Upigaji Picha wa Joto kwa Paneli za Jua: Jinsi SESPNet Inavyokamata Kila Hotspot katika Infrared

Utangulizi wa Bidhaa

Shamba la jua linaweza kuwa na moduli kumi za maelfu hadi milioni kadhaa. Siku baada ya siku zinakaa kwenye joto, upepo, mchanga, mvua na theluji, kwa hiyo haishangazi kwamba zinapata magonjwa ya kila aina. Ya kawaida zaidi, na pia hatari zaidi, ni eneo la moto.

Eneo la moto ni kiraka kidogo tu kwenye moduli ambacho kina joto lisilo la kawaida. Bora zaidi linapunguza pato lako la nishati. Mbaya zaidi linachoma nyuma ya karatasi na kuanzisha moto, na kuweka kiwanda kizima katika hatari. Tatizo ni kwamba, moduli zimejaa mpaka kwa mpaka. Kutuma wafanyakazi kuzikagua moja kwa moja kwa kifaa cha mkono ni polepole na hukosa vitu. Kwa hiyo uhusiano wa upigaji picha wa joto wa infrared na kujifunza kwa kina umesukumwa kwenye mwanga.

Elekeza kamera ya infrared kwenye moduli, inasaidia kuenea kwa joto kama ramani ya joto, kisha acha mtandao wa neva uliofunzwa usome ramani hiyo kwa ajili yako na uweke alama mahali ambapo ni moto na jinsi ya moto. Inasikika kuwa rahisi. Lakini kuifanya ifanye kazi shambani ni hadithi nyingine. Picha za infrared zinakuja na kasoro tatu za asili zinazojaribu algorithms za kawaida: azimio la chini, ukubwa wa kasoro tofauti sana, na mandharinyuma yenye fujo.

Njia mpya inayoitwa SESPNet (Mtandao wa Uboreshaji wa Maana na Utambuzi wa Kiwango) inashughulikia kasoro hizo tatu moja kwa moja. Nambari zake ni imara: 92.1% wastani wa usahihi wa wastani, 62.4 fremu kwa sekunde, na ni ndogo ya kutosha kufanya kazi kwa wakati halisi kwenye kifaa kidogo cha kiganjani. Makala hii inaelezea jinsi inavyotoa kila eneo la moto kutoka kwenye fremu ya infrared ya kijivu isiyo na mng'ao.

Kwanza, kwa nini maeneo ya moto ni muhimu. Moduli ya PV ni seli nyingi zilizounganishwa kwa mfululizo. Ikiwa seli moja inapoteza pato kwa sababu ya kivuli, ufa mdogo au uchafu, inaacha kuchangia mkondo na kuanza kufanya kama kipingamizi, ikigeuza mkondo kutoka seli nyingine kuwa joto na kuichoma ndani yake. Seli hiyo moja inakuwa chanzo cha joto kwa mfululizo mzima, ikiendesha joto la nyuzi kumi zaidi kuliko majirani zake. Kesi ndogo zinapunguza pato la mfululizo. Kesi kali zinapika encapsulant kwa muda, kuchoma nyuma ya karatasi, na zinaweza hata kuwaka. Kupata maeneo ya moto mapema na kuyashughulikia haraka ni kazi ambayo waendeshaji wa PV hawawezi kuepuka.

Kielelezo 1: Moduli za mkusanyaji wa jua zilizowekwa juu ya paa, zikiwa wazi kwa nje kwa miaka, ambapo viwango vya joto vya ndani huunda maeneo ya moto.

Kielelezo 2: Mchakato wa hatua tano wa ugunduzi wa joto wa infrared kwa kasoro za moduli ya PV, kuanzia kunasa halijoto hadi kubainisha paneli yenye kasoro.

Vigezo vya Kiufundi

Kwa Nini Infrared Ni Lazima kwa Ugunduzi wa Moto

Ili kuelewa algorithm hii, anza na misingi: kwa nini kamera ya mwanga unaoonekana haitoshi kwa kasoro zilizofichika za PV, na kwa nini infrared ndiyo njia pekee.

