Utangulizi wa Bidhaa

Shamba la jua linaweza kuwa na moduli kuanzia makumi ya maelfu hadi milioni kadhaa. Siku baada ya siku zinakaa kwenye joto, upepo, mchanga, mvua na theluji, kwa hivyo haishangazi zinapata aina mbalimbali za matatizo. Ya kawaida zaidi, na pia hatari zaidi, ni sehemu ya moto.

Sehemu ya moto ni kiraka kidogo kwenye moduli kinachowaka moto isivyo kawaida. Kwa bora, inapunguza pato la nguvu. Kwa mbaya, inachoma nyuma ya karatasi na kuanzisha moto, na kuweka kiwanda chote katika hatari. Shida ni kwamba moduli zimepakana kwa makali. Kutuma wafanyakazi kuzikagua moja kwa moja kwa kifaa cha mkono ni polepole na hukosa vitu. Kwa hivyo, uhusiano wa upigaji picha wa infrared na kujifunza kwa kina umesukumwa mbele.

Elekeza kamera ya infrared kwenye moduli, pata usambazaji wa joto kama ramani ya joto, kisha acha mtandao wa neva uliofunzwa usome ramani hiyo kwa ajili yako na uweke alama mahali panapowaka moto na jinsi inavyowaka. Inaonekana rahisi. Lakini kuifanya ifanye kazi shambani ni hadithi nyingine. Picha za infrared zina dosari tatu za asili zinazowakwamisha algoriti za kawaida: mwonekano wa chini, ukubwa tofauti wa kasoro, na mandharinyuma yenye fujo.

Njia mpya iitwayo SESPNet (Semantic Enhancement and Scale Perception Network) inashambulia moja kwa moja dosari hizo tatu. Nambari zake ni thabiti: 92.1% wastani wa usahihi, 62.4 fremu kwa sekunde, na ni ndogo ya kutosha kuendesha kwa wakati halisi kwenye kifaa kidogo kilichopachikwa. Makala hii inaelezea jinsi inavyotoa kila sehemu ya moto kutoka kwenye fremu ya infrared yenye rangi ya kijivu.

Kwanza, kwa nini maeneo yenye joto kali ni muhimu. Moduli ya PV ina 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 kwa seli nyingine kuwa joto na kuichoma ndani yake. Seli hiyo moja inakuwa chanzo cha joto kwa mfululizo mzima, ikiwa na joto la nyuzi kumi zaidi kuliko jirani zake. Matukio madogo huvuta pato la mfululizo. Matukio makali hupika kifuniko cha encapsulant kwa muda, huchoma nyuma ya backsheet, na hata inaweza kuwasha. Kupata maeneo yenye joto kali mapema na kuyashughulikia haraka ni kazi ambayo shughuli za PV haziwezi kuepuka.

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

Kielelezo 2: Hatua tano za utendakazi wa ugunduzi wa joto la infrared kwa kasoro za moduli za PV, kutoka kukamata joto hadi kubainisha paneli yenye kasoro.

Vigezo vya Kiufundi

Kwa Nini Infrared Ni Lazima kwa Ugunduzi wa Maeneo Yenye Joto Kali

Ili kuelewa algorithm hii, anza na misingi: kwa nini kamera ya mwanga unaoonekana haitafaa kwa kasoro za PV zilizofichwa, 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 kutambua nyufa, mikwaruzo na uchafu kwenye uso, aina ya kitu unachoweza kuona. Lakini ina kikomo kimoja cha hatari. Inasoma tu mwonekano, si joto. Ufa mdogo au kiungo cha baridi cha solder ndani ya moduli mara nyingi haibadili jinsi inavyoonekana mapema, lakini inazuia mkondo mahali hapo na kuipasha joto. Kamera za mwanga unaoonekana hazina uwezo dhidi ya kasoro hizi za joto, na usiku au katika mwanga duni hazina maana.

Infrared inachukua njia tofauti. Kitu chochote kilicho juu ya sifuri kabisa hutoa mionzi ya infrared, na kadiri inavyokuwa moto ndivyo mionzi inavyokuwa na nguvu. Kamera ya infrared inakamata mionzi hiyo na kuchora uenezi wa joto usioonekana moja kwa moja kwenye ramani ya joto ya rangi au kijivu. Haihitaji mwanga wa nje, kwa hivyo inafanya kazi mchana au usiku. Ambapo moduli ni moto na kwa kiasi gani inaonekana wazi. Kwa kasoro zinazoendeshwa na joto kama maeneo yenye joto kali na mistari ya gridi iliyovunjika, infrared ndiyo tiba ya asili.

