Өнім туралы ақпарат

Күн фермасында он мыңдағаннан бірнеше миллионға дейін модуль болуы мүмкін. Күн сайын олар ыстықта, желде, құмда, жаңбырда және қарда тұрады, сондықтан олардың әртүрлі ауруларға ұшырауы таңқаларлық емес. Ең көп таралғаны және ең қауіптісі - ыстық нүкте.

Ыстық нүкте - бұл модульдегі қалыптыдан тыс қызатын кішкентай аймақ. Ең жақсы жағдайда ол қуат өндірісін төмендетеді. Ең жаман жағдайда ол артқы қабатты күйдіріп, өрт тудырып, бүкіл станцияны қауіпке ұшыратады. Мәселе мынада, модульдер бір-біріне тығыз орналасқан. Оларды қол құралымен бір-бірлеп тексеру үшін бригадаларды жіберу баяу және көп нәрсені өткізіп жібереді. Сондықтан инфрақызыл термографияны терең оқытумен біріктіру назарға ілікті.

Инфрақызыл камераны модульге бағыттап, оның температуралық таралуын жылу картасы ретінде түсіріңіз, содан кейін үйретілген нейрондық желіге сол картаны оқып, қай жерде ыстық және қаншалықты ыстық екенін белгілеуге рұқсат етіңіз. Қарапайым көрінеді. Бірақ оны далада нақты жұмыс істеуге келтіру басқа әңгіме. Инфрақызыл суреттерде қарапайым алгоритмдерді шатастыратын үш кемшілік бар: төмен ажыратымдылық, әртүрлі ақау өлшемдері және шатастыратын фон.

SESPNet (Semantic Enhancement and Scale Perception Network) деп аталатын жаңа әдіс дәл осы үш кемшілікпен күреседі. Оның көрсеткіштері сенімді: 92,1% орташа дәлдік, секундына 62,4 кадр және ол алақанға сыйатын ендірілген құрылғыда нақты уақытта жұмыс істеуге жеткілікті шағын. Бұл мақала оның күңгірт сұр инфрақызыл кадрдан әрбір ыстық нүктені қалай шығаратынын түсіндіреді.

Біріншіден, ыстық нүктелердің неліктен маңызды екені. Фотоэлектрлік модуль - бұл тізбектей жалғанған көптеген элементтер. Егер бір элемент көлеңкелену, микро-жарықшақ немесе кір салдарынан шығысын жоғалтса, ол ток беруді тоқтатып, резистор сияқты әрекет ете бастайды, басқа элементтердің тогын жылуға айналдырып, оны өз ішінде жағып жібереді. Сол бір элемент бүкіл тізбек үшін жылу көзіне айналады, көршілерінен ондаған градусқа ыстық болады. Жеңіл жағдайлар тізбектің шығысын төмендетеді. Ауыр жағдайлар уақыт өте келе инкапсулянтты пісіреді, артқы қабатты күйдіреді және тіпті тұтануы мүмкін. Ыстық нүктелерді ерте анықтау және олармен тез күресу - ФЭЖ пайдаланушылары жалтара алмайтын міндет.

Сурет 1: Шатырға орнатылған күн коллекторлық модульдер, жылдар бойы ашық ауада, жергілікті температураның жоғарылауы ыстық нүктелерді құрайды.

Сурет 2: Фотоэлектрлік модуль ақауларын инфрақызыл термиялық анықтаудың бес сатылы жұмыс процесі, температураны түсіруден ақаулы панельді анықтауға дейін.

Техникалық Параметрлер

Неліктен инфрақызыл ыстық нүктелерді анықтау үшін міндетті

Бұл алгоритмді түсіну үшін негіздерден бастаңыз: неліктен көрінетін жарық камерасы жасырын ФЭЖ ақаулары үшін жарамсыз және неліктен инфрақызыл жалғыз жол.