Upigaji picha wa mwanga unaoonekana ni upigaji picha wa kawaida tu. Azimio la juu, maelezo mengi, mzuri kwa kuona nyufa, mikwaruzo na uchafu juu ya uso, aina ya kitu unachoweza kuona. Lakini ina kikomo kimoja kikubwa. Inasoma tu muonekano, si halijoto. Nyufa ndogo au kiungio baridi cha solder ndani ya moduli mara nyingi haibadilishi jinsi inavyoonekana mapema, lakini huzuia mkondo mahali hapo na kuipasha joto. Kamera za mwanga unaoonekana hazina uwezo dhidi ya kasoro hizi za joto, na usiku au katika mwanga duni hazifai kabisa.

Infrared inachukua njia tofauti. Kitu chochote kilicho juu ya sifuri kabisa hutoa mionzi ya infrared, na kadiri kinavyo joto ndivyo mionzi inavyozidi kuwa na nguvu. Kamera ya infrared inanasa mionzi hiyo na kupaka rangi ya joto isiyoonekana moja kwa moja kwenye ramani ya joto ya rangi au kijivu. Haihitaji mwanga wa nje, kwa hivyo inafanya kazi mchana na usiku. Ambapo moduli iko moto na kwa kiasi gani inaonekana wazi. Kwa kasoro zinazoendeshwa na joto kama maeneo ya moto na mistari iliyovunjika, infrared ndiyo suluhisho la asili.

Ndiyo maana infrared imekuwa njia muhimu ya kuinua usahihi na kasi ya ugunduzi wa kasoro kwenye mitambo ya PV. Drone yenye kamera ya infrared inaweza kufagia safu nzima kwa dakika chache, mara kadhaa zaidi ya kasi ya kikosi cha mikono. Lakini uwezo huo wa kuona joto unakuja kwa gharama: ubora wa picha ni wa chini sana kuliko mwanga unaoonekana.

Njia ya zamani ya mikono ina wafanyakazi wakiwa na vifaa na kupima paneli kwa paneli. Ni polepole na inategemea sana uzoefu. Kwa moduli zilizosongamana na kuhesabiwa kwa maelfu, kuzisoma moja kwa moja ni kuchosha, kuna makosa, na karibu haiwezekani usiku. Mchanganyiko wa drone-plus-infrared huongeza hatua ya kunasa, lakini ikiwa bado unasoma picha hizo maelfu kwa mkono, kizuizi kinahamia tu kutoka kupima hadi kuangalia. Ili kufunga mzunguko unahitaji algorithm kusoma picha. Hiyo ndiyo ishara ya kujifunza kwa kina.

Kielelezo 3: Ramani ya kawaida ya joto ya infrared. Kadiri eneo linavyo joto, ndivyo rangi yake inavyokuwa ya joto, na eneo lenye joto kupita kiasi linaonekana kwa mtazamo mmoja. Hii ndiyo malighafi ya ugunduzi wa maeneo ya moto.

Kielelezo 4: Mgawanyo wa kazi kati ya upigaji picha wa mwanga unaoonekana na infrared. Kwa hitilafu za joto, infrared ndiyo tiba ya asili.

Mifupa Mitatu Migumu katika Ugunduzi wa Hitilafu za Infrared

Infrared inaweza kuona joto, lakini inakabidhi algoriti za ugunduzi matatizo matatu magumu. Haya matatu ndiyo hasa kwa nini algoriti nyingi za kawaida zinashindwa kwenye kazi za infrared za PV.

Moja: utofauti wa chini. Muafaka wa infrared ni weusi na kijivu kwa ujumla. Tofauti ya kijivu kati ya hitilafu na mandharinyuma ni ndogo tangu mwanzo, na kelele za upigaji picha juu ya hilo huruhusu hitilafu kumezwa na mandharinyuma. Algoriti haiwezi kunasa vipengele muhimu, hivyo usahihi unateseka.

