แนะนำผลิตภัณฑ์

ฟาร์มโซลาร์เซลล์หนึ่งแห่งสามารถมีโมดูลได้ตั้งแต่หลายหมื่นถึงหลายล้านแผ่น วันแล้ววันเล่าที่พวกมันต้องเผชิญกับความร้อน ลม ทราย ฝน และหิมะ จึงไม่น่าแปลกใจที่พวกมันจะเกิดอาการป่วยต่างๆ มากมาย อาการที่พบบ่อยที่สุดและอันตรายที่สุดคือจุดร้อน

จุดร้อนคือรอยเล็กๆ บนโมดูลที่ทำงานร้อนผิดปกติ กรณีที่ดีที่สุดคือมันลดกำลังไฟฟ้าที่ผลิตได้ กรณีที่แย่ที่สุดคือมันไหม้ทะลุแผ่นหลังและทำให้เกิดไฟไหม้ ซึ่งเป็นอันตรายต่อทั้งโรงงาน ปัญหาคือโมดูลถูกวางเรียงชิดกัน การส่งทีมงานออกไปตรวจสอบทีละแผ่นด้วยเครื่องมือมือถือนั้นช้าและมองไม่เห็นสิ่งต่างๆ ดังนั้นการจับคู่การถ่ายภาพความร้อนอินฟราเรดกับการเรียนรู้เชิงลึกจึงถูกผลักดันให้เป็นที่สนใจ

ชี้กล้องอินฟราเรดไปที่โมดูล จับการกระจายอุณหภูมิเป็นแผนที่ความร้อน จากนั้นให้โครงข่ายประสาทเทียมที่ผ่านการฝึกมาอ่านแผนที่นั้นให้คุณ และทำเครื่องหมายว่าบริเวณไหนร้อนและร้อนแค่ไหน ฟังดูตรงไปตรงมา แต่การทำให้มันใช้งานได้จริงในภาคสนามเป็นอีกเรื่องหนึ่ง ภาพอินฟราเรดมีข้อบกพร่องสามประการที่ทำให้อัลกอริทึมทั่วไปทำงานผิดพลาด ได้แก่ ความละเอียดต่ำ ขนาดข้อบกพร่องที่แตกต่างกันอย่างมาก และพื้นหลังที่รก

วิธีการใหม่ที่เรียกว่า SESPNet (Semantic Enhancement and Scale Perception Network) มุ่งตรงไปที่ข้อบกพร่องสามประการนั้น ตัวเลขของมันแข็งแกร่ง: ความแม่นยำเฉลี่ย 92.1%, 62.4 เฟรมต่อวินาที และมีขนาดเล็กพอที่จะทำงานแบบเรียลไทม์บนอุปกรณ์ฝังตัวขนาดเท่าฝ่ามือ บทความนี้จะอธิบายว่ามันดึงจุดร้อนทุกจุดออกจากกรอบอินฟราเรดสีเทาหม่นได้อย่างไร

ก่อนอื่น ว่าทำไมฮอตสปอตถึงสำคัญ โมดูล PV ประกอบด้วยเซลล์หลายเซลล์ที่ต่ออนุกรมกัน หากเซลล์หนึ่งสูญเสียกำลังผลิตเนื่องจากเงา รอยแตกขนาดเล็ก หรือสิ่งสกปรก มันจะหยุดจ่ายกระแสและเริ่มทำตัวเหมือนตัวต้านทาน เปลี่ยนกระแสจากเซลล์อื่นเป็นความร้อนและเผาผลาญภายในตัวเอง เซลล์นั้นจะกลายเป็นแหล่งความร้อนของทั้งสตริง ร้อนกว่าเซลล์ข้างเคียงหลายสิบองศา กรณีไม่รุนแรงจะลดกำลังผลิตของสตริง กรณีรุนแรงจะทำให้สารหุ้มเซลล์เสื่อมสภาพเมื่อเวลาผ่านไป เผาทะลุแผ่นหลัง และอาจทำให้เกิดไฟไหม้ได้ การค้นหาฮอตสปอตตั้งแต่เนิ่นๆ และจัดการอย่างรวดเร็วเป็นงานที่ทีมงาน PV หลีกเลี่ยงไม่ได้

รูปที่ 1: โมดูลแผงรับแสงอาทิตย์ที่ติดตั้งบนหลังคา โดนกลางแจ้งเป็นเวลาหลายปี ซึ่งจุดที่มีอุณหภูมิสูงเฉพาะที่ก่อตัวเป็นฮอตสปอต