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

Njia ya zamani ya mwongozo inawahitaji wafanyakazi kubeba vyombo na kupima paneli kwa paneli. Ni polepole na inategemea sana uzoefu. Kwa moduli zilizopakiwa kwa nguvu na kuhesabiwa kwa maelfu, kuzisoma moja kwa moja kunachosha, kunakosea, na karibu haiwezekani usiku. Mchanganyiko wa drone na infrared huongeza kasi ya hatua ya kukamata, lakini ikiwa bado unasoma picha hizo maelfu kwa mkono, kizuizi kinahamia tu kutoka kupima hadi kuangalia. Ili kufunga mzunguko unahitaji algorithm ya kusoma picha. Hiyo ndiyo ishara ya kujifunza kwa kina.

Kielelezo 3: Ramani ya kawaida ya joto ya infrared. Eneo lenye joto zaidi, rangi yake ni ya joto zaidi, na eneo lenye joto kupita kiasi linajitokeza kwa mtazamo mmoja. Hii ni nyenzo ghafi ya kugundua sehemu zenye joto kupita kiasi.

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

Mifupa Mitatu Migumu katika Ugunduzi wa Hitilafu za Infrared

Infrared inaweza kuona joto, lakini inawapa algorithms za ugunduzi matatizo matatu magumu. Haya matatu ndiyo sababu algorithms nyingi za kawaida zinashindwa kwenye kazi ya PV infrared.

Moja: utofauti mdogo. Fremu za infrared ni hafifu na kijivu kwa ujumla. Tofauti ya kijivu kati ya hitilafu na mandharinyuma ni ndogo tangu mwanzo, na kelele za picha juu ya hiyo huruhusu hitilafu kumezwa na mandharinyuma. Algorithm haiwezi kunyakua sifa muhimu, hivyo usahihi unateseka.

Mbili: ukubwa wa hitilafu unaotofautiana sana. Ndani ya fremu moja ya infrared, ukubwa wa sehemu zenye joto kupita kiasi unaweza kutofautiana kwa nyakati kumi. Baadhi ni kamba nzima iliyopitishwa inayowaka kwenye kiraka kikubwa; nyingine ni seli moja tu inayowaka kidogo kwenye kona moja. Sehemu ya upeo iliyowekwa, safu ambayo mtandao anaweza kuona wazi katika mpito mmoja, huwa inapoteza moja kwa ajili ya nyingine dhidi ya kuenea kama hiyo: pata lengo kubwa na ukosee dogo, au kinyume chake.

Tatu: taarifa za malengo madogo hupotea. Hili ndilo gumu zaidi. Mitandao ya neva inapunguza sampuli safu kwa safu, ikipunguza picha ili kutoa maana ya kiwango cha juu. Lakini sehemu ndogo zenye joto kupita kiasi ambazo zilikuwa na saizi kumi tu mwanzoni hulainishwa zinapopungua, hadi karibu hakuna kitu kinachobaki wakati uamuzi unafanywa, na utambuzi unapata pigo kubwa.

Weka yote matatu pamoja na ni wazi: ugunduzi wa hitilafu za PV infrared ni mgumu kwa sababu unapaswa kupambana na 'hauwezi kuona wazi, ukubwa umetawanyika kote, hupotea kwa urahisi' kwa wakati mmoja. Mabadiliko matatu ya msingi ya SESPNet kila moja inalenga moja ya mifupa hii: moja inaboresha semantiki ili kukandamiza mandharinyuma, moja inajenga piramidi kushughulikia ukubwa, moja inalinda chaneli kurejesha malengo madogo.

Kwa nini usichukue tu kigunduzi cha kawaida? Ugunduzi wa vitu umekwenda kasi, na umegawanyika katika njia mbili. Moja ni hatua mbili: kwanza kuchunguza maeneo ya wagombea kwa ufupi, kisha kuhukumu kila moja kwa uangalifu, usahihi wa juu lakini polepole. Nyingine ni hatua moja: mtazamo mmoja unatoa eneo na darasa, haraka na inafaa kwa wakati halisi. Msururu wa YOLO ndio kinara wa hatua moja. Lakini algoriti hizi za jumla zimefunzwa kwenye picha za kawaida zinazoonekana, na zikishushwa kwenye picha za infrared za PV zenye utofauti mdogo na mizani tofauti, zinajitahidi. Mabadiliko ya SESPNet yanajaza mapengo hayo matatu, yaliyoundwa mahsusi kwa kasoro za infrared.

