Upigaji Picha wa Joto kwa Paneli za Sola: Jinsi SESPNet Inavyokamata

Jibu la haraka: Upigaji picha wa joto hukuonyesha mahali moduli ya sola ina joto; haikuelezi kwa nini. Makala hii inachambua kile halisi ambacho halijoto hufichua — doa la joto ni dalili ya mkondo unaolazimishwa kupitia njia yenye kizuizi, na joto kisha hushambulia kifuniko, karatasi ya nyuma, kioo na viunganishi kwa mpangilio huo. SESPNet ni mbinu ya uchunguzi inayotumika hapa kuunganisha alama ya joto kurudi kwenye sababu yake ya umeme badala ya kuchukua picha kama jibu. Kutafsiri skani ya joto kwa usahihi hubadilisha hatua ya kurekebisha: doa la joto la kiwango cha seli huelekeza kwenye seli iliyopasuka au iliyofunikwa, na la kiwango cha mnyororo huelekeza kwenye diodi ya kupita iliyoshindwa wazi. Thamani ya kivitendo iko katika kusoma muundo kabla uharibifu haujawa wa kudumu, kwa sababu uharibifu wa kifuniko na kuchomeka kwa karatasi ya nyuma hauwezi kurejeshwa mara unapoanza.

Utengenezaji wa Moduli za PV · na Jerry, Ooitech

Utangulizi wa Bidhaa

Upigaji picha wa joto hukuambia mahali penye joto kali. Kwa gharama ambayo halijoto inayoifichua inaigharimu moduli kwa muda, angalia sehemu moto za paneli za sola, kwa nini halijoto ni muhimu na joto huharibu nini.

Shamba la sola linaweza kuwa na moduli kuanzia makumi ya maelfu hadi mamilioni kadhaa. Siku baada ya siku zinakaa nje kwenye joto, upepo, mchanga, mvua na theluji, hivyo si ajabu kwamba zinapata magonjwa ya kila aina. Linalojulikana zaidi, na pia hatari zaidi, ni sehemu ya moto.

Sehemu moto ni kiraka kidogo tu kwenye moduli kinachoendesha kwa joto la kupindukia. Kwa ubora wake hula katika uzalishaji wako wa nishati. Kwa ubaya wake huchoma kupitia backsheet na kuanzisha moto, kuweka mmea wote hatarini. Shida ni kwamba, moduli zimefungwa kwa ukingo hadi ukingo. Kutuma wafanyakazi kwenda kuzikagua moja baada ya nyingine kwa kifaa cha mkono ni polepole na hukosa mambo. Hivyo, uoanishaji wa thermografia ya infrared na kujifunza kwa kina umesisitizwa.

Elekeza kamera ya infrared kwenye moduli, nasa mgawanyiko wake wa joto kama ramani ya joto, kisha acha mtandao wa neva uliofunzwa usome ramani hiyo kwa niaba yako na uonyeshe mahali penye joto na kiasi cha joto. Inasikika kama rahisi. Lakini kuifanya ifanye kazi kwa kweli shambani ni hadithi nyingine. Picha za infrared zinakuja na kasoro tatu za asili zinazosumbua algoriti za kawaida: azimio la chini, ukubwa wa kasoro unaotofautiana sana, na mandhari yenye fujo.

Mbinu mpya iitwayo SESPNet (Semantic Enhancement and Scale Perception Network) inashughulikia moja kwa moja kasoro hizo tatu. Takwimu zake ni thabiti: 92.1% wastani wa usahihi wa wastani, 62.4 fremu kwa sekunde, na ni ndogo vya kutosha kuendeshwa kwa wakati halisi kwenye kifaa kilichopachikwa cha ukubwa wa kiganja. Makala hii inachambua jinsi inavyotoa kila sehemu ya moto kutoka kwenye fremu ya infrared ya kijivu hafifu.