รูปที่ 2: ขั้นตอนการทำงานห้าขั้นตอนของการตรวจจับความร้อนอินฟราเรดสำหรับข้อบกพร่องของโมดูล PV ตั้งแต่การจับอุณหภูมิไปจนถึงการระบุแผงที่บกพร่อง

พารามิเตอร์ทางเทคนิค

ทำไมอินฟราเรดจึงจำเป็นสำหรับการตรวจจับฮอตสปอต

เพื่อทำความเข้าใจอัลกอริทึมนี้ เริ่มจากพื้นฐาน: ทำไมกล้องแสงที่มองเห็นจึงไม่เพียงพอสำหรับข้อบกพร่อง PV ที่ซ่อนอยู่ และทำไมอินฟราเรดจึงเป็นทางเลือกเดียว

การถ่ายภาพด้วยแสงที่มองเห็นเป็นเพียงการถ่ายภาพทั่วไป ความละเอียดสูง รายละเอียดมาก เหมาะสำหรับการตรวจจับรอยแตก รอยขีดข่วน และสิ่งสกปรกบนพื้นผิว ซึ่งเป็นสิ่งที่มองเห็นได้ แต่มันมีข้อจำกัดร้ายแรง มันอ่านได้เฉพาะลักษณะภายนอก ไม่ใช่อุณหภูมิ รอยแตกขนาดเล็กหรือรอยต่อบัดกรีเย็นภายในโมดูลมักไม่เปลี่ยนลักษณะภายนอกในช่วงแรก แต่กลับขัดขวางกระแสไฟฟ้าที่จุดนั้นและทำให้ร้อนขึ้น กล้องแสงที่มองเห็นไม่สามารถตรวจจับข้อบกพร่องทางความร้อนเหล่านี้ได้ และในเวลากลางคืนหรือแสงน้อยก็ไร้ประโยชน์

อินฟราเรดใช้แนวทางที่แตกต่าง วัตถุใดๆ ที่มีอุณหภูมิสูงกว่าศูนย์สัมบูรณ์จะแผ่รังสีอินฟราเรด และยิ่งร้อนมากรังสียิ่งแรง กล้องอินฟราเรดจะจับรังสีนั้นและแปลงการกระจายอุณหภูมิที่มองไม่เห็นเป็นแผนที่ความร้อนสีหรือสีเทาโดยตรง ไม่ต้องใช้แสงภายนอก จึงทำงานได้ทั้งกลางวันและกลางคืน บริเวณที่โมดูลร้อนและร้อนแค่ไหนจะแสดงชัดเจน สำหรับข้อบกพร่องที่เกิดจากความร้อน เช่น ฮอตสปอตและเส้นกริดที่ขาด อินฟราเรดคือทางออกที่เหมาะสม

นั่นคือเหตุผลที่อินฟราเรดกลายเป็นวิธีสำคัญในการเพิ่มทั้งความแม่นยำและความเร็วในการตรวจจับข้อบกพร่องในโรงไฟฟ้า PV โดรนที่ติดตั้งกล้องอินฟราเรดสามารถสแกนทั้งแผงได้ภายในไม่กี่นาที เร็วกว่าทีมงาน manual หลายสิบเท่า แต่ความสามารถในการมองเห็นความร้อนนี้มาพร้อมราคา: คุณภาพของภาพต่ำกว่าแสงที่มองเห็นมาก

วิธีการแบบเก่าที่ใช้คนงานถือเครื่องมือและวัดแผงทีละแผงนั้นช้าและพึ่งพาประสบการณ์อย่างมาก เมื่อแผงถูกจัดเรียงอย่างหนาแน่นและนับเป็นพันๆ แผง การอ่านทีละแผงทำให้เหนื่อยล้า เกิดข้อผิดพลาดได้ง่าย และแทบจะเป็นไปไม่ได้ในเวลากลางคืน การใช้โดรนร่วมกับอินฟราเรดช่วยเพิ่มประสิทธิภาพในขั้นตอนการเก็บภาพ แต่ถ้าคุณยังคงอ่านภาพเหล่านั้นหลายพันภาพด้วยมือ ปัญหาคอขวดก็แค่ย้ายจากการวัดไปเป็นการดูเท่านั้น เพื่อให้ครบวงจร คุณต้องมีอัลกอริทึมในการอ่านภาพ นั่นคือจุดที่การเรียนรู้เชิงลึกเข้ามามีบทบาท