Mbili: ukubwa wa hitilafu unaotofautiana sana. Ndani ya muafaka mmoja wa infrared, ukubwa wa sehemu za moto unaweza kutofautiana kwa mara kumi. Baadhi ni mstari mzima uliopitishwa unaowaka kwenye eneo kubwa; wengine ni seli moja tu inayopata joto kidogo kwenye kona moja. Sehemu ya mapokezi isiyobadilika, anuwai ambayo mtandao unaweza kuona wazi katika kupita moja, huelekea kupoteza moja kwa ajili ya nyingine dhidi ya kuenea kama hii: pata lengo kubwa na ukose dogo, au kinyume chake.

Tatu: taarifa za malengo madogo hupotea. Hili ndilo gumu zaidi. Mitandao ya neva hupunguza sampuli safu kwa safu, ikipunguza picha ili kutoa maana ya kiwango cha juu. Lakini sehemu ndogo za moto ambazo zilikuwa pikseli chache tu mwanzoni hulainishwa zinapopungua, hadi karibu hakuna kilichobaki wakati wa kufanya uamuzi, na utambuzi unapata pigo kubwa.

Weka yote matatu pamoja na ni wazi: ugunduzi wa hitilafu za infrared za PV ni mgumu kwa sababu unapaswa kupambana na "kutoweza kuona wazi, ukubwa ulioenea kila mahali, kupotea kwa urahisi" kwa wakati mmoja. Mabadiliko matatu ya msingi ya SESPNet kila moja yanalenga moja ya mifupa hii: moja huongeza semantiki ili kukandamiza mandharinyuma, moja hujenga piramidi kushughulikia ukubwa, moja hulinda njia za kupata malengo madogo.

Kwa nini usichukue tu kigunduzi cha kawaida? Ugunduzi wa vitu umesonga mbele, na unagawanyika katika njia mbili. Moja ni hatua mbili: kwanza chunguza maeneo yanayowezekana, kisha tathmini kila moja kwa makini, usahihi wa juu lakini polepole. Nyingine ni hatua moja: mtazamo mmoja unatoa eneo na aina, haraka na inafaa kwa wakati halisi. Mfululizo wa YOLO ndio kinara wa hatua moja. Lakini algoriti hizi za jumla zimefunzwa kwenye picha za kawaida zinazoonekana, na zikishushwa kwenye muafaka wa infrared za PV zenye utofauti wa chini na ukubwa ulioenea, zinajitahidi. Mabadiliko ya SESPNet yanajaza mapungufu hayo matatu, yaliyoundwa maalum kwa hitilafu za infrared.

Kielelezo 5: Mifupa mitatu migumu ya ugunduzi wa hitilafu za infrared: utofauti wa chini, viwango vingi, na malengo madogo.

Kielelezo 6: Ndege isiyo na rubani yenye rota nyingi, ikibeba kamera, ikiruka juu ya safu ya paneli ili kupiga picha za infrared kwa wingi, ikifagia kwa dakika kile ambacho kikosi kingechukua nusu siku kufunika.

Faida za Kiufundi

Hatua ya Kwanza: Uboreshaji wa Kisemantiki, Kuibua Kasoro Kutoka Mandharinyuma

SESPNet inajengwa juu ya YOLOv10 kama mfano wake wa msingi. YOLOv10 ni mojawapo ya vigunduzi maarufu zaidi vya wakati halisi leo, iliyotolewa na timu ya Tsinghua mnamo Mei 2024, iliyoundwa kuwa ya haraka, sahihi na rahisi kutumika. SESPNet hufanya shughuli tatu juu yake, na ya kwanza inaweka Moduli ya Uboreshaji wa Taarifa za Kisemantiki, SIEM, kwenye uti wa mgongo.