Көрінетін жарық бейнелеу - бұл жай ғана кәдімгі фотография. Жоғары ажыратымдылық, бай детальдар, бетіндегі жарықшақтарды, сызаттар мен кірді анықтауға жақсы, көруге болатын нәрсе. Бірақ оның бірatalдық шегі бар. Ол тек сыртқы түрін оқиды, температураны емес. Модуль ішіндегі микро-жарықшақ немесе суық дәнекерлеу қосылысы көбінесе ерте кезеңде оның көрінісін өзгертпейді, бірақ сол жерде токты бөгеп, оны қыздырады. Көрінетін жарық камералары бұл термиялық ақауларға қарсы дәрменсіз, ал түнде немесе нашар жарықта олар пайдасыз.

Инфрақызыл басқа жолмен жүреді. Абсолютті нөлден жоғары кез келген нысан инфрақызыл сәуле шығарады, ал неғұрлым ыстық болса, соғұрлым күшті сәулеленеді. Инфрақызыл камера бұл сәулеленуді түсіріп, көрінбейтін температура таралуын түсті немесе сұр реңкті жылу картасына тікелей бояйды. Оған сыртқы жарық қажет емес, сондықтан ол күндіз де, түнде де жұмыс істейді. Модульдің қай жері ыстық және қаншалықты ыстық екені анық көрінеді. Ыстық нүктелер мен сынған тор сызықтары сияқты жылумен байланысты ақаулар үшін инфрақызыл табиғи ем болып табылады.

Сондықтан инфрақызыл ФЭЖ станцияларында ақауларды анықтаудың дәлдігі мен жылдамдығын арттырудың негізгі тәсіліне айналды. Инфрақызыл камерасы бар дрон бүкіл массивті бірнеше минут ішінде шолып шыға алады, бұл қолмен жұмыс істейтін топтан ондаған есе жылдам. Бірақ жылуды көру қабілеті бағамен келеді: кескін сапасы көрінетін жарықтан әлдеқайда төмен.

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.

3-сурет: Типтік инфрақызыл жылу картасы. Аймақ неғұрлым ыстық болса, оның түсі соғұрлым жылы болады, ал қызып кеткен аймақ бірден көзге түседі. Бұл ыстық нүктелерді анықтау үшін шикізат.

4-сурет: Көрінетін жарық пен инфрақызыл бейнелеу арасындағы міндеттерді бөлу. Жылу ақаулары үшін инфрақызыл табиғи ем болып табылады.

Инфрақызыл ақауларды анықтаудағы үш қиын мәселе

Инфрақызыл жылуды көре алады, бірақ ол анықтау алгоритмдеріне үш қиын мәселені ұсынады. Дәл осы үш мәселе көптеген дайын алгоритмдердің PV инфрақызыл жұмысында сәтсіздікке ұшырауына себеп болады.

Бірінші: төмен контраст. Инфрақызыл кадрлар жалпы күңгірт және сұр. Ақау мен фон арасындағы сұр реңк айырмашылығы бастапқыда аз, ал үстіне бейнелеу шуы ақаулардың фонға сіңіп кетуіне мүмкіндік береді. Алгоритм негізгі белгілерді ұстай алмайды, сондықтан дәлдік зардап шегеді.

Екінші: ақау масштабының күрт өзгеруі. Бір инфрақызыл кадрдың ішінде ыстық нүктелердің өлшемдері ондаған есеге дейін ерекшеленуі мүмкін. Кейбіреулері үлкен аймақта жарқыраған толық айналма жол; басқалары бір бұрышта сәл қызатын бір ғана ұяшық. Бекітілген рецептивті өріс, яғни желі бір өтуде анық көре алатын диапазон, мұндай таралу кезінде біреуін екіншісіне жоғалтуға бейім: үлкен нысанды алсаңыз, кішкентайды жіберіп аласыз немесе керісінше.

Үшінші: кішкентай нысандар туралы ақпарат жоғалады. Бұл ең қиыны. Нейрондық желілер қабат-қабат төмендетеді, жоғары деңгейлі мағынаны алу үшін кескінді кішірейтеді. Бірақ бастапқыда ондаған пиксель ғана болған кішкентай ыстық нүктелер кішірейген сайын тегістеліп, шешім қабылданған кезде ештеңе қалмайды, ал тану айтарлықтай нашарлайды.