รูปที่ 3: แผนที่ความร้อนอินฟราเรดทั่วไป ยิ่งพื้นที่ร้อนมาก สียิ่งอุ่นขึ้น และบริเวณที่ร้อนเกินไปจะเด่นชัดทันที นี่คือวัตถุดิบสำหรับการตรวจจับจุดร้อน

รูปที่ 4: การแบ่งหน้าที่ระหว่างการถ่ายภาพด้วยแสงที่มองเห็นและอินฟราเรด สำหรับข้อบกพร่องทางความร้อน อินฟราเรดคือทางออกตามธรรมชาติ

สามปัญหาหนักในการตรวจจับข้อบกพร่องด้วยอินฟราเรด

อินฟราเรดสามารถมองเห็นความร้อนได้ แต่มอบปัญหาที่ยากสามข้อให้กับอัลกอริทึมการตรวจจับ ปัญหาทั้งสามนี้คือสาเหตุที่อัลกอริทึมสำเร็จรูปหลายตัวล้มเหลวในงานอินฟราเรดของ PV

หนึ่ง: คอนทราสต์ต่ำ ภาพอินฟราเรดโดยรวมจะมัวและเทา ความแตกต่างของระดับสีเทาระหว่างข้อบกพร่องและพื้นหลังมีน้อยอยู่แล้ว และเมื่อมีสัญญาณรบกวนจากภาพซ้อนทับ ข้อบกพร่องจะถูกกลืนโดยพื้นหลัง อัลกอริทึมไม่สามารถดึงคุณสมบัติหลักได้ ทำให้ความแม่นยำลดลง

สอง: ขนาดของข้อบกพร่องที่แปรผันอย่างมาก ในภาพอินฟราเรดภาพเดียว ขนาดของจุดร้อนอาจแตกต่างกันหลายสิบเท่า บางจุดเป็นสตริงที่บายพาสทั้งหมดเรืองแสงเป็นบริเวณกว้าง บางจุดเป็นเพียงเซลล์เดียวที่อุ่นขึ้นเล็กน้อยในมุมหนึ่ง ฟิลด์รับความรู้สึกคงที่ ซึ่งเป็นช่วงที่เครือข่ายมองเห็นได้ชัดเจนในครั้งเดียว มักจะเสียอย่างหนึ่งเพื่ออีกอย่างเมื่อเจอการกระจายตัวเช่นนี้: ได้เป้าหมายใหญ่ก็พลาดเป้าหมายเล็ก หรือในทางกลับกัน

สาม: ข้อมูลเป้าหมายขนาดเล็กสูญหาย นี่คือปัญหาที่ยากที่สุด โครงข่ายประสาทเทียมลดขนาดลงทีละชั้น ทำให้ภาพเล็กลงเพื่อดึงความหมายระดับสูง แต่จุดร้อนขนาดเล็กที่เริ่มต้นเพียงไม่กี่พิกเซลจะถูกทำให้เรียบเมื่อเล็กลง จนแทบไม่เหลืออะไรเมื่อถึงเวลาตัดสินใจ และการรู้จำได้รับผลกระทบอย่างมาก

รวมทั้งสามอย่างเข้าด้วยกันก็ชัดเจน: การตรวจจับข้อบกพร่องด้วยอินฟราเรดของ PV นั้นยากเพราะคุณต้องต่อสู้กับ "มองไม่ชัด ขนาดกระจายตัว หลงง่าย" ในเวลาเดียวกัน การอัปเกรดหลักสามประการของ SESPNet แต่ละอย่างมุ่งเป้าไปที่หนึ่งในปัญหาเหล่านี้: หนึ่งเพิ่มความหมายเพื่อระงับพื้นหลัง สองสร้างพีระมิดเพื่อจัดการขนาด สามปกป้องช่องสัญญาณเพื่อกู้คืนเป้าหมายขนาดเล็ก

