت بر دو معیار استوار است. یکی یادآوری (R) است که به این سوال پاسخ می‌دهد "از عیوبی که باید پیدا شوند، چه تعداد بازیابی شده‌اند." دیگری میانگین دقت متوسط (PmA) است، ترکیبی از دقت تشخیص در کلاس‌ها، که مهم‌ترین نمره برای یک تشخیص‌دهنده است. سرعت تشخیص را هم اضافه کنید که بر حسب فریم در ثانیه اندازه‌گیری می‌شود، و این سه عدد با هم داستان کامل یک الگوریتم را روایت می‌کنند.

با حذف ماژول به ماژول شروع کنید. با YOLOv10 پایه به عنوان خط پایه، میانگین دقت متوسط آن 89.8% است. افزودن SIEM به تنهایی، آن را به 90.4% می‌رساند؛ SAPPM به تنهایی 90.5%؛ MCI به تنهایی 90.7%. هر حرکت کمک می‌کند. با ترکیب هر سه، یعنی SESPNet کامل، میانگین دقت متوسط به 92.1% می‌رسد. نکته برجسته اهداف کوچک است: دقت Mini خط پایه فقط 86.7% است و با هر سه به 90.3% می‌رسد، یعنی افزایش 3.6 درصدی کامل، که کار MCI را در بازیابی اهداف کوچک ثابت می‌کند.

شکل 13: حذف ماژول به ماژول. با ترکیب سه ماژول، دقت سخت‌ترین اهداف کوچک از 86.7% به 90.3% افزایش می‌یابد.

شکل 14: یک نیروگاه بزرگ زمینی بی‌پایان. هزاران ماژول آن دقیقاً همان چیزی است که این الگوریتم باید یکی یکی بررسی کند.

مقایسه رو در رو: نه الگوریتم روی یک صحنه

مقایسه با خودش کافی نیست. این مطالعه SESPNet را در کنار هشت الگوریتم اصلی دیگر روی صحنه می‌برد، آنها را روی یک مجموعه داده آموزش می‌دهد و دقت و سرعت را کنار هم اندازه‌گیری می‌کند.

نتیجه خود گویاست. الگوریتم‌های دو مرحله‌ای کلاسیک مانند Faster R-CNN و Cascade R-CNN استخراج ویژگی محدودی دارند و کند اجرا می‌شوند، با میانگین دقت متوسط 86% تا 88%، برای صحنه‌هایی که نیاز به عملکرد بلادرنگ بالا دارند مناسب نیستند. SSD سریع‌ترین است اما دقت آن فقط 74.3% است که واضحاً پایین است. سری YOLO به طور کلی متعادل‌تر است: از YOLOv7 با 88.1%، تا YOLOX، YOLOv8، YOLOv10 و YOLOv11، دقت به محدوده 89% تا 90% می‌رسد با سرعت‌هایی در حدود پنجاه تا شصت فریم در ثانیه.

SESPNet این منحنی را بیشتر به سمت بالا و راست می‌برد: میانگین دقت متوسط 92.1%، حدود 2% بالاتر از رتبه دوم، و 62.4 فریم در ثانیه، همگام با سریع‌ترین‌های YOLO. این الگوریتم برای افزایش دقت، سرعت را قربانی نمی‌کند؛ بلکه نقطه بالا-راست سریع و دقیق را که دیگران نمی‌توانند به آن برسند، حفظ می‌کند. این بزرگترین ارزش آن است. در صحنه‌ای با تعداد ماژول‌های عظیم که در حین گشت‌زنی قضاوت می‌کنید، هر مقدار کندی هزینه دارد.

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

این دو خط، تعاریف پایه معیارهای دقت هستند. R (بازیابی) سهم عیوب واقعی بازیابی‌شده را اندازه می‌گیرد، P (دقت) تعداد عیوب گزارش‌شده که واقعی هستند را اندازه می‌گیرد، و PmA نمره کل محاسبه‌شده در بین کلاس‌ها و سطوح دقت است. منطق پیچیده نیست: تا حد امکان کمترین عیب را از دست بدهید (بازیابی بالا) و تا حد امکان کمترین هشدار اشتباه بدهید (دقت بالا)، هر دو جنبه را کنترل کنید، و یک تشخیص‌دهنده قابل اعتماد خواهید داشت.

شکل 15: مقایسه دقت-سرعت نه الگوریتم. SESPNet با دقت 92.1% و 62.4 فریم در ثانیه در گوشه بالا-راست قرار دارد.

شکل 16: آزمایش واقعی روی یک پلتفرم تعبیه‌شده. دقیق‌ترین SESPNet همچنان با 12.6 فریم در ثانیه پایدار است.

فشرده شده در یک جعبه به اندازه کف دست و همچنان بلادرنگ

عملکرد خوب در آزمایشگاه به معنای قابل استفاده بودن در میدان نیست. نیروگاه‌های خورشیدی عمدتاً در طبیعت هستند، جایی که تجهیزات بازرسی از نظر محاسبات و توان محدود هستند. اینکه آیا الگوریتم می‌تواند در یک جعبه کوچک کم‌مصرف جا شود و به صورت بلادرنگ اجرا شود، آخرین مانع برای استقرار واقعی است.

محققان آن را به یک پلتفرم تعبیه‌شده به نام Jetson Nano منتقل کردند تا تأیید کنند. پردازنده آن یک تراشه ARM چهار هسته‌ای همراه با یک GPU 128 هسته‌ای سطح ابتدایی است، که از نظر محاسبات و توان بسیار پایین‌تر از ایستگاه کاری آزمایشگاهی با کارت گرافیک اختصاصی است. SESPNet با همان مقیاس ورودی مستقر شد و سپس با سایر الگوریتم‌ها روی این برد کوچک رقابت کرد.