Kielelezo 5: Mifupa mitatu migumu ya ugunduzi wa kasoro za infrared: utofauti mdogo, mizani nyingi, na malengo madogo.

Kielelezo 6: Ndege isiyo na rubani yenye rota nyingi ikibeba kamera, ikiruka juu ya safu kunasa picha za infrared kwa wingi, ikifagia kwa dakika kile ambacho timu ingechukua nusu siku kufunika.

Faida za Kiufundi

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

SESPNet builds on YOLOv10 as its base model. YOLOv10 is one of today's most popular real-time detectors, released by a Tsinghua team in May 2024, built to be fast, accurate and deployment-friendly. SESPNet performs three operations on it, and the first embeds a Semantic Information Enhancement Module, SIEM, in the backbone.

Kinachotatuliwa ni tatizo la utofauti mdogo. Utofauti mdogo katika picha za kasoro za infrared huruhusu kelele za mandharinyuma kuingilia vipengele ambavyo mfano huchota, na kudhuru usahihi. SIEM inafanya kazi kwa njia mbili kwa wakati mmoja. Tawi la umakini wa kimataifa linachukua maana ya jumla ya picha nzima, likifanyia kazi kile kinachokuwa mandharinyuma na kile kinachoweza kuficha kasoro, hivyo usumbufu wa vitu visivyo na mpangilio unapunguzwa. Tawi la umakini wa ndani linaangazia maelezo na muundo wa kasoro yenyewe, na kuimarisha usemi wake wa kipengele.

Kila tawi linaangalia jambo lake, kisha kimataifa na cha ndani hupimwa na kuunganishwa pamoja. Fikiria kama kukodolea macho kuona muhtasari wa paa lote na kuondoa vitu visivyo na mpangilio, kisha kuegemea karibu kutazama eneo moja lenye shaka. Karibu na mbali vikiunganishwa, na kasoro inainuliwa kutoka kwenye mandharinyuma hafifu. Vipengele vilivyounganishwa vinahifadhi maelezo ya kasoro huku vikikandamiza usumbufu wa mandharinyuma, hivyo usemi wa kipengele una nguvu zaidi.

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

Utumbo wa mfano ni sehemu inayogusa picha kwanza na kutoa sifa za msingi. Kuweka SIEM hapa kunamaanisha kusafisha kwenye chanzo: kabla ya chochote kupitishwa, sifa za kasoro tayari zimeimarishwa na kelele za usuli tayari zimezuiwa. Kwa chanzo safi, ushughulikiaji wa ukubwa na uwekaji wa lengo la baadaye hautapotoshwa na msongamano. Ndiyo maana iko kwenye utumbo na si mahali pengine. Tibu uchafuzi mapema.

Kielelezo 7: Muundo wa matawi mawili wa moduli ya uboreshaji wa semantiki ya SIEM. Tawi la kimataifa linasoma picha kubwa kukandamiza usuli, tawi la ndani linaangalia maelezo kuimarisha kasoro, kisha hizo mbili zinawekewa uzito na kuunganishwa.

Kielelezo 8: Mpangilio wa PV juu ya paa. Uwanja mnene wa moduli ndio mandhari yenye msongamano inayolisha usumbufu kwa algoriti ya utambuzi.

Hatua ya Pili: Uchambuzi wa Piramidi, Sehemu za Moto Kubwa na Ndogo Zote Zinalengwa

Mabadiliko ya pili yanabadilisha moduli asili ya uchambuzi wa piramidi ya anga ya YOLOv10 na Moduli ya Uchambuzi wa Piramidi ya Uangalifu wa Anga, SAPPM. Inalenga tatizo la ukubwa tofauti.