ทำไมไม่ใช้เครื่องตรวจจับแบบสำเร็จรูปทั่วไปล่ะ? การตรวจจับวัตถุพัฒนาไปเร็วมาก และแบ่งออกเป็นสองเส้นทาง เส้นทางแรกคือแบบสองขั้นตอน: ขั้นแรกคัดกรองพื้นที่ที่เป็นไปได้อย่างคร่าวๆ จากนั้นตัดสินแต่ละพื้นที่อย่างละเอียด แม่นยำสูงแต่ช้า อีกเส้นทางคือแบบขั้นตอนเดียว: ดูครั้งเดียวก็ได้ทั้งตำแหน่งและประเภท รวดเร็วและเหมาะกับเวลาจริง ซีรีส์ YOLO คือเรือธงของแบบขั้นตอนเดียว แต่อัลกอริทึมทั่วไปเหล่านี้ถูกฝึกบนภาพที่มองเห็นได้ทั่วไป และเมื่อนำไปใช้กับภาพอินฟราเรดของแผงโซลาร์เซลล์ที่มีคอนทราสต์ต่ำและขนาดหลากหลาย ก็ทำงานได้ไม่ดี การอัปเกรดของ SESPNet เติมเต็มช่องว่างทั้งสามนั้น ออกแบบมาเฉพาะสำหรับข้อบกพร่องในภาพอินฟราเรด

รูปที่ 5: ปัญหาสามประการของการตรวจจับข้อบกพร่องด้วยอินฟราเรด: คอนทราสต์ต่ำ หลายขนาด และเป้าหมายขนาดเล็ก

รูปที่ 6: โดรนหลายใบพัดที่ติดตั้งกล้อง บินเหนือแผงโซลาร์เซลล์เพื่อถ่ายภาพอินฟราเรดจำนวนมาก ครอบคลุมพื้นที่ในไม่กี่นาทีซึ่งทีมงานต้องใช้เวลาครึ่งวัน

ข้อได้เปรียบทางเทคนิค

ขั้นตอนที่หนึ่ง: การเสริมความหมายเชิงความหมาย ดึงข้อบกพร่องออกจากพื้นหลัง

SESPNet สร้างบน YOLOv10 เป็นโมเดลพื้นฐาน YOLOv10 เป็นหนึ่งในตัวตรวจจับแบบเรียลไทม์ที่ได้รับความนิยมมากที่สุดในปัจจุบัน เปิดตัวโดยทีมงานจากมหาวิทยาลัยชิงหัวในเดือนพฤษภาคม 2024 ออกแบบมาให้รวดเร็ว แม่นยำ และปรับใช้ได้ง่าย SESPNet ดำเนินการสามอย่างกับมัน และอย่างแรกคือการฝังโมดูลเสริมข้อมูลเชิงความหมาย (SIEM) ในโครงสร้างหลัก

สิ่งที่แก้ไขคือปัญหาคอนทราสต์ต่ำ คอนทราสต์ต่ำในภาพข้อบกพร่องอินฟราเรดทำให้สัญญาณรบกวนจากพื้นหลังรบกวนคุณสมบัติที่โมเดลดึงออกมา ส่งผลต่อความแม่นยำ SIEM ทำงานสองทางพร้อมกัน สาขาการสนใจระดับโลกจะรับความหมายโดยรวมของภาพทั้งหมด คำนวณว่าส่วนไหนคือพื้นหลังและส่วนไหนอาจซ่อนข้อบกพร่อง เพื่อลดการรบกวนจากสิ่งรบกวน สาขาการสนใจระดับท้องถิ่นจะเน้นที่รายละเอียดและพื้นผิวของข้อบกพร่องเอง เพิ่มความชัดเจนของการแสดงคุณสมบัติ

แต่ละสาขาดูแลสิ่งที่ตัวเองสนใจ จากนั้นการสนใจระดับโลกและระดับท้องถิ่นจะถูกถ่วงน้ำหนักและรวมเข้าด้วยกัน คิดเหมือนกับการหรี่ตาเพื่อมองโครงร่างของหลังคาทั้งหมดและกำจัดสิ่งรบกวน จากนั้นโน้มตัวเข้าไปจ้องที่จุดที่น่าสงสัยจุดหนึ่ง ใกล้และไกลรวมกัน และข้อบกพร่องถูกยกขึ้นจากพื้นหลังที่มัวหมอง คุณสมบัติที่รวมกันยังคงรายละเอียดของข้อบกพร่องในขณะที่ระงับการรบกวนจากพื้นหลัง ดังนั้นการแสดงคุณสมบัติจึงแข็งแกร่งขึ้นอย่างชัดเจน

ผลลัพธ์แสดงให้เห็นอย่างชัดเจนในการศึกษาการตัดออกในภายหลัง: เพิ่ม SIEM เพียงอย่างเดียวทำให้ความแม่นยำเฉลี่ยเพิ่มขึ้นในทั้งสามคลาสเป้าหมาย โดยมีความก้าวหน้าอย่างแท้จริงในการต้านทานพื้นหลังที่ซับซ้อน