Kwanza, kwa nini sehemu moto ni muhimu. Moduli ya PV ina seli nyingi zilizounganishwa mfululizo. Ikiwa seli moja inapoteza uzalishaji kwa sababu ya kivuli, mpasuko mdogo au uchafu, inaacha kuchangia mkondo na kuanza kufanya kazi kama kipingamizi, kubadilisha mkondo kutoka seli nyingine kuwa joto na kuuchoma ndani yake yenyewe. Seli hiyo moja inakuwa chanzo cha joto kwa mfululizo wote, ikiendesha kwa joto la juu kwa makumi ya digrii kuliko majirani zake. Kesi nyepesi hupunguza uzalishaji wa mfululizo. Kesi kali hupika kifuniko kwa muda, huchoma kupitia karatasi ya nyuma, na zinaweza hata kuwaka. Kupata sehemu moto mapema na kuzishughulikia haraka ni kazi ambayo shughuli za PV haziwezi kuepuka.

Kielelezo 1: Moduli za kukusanya jua zilizowekwa juu ya paa, zikiwa wazi kwa mazingira ya nje kwa miaka, ambapo viwango vya joto vya eneo maalum huunda sehemu za moto.

Kielelezo 2: Mtiririko wa hatua tano wa utambuzi wa joto wa infrared kwa kasoro za moduli za PV, kutoka kukamata joto hadi kubainisha paneli yenye hitilafu.

Vigezo vya Kiufundi

Kwa Nini Infrared Ni Lazima kwa Utambuzi wa Sehemu za Moto

Ili kuelewa algoriti hii, anza na misingi: kwa nini kamera ya mwanga unaoonekana haitoshi kwa hitilafu za PV zilizofichwa, na kwa nini infrared ni njia pekee.

Upigaji picha wa mwanga unaoonekana ni upigaji picha wa kawaida tu. Azimio la juu, maelezo mengi, mzuri kwa kubaini nyufa, mikwaruzo na uchafu juu ya uso, aina ya kitu unachoweza kuona. Lakini ina kikomo kimoja cha kufa. Inasoma tu mwonekano, si joto. Ufa mdogo au kiungo cha solda baridi ndani ya moduli mara nyingi hakubadilishi jinsi inavyoonekana mapema, lakini huzuia mkondo wa umeme mahali hapo na kuipasha joto. Kamera za mwanga unaoonekana hazina uwezo dhidi ya hitilafu hizi za joto, na usiku au katika mwanga hafifu hazifai.

Infrared inachukua njia tofauti. Kitu chochote kilicho juu ya sifuri kabisa huangaza infrared, na kadiri kinavyokuwa moto ndivyo mionzi inavyokuwa na nguvu. Kamera ya infrared hukamata mionzi hiyo na kupaka usambazaji wa joto usioonekana moja kwa moja kwenye ramani ya joto ya rangi au kijivu. Haihitaji mwanga wa nje, kwa hivyo hufanya kazi mchana au usiku. Mahali moduli inapokuwa moto na kwa kiasi gani huonekana wazi. Kwa kasoro zinazosababishwa na joto kama sehemu za moto na mistari ya gridi iliyovunjika, infrared ni tiba ya asili.

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

Njia ya zamani ya mikono ina wafanyakazi wakibeba vyombo na kupima paneli moja baada ya nyingine. Ni ya polepole na inategemea sana uzoefu. Kwa moduli zilizopangwa vizuri na kuhesabiwa kwa maelfu, kuzisoma moja moja ni kuchosha, kwa urahisi wa makosa, na karibu haiwezekani usiku. Mchanganyiko wa drone-na-infrared unatumia kikamilifu hatua ya kukamata, lakini ikiwa bado unasoma maelfu ya picha hizo kwa mkono, kizuizi kinahamia tu kutoka kupima hadi kuangalia. Ili kufunga mzunguko unahitaji algoriti ya kusoma picha. Hiyo ni ishara kwa kujifunza kwa kina.