"Uchambuzi wa piramidi" unaweza kusomwa kama kuchanganua ramani ya sifa sawa kwa kutumia madirisha kadhaa ya ukubwa tofauti kwa wakati mmoja. Madirisha madogo yanaona maelezo mazuri, yanafaa kwa sehemu ndogo za moto; madirisha makubwa yanaona upana, yanafaa kwa sehemu kubwa za moto. Utafiti unaendesha madirisha kadhaa ya uchambuzi kutoka ndogo hadi kubwa kwa sambamba, hivyo iwapo kasoro inajaza safu kadhaa au ni doa la ukubwa wa kiganja, dirisha sahihi linakamata.

Juu ya hayo, SAPPM inaongeza safu ya uangalifu wa anga. Inagawa uzito tofauti kwa sifa kutoka kwa madirisha tofauti, hivyo taarifa muhimu ya ukubwa inawekwa mbele na katikati wakati isiyo muhimu inapunguzwa, kisha inashona sifa hizi za ukubwa mbalimbali kuwa ramani kamili ya sifa. Kwa kifupi, sehemu ya kwanza inashughulikia "kuona kila ukubwa," sehemu ya pili inashughulikia "kuangazia kinachopaswa kuonekana." Kwa pamoja zinaongeza kwa kasi hisia ya mfano kwa malengo ya ukubwa mbalimbali.

Hii inapunguza moja kwa moja tatizo la zamani la kupoteza moja kwa ajili ya nyingine. Mtandao wenye uwanja uliowekwa wa kupokea unapoteza lengo dogo wakati unazingatia kubwa; kwa SAPPM mahali, sehemu kubwa na ndogo za moto zinaweza kuonekana wazi katika pasi moja, bila kujali tofauti ya ukubwa.

Kielelezo 9: Mchoro wa piramidi ya sifa za ukubwa mbalimbali ya SAPPM, ikichanganua kwa sambamba kwa madirisha ya ukubwa tofauti kisha kushona kwa uzani wa uangalifu wa anga.

Kielelezo 10: Picha ya anga ya kiwanda. Ndege zisizo na rubani zinapiga picha kwa urefu tofauti, na kufanya kasoro ileile ionekane kwa ukubwa tofauti zaidi kwenye picha.

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

Mabadiliko ya tatu yanafika kwenye mtandao wa shingo, kujenga utaratibu wa umakini wa kituo cha mizani nyingi, MCI. Inatibu tatizo gumu zaidi, upotevu wa taarifa za malengo madogo.

Kwanza, neno kuhusu vituo. Wakati mtandao unachakata picha, hugawanya sifa katika vituo vingi sambamba, kila kituo kikielezea picha kutoka pembe tofauti. Sifa za malengo madogo tayari ni dhaifu, zimetawanyika katika vituo hivi, na ikiwa kila kituo kinajishughulisha na chenyewe bila mawasiliano, taarifa hiyo ya thamani hupotea kwa urahisi katika urushaji wa tabaka kwa tabaka.

Mbinu ya MCI ni kujenga mwingiliano kati ya vituo, kuwaruhusu kuwasiliana. Popote ambapo kituo bado kina alama ya lengo dogo, ushirikiano wa vituo mbalimbali huongeza na kuhifadhi. Hii inaimarisha zaidi uchimbaji wa taarifa za sifa za kiwango kidogo, na hizo sehemu ndogo zenye joto ambazo zilikuwa karibu kutoweka katika upunguzaji wa sampuli zinarejeshwa.

Mahali ambapo hatua hizi tatu ziko kwenye mtandao pia ni makusudi. SIEM husafisha sifa kwenye chanzo cha uti wa mgongo, SAPPM hujumlisha taarifa za mizani nyingi kwenye mkia wa uti wa mgongo, na MCI hufanya uboreshaji wa mwisho kwenye shingo inayounganisha uti wa mgongo na kichwa cha utambuzi. Mbele, katikati, nyuma, kwa pamoja zinashughulikia msururu mzima wa kuchimba, kujumlisha na kutoa sifa, na kila hatua inapata suluhisho linalolenga tatizo la kasoro za infrared.

Hatua tatu zina majukumu wazi: SIEM inashughulikia utofautishaji, SAPPM inashughulikia mizani, MCI inashughulikia malengo madogo. Hazipigani peke yake bali hupitishana: kwanza inua kasoro kutoka nyuma, kisha funika ukubwa wote, kisha kamata lengo dogo linalowezekana kutoroka. Kwa mchanganyiko huu, mifupa mitatu migumu zaidi ya utambuzi wa kasoro za infrared inavunjika moja baada ya nyingine.