Kinachosuluhishwa ni tatizo la utofauti wa chini. Utofauti duni katika picha za kasoro za infrared huruhusu kelele za mandharinyuma kuingilia vipengele ambavyo mfano huchota, na kudhuru usahihi. SIEM hufanya kazi kwa njia mbili kwa wakati mmoja. Tawi la umakini wa kimataifa huchukua maana ya jumla ya picha nzima, likigundua ni nini mandharinyuma na nini kinaweza kuficha kasoro, ili usumbufu wa fujo upunguzwe. Tawi la umakini wa ndani huzingatia maelezo na muundo wa kasoro yenyewe, likiboresha usemi wake wa vipengele.

Kila tawi huangalia kitu chake, kisha kimataifa na ndani hupimwa na kuunganishwa. Fikiria kama kukodoa macho kutambua muhtasari wa paa nzima na kuondoa fujo, kisha kuinama kutazama eneo moja linalotiliwa shaka. Karibu na mbali vikiunganishwa, kasoro huinuliwa kutoka mandharinyuma duni. Vipengele vilivyounganishwa huhifadhi maelezo ya kasoro huku vikikandamiza usumbufu wa mandharinyuma, hivyo usemi wa vipengele huwa na nguvu zaidi.

Faida inaonekana wazi katika utafiti wa ablation baadaye: ongeza SIEM pekee na usahihi wa wastani huongezeka katika aina zote tatu za lengo, na mafanikio halisi katika kupinga mandharinyuma changamano.

Uti wa mgongo ni sehemu ya mfano ambayo kwanza hugusa picha na kuchota vipengele vya msingi. Kuweka SIEM hapa kunamaanisha kusafisha kwenye chanzo: kabla ya chochote kupitishwa, vipengele vya kasoro tayari vimeimarishwa na kelele za mandharinyuma tayari zimekandamizwa. Kwa chanzo safi, usimamizi wa kiwango cha baadaye na ujanibishaji wa lengo havitapotoshwa na fujo. Ndiyo maana iko kwenye uti wa mgongo na si mahali pengine. Tibu uchafuzi mapema.

Kielelezo 7: Muundo wa tawi mbili wa moduli ya uboreshaji wa kisemantiki SIEM. Tawi la kimataifa linasoma picha kubwa kukandamiza mandharinyuma, tawi la ndani huangalia maelezo kuimarisha kasoro, kisha hizo mbili hupimwa na kuunganishwa.

Kielelezo 8: Safu ya PV juu ya paa. Uwanja mnene wa moduli ndio mazingira yenye fujo yanayolisha usumbufu kwa algoriti ya ugunduzi.

Hatua ya Pili: Upangaji wa Piramidi, Sehemu za Moto Kubwa na Ndogo Zote Zikizingatiwa

Mabadiliko ya pili yanabadilisha moduli ya awali ya kuweka madimbwi ya piramidi ya YOLOv10 na Moduli ya Kuweka Madimbwi ya Piramidi ya Uangalizi wa Nafasi, SAPPM. Inalenga tatizo la mizani tofauti.

"Kuweka madimbwi ya piramidi" kunaweza kusomwa kama kuchanganua ramani ya vipengele sawa na madirisha kadhaa ya ukubwa tofauti kwa wakati mmoja. Madirisha madogo huona maelezo mazuri, yanafaa kwa maeneo madogo ya moto; madirisha makubwa huona upana, yanafaa kwa maeneo makubwa ya moto. Utafiti unaendesha madirisha kadhaa ya kuweka madimbwi kutoka madogo hadi makubwa kwa sambamba, hivyo iwe kasoro inajaza safu kadhaa au ni doa la ukubwa wa kiganja, dirisha sahihi linaikamata.

Juu ya hayo, SAPPM inaongeza safu ya uangalizi wa nafasi. Inapeana uzito tofauti kwa vipengele kutoka kwa madirisha tofauti, hivyo taarifa muhimu ya mizani inabaki mbele na katikati huku isiyo muhimu ikipunguzwa, kisha inashona vipengele hivi vya mizani nyingi kuwa ramani kamili ya vipengele. Kwa kifupi, sehemu ya kwanza inashughulikia "kuona kila ukubwa," sehemu ya pili inashughulikia "kuangazia kinachopaswa kuonekana." Kwa pamoja zinaongeza kwa kiasi kikubwa hisia ya mfano kwa malengo ya mizani nyingi.