Kielelezo 3: Ramani ya joto ya infrared ya kawaida. Kadiri eneo linavyokuwa moto, ndivyo rangi yake inavyokuwa ya joto, na eneo lenye joto kupita kiasi huonekana kwa mtazamo mmoja. Hii ni malighafi ya utambuzi wa sehemu za moto.

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

Mifupa Mitatu Migumu katika Utambuzi wa Hitilafu za Infraredi

Infraredi inaweza kuona joto, lakini inakabidhi algoriti za utambuzi matatizo matatu magumu. Haya matatu ndiyo sababu hasa algoriti nyingi zilizopo tayari zinashindwa katika kazi ya infraredi ya PV.

Moja: utofautishaji mdogo. Fremu za infraredi kwa ujumla ni butu na za kijivu. Tofauti ya kijivu kati ya hitilafu na mandharinyuma ni ndogo kuanzia mwanzo, na kelele za upigaji picha juu ya hilo huruhusu hitilafu kumezwa na mandharinyuma. Algoriti haiwezi kukamata vipengele muhimu, hivyo usahihi unadorora.

Mbili: ukubwa wa hitilafu unaotofautiana sana. Ndani ya fremu moja ya infraredi, ukubwa wa maeneo ya moto unaweza kutofautiana kwa mamia ya mara. Baadhi ni mnyororo mzima uliopitwa ukimulika katika eneo kubwa; wengine ni seli moja tu inayopata joto kidogo kwenye kona moja. Sehemu isiyobadilika ya upokeaji, yaani upeo ambao mtandao unaweza kuona wazi kwa mpito mmoja, huwa unapoteza kimoja kwa ajili ya kingine dhidi ya mtawanyiko kama huo: pata lengo kubwa na ukose dogo, au kinyume chake.

Tatu: taarifa za malengo madogo hupotea. Hili ndilo gumu zaidi. Mitandao ya neva hupunguza ukubwa tabaka kwa tabaka, ikipunguza picha ili kutoa maana ya kiwango cha juu. Lakini maeneo madogo ya moto ambayo yalikuwa pikseli chache tu kuanzia mwanzo husawazishwa na kupotea yanapopunguzwa, hadi karibu hakuna kinachobaki wakati uamuzi unafanywa, na utambuzi unapata pigo kubwa.

Ukiweka yote matatu pamoja ni wazi: utambuzi wa hitilafu za infraredi ya PV ni mgumu kwa sababu unapaswa kupambana na "kutoona wazi, ukubwa usioeleweka, kupotea kwa urahisi" kwa wakati mmoja. Maboresho 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 ili kurejesha malengo madogo.

Kwa nini usichukue tu kitambuzi kilichopo tayari? Utambuzi wa vitu umesonga kwa kasi, na umegawanyika katika njia mbili. Moja ni ya hatua mbili: kwanza chuja kwa ufupi maeneo yanayowezekana, kisha hukumu kila moja kwa makini, usahihi wa juu lakini polepole. Nyingine ni ya hatua moja: mtazamo mmoja unatoa mahali na aina, haraka na inafaa kwa wakati halisi. Mfululizo wa YOLO ndiyo bendera ya hatua moja. Lakini algoriti hizi za jumla zimefunzwa kwa picha za kawaida zinazoonekana, na zikishushwa kwenye fremu za infraredi ya PV zenye utofautishaji mdogo na ukubwa unaotofautiana sana, zinajikakamua. Maboresho ya SESPNet huziba mapengo hayo matatu, yaliyoundwa mahsusi kwa hitilafu za infraredi.

Kielelezo 5: Mifupa mitatu migumu ya utambuzi wa hitilafu za infraredi: utofautishaji mdogo, mizani mingi, na malengo madogo.

Kielelezo 6: Drone ya rota nyingi iliyobeba kamera, ikiruka juu ya safu ya paneli kuchukua picha za infrared kwa wingi, ikisafisha kwa dakika kile ambacho timu ingechukua nusu siku kukifunika.