Осы үшеуін біріктірсек, анық болады: PV инфрақызыл ақауларын анықтау қиын, себебі сіз бір уақытта «анық көре алмау, өлшемдер әр жерде, оңай жоғалу» мәселелерімен күресуіңіз керек. SESPNet-тің үш негізгі жаңартуының әрқайсысы осы сүйектердің біреуіне бағытталған: біреуі фонды басу үшін семантиканы күшейтеді, біреуі өлшемдерді өңдеу үшін пирамиданы құрады, біреуі кішкентай нысандарды қалпына келтіру үшін арналарды қорғайды.

Неге дайын детекторды алып қоймасқа? Нысанды анықтау тез дамыды және ол екі бағытқа бөлінеді. Біріншісі екі сатылы: алдымен кандидат аймақтарды дөрекі скринингтен өткізеді, содан кейін әрқайсысын мұқият бағалайды, дәлдігі жоғары, бірақ баяу. Екіншісі бір сатылы: бір қарағанда орналасқан жері мен класын береді, жылдам және нақты уақытқа жарамды. YOLO сериясы бір сатылы флагман болып табылады. Бірақ бұл жалпы алгоритмдер қарапайым көрінетін кескіндерге үйретілген және төмен контрастты, үлкен масштабты PV инфрақызыл кадрларына қолданылғанда, олар қиналады. SESPNet жаңартулары осы үш олқылықты толтырады, инфрақызыл ақаулар үшін арнайы жасалған.

5-сурет: Инфрақызыл ақауларды анықтаудың үш қиын сүйегі: төмен контраст, көп масштабтар және кішкентай нысандар.

6-сурет: Камерасы бар көп роторлы дрон, массив үстінен ұшып, инфрақызыл кескіндерді көптеп түсіреді, экипаж жарты күнде жабатын аумақты бірнеше минутта сыпырады.

Техникалық артықшылықтар

Бірінші қадам: Семантикалық күшейту, ақауларды фоннан шығару

SESPNet негізгі модель ретінде YOLOv10-ға негізделген. YOLOv10 - бүгінгі таңдағы ең танымал нақты уақыт детекторларының бірі, 2024 жылдың мамырында Tsinghua командасы шығарған, жылдам, дәл және орналастыруға ыңғайлы болу үшін жасалған. SESPNet оған үш операцияны орындайды, ал біріншісі негізгі бөлікке Семантикалық Ақпаратты Күшейту Модулін (SIEM) енгізеді.

Ол төмен контраст мәселесін шешеді. Инфрақызыл ақау кескіндеріндегі нашар контраст фондық шудың модель шығаратын белгілерге кедергі келтіруіне жол береді, дәлдікке зиян келтіреді. SIEM бір уақытта екі жолмен жұмыс істейді. Жаһандық назар тармағы бүкіл кескіннің жалпы мағынасын алады, ненің фон екенін және ненің ақауды жасыруы мүмкін екенін анықтайды, сондықтан кедергінің әсері төмендейді. Жергілікті назар тармағы ақаудың өз егжей-тегжейі мен текстурасына назар аударады, оның белгі өрнегін күшейтеді.

Әр тармақ өз ісін бақылайды, содан кейін жаһандық және жергілікті салмақтанып, біріктіріледі. Мұны бүкіл шатырдың сұлбасын ажырату және кедергілерді жою үшін көзді қысу, содан кейін бір күдікті даққа үңілу деп ойлаңыз. Жақын және алыс біріктірілген, ал ақау күңгірт фоннан көтеріледі. Біріктірілген белгілер ақаудың егжей-тегжейін сақтай отырып, фондық кедергіні басады, сондықтан белгі өрнегі айқын күштірек болады.

Нәтиже кейінірек абляциялық зерттеуде анық көрінеді: SIEM-ді жалғыз қосыңыз, барлық үш нысан класы бойынша орташа дәлдік артады, күрделі фондарға қарсы нақты пайдамен.

Backbone - модельдің суретпен алғашқы байланысып, негізгі белгілерді алатын бөлігі. SIEM-ді осында орналастыру - бастапқы көзде тазалау дегенді білдіреді: ештеңе берілмес бұрын, ақау белгілері күшейтіліп, фондық шу басылады. Таза көзбен кейінгі масштабты өңдеу және нысанды локализациялау шатасудан адаспайды. Сондықтан ол backbone-да және басқа еш жерде орналаспайды. Ластануды ерте емдеңіз.