Backbone คือส่วนของโมเดลที่สัมผัสกับภาพก่อนและดึงคุณสมบัติพื้นฐานออกมา การวาง SIEM ไว้ที่นี่หมายถึงการทำความสะอาดที่ต้นทาง: ก่อนที่จะส่งต่อสิ่งใด คุณสมบัติของข้อบกพร่องจะถูกเสริมความแข็งแกร่งและสัญญาณรบกวนพื้นหลังถูกระงับแล้ว ด้วยแหล่งที่มาที่สะอาด การจัดการขนาดและการระบุตำแหน่งเป้าหมายในภายหลังจะไม่ถูกนำทางผิดโดยความยุ่งเหยิง นั่นคือเหตุผลที่มันอยู่ใน backbone และไม่มีที่อื่น รักษามลพิษตั้งแต่เนิ่นๆ

รูปที่ 7: โครงสร้างสองสาขาของโมดูลเสริมความหมาย SIEM สาขาโกลบอลอ่านภาพรวมเพื่อระงับพื้นหลัง สาขาท้องถิ่นดูรายละเอียดเพื่อเสริมข้อบกพร่อง จากนั้นทั้งสองจะถูกถ่วงน้ำหนักและรวมกัน

รูปที่ 8: แผงโซลาร์เซลล์บนหลังคา พื้นที่หนาแน่นของโมดูลเป็นฉากที่ยุ่งเหยิงซึ่งก่อให้เกิดการรบกวนต่ออัลกอริทึมการตรวจจับ

ขั้นตอนที่สอง: Pyramid Pooling, จุดร้อนทั้งใหญ่และเล็กอยู่ในโฟกัส

การเปลี่ยนแปลงที่สองแทนที่โมดูล spatial pyramid pooling ดั้งเดิมของ YOLOv10 ด้วย Space Attention Pyramid Pooling Module (SAPPM) ซึ่งมุ่งเป้าไปที่ปัญหาขนาดที่หลากหลาย

"Pyramid pooling" สามารถอ่านได้ว่าเป็นการสแกนแผนที่คุณสมบัติเดียวกันด้วยหน้าต่างหลายขนาดที่แตกต่างกันพร้อมกัน หน้าต่างเล็กมองเห็นรายละเอียดละเอียด เหมาะสำหรับจุดร้อนขนาดเล็ก หน้าต่างใหญ่มองเห็นกว้าง เหมาะสำหรับจุดร้อนขนาดใหญ่ การศึกษานี้รันหน้าต่าง pooling หลายขนาดจากเล็กไปใหญ่แบบขนาน ดังนั้นไม่ว่าข้อบกพร่องจะกินพื้นที่หลายแถวหรือเป็นจุดขนาดฝ่ามือ หน้าต่างที่เหมาะสมก็จะจับมันได้

นอกจากนี้ SAPPM ยังเพิ่มชั้น spatial attention โดยกำหนดน้ำหนักที่แตกต่างกันให้กับคุณสมบัติจากหน้าต่างต่างๆ เพื่อให้ข้อมูลขนาดที่สำคัญจริงๆ ถูกเก็บไว้ด้านหน้าและตรงกลาง ในขณะที่ข้อมูลที่ไม่เกี่ยวข้องถูกลดระดับลง จากนั้นจึงเย็บคุณสมบัติหลายขนาดเหล่านี้เป็นแผนที่คุณสมบัติที่สมบูรณ์ยิ่งขึ้น กล่าวโดยย่อ ส่วนแรกจัดการกับ "การมองเห็นทุกขนาด" ส่วนที่สองจัดการกับ "การเน้นสิ่งที่ควรเห็น" เมื่อรวมกันแล้วจะช่วยเพิ่มความสามารถของโมเดลในการรับรู้เป้าหมายหลายขนาดอย่างมาก

สิ่งนี้ช่วยลดปัญหาการเสียสมดุลระหว่างขนาดใหญ่และเล็กโดยตรง เครือข่ายที่มี receptive field คงที่จะสูญเสียเป้าหมายเล็กในขณะที่สนใจเป้าหมายใหญ่ เมื่อใช้ SAPPM จุดร้อนทั้งใหญ่และเล็กสามารถมองเห็นได้ชัดเจนในรอบเดียวกัน ไม่ว่าช่องว่างขนาดจะกว้างแค่ไหน