Faida za Kiufundi

Hatua ya Kwanza: Uboreshaji wa Kimaana, Kuvuta Kasoro Zinazoelea Kutoka kwenye Mandhari

SESPNet inajengwa juu ya YOLOv10 kama modeli yake ya msingi. YOLOv10 ni mojawapo ya vigunduzi vya wakati halisi vinavyojulikana sana leo, iliyotolewa na timu ya Tsinghua mwezi Mei 2024, iliyoundwa kuwa ya haraka, sahihi na rahisi kupelekwa. SESPNet hufanya shughuli tatu juu yake, na ya kwanza hupachika Moduli ya Uboreshaji wa Taarifa za Kimaana, SIEM, kwenye uti wa mgongo.

Inachotatua ni tatizo la utofautishaji wa chini. Utofautishaji hafifu katika picha za kasoro za infrared huruhusu kelele za mandhari kuingilia vipengele ambavyo modeli hutoa, na kudhuru usahihi. SIEM hufanya kazi kwa njia mbili kwa wakati mmoja. Tawi la umakini wa kimataifa huchukua maana ya jumla ya picha nzima, likitambua kilicho mandhari na kile kinachoweza kuficha kasoro, hivyo mwingiliano wa vitu vingi hupunguzwa. Tawi la umakini wa kienyeji hulenga maelezo na muundo wa kasoro yenyewe, likiongeza usemi wake wa vipengele.

Kila tawi huchunguza kitu chake, kisha kimataifa na kienyeji hupimwa na kuunganishwa pamoja. Fikiria kama kukaza macho ili kuona muundo wa jumla wa paa na kuondoa vitu vingi, kisha kuegemea karibu kutazama kiraka kimoja kinachotiliwa shaka. Karibu na mbali vimeunganishwa, na kasoro huinuliwa kutoka kwenye mandhari hafifu. Vipengele vilivyounganishwa huhifadhi maelezo ya kasoro huku vikizuia mwingiliano wa mandhari, hivyo usemi wa vipengele ni wenye nguvu wazi.

Matokeo yanaonekana wazi katika utafiti wa ablation baadaye: ongeza SIEM peke yake na usahihi wa wastani hupanda katika madaraja yote matatu lengwa, na faida za kweli katika kupinga mandhari tata.

Uti wa mgongo ni sehemu ya modeli inayogusa picha kwanza na kutoa vipengele vya msingi. Kuweka SIEM hapa kunamaanisha kusafisha kwenye chanzo: kabla kitu chochote kupitishwa, vipengele vya kasoro tayari vimeimarishwa na kelele za mandhari tayari zimezuiwa. Kwa chanzo safi, ushughulikiaji wa kiwango wa baadaye na ujanibishaji wa lengo hautapotoshwa na vitu vingi. Ndiyo sababu inakaa kwenye uti wa mgongo na mahali pengine popote. Shughulikia uchafuzi mapema.

Kielelezo 7: Muundo wa matawi mawili wa moduli ya uboreshaji wa kimaana ya SIEM. Tawi la kimataifa husoma picha kubwa ili kuzuia mandhari, tawi la kienyeji huchunguza maelezo ili kuimarisha kasoro, kisha mawili hupimwa na kuunganishwa.

Kielelezo 8: Safu ya PV ya paa. Uwanja mnene wa moduli ndiyo mandhari chafu inayotoa mwingiliano kwa algoriti ya ugunduzi.

Hatua ya Pili: Uunganishaji wa Piramidi, Vitone Vikubwa na Vidogo Vyote Vinalengwa

Mabadiliko ya pili hubadilisha moduli ya awali ya YOLOv10 ya kuchanganya piramidi ya anga na Moduli ya Kuchanganya Piramidi ya Umakini wa Anga, SAPPM. Inalenga tatizo la mizani tofauti.