7-сурет: SIEM семантикалық күшейту модулінің қос тармақты құрылымы. Ғаламдық тармақ үлкен суретті оқып, фонды басады, жергілікті тармақ ақауды күшейту үшін бөлшектерді бақылайды, содан кейін екеуі салмақталып біріктіріледі.

8-сурет: Шатырдағы күн панельдерінің массиві. Модульдердің тығыз өрісі дәл сол анықтау алгоритміне кедергі келтіретін ретсіз көрініс.

Екінші қадам: Пирамидалық пулинг, үлкен және кіші ыстық нүктелер назарда

Екінші өзгеріс YOLOv10-ның бастапқы кеңістіктік пирамидалық пулинг модулін Space Attention Pyramid Pooling Module (SAPPM) ауыстырады. Ол әртүрлі масштаб мәселесін шешеді.

"Пирамидалық пулинг" дегеніміз - бір белгі картасын бірнеше әртүрлі өлшемді терезелермен бір уақытта сканерлеу. Кішкентай терезелер ұсақ бөлшектерді көреді, кіші ыстық нүктелерге жақсы; үлкен терезелер кең көлемді көреді, үлкен ыстық нүктелерге жақсы. Зерттеу кішіден үлкенге дейін бірнеше пулинг терезелерін параллель іске қосады, сондықтан ақау бірнеше қатарды алып жатса да, алақандай дақ болса да, дұрыс терезе оны ұстайды.

Сонымен қатар, SAPPM кеңістіктік назар қабатын қосады. Ол әртүрлі терезелерден алынған белгілерге әртүрлі салмақ береді, сондықтан шынымен маңызды масштаб ақпараты алдыңғы қатарда сақталады, ал маңызды емесі төмендетіледі, содан кейін бұл көп масштабты белгілерді толық белгі картасына біріктіреді. Қысқасы, бірінші бөлік "әр өлшемді көрумен", екінші бөлік "көрінетінді ерекшелеумен" айналысады. Бірге олар модельдің көп масштабты нысандарды сезінуін күрт арттырады.

Бұл ескі біреуін жоғалтып, екіншісін алу мәселесін тікелей жеңілдетеді. Тұрақты қабылдау өрісі бар желі үлкен нысанды қадағалап, кіші нысанды жоғалтады; SAPPM орнында болғанда, үлкен және кіші ыстық нүктелер бір өтуде анық көрінеді, масштаб айырмашылығы қаншалықты үлкен болса да.

9-сурет: SAPPM көп масштабты белгі пирамидалық пулингінің нобайы, әртүрлі өлшемді терезелермен параллель сканерлеу, содан кейін кеңістіктік назар салмақтарымен біріктіру.

10-сурет: Зауыттың әуеден түсірілген суреті. Дрондар әртүрлі биіктікте түсіреді, бұл бірдей ақаудың суретте одан да әртүрлі масштабта пайда болуына әкеледі.

Үшінші қадам: Арна назары, жоғалып бара жатқан кіші нысандарды қайтару

Үшінші өзгеріс мойын желісіне еніп, көп масштабты арна назар механизмін (MCI) құрады. Ол ең қиын мәселені – кіші нысан ақпаратының жоғалуын шешеді.

Алдымен, арналар туралы бір сөз. Желі кескінді өңдегенде, ол белгілерді көптеген параллель арналарға бөледі, әрқайсысы кескінді әртүрлі қырынан сипаттайды. Кіші нысан белгілері әлсіз, осы арналарға шашыраңқы, ал егер әр арна тек өзімен ғана айналысып, алмасу болмаса, бұл құнды ақпарат қабаттан қабатқа берілу кезінде оңай жоғалады.

MCI тәсілі – арналар арасында өзара әрекеттесу орнату, олардың бір-бірімен сөйлесуіне мүмкіндік беру. Қай арнада кіші нысанның ізі сақталса, арналар арасындағы ынтымақтастық оны күшейтіп, сақтайды. Бұл кіші масштабты белгі ақпаратын алуды одан әрі күшейтеді және төмендету кезінде жоғалып кете жаздаған кіші ыстық нүктелер қайта табылады.