Hii inapunguza moja kwa moja tatizo la zamani la kupoteza moja kwa ajili ya nyingine. Mtandao wenye uwanja wa mapokezi usiobadilika hupoteza lengo dogo wakati unazingatia kubwa; kwa SAPPM, malengo makubwa na madogo yanaweza kuonekana wazi katika kupita moja, bila kujali pengo la ukubwa.

Kielelezo 9: Mchoro wa SAPPM wa kuweka madimbwi ya piramidi ya vipengele vya mizani nyingi, ikichanganua kwa sambamba na madirisha ya ukubwa tofauti kisha ikishona kwa uzani wa uangalizi wa nafasi.

Kielelezo 10: Picha ya angani ya kiwanda. Ndege zisizo na rubani hupiga picha kwa urefu tofauti, na kufanya kasoro ile ile kuonekana kwa mizani tofauti zaidi kwenye picha.

Hatua ya Tatu: Uangalizi wa Chaneli, Kurudisha Malengo Madogo Yaliyokaribia Kupotea

Mabadiliko ya tatu yanaingia kwenye mtandao wa shingo, kujenga utaratibu wa uangalizi wa chaneli za mizani nyingi, MCI. Inatibu tatizo gumu zaidi, upotevu wa taarifa za malengo madogo.

Kwanza, neno kuhusu chaneli. Wakati mtandao unachakata picha, hugawanya vipengele katika chaneli nyingi sambamba, kila moja ikielezea picha kutoka pembe tofauti. Vipengele vya malengo madogo tayari ni dhaifu, vimetawanyika kwenye chaneli hizi, na ikiwa kila chaneli inajishughulisha na yenyewe tu bila mawasiliano, taarifa hiyo ya thamani hupotea kwa urahisi katika usambazaji wa safu kwa safu.

Mbinu ya MCI ni kujenga mwingiliano kati ya chaneli, kuziruhusu kuzungumzana. Popote ambapo chaneli bado ina alama ya lengo dogo, ushirikiano wa chaneli mbalimbali hukuza na kuhifadhi. Hii inaimarisha zaidi uchimbaji wa taarifa za vipengele vya mizani ndogo, na maeneo madogo ya moto yaliyokuwa karibu kutoweka katika kupunguza sampuli yanarudishwa.

Mahali ambapo hatua hizi tatu zinakaa kwenye mtandao ni kwa makusudi pia. SIEM husafisha vipengele kwenye chanzo cha uti wa mgongo, SAPPM hujumlisha taarifa za mizani nyingi kwenye mkia wa uti wa mgongo, na MCI hufanya mapambo ya mwisho kwenye shingo inayounganisha uti wa mgongo na kichwa cha ugunduzi. Mbele, katikati, nyuma, kwa pamoja zinafunika mnyororo mzima wa kuchimba, kujumlisha na kutoa vipengele, na kila hatua inapata suluhisho linalolenga maumivu ya kasoro ya infrared.

Hatua tatu zina majukumu wazi: SIEM hushughulikia utofauti, SAPPM hushughulikia mizani, MCI hushughulikia malengo madogo. Hazipigani peke yake bali hupitishana kijiti: kwanza inua kasoro kutoka kwenye usuli, kisha funika ukubwa wote, kisha kamata lengo dogo linalowezekana kuteleza. Kwa mchanganyiko huu, mifupa mitatu migumu zaidi ya ugunduzi wa kasoro za infrared hutengana moja kwa moja.

Kielelezo 11: Sehemu za moto za infrared zilizopangwa kwa mizani kuwa Kubwa, Kati na Ndogo. Pengo la ukubwa ni kubwa, na sehemu ndogo zaidi za moto ndizo rahisi kukosa.