รูปที่ 9: ภาพร่างของ SAPPM multi-scale feature pyramid pooling, สแกนแบบขนานด้วยหน้าต่างขนาดต่างๆ จากนั้นเย็บด้วยการถ่วงน้ำหนัก spatial attention

รูปที่ 10: ภาพถ่ายทางอากาศของโรงงาน โดรนถ่ายภาพที่ระดับความสูงต่างกัน ทำให้ข้อบกพร่องเดียวกันปรากฏในขนาดที่หลากหลายยิ่งขึ้นในภาพ

ขั้นตอนที่สาม: Channel Attention, ดึงเป้าหมายเล็กที่เกือบจะหายไปกลับคืนมา

การเปลี่ยนแปลงครั้งที่สามเกิดขึ้นในส่วนคอของเครือข่าย โดยสร้างกลไกความสนใจช่องสัญญาณหลายระดับ (MCI) ซึ่งแก้ปัญหาที่ยุ่งยากที่สุดคือการสูญเสียข้อมูลเป้าหมายขนาดเล็ก

ก่อนอื่น มาพูดถึงช่องสัญญาณกัน เมื่อเครือข่ายประมวลผลภาพ มันจะแบ่งคุณลักษณะออกเป็นหลายช่องสัญญาณขนานกัน แต่ละช่องอธิบายภาพจากมุมที่แตกต่างกัน คุณลักษณะของเป้าหมายขนาดเล็กนั้นอ่อนแออยู่แล้ว กระจายอยู่ตามช่องสัญญาณเหล่านี้ และหากแต่ละช่องสนใจแต่ตัวเองโดยไม่มีการแลกเปลี่ยน ข้อมูลอันมีค่านั้นก็จะจมหายไปได้ง่ายในการส่งต่อทีละชั้น

แนวทางของ MCI คือการสร้างปฏิสัมพันธ์ระหว่างช่องสัญญาณ ให้พวกมันสื่อสารกัน ไม่ว่าช่องสัญญาณใดจะยังคงมีร่องรอยของเป้าหมายขนาดเล็ก ความร่วมมือข้ามช่องสัญญาณจะขยายและรักษามันไว้ ซึ่งช่วยเสริมการสกัดข้อมูลคุณลักษณะขนาดเล็ก และจุดร้อนขนาดเล็กที่กำลังจะหายไปในการลดตัวอย่างก็จะถูกดึงกลับมา

ตำแหน่งของการปรับปรุงทั้งสามนี้ในเครือข่ายก็ถูกออกแบบมาอย่างจงใจเช่นกัน SIEM ทำความสะอาดคุณลักษณะที่ต้นทางของ backbone, SAPPM สรุปข้อมูลหลายระดับที่ปลายของ backbone, และ MCI ทำการขัดเงาครั้งสุดท้ายที่ส่วนคอที่เชื่อมต่อ backbone กับหัวตรวจจับ ตั้งแต่ต้น กลาง ปลาย ครอบคลุมห่วงโซ่ทั้งหมดของการสกัด สรุป และส่งออกคุณลักษณะ และแต่ละขั้นตอนได้รับการแก้ไขเฉพาะจุดสำหรับจุดบอดของข้อบกพร่องอินฟราเรด

การปรับปรุงทั้งสามมีบทบาทชัดเจน: SIEM จัดการกับคอนทราสต์, SAPPM จัดการกับขนาด, MCI จัดการกับเป้าหมายขนาดเล็ก พวกมันไม่ได้สู้เพียงลำพัง แต่ส่งต่อกัน: ยกข้อบกพร่องออกจากพื้นหลังก่อน จากนั้นครอบคลุมทุกขนาด แล้วจึงจับเป้าหมายขนาดเล็กที่มีแนวโน้มจะหลุดรอดมากที่สุด ด้วยการผสมผสานนี้ ปัญหาที่ยากที่สุดสามประการของการตรวจจับข้อบกพร่องอินฟราเรดก็ถูกแก้ไขทีละข้อ

รูปที่ 11: จุดร้อนอินฟราเรดจำแนกตามขนาดเป็น Large, Middle และ Mini ช่องว่างขนาดใหญ่มาก และจุดร้อนที่เล็กที่สุดนั้นพลาดได้ง่ายที่สุด