"Kuchanganya piramidi" inaweza kueleweka kama kuchanganua ramani hiyo hiyo ya vipengele kwa kutumia madirisha kadhaa ya ukubwa tofauti kwa wakati mmoja. Madirisha madogo huona maelezo ya kina, mazuri kwa maeneo madogo ya moto; madirisha makubwa huona kwa upana, mazuri kwa maeneo makubwa ya moto. Utafiti huendesha madirisha kadhaa ya kuchanganya kutoka madogo hadi makubwa kwa sambamba, hivyo iwe kasoro inajaza safu kadhaa au ni doa dogo la ukubwa wa kiganja, dirisha sahihi hulikamata.

Juu ya hayo, SAPPM huongeza safu ya umakini wa anga. Inagawa uzito tofauti kwa vipengele kutoka madirisha tofauti, hivyo taarifa muhimu ya mizani huwekwa mbele na katikati wakati zisizohusika hupunguzwa, kisha inashona vipengele hivi vya mizani mbalimbali kuwa ramani kamili zaidi ya vipengele. Kwa ufupi, sehemu ya kwanza hushughulikia "kuona kila ukubwa," ya pili hushughulikia "kuangazia kile kinachopaswa kuonekana." Kwa pamoja huongeza kwa kasi hisia ya modeli ya malengo ya mizani mbalimbali.

Hii hupunguza moja kwa moja tatizo la zamani la kupoteza kimoja kwa ajili ya kingine. Mtandao wenye uwanja wa mapokezi usiobadilika huacha lengo dogo wakati ukishughulikia kubwa; kwa SAPPM, maeneo makubwa na madogo ya moto yanaweza kuonekana wazi kwa mpito mmoja, bila kujali pengo la ukubwa.

Kielelezo 9: Mchoro wa kuchanganya piramidi ya vipengele vya mizani mbalimbali ya SAPPM, ukichanganua kwa sambamba kwa madirisha ya ukubwa tofauti kisha kuyashona kwa uzani wa umakini wa anga.

Kielelezo 10: Picha ya angani ya kiwanda. Droni hunasa kwa urefu tofauti, hivyo kasoro hiyo hiyo huonekana kwa mizani tofauti zaidi kwenye picha.

Hatua ya Tatu: Umakini wa Njia, Kuvua Nyuma Malengo Madogo Yaliyokaribia Kupotea

Mabadiliko ya tatu yapo kwenye mtandao wa shingo, yakijenga utaratibu wa umakini wa njia wa mizani mbalimbali, MCI. Inatibu tatizo gumu zaidi, upotevu wa taarifa za malengo madogo.

Kwanza, neno kuhusu njia. Mtandao unapochakata picha, hugawanya vipengele katika njia nyingi sambamba, kila moja ikielezea picha kwa mtazamo tofauti. Vipengele vya malengo madogo tayari ni hafifu, vimetawanyika katika njia hizi, na ikiwa kila njia itajishughulikia yenyewe bila kubadilishana, kile kipande cha thamani cha taarifa huweza kuzama katika uhamishaji wa tabaka kwa tabaka.

Mbinu ya MCI ni kujenga mwingiliano kati ya njia, kuziruhusu kuwasiliana. Popote njia bado ina chembe ya lengo dogo, ushirikiano wa njia mbalimbali huikuza na kuihifadhi. Hii huimarisha zaidi uchimbaji wa taarifa za vipengele vya mizani midogo, na maeneo hayo madogo ya moto yaliyokuwa karibu kutoweka katika upunguzaji wa sampuli huvuliwa nyuma.