Kielelezo 12: Lengo hafifu lililonaswa na kamera ya infrared. Kadiri lengo linavyokuwa ndogo na hafifu, ndivyo inavyokuwa rahisi kulainishwa wakati wa usindikaji.

Matumizi ya Bidhaa

Kadi ya Alama: Usahihi wa 92.1%, Frames 62 kwa Sekunde

Athari ya hatua tatu inakuja kwenye data. Watafiti waliunda dataset yao ya kasoro za infrared za moduli za PV, wakiweka alama za moto kwa ukubwa wa pixel wanazochukua kwenye picha katika madarasa matatu: zaidi ya 64x64 pixels ni Kubwa, kati ya 32x32 na 64x64 ni Kati, chini ya 32x32 ni Ndogo. Ikiwa ugunduzi ni mzuri lazima usomwe darasa kwa darasa, mizani kwa mizani.

Usahihi unategemea vipimo viwili. Moja ni kumbukumbu, R, inayojibu "kati ya kasoro zinazopaswa kupatikana, ni ngapi zilipatikana." Nyingine ni wastani wa usahihi wa wastani, PmA, jumla ya usahihi wa ugunduzi kwa madarasa, alama ya jumla ambayo detector hujali zaidi. Ongeza kasi ya ugunduzi, inayopimwa kwa frames zinazochakatwa kwa sekunde, na namba hizo tatu kwa pamoja zinaelezea hadithi kamili ya algorithm.

Anza na ablation ya moduli kwa moduli. Kwa YOLOv10 ya msingi kama kigezo, wastani wake wa usahihi wa wastani ni 89.8%. Ongeza SIEM pekee, hadi 90.4%; SAPPM pekee, 90.5%; MCI pekee, 90.7%. Kila hatua inasaidia. Weka zote tatu, SESPNet kamili, na wastani wa usahihi wa wastani unaruka hadi 92.1%. Kinachojitokeza ni malengo madogo: usahihi wa Mini wa kigezo ni 86.7% tu, na kwa zote tatu unapanda hadi 90.3%, pointi 3.6 kamili, ambayo inathibitisha kazi ya MCI katika kupata malengo madogo.

Kielelezo 13: Ablation ya moduli kwa moduli. Kwa moduli tatu zilizowekwa pamoja, usahihi wa malengo madogo magumu zaidi unapanda kutoka 86.7% hadi 90.3%.

Kielelezo 14: Kiwanda kikubwa kisicho na mwisho kilichowekwa ardhini. Maelfu na maelfu ya moduli zake ndio hasa algorithm hii inapaswa kuziangalia moja kwa moja.

Kichwa kwa Kichwa: Algorithms Tisa kwenye Jukwaa Moja

Kujilinganisha na yenyewe haitoshi. Utafiti unaweka SESPNet kwenye jukwaa moja na algorithms nyingine nane kuu, huwafunza kwenye seti ya data sawa, na kupima usahihi na kasi kwa upande mmoja.

Matokeo yanajieleza yenyewe. Algorithms za kawaida za hatua mbili kama Faster R-CNN na Cascade R-CNN zina uwezo mdogo wa kuchimba sifa na zinaendesha polepole, zikifikia wastani wa usahihi wa 86% hadi 88%, hazifai kwa matukio yanayohitaji utendaji wa juu wa wakati halisi. SSD ni ya haraka zaidi lakini usahihi wake ni 74.3% tu, ambayo ni dhahiri ya chini. Mfululizo wa YOLO ni wenye usawa zaidi kwa ujumla: kutoka YOLOv7 ya 88.1%, kupitia YOLOX, YOLOv8, YOLOv10 na YOLOv11, usahihi unapanda hadi kiwango cha 89% hadi 90% na kasi zote karibu na fremu hamsini hadi sitini kwa sekunde.