รูปที่ 12: เป้าหมายจางๆ ที่ถูกจับโดยกล้องอินฟราเรด ยิ่งเป้าหมายเล็กและมืดเท่าไหร่ ก็ยิ่งถูกทำให้เรียบหายไปในกระบวนการประมวลผลได้ง่ายขึ้น

การประยุกต์ใช้ผลิตภัณฑ์

ผลการประเมิน: ความแม่นยำ 92.1%, 62 เฟรมต่อวินาที

ผลของการปรับปรุงทั้งสามนั้นขึ้นอยู่กับข้อมูล นักวิจัยสร้างชุดข้อมูลข้อบกพร่องอินฟราเรดของแผงโซลาร์เซลล์ของตนเอง โดยติดป้ายจุดร้อนตามขนาดพิกเซลที่ครอบครองในภาพเป็นสามประเภท: มากกว่า 64x64 พิกเซลคือ Large, ระหว่าง 32x32 ถึง 64x64 คือ Middle, ต่ำกว่า 32x32 คือ Mini การตรวจจับที่ดีหรือไม่ต้องอ่านทีละประเภท ทีละขนาด

ความแม่นยำขึ้นอยู่กับสองเมตริก หนึ่งคือการเรียกคืน (Recall, R) ซึ่งตอบคำถามว่า "จากข้อบกพร่องที่ควรพบ มีกี่รายการที่ถูกค้นพบ" อีกหนึ่งคือค่าเฉลี่ยความแม่นยำเฉลี่ย (mean Average Precision, PmA) ซึ่งเป็นค่าสรุปของความแม่นยำในการตรวจจับในทุกคลาส ซึ่งเป็นคะแนนรวมที่ตัวตรวจจับให้ความสำคัญมากที่สุด เพิ่มความเร็วในการตรวจจับที่วัดเป็นจำนวนเฟรมที่ประมวลผลต่อวินาที และตัวเลขทั้งสามนี้รวมกันจะบอกเรื่องราวทั้งหมดของอัลกอริทึม

เริ่มต้นด้วยการตัดส่วนโมดูลทีละส่วน ด้วย YOLOv10 ปกติเป็นพื้นฐาน ค่าเฉลี่ยความแม่นยำเฉลี่ยอยู่ที่ 89.8% เพิ่ม SIEM เพียงอย่างเดียว เพิ่มเป็น 90.4% เพิ่ม SAPPM เพียงอย่างเดียว 90.5% เพิ่ม MCI เพียงอย่างเดียว 90.7% ทุกการปรับเปลี่ยนช่วยได้ รวมทั้งสามอย่างคือ SESPNet เต็มรูปแบบ ค่าเฉลี่ยความแม่นยำเฉลี่ยพุ่งขึ้นเป็น 92.1% จุดเด่นคือเป้าหมายขนาดเล็ก: ความแม่นยำ Mini ของพื้นฐานอยู่ที่เพียง 86.7% และเมื่อรวมทั้งสามอย่างเพิ่มขึ้นเป็น 90.3% เพิ่มขึ้นถึง 3.6 จุด ซึ่งพิสูจน์ให้เห็นถึงการทำงานของ MCI ในการกู้คืนเป้าหมายขนาดเล็ก

รูปที่ 13: การตัดส่วนโมดูลทีละส่วน เมื่อรวมสามโมดูลเข้าด้วยกัน ความแม่นยำของเป้าหมายขนาดเล็กที่ยากที่สุดเพิ่มขึ้นจาก 86.7% เป็น 90.3%

รูปที่ 14: โรงงานติดตั้งบนพื้นดินขนาดใหญ่ไม่มีที่สิ้นสุด โมดูลนับพันนับหมื่นของมันคือสิ่งที่อัลกอริทึมนี้ต้องตรวจสอบทีละชิ้น

เปรียบเทียบโดยตรง: เก้าอัลกอริทึมบนเวทีเดียวกัน

การเปรียบเทียบกับตัวเองยังไม่เพียงพอ การศึกษานี้วาง SESPNet บนเวทีเดียวกันกับอัลกอริทึมหลักอื่นอีกแปดตัว ฝึกฝนบนชุดข้อมูลเดียวกัน และวัดความแม่นยำและความเร็วเคียงข้างกัน