Бұл үш әрекеттің желіде орналасуы да ойластырылған. SIEM негізгі көздегі белгілерді тазартады, SAPPM негізгі көздің соңында көп масштабты ақпаратты жинақтайды, ал MCI негізгі көзді анықтау басымен байланыстыратын мойында соңғы жылтыратуды жасайды. Алдыңғы, ортаңғы, артқы – олар бірге белгілерді алу, жинақтау және шығарудың толық тізбегін қамтиды және әр қадам инфрақызыл ақаулардың ауыр нүктесіне бағытталған ем алады.

Үш әрекеттің нақты рөлдері бар: SIEM контрастпен, SAPPM масштабпен, MCI кіші нысандармен айналысады. Олар жалғыз күреспейді, эстафетаны береді: алдымен ақауды фоннан көтеру, содан кейін барлық өлшемдерді қамту, содан кейін ең ықтимал жоғалатын кіші нысанды ұстау. Осы комбинациямен инфрақызыл ақауларды анықтаудың ең қиын үш сүйегі біртіндеп шешіледі.

11-сурет: Масштаб бойынша Үлкен, Орта және Мини деп жіктелген инфрақызыл ыстық нүктелер. Өлшем айырмашылығы үлкен, ал ең кішкентай ыстық нүктелерді жіберіп алу оңай.

12-сурет: Инфрақызыл камерамен түсірілген әлсіз нысан. Нысан неғұрлым кіші және күңгірт болса, өңдеу кезінде тегістеліп кетуі оңайырақ.

Өнімді қолдану

Нәтиже: 92.1% дәлдік, секундына 62 кадр

Үш әрекеттің әсері деректерге келіп тіреледі. Зерттеушілер өздерінің PV модулінің инфрақызыл ақаулар деректер жинағын құрып, ыстық нүктелерді кескіндегі пиксель өлшемі бойынша үш класқа белгіледі: 64x64 пиксельден жоғары – Үлкен, 32x32 мен 64x64 арасы – Орта, 32x32-ден төмен – Мини. Анықтаудың жақсылығы әр клас бойынша, әр масштаб бойынша оқылуы керек.

Дәлдік екі көрсеткішке негізделеді. Біріншісі - қайта шақыру, R, "табылуы тиіс ақаулардың қаншасы қалпына келтірілді" деген сұраққа жауап береді. Екіншісі - орташа орташа дәлдік, PmA, бұл детектор үшін ең маңызды жалпы балл болып табылатын сыныптар бойынша анықтау дәлдігінің жиынтығы. Секундына өңделген кадрлармен өлшенетін анықтау жылдамдығын қосыңыз, осы үш сан бірге алгоритмнің толық сипаттамасын береді.

Модульдік абляциядан бастаңыз. Базалық YOLOv10 орташа орташа дәлдігі 89.8% құрайды. Тек SIEM қосқанда - 90.4% дейін; тек SAPPM - 90.5%; тек MCI - 90.7%. Әр қадам көмектеседі. Үшеуін де біріктіріп, толық SESPNet орташа орташа дәлдігі 92.1% дейін көтеріледі. Ерекше көзге түсетіні - кіші нысандар: базалық Mini дәлдігі тек 86.7%, ал үшеуімен бірге 90.3% дейін көтеріледі, бұл 3.6 пунктке артық, бұл MCI-дің кіші нысандарды қалпына келтірудегі жұмысын дәлелдейді.

13-сурет: Модульдік абляция. Үш модуль біріктірілгенде, ең қиын кіші нысандардың дәлдігі 86.7% - дан 90.3% - ға дейін көтеріледі.

14-сурет: Шексіз үлкен жердегі күн панелі. Оның мыңдаған модульдерін дәл осы алгоритм бір-бірлеп тексеруі керек.

Бетпе-бет: Бір сахнада тоғыз алгоритм

Өзімен салыстыру жеткіліксіз. Зерттеу SESPNet-ті сегіз басқа негізгі алгоритммен бір сахнаға қояды, оларды бір деректер жиынтығында оқытады және дәлдік пен жылдамдықты қатар өлшейді.