SESPNet inasukuma curve hiyo zaidi kuelekea juu kulia: wastani wa usahihi wa 92.1%, karibu pointi 2 juu ya mshindi wa pili, na fremu 62.4 kwa sekunde, sambamba kabisa na YOLO za haraka. Haiathiri kasi ili kuinua usahihi; inashikilia nafasi ya juu kulia ya haraka-na-sahihi ambayo wengine hawawezi kuifikia. Hiyo ni thamani yake kubwa zaidi. Katika eneo la idadi kubwa ya moduli ambapo unahukumu unapokuwa unazunguka, kila kasi ndogo ni gharama.

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

Mistari hiyo miwili ni ufafanuzi wa msingi wa vipimo vya usahihi. R (kumbukumbu) hupima sehemu ya kasoro halisi zilizopatikana, P (usahihi) hupima ni ngapi kati ya kasoro zilizoripotiwa ni halisi, na PmA ni jumla ya alama inayohesabiwa kwa vikundi vyote na viwango vyote vya usahihi. Mantiki si ngumu: kukosa kidogo iwezekanavyo (kumbukumbu ya juu) na kutoa tahadhari za uwongo kidogo iwezekanavyo (usahihi wa juu), kudhibiti pande zote mbili, na unakuwa na kigunduzi cha kuaminika.

Kielelezo 15: Ulinganisho wa usahihi-kasi wa algorithms tisa. SESPNet inashikilia kona ya juu kulia kwa usahihi wa 92.1% na FPS 62.4.

Kielelezo 16: Jaribio la ulimwengu halisi kwenye jukwaa lililopachikwa. SESPNet yenye usahihi zaidi bado inashikilia kasi ya 12.6 FPS.

Imebanwa kwenye Sanduku la Ukubwa wa Kiganja na Bado Wakati Halisi

Kuendesha vizuri kwenye maabara haimaanishi inatumika shambani. Mimea ya PV iko wengi porini, ambapo vifaa vya ukaguzi vina ukomo wa hesabu na nishati. Ikiwa algorithm inaweza kutoshea kwenye sanduku dogo la nishati ya chini na kuendesha kwa wakati halisi ndio kizuizi cha mwisho cha utekelezaji halisi.

Watafiti waliipeleka kwenye jukwaa lililopachikwa linaloitwa Jetson Nano ili kuithibitisha. Kichakataji chake ni chip ya ARM yenye cores nne ikiwa na GPU ya kiwango cha kuingia yenye cores 128, chini sana ya kituo cha kazi cha maabara kilicho na kadi yake maalum katika hesabu na nguvu. SESPNet ilitumwa kwa kiwango sawa cha pembejeo, kisha ikashindanishwa na algoriti zingine kwenye bodi hii ndogo.

Matokeo tena yanathibitisha usawa wake. Algoriti za kawaida za hatua mbili zinaonyesha hali yao halisi katika mazingira yaliyopachikwa: Faster R-CNN inashuka hadi fremu 1.9 kwa sekunde, karibu si wakati halisi; Cascade R-CNN ni 3.7 tu. Msururu wa YOLO kwa ujumla unashuka hadi fremu kumi na moja au kumi na mbili, wakati SESPNet inashikilia fremu 12.6 kwa sekunde huku ikibaki na usahihi wa juu wa 92.1%, sambamba na YOLO nyepesi, hata mbele kidogo. Hesabu imepunguzwa sana, inabaki sahihi na thabiti, ikionyesha jinsi muundo unavyofaa kwa mazingira yenye rasilimali chache.

Hii inamaanisha kwamba ndege isiyo na rubani au mkaguzi wa kubebeka aliye na algoriti hii hatalazimika kurudisha picha kwenye wingu kuzichakata polepole. Papo hapo, kwa wakati halisi, inaweza kusema ni paneli gani ina eneo la moto. Ufanisi wa ukaguzi na kasi ya majibu vinapanda hatua nyingine.