Mahali ambapo hatua hizi tatu zinakaa katika mtandao pia ni kwa makusudi. SIEM husafisha vipengele kwenye chanzo cha uti wa mgongo, SAPPM hujumlisha taarifa za mizani mbalimbali kwenye mkia wa uti wa mgongo, na MCI hufanya usafishaji wa mwisho kwenye shingo inayounganisha uti wa mgongo na kichwa cha utambuzi. Mbele, kati, nyuma, kwa pamoja hufunika mnyororo kamili wa kutoa, kujumlisha na kutoa vipengele, na kila hatua hupata tiba inayolengwa kwa kila kiini cha maumivu cha kasoro za infrared.

Hatua hizi tatu zina majukumu wazi: SIEM hushughulikia utofautishaji, SAPPM hushughulikia mizani, MCI hushughulikia malengo madogo. Hazipigani peke yao bali hupitisha kijiti: kwanza kuinua kasoro kutoka kwenye mandhari, kisha kufunika ukubwa wote, kisha kunasa lengo dogo linalowezekana kuteleza. Kwa mchanganyiko huu, mifupa mitatu migumu zaidi ya utambuzi wa kasoro za infrared hupasuka moja baada ya nyingine.

Kielelezo 11: Maeneo ya moto ya infrared yamepangwa kwa mizani katika Makubwa, ya Kati na Madogo. Tofauti ya ukubwa ni kubwa, na maeneo madogo zaidi ya moto ndiyo rahisi kukosa.

Kielelezo 12: Lengo hafifu lililonaswa na kamera ya infrared. Kadiri lengo linavyokuwa dogo na hafifu, ndivyo rahisi kufutwa katika usindikaji.

Matumizi ya Bidhaa

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

Athari ya hatua hizi tatu inategemea data. Watafiti walijenga seti yao ya data ya kasoro za infrared za moduli za PV, wakiweka alama za maeneo ya moto kwa ukubwa wa pikseli zinazochukua katika picha katika makundi matatu: zaidi ya pikseli 64x64 ni Makubwa, kati ya 32x32 na 64x64 ni ya Kati, chini ya 32x32 ni Madogo. Kama utambuzi ni mzuri lazima usomwe kundi kwa kundi, mizani kwa mizani.

Usahihi hutegemea vipimo viwili. Kimoja ni ukumbukaji, R, unaojibu "kati ya kasoro zinazopaswa kupatikana, ngapi zilipatikana." Kingine ni wastani wa usahihi wa wastani, PmA, wastani wa usahihi wa utambuzi kati ya makundi, alama ya jumla ambayo kigunduzi hujali zaidi. Ongeza kasi ya utambuzi, inayopimwa kwa fremu zinazochakatwa kwa sekunde, na namba hizo tatu pamoja hueleza hadithi kamili ya algoriti.

Anza na upunguzaji wa moduli kwa moduli. Kwa YOLOv10 ya kawaida kama msingi, wastani wa usahihi wa wastani ni 89.8%. Ongeza SIEM peke yake, hadi 90.4%; SAPPM peke yake, 90.5%; MCI peke yake, 90.7%. Kila hatua inasaidia. Rundo zote tatu, SESPNet kamili, na wastani wa usahihi wa wastani unaruka hadi 92.1%. Kinachojitokeza ni malengo madogo: usahihi wa Mini wa msingi 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: Upunguzaji wa moduli kwa moduli. Kwa moduli tatu zikiwa zimerundikwa, usahihi mgumu zaidi wa malengo madogo unapanda kutoka 86.7% hadi 90.3%.

Kielelezo 14: Kiwanda kikubwa cha ardhini kisicho na mwisho. Maelfu na maelfu ya moduli zake ndizo hasa ambazo algoriti hii inapaswa kukagua moja baada ya nyingine.

Uso kwa Uso: Algoriti Tisa kwenye Jukwaa Moja

Kujilinganisha na yenyewe hakutoshi. Utafiti unaweka SESPNet kwenye jukwaa moja na algoriti nyingine nane kuu, unazifunza kwenye seti moja ya data, na kupima usahihi na kasi kwa pamoja.