Kielelezo 11: Sehemu zenye joto za infrared zilizopangwa kwa ukubwa kuwa Kubwa, Kati na Ndogo. Tofauti ya ukubwa ni kubwa, na sehemu ndogo zaidi ndizo zinazokosa kwa urahisi.

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

Matumizi ya Bidhaa

Kadi ya Alama: Usahihi 92.1%, Fremu 62 kwa Sekunde

Athari za hatua tatu zinatokana na data. Watafiti waliunda seti yao ya data ya kasoro za infrared za moduli za PV, wakiweka lebo za sehemu zenye joto kwa ukubwa wa pikseli wanazochukua kwenye picha katika makundi matatu: zaidi ya pikseli 64x64 ni Kubwa, kati ya pikseli 32x32 na 64x64 ni Kati, chini ya pikseli 32x32 ni Ndogo. Ikiwa utambuzi ni mzuri lazima usomwe kwa kila kundi, kwa kila mizani.

Usahihi unategemea vipimo viwili. Kimoja ni kumbukumbu, R, kujibu "kati ya kasoro zinazopaswa kupatikana, ni ngapi zilirejeshwa." Kingine ni wastani wa usahihi wa wastani, PmA, mchanganyiko wa usahihi wa utambuzi katika madaraja, alama ya jumla ambayo kigunduzi hujali zaidi. Ongeza kasi ya utambuzi, iliyopimwa kwa fremu zinazochakatwa kwa sekunde, na nambari hizo tatu kwa pamoja zinaelezea hadithi kamili ya algoriti.

Anza na uondoaji wa 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 kurejesha malengo madogo.

Kielelezo 13: Uondoaji wa 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 cha ardhini kisicho na mwisho. Maelfu ya moduli zake ndio hasa algoriti hii inapaswa kukagua moja kwa moja.

Kichwa kwa Kichwa: Algoriti Tisa kwenye Jukwaa Moja

Kujilinganisha na yenyewe haitoshi. Utafiti unaweka SESPNet kwenye jukwaa moja na algoriti nyingine nane kuu, huzifundisha kwenye seti sawa ya data, na kupima usahihi na kasi bega kwa bega.

Matokeo yanajieleza. Algoriti za hatua mbili za kawaida kama Faster R-CNN na Cascade R-CNN zina uwezo mdogo wa kutoa vipengele na zinaendesha polepole, zikifika kwa wastani wa usahihi wa wastani wa 86% hadi 88%, hazifai kwa matukio yanayohitaji utendaji wa juu wa wakati halisi. SSD ndiyo ya haraka zaidi lakini usahihi wake ni 74.3% tu, dhahiri ni chini. Msururu wa YOLO una uwiano 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 mkunjo huo zaidi kuelekea juu kulia: wastani wa usahihi wa wastani 92.1%, takriban pointi 2 juu ya mshindi wa pili, na fremu 62.4 kwa sekunde, sambamba na wakimbiaji wa kasi wa YOLO. Haiathiri kasi ili kuinua usahihi; inashikilia nafasi ya juu kulia ya haraka-na-sahihi ambayo wengine hawawezi kufikia. Hiyo ndiyo thamani yake kubwa zaidi. Katika eneo la idadi kubwa ya moduli ambapo unahukumu unapozunguka, kila uchache wa kasi ni gharama.

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

Mistari hiyo miwili ni maelezo ya msingi ya 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 alama ya jumla inayokokotolewa kwenye madarasa na viwango vya usahihi. Mantiki si ngumu: kosa kidogo iwezekanavyo (kumbukumbu ya juu) na kengele ya uwongo kidogo iwezekanavyo (usahihi wa juu), weka pande zote mbili katika udhibiti, na una kigunduzi cha kutegemewa.

Kielelezo 15: Ulinganisho wa usahihi-kasi wa algoriti 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 FPS 12.6.

Imebanwa Ndani ya Sanduku la Ukubwa wa Kiganja na Bado ni Wakati Halisi

Kufanya kazi vizuri maabara haimaanishi inatumika shambani. Mimea ya PV iko porini, ambapo vifaa vya ukaguzi vina ukomo wa kompyuta na nishati. Ikiwa algoriti inaweza kutoshea kwenye sanduku dogo la nishati ya chini na kufanya kazi kwa wakati halisi ndio kikwazo cha mwisho kwa utumiaji halisi.