Нәтиже өзі үшін сөйлейді. Классикалық екі сатылы алгоритмдер, мысалы Faster R-CNN және Cascade R-CNN, шектеулі ерекшеліктерді алу мүмкіндігіне ие және баяу жұмыс істейді, орташа орташа дәлдігі 86% - 88% аралығында, жоғары нақты уақыт режимін талап ететін көріністерге жарамайды. SSD ең жылдам, бірақ оның дәлдігі тек 74.3%, анық төмен. YOLO сериясы жалпы алғанда теңдестірілген: YOLOv7-нің 88.1% - ынан YOLOX, YOLOv8, YOLOv10 және YOLOv11 арқылы дәлдік 89% - 90% диапазонына дейін көтеріледі, жылдамдықтары секундына елу-алпыс кадр шамасында.

SESPNet бұл қисықты одан әрі жоғарғы оң жаққа итереді: орташа орташа дәлдігі 92.1%, екінші орыннан шамамен 2 пункт жоғары, және секундына 62.4 кадр, YOLO жылдамдықтарымен бірдей. Ол дәлдікті көтеру үшін жылдамдықты құрбан етпейді; ол басқалар жете алмайтын жылдам және дәлдіктің жоғарғы оң жақ нүктесін ұстайды. Бұл оның ең үлкен құндылығы. Модульдер саны көп, патрульдеу кезінде бағалайтын көріністе әрбір баяулық шығын болып табылады.

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

Бұл екі жол дәлдік көрсеткіштерінің негізгі анықтамалары болып табылады. R (еске түсіру) нақты ақаулардың қанша бөлігі табылғанын өлшейді, P (дәлдік) хабарланған ақаулардың қаншасы нақты екенін көрсетеді, ал PmA - бұл класстар мен дәлдік деңгейлері бойынша есептелген жалпы балл. Логика күрделі емес: мүмкіндігінше аз жіберіп алу (жоғары еске түсіру) және мүмкіндігінше аз жалған дабыл беру (жоғары дәлдік), екі шетті де бақылауда ұстау - сонда сіз сенімді детекторға ие боласыз.

15-сурет: Тоғыз алгоритмнің дәлдік-жылдамдық салыстыруы. SESPNet 92.1% дәлдікпен және 62.4 FPS жылдамдықпен жоғарғы оң жақ бұрышта орналасқан.

16-сурет: Ендірілген платформадағы нақты әлем сынағы. Ең дәл SESPNet әлі де 12.6 FPS жылдамдықта тұрақты жұмыс істейді.

Алақанға сыйатын қорапқа сығылып, әлі де нақты уақыт режимінде

Зертханада жақсы жұмыс істеу оны далада қолдануға болады дегенді білдірмейді. Күн электр станциялары негізінен табиғатта орналасқан, онда тексеру жабдығының есептеу қуаты мен қуат көзі шектеулі. Алгоритмнің қуаты аз шағын қорапқа сыйып, нақты уақыт режимінде жұмыс істей алуы - нақты орналастыру үшін соңғы кедергі.

Зерттеушілер оны Jetson Nano деп аталатын ендірілген платформаға порттады. Оның процессоры - төрт ядролы ARM чипі, кіреберіс деңгейіндегі 128 ядролы GPU-мен жұптасқан, бұл зертханалық жұмыс станциясынан есептеу қуаты мен қуат тұтынуы бойынша әлдеқайда төмен. SESPNet сол кіріс масштабында орналастырылды, содан кейін осы шағын тақтада басқа алгоритмдермен жарысты.

Нәтиже оның тепе-теңдігін тағы да дәлелдейді. Классикалық екі кезеңді алгоритмдер ендірілген ортада өздерінің шынайы қабілеттерін көрсетеді: Faster R-CNN секундына 1.9 кадрға дейін төмендейді, әрең нақты уақыт; Cascade R-CNN тек 3.7. YOLO сериясы әдетте он бір-он екі кадрға дейін төмендейді, ал SESPNet 12.6 кадр/сек жылдамдықты сақтай отырып, ең жоғары 92.1% дәлдікті ұстап тұрады, жеңіл YOLO-лармен қатар, тіпті сәл озық. Есептеу қатты қысқартылғанына қарамастан, ол дәл және тұрақты болып қалады, бұл дизайнның ресурс шектеулі жағдайларға қаншалықты жақсы сәйкес келетінін көрсетеді.