Matokeo yanajieleza yenyewe. Algoriti za kitamaduni za hatua mbili kama Faster R-CNN na Cascade R-CNN zina uwezo mdogo wa kuchimba vipengele na zinafanya kazi polepole, zikifikia usahihi wa wastani wa 86% hadi 88%, hazifai kwa mandhari zinazohitaji utendaji wa hali ya juu wa wakati halisi. SSD ni ya haraka zaidi lakini usahihi wake ni 74.3% tu, wazi ni mdogo. Mfululizo wa YOLO kwa ujumla umesawazishwa zaidi: kutoka 88.1% ya YOLOv7, kupitia YOLOX, YOLOv8, YOLOv10 na YOLOv11, usahihi unapanda hadi kiwango cha 89% hadi 90% huku kasi zote zikiwa karibu na fremu hamsini hadi sitini kwa sekunde.

SESPNet inasukuma mkunjo huo mbele zaidi hadi kona ya juu kulia: usahihi wa wastani wa 92.1%, karibu pointi 2 juu ya anayefuata, na fremu 62.4 kwa sekunde, sawia kabisa na wakimbiaji 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. Katika mandhari ya idadi kubwa ya moduli ambapo unahukumu unapopiga doria, kila chembe ya upolepole ni gharama.

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

Mistari hiyo miwili ni fasili za msingi za vipimo vya usahihi. R (recall) hupima sehemu ya kasoro halisi zilizopatikana, P (precision) hupima ni kasoro ngapi kati ya zilizoripotiwa ni halisi, na PmA ni alama ya jumla inayohesabiwa kwa makundi na kwa viwango vya usahihi. Mantiki si tata: kosa kidogo iwezekanavyo (recall ya juu) na toa tahadhari ya uongo kidogo iwezekanavyo (precision ya juu), weka pande zote mbili katika udhibiti, na unakuwa na kigunduzi cha kutegemewa.

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

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

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

Kufanya kazi vizuri maabara haimaanishi inaweza kutumika uwandani. Viwanda vya PV mara nyingi viko porini, ambapo vifaa vya ukaguzi vina uwezo mdogo wa kompyuta na nishati. Ikiwa algoriti inaweza kutoshea kwenye sanduku dogo la nishati ya chini na kufanya kazi kwa wakati halisi ni kizuizi cha mwisho kwa utumiaji halisi.

Watafiti waliipeleka kwenye jukwaa lililopachikwa liitwalo Jetson Nano ili kuthibitisha. Kichakataji chake ni chipu ya ARM yenye viini vinne iliyounganishwa na GPU ya kiwango cha kuingia yenye viini 128, chini sana ya kituo cha kazi cha maabara chenye kadi yake maalum katika ukokotoaji na nishati. SESPNet iliwekwa kwa kiwango sawa cha pembejeo, kisha ikashindana na algoriti nyingine kwenye ubao huu mdogo.

Matokeo yanathibitisha tena uwiano wake. Algoriti za kitamaduni za hatua mbili zinaonyesha rangi zao za kweli katika mazingira yaliyopachikwa: Faster R-CNN inashuka hadi fremu 1.9 kwa sekunde, karibu si wakati halisi; Cascade R-CNN ni 3.7 tu. Mfululizo wa YOLO kwa ujumla unashuka hadi karibu kumi na moja au kumi na mbili fremu, wakati SESPNet inashikilia fremu 12.6 kwa sekunde huku ikihifadhi usahihi wa juu wa 92.1%, sawa kabisa na YOLO nyepesi, hata kidogo mbele. Ukokotoaji umepunguzwa sana, inabaki sahihi na thabiti, ikionyesha jinsi muundo unafaa vizuri kwa mazingira yenye rasilimali chache.

Hii inamaanisha ndege isiyo na rubani au mkaguzi anayebebeka aliye na algoriti hii hatalazimika kutuma picha kwenye wingu ili kuzichakata polepole. Papo hapo, kwa wakati halisi, anaweza kutambua paneli ipi ina sehemu ya joto. Ufanisi wa ukaguzi na kasi ya mwitikio vyote vinapanda hatua nyingine.