نتیجه دوباره تعادل آن را ثابت می‌کند. الگوریتم‌های کلاسیک دو مرحله‌ای در محیط تعبیه‌شده ماهیت واقعی خود را نشان می‌دهند: Faster R-CNN به 1.9 فریم در ثانیه کاهش می‌یابد، به سختی بلادرنگ؛ Cascade R-CNN تنها 3.7. سری YOLO عموماً به حدود یازده یا دوازده فریم می‌رسد، در حالی که SESPNet با 12.6 فریم در ثانیه و حفظ دقت بالای 92.1%، در کنار YOLOهای سبک وزن، حتی کمی جلوتر، باقی می‌ماند. با کاهش شدید محاسبات، همچنان دقیق و پایدار است و نشان می‌دهد که طراحی چقدر با صحنه‌های محدود از نظر منابع سازگار است.

این بدان معناست که یک پهپاد یا بازرس قابل حمل مجهز به این الگوریتم نیازی به ارسال تصاویر به ابر برای پردازش آهسته ندارد. در محل، به صورت بلادرنگ، می‌تواند تشخیص دهد کدام پنل نقطه داغ دارد. هم کارایی بازرسی و هم سرعت پاسخگویی یک گام دیگر به جلو می‌رود.

ارزش قضاوت در لحظه بیش از صرفه‌جویی در یک رفت و برگشت است. قرار دادن محاسبات در لبه به این معنی است که بازرسی همچنان می‌تواند در کارخانه‌های دوردست با سیگنال ضعیف اجرا شود؛ یک نقطه داغ مشکوک را شناسایی کنید و می‌توانید در همان محل علامت‌گذاری کرده و دوباره پرواز کنید تا فوراً تأیید کنید، بدون نیاز به انتظار برای بازگشت داده‌ها و بررسی دستی قبل از یک سورتی دوم. برای کارخانه‌های بزرگ با اندازه‌گیری صدها مگاوات و ماژول‌هایی به تعداد میلیون‌ها، این قابلیت بلادرنگ در محل مستقیماً تعیین می‌کند که آیا یک بازرسی کامل ساعت‌ها یا روزها طول می‌کشد.

نتیجه‌گیری: جایی برای پنهان شدن برای هر پنل داغ وجود ندارد

با نگاهی به گذشته، هوشمندی SESPNet در انباشتن یک ساختار پیچیده نیست، بلکه در درمان علائم صحیح است. کنتراست مادون قرمز پایین است، بنابراین تقویت معنایی پس‌زمینه را سرکوب می‌کند. مقیاس عیب به هم ریخته است، بنابراین جمع‌آوری هرمی همه اندازه‌ها را پوشش می‌دهد. اهداف کوچک به راحتی گم می‌شوند، بنابراین توجه کانال آن‌ها را بازمی‌گرداند. سه حرکت، هر کدام برای وظیفه خود، و باتوم را رد می‌کنند.

چیزی که نادرتر است این است که مدل را برای دقت چاق نکرده است. بسیاری از الگوریتم‌ها کورکورانه دقت بالا را دنبال می‌کنند، در نهایت حجیم می‌شوند، سرعت را کاهش می‌دهند و حتی نمی‌توانند روی یک دستگاه تعبیه‌شده جا بگیرند. SESPNet سرعت خود را حفظ می‌کند در حالی که دقت را به حداکثر می‌رساند، و از آزمایش کاهش شدید محاسبات جان سالم به در برده است. این تعادل دقیق، سریع و سبک دقیقاً همان کیفیتی است که این حوزه بیش از همه ارزش قائل است. اینکه یک فناوری خوب است یا نه به این بستگی دارد که آیا می‌تواند کار واقعی را در یک کارخانه واقعی انجام دهد.

میانگین دقت 92.1٪، 62.4 فریم در ثانیه، و به اندازه‌ای کوچک که در یک جعبه به اندازه کف دست به صورت بلادرنگ اجرا شود. این سه عدد با هم ابزاری را ترسیم می‌کنند که واقعاً می‌تواند به کارخانه برود و شروع به کار کند. این یک تصویر مادون قرمز خاکستری کدر را که زمانی حتی برای چشم انسان سخت بود، به یک گزارش سلامت تبدیل می‌کند که در آن عیوب جایی برای پنهان شدن ندارند.

هنگامی که یک پهپاد حامل چنین الگوریتمی بر فراز مزرعه‌ای از آرایه‌های آبی حرکت می‌کند، هر پنل داغ آرام در همان لحظه اول شناسایی و رسیدگی می‌شود. نقاط داغ پنهان قابل مشاهده می‌شوند و خطرات به ظاهر کوچک خاموش می‌شوند. چیزی که باقی می‌ماند دقیقاً یک کارخانه است که نور خورشید را به برق تبدیل می‌کند، طولانی، ایمن و با بار کامل.

دیدگاه Ooitech

چیزی که بیش از همه ما را تحت تأثیر قرار می‌دهد این است که تشخیص و تولید دو روی یک سکه قابلیت اطمینان هستند. یک نقطه داغ که در میدان شناسایی می‌شود اغلب به یک ریزترک یا یک اتصال لحیم سرد که در خط تولید ایجاد شده است برمی‌گردد، به همین دلیل است که جوشکاری رشته‌ای، تراز لایه‌گذاری و کنترل لمینیت در خط تولید ماژول بسیار مهم است. اگر این مراحل را درست انجام دهید، نقاط داغ کمتری را در وهله اول به میدان می‌فرستید. اگر می‌خواهید ببینید که یک خط ماژول واقعی چگونه ساخته و تنظیم می‌شود، تورهای کارخانه ما در کانال یوتیوب Ooitech (www.youtube.com/ooitech) ارزش دیدن و اشتراک را دارند.