Бұл осы алгоритммен жабдықталған дрон немесе портативті тексеруші суреттерді бұлтқа жіберіп, баяу өңдеудің қажеті жоқ дегенді білдіреді. Оқиға орнында, нақты уақытта, қай панельде қызып кету нүктесі бар екенін айта алады. Тексеру тиімділігі де, жауап беру жылдамдығы да тағы бір қадамға жоғарылайды.

Ұшу кезінде бағалаудың құндылығы бір реттік сапарды үнемдеуден де артық. Есептеулерді шеткі құрылғыға орналастыру инспекцияның нашар сигналы бар шалғай зауыттарда да жүргізілуіне мүмкіндік береді; күдікті қызған нүктені байқасаңыз, оны сол жерде белгілеп, дереу растау үшін қайта ұша аласыз, деректердің қайтарылуын және екінші рейс алдында қолмен тексеруді күтудің қажеті жоқ. Жүздеген мегаваттпен өлшенетін және миллиондаған модульдері бар үлкен зауыттар үшін бұл орнындағы нақты уақыт мүмкіндігі толық инспекцияның сағаттар немесе күндер алуын тікелей анықтайды.

Қорытынды: Әрбір қызып кеткен панель үшін жасырынатын жер қалмады

Артқа қарасақ, SESPNet-тің тапқырлығы күрделі құрылымды жинақтауда емес, дұрыс белгілерді емдеуде. Инфрақызыл контраст төмен, сондықтан семантикалық күшейту фонды басады. Ақау масштабы әртүрлі, сондықтан пирамидалық пулинг барлық өлшемдерді қамтиды. Кішкентай нысандар оңай жоғалады, сондықтан арна назары оларды қайтарады. Үш әрекет, әрқайсысы өз міндетіне, және эстафетаны тапсыру.

Одан да сирек кездесетіні, ол дәлдік үшін модельді семіртпеді. Көптеген алгоритмдер соқыр түрде жоғары дәлдікке ұмтылып, ісініп, жылдамдықты төмендетеді және тіпті ендірілген құрылғыға сыймайды. SESPNet дәлдік бойынша көш бастап, жылдамдығын сақтайды және есептеулердің күрт қысқаруына төтеп берді. Дәл, жылдам және жеңілдің бұл тепе-теңдігі сала ең жоғары бағалайтын қасиет. Технологияның жақсы екенін оның нақты зауытта нақты жұмыс істей алатыны анықтайды.

92.1% орташа дәлдік, секундына 62.4 кадр және алақандай қорапта нақты уақытта жұмыс істеуге жеткілікті кішкентай. Осы үш сан бірге зауытқа барып, жұмысқа кірісе алатын құралды сипаттайды. Ол бір кездері адам көзіне де қиын болған күңгірт сұр инфрақызыл кескінді ақаулардың жасырынатын жері жоқ денсаулық есебіне айналдырады.

Мұндай алгоритмі бар дрон көгілдір массивтердің өрісін аралағанда, әрбір үнсіз қызып кеткен панель бірінші сәтте анықталып, жойылады. Жасырын қызған нүктелер көрінетін болады, ал шамалы қауіптер жойылады. Нәтижесінде күн сәулесін ұзақ, қауіпсіз және толық жүктемемен электр энергиясына айналдыратын зауыт пайда болады.

Ooitech көзқарасы

Бізді ең қатты таң қалдыратыны - анықтау және өндіріс сенімділік монетасының екі жағы екені. Далада анықталған қызған нүкте көбінесе желіде пайда болған микро жарықшаққа немесе суық дәнекерлеуге байланысты, сондықтан модуль өндірісі желісінде стрингер дәнекерлеуі, төсеу туралауы және ламинацияны бақылау өте маңызды. Осы қадамдарды дұрыс орындасаңыз, далаға аз қызған нүктелер жібересіз. Нақты модуль желісінің қалай салынғанын және бапталғанын көргіңіз келсе, Ooitech YouTube арнасындағы зауытты аралауларымыз (www.youtube.com/ooitech) қарауға және жазылуға тұрарлық.