Thamani ya kuhukumu papo hapo ni zaidi ya kuokoa safari moja ya kwenda na kurudi. Kuweka ukokotoaji ukingoni kunamaanisha ukaguzi unaweza kuendelea kufanya kazi kwenye mitambo ya mbali yenye mawasiliano hafifu; ukiona sehemu ya joto inayoshukiwa unaweza kuiweka alama 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 zinazohesabiwa kwa mamilioni, uwezo huu wa wakati halisi wa papo hapo unaamua moja kwa moja kama ukaguzi kamili unachukua masaa au siku.

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

Tukiangalia nyuma, werevu wa SESPNet hauko katika kurundika muundo mgumu bali katika kutibu dalili sahihi. Utofautishaji wa infrared ni mdogo, hivyo uboreshaji wa kimantiki hukandamiza mandharinyuma. Ukubwa wa kasoro ni mchanganyiko, hivyo ujumuishaji wa piramidi hushughulikia ukubwa wote. Malengo madogo hupotea kwa urahisi, hivyo umakini wa njia huwavua tena. Hatua tatu, kila moja kwa kazi yake, na kupokezana kijiti.

Kinachoadimu zaidi ni kwamba haikunenepe muundo kwa ajili ya usahihi. Algoriti nyingi hufukuza usahihi wa juu kwa upofu, huishia kuwa nene, hupunguza kasi, na hata haziwezi kutoshea kwenye kifaa kilichopachikwa. SESPNet inashikilia kasi yake huku ikiongoza kwa usahihi, na ilistahimili jaribio la ukokotoaji uliopunguzwa kwa kiasi kikubwa. Uwiano huo wa sahihi, haraka na mwepesi ndio sifa ambayo uwanja huu unaithamini zaidi. Kama teknolojia ni nzuri au la inategemea kama inaweza kufanya kazi halisi kwenye mtambo halisi.

92.1% wastani wa usahihi wa wastani, fremu 62.4 kwa sekunde, na ndogo vya kutosha kuendeshwa kwa wakati halisi katika kisanduku cha ukubwa wa kiganja. Namba hizo tatu kwa pamoja zinaonyesha chombo ambacho kinaweza kweli kushuka hadi kwenye mtambo na kuanza kazi. Inabadilisha picha ya infrared ya kijivu isiyo na mwanga, ambayo hapo awali ilikuwa ngumu hata kwa jicho la mwanadamu, kuwa ripoti ya afya ambapo kasoro hazina mahali pa kujificha.

Wakati drone iliyobeba algoriti kama hii inapopita juu ya shamba baada ya shamba la safu za bluu, kila paneli inayozidi joto kwa utulivu inanaswa na kushughulikiwa katika wakati wa kwanza. Maeneo ya moto yaliyofichika yanaonekana, na hatari zinazoonekana ndogo zinazimwa. Kinachodumu ni mtambo ambao hubadilisha mwanga wa jua kuwa nishati, 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 uaminifu. Sehemu ya moto inayoonekana shambani mara nyingi hufuatiliwa hadi kwenye mpasuko mdogo au kiungo baridi cha solder kilichozaliwa kwenye mstari, ndiyo sababu uchomeleaji wa stringer, upangaji wa layup na udhibiti wa lamination ni muhimu sana kwenye mstari wa uzalishaji wa moduli. Fanya hatua hizo kwa usahihi na utapeleka sehemu chache za moto shambani kuanzia mwanzo. Ikiwa unataka kuona jinsi mstari halisi wa moduli unavyojengwa na kurekebishwa, matembezi yetu ya kiwanda kwenye chaneli ya YouTube ya Ooitech (www.youtube.com/ooitech) yanafaa kutazamwa na kujiunga.