Watafiti waliipeleka kwenye jukwaa lililopachikwa liitwalo Jetson Nano kuthibitisha. Kichakataji chake ni chip ya ARM yenye viini vinne pamoja na GPU ya kiwango cha kuingia yenye viini 128, chini kabisa ya kituo cha kazi cha maabara chenye kadi maalum katika kompyuta na nishati. SESPNet ilitumwa kwa kiwango sawa cha pembejeo, kisha ikashindana na algoriti nyingine kwenye bodi hii ndogo.

Matokeo tena yanathibitisha usawa wake. Algoriti za kawaida za hatua mbili zinaonyesha uhalisi wao katika mazingira yaliyopachikwa: Faster R-CNN inashuka hadi fremu 1.9 kwa sekunde, 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 ikihifadhi usahihi wa juu wa 92.1%, sambamba na YOLO nyepesi, hata mbele kidogo. Kompyuta imepunguzwa sana, inabaki sahihi na thabiti, ikionyesha jinsi muundo unavyofaa mazingira yenye rasilimali chache.

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

Thamani ya kuhukumu papo hapo ni zaidi ya kuokoa safari moja ya kurudi. Kuweka kompyuta kwenye ukingo kunamaanisha ukaguzi unaweza bado kufanyika kwenye mitambo ya mbali yenye ishara dhaifu; ukiona eneo linaloshukiwa kuwa na joto, unaweza kulialama papo hapo na kuruka tena kuthibitisha mara moja, bila kusubiri data irudi na ukaguzi wa mikono kabla ya safari ya pili. Kwa mitambo mikubwa inayopimwa kwa mamia ya megawati na moduli zilizohesabiwa kwa mamilioni, uwezo huu wa wakati halisi wa eneo moja kwa moja huamua kama ukaguzi kamili utachukua masaa au siku.

Kuhitimisha: Hakuna Mahali pa Kujificha kwa Kila Paneli Inayopata Joto Kupita Kiasi

Tukiangalia nyuma, ujanja wa SESPNet sio katika kuweka muundo tata bali katika kushughulikia dalili sahihi. Tofauti ya infrared ni ndogo, kwa hivyo uboreshaji wa semantic unakandamiza mandharinyuma. Ukubwa wa kasoro ni mchanganyiko, kwa hivyo mkusanyiko wa piramidi unashughulikia ukubwa wote. Malengo madogo hupotea kwa urahisi, kwa hivyo umakini wa chaneli unawarudisha. Hatua tatu, kila moja kwa kazi yake, na kupitisha kijiti.

Kinachoadhimika zaidi ni kwamba haikunenevesha mfano kwa ajili ya usahihi. Algoriti nyingi hufuata usahihi wa juu kwa upofu, huishia kuwa nene, hupunguza kasi, na haziwezi hata kutoshea kwenye kifaa kilichopachikwa. SESPNet inashikilia kasi yake huku ikiongoza kwa usahihi, na imestahimili mtihani wa kupunguzwa kwa kasi kwa kompyuta. Usawa huo wa usahihi, kasi na wepesi ndio ubora ambao uwanja unathamini zaidi. Ikiwa teknolojia ni nzuri inategemea kama inaweza kufanya kazi halisi kwenye mtambo halisi.

92.1% wastani wa usahihi wa wastani, 62.4 fremu kwa sekunde, na ndogo ya kutosha kuendesha wakati halisi kwenye sanduku la ukubwa wa kiganja. Nambari hizo tatu kwa pamoja zinaelezea chombo ambacho kinaweza kweli kwenda kwenye mtambo na kuanza kazi. Inageuza picha ya infrared ya kijivu iliyochoka, 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 iliyobeba algoriti kama hii inapopita juu ya shamba baada ya shamba la safu za bluu, kila paneli inayopata joto kwa utulivu inagunduliwa na kushughulikiwa katika wakati wa kwanza. Maeneo ya moto yaliyofichika yanaonekana, na hatari zinazoonekana kuwa ndogo zinazimwa. Kinachoshikilia ni mtambo unaogeuza mwanga wa jua kuwa nguvu, kwa muda mrefu, salama na kwa mzigo kamili.

Maoni ya Ooitech

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