Thamani ya kuamua papo hapo ni zaidi ya kuokoa safari moja ya kurudi na kwenda. Kuweka hesabu kwenye ukingo kunamaanisha ukaguzi unaweza kuendelea kufanyika kwenye viwanda vya mbali vilivyo na mawimbi duni; ukiona eneo linaloshukiwa kuwa na moto, unaweza kuliweka alama papo hapo na kuruka tena kuthibitisha mara moja, bila kusubiri data kurudi na ukaguzi wa mikono kabla ya safari ya pili. Kwa viwanda vikubwa vinavyopimwa kwa mamia ya megawati na moduli zilizohesabiwa kwa mamilioni, uwezo huu wa wakati halisi wa eneo moja kwa moja unaamua kama ukaguzi kamili utachukua masaa au siku.

Hitimisho: Hakuna Mahali Pa Kujificha kwa Kila Paneli Inayopata Joto

Tukiangalia nyuma, ujanja wa SESPNet sio katika kuweka muundo tata bali katika kutibu dalili sahihi. Tofauti ya infrared ni ndogo, kwa hivyo uboreshaji wa kisemantiki unakandamiza mandharinyuma. Kiwango cha kasoro ni kikubwa, kwa hivyo mkusanyiko wa piramidi unashughulikia ukubwa wote. Malengo madogo hupotea kwa urahisi, kwa hivyo umakini wa chaneli unawavuta kurudi. Hatua tatu, kila moja kwa kazi yake, na kupitisha kijiti.

Kinachopendeza zaidi ni kwamba haikuneneisha mfano kwa ajili ya usahihi. Algoriti nyingi hufuata usahihi wa juu bila kufikiri, hatimaye kuwa nzito, kupunguza kasi, na hata kushindwa kutoshea kwenye kifaa kilichopachikwa. SESPNet inashikilia kasi yake huku ikiongoza kwa usahihi, na imenusurika mtihani wa hesabu iliyopunguzwa sana. Usawa huo wa usahihi, kasi na wepesi ndio ubora unaothaminiwa zaidi katika uwanja huo. Ikiwa teknolojia ni nzuri au la inategemea kama inaweza kufanya kazi halisi kwenye kiwanda halisi.

92.1% wastani wa usahihi wa maana, 62.4 fremu kwa sekunde, na ndogo ya kutosha kuendesha wakati halisi katika sanduku la ukubwa wa kiganja. Nambari hizo tatu kwa pamoja zinaelezea chombo ambacho kinaweza kweli kwenda kwenye kiwanda na kuanza kufanya kazi. Inageuza picha ya infrared ya kijivu iliyofifia, ambayo hapo awali ilikuwa ngumu hata kwa jicho la mwanadamu, kuwa ripoti ya afya ambapo kasoro hazina mahali pa kujificha.

Wakati ndege isiyo na rubani inayobeba algorithm kama hii inapita juu ya shamba baada ya shamba la safu za bluu, kila paneli inayopata joto kupita kiasi kwa utulivu inafungwa na kushughulikiwa katika dakika ya kwanza. Sehemu za moto zilizofichika zinakuwa zinazoonekana, na hatari ndogo zinazoonekana zinazimwa. Kinachosimama ni hasa kiwanda kinachogeuza mwanga wa jua kuwa nguvu, kwa muda mrefu, salama na kwa mzigo kamili.

Maoni ya Ooitech

Kinachotugusa zaidi hapa ni jinsi ugunduzi na utengenezaji ni pande mbili za sarafu moja ya kuegemea. Sehemu ya moto inayotambuliwa shambani mara nyingi inafuatiliwa hadi kwenye ufa mdogo au kiungo cha solder baridi kilichozaliwa kwenye mstari, ndiyo maana kulehemu kwa stringer, upangaji wa layup na udhibiti wa lamination ni muhimu sana kwenye mstari wa uzalishaji wa moduli. Pata hatua hizo sawa na unalisha sehemu chache za moto shambani kwanza. Ikiwa unataka kuona jinsi mstari halisi wa moduli unavyojengwa na kurekebishwa, matembezi yetu ya kiwandani kwenye chaneli ya Ooitech YouTube (www.youtube.com/ooitech) yanastahili kutazamwa na kusajiliwa.