ผลลัพธ์พูดได้ด้วยตัวเอง อัลกอริทึมสองขั้นตอนคลาสสิกอย่าง Faster R-CNN และ Cascade R-CNN มีการสกัดคุณลักษณะที่จำกัดและทำงานช้า โดยมีค่าเฉลี่ยความแม่นยำเฉลี่ยอยู่ที่ 86% ถึง 88% ไม่เหมาะกับฉากที่ต้องการประสิทธิภาพแบบเรียลไทม์สูง SSD เร็วที่สุดแต่ความแม่นยำเพียง 74.3% ซึ่งต่ำอย่างชัดเจน ซีรีส์ YOLO มีความสมดุลโดยรวมมากกว่า: จาก YOLOv7 ที่ 88.1% ผ่าน YOLOX, YOLOv8, YOLOv10 และ YOLOv11 ความแม่นยำเพิ่มขึ้นเป็นช่วง 89% ถึง 90% ด้วยความเร็วประมาณห้าสิบถึงหกสิบเฟรมต่อวินาที

SESPNet ผลักดันเส้นโค้งนั้นไปทางขวาบนมากขึ้น: ค่าเฉลี่ยความแม่นยำเฉลี่ย 92.1% สูงกว่าอันดับสองประมาณ 2 จุด และ 62.4 เฟรมต่อวินาที ซึ่งสอดคล้องกับความเร็วของ YOLO มันไม่ได้เสียสละความเร็วเพื่อเพิ่มความแม่นยำ มันครองตำแหน่งขวาบนของความเร็วและความแม่นยำที่ผู้อื่นไม่สามารถเข้าถึงได้ นั่นคือคุณค่าที่ยิ่งใหญ่ที่สุด ในฉากที่มีจำนวนโมดูลมหาศาลที่คุณต้องประเมินขณะตรวจตรา ความช้าทุกนิดคือต้นทุน

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

สองบรรทัดนั้นคือคำจำกัดความพื้นฐานของเมตริกความแม่นยำ R (recall) วัดสัดส่วนของข้อบกพร่องจริงที่ตรวจพบ P (precision) วัดว่ามีข้อบกพร่องที่รายงานกี่รายการที่เป็นจริง และ PmA คือคะแนนรวมที่คำนวณข้ามคลาสและข้ามระดับความแม่นยำ ตรรกะไม่ซับซ้อน: พลาดให้น้อยที่สุด (recall สูง) และแจ้งเตือนเท็จให้น้อยที่สุด (precision สูง) ควบคุมทั้งสองด้านให้สมดุล แล้วคุณจะได้ตัวตรวจจับที่เชื่อถือได้

รูปที่ 15: การเปรียบเทียบความแม่นยำ-ความเร็วของอัลกอริทึมเก้าตัว SESPNet ครองมุมขวาบนด้วยความแม่นยำ 92.1% และ 62.4 FPS

รูปที่ 16: การทดสอบในโลกจริงบนแพลตฟอร์มฝังตัว SESPNet ที่แม่นยำที่สุดยังคงทำงานได้เสถียรที่ 12.6 FPS

ถูกบีบให้อยู่ในกล่องขนาดเท่าฝ่ามือและยังทำงานแบบเรียลไทม์

การทำงานได้ดีในห้องปฏิบัติการไม่ได้หมายความว่าจะใช้งานได้ในภาคสนาม โรงไฟฟ้าพลังงานแสงอาทิตย์ส่วนใหญ่อยู่ในพื้นที่ห่างไกล ซึ่งอุปกรณ์ตรวจสอบมีข้อจำกัดด้านการคำนวณและพลังงาน ไม่ว่าอัลกอริทึมจะสามารถทำงานในกล่องขนาดเล็กที่ใช้พลังงานต่ำและทำงานแบบเรียลไทม์ได้หรือไม่นั้นคืออุปสรรคสุดท้ายสำหรับการนำไปใช้งานจริง

นักวิจัยได้พอร์ตอัลกอริทึมไปยังแพลตฟอร์มฝังตัวที่ชื่อว่า Jetson Nano เพื่อตรวจสอบ โปรเซสเซอร์ของมันคือชิป ARM แบบสี่คอร์ที่จับคู่กับ GPU 128 คอร์ระดับเริ่มต้น ซึ่งต่ำกว่าสถานีทำงานในห้องปฏิบัติการที่มีการ์ดเฉพาะทั้งในด้านการคำนวณและพลังงาน SESPNet ถูกปรับใช้ที่ขนาดอินพุตเดียวกัน จากนั้นจึงแข่งกับอัลกอริทึมอื่นบนบอร์ดขนาดเล็กนี้

ผลลัพธ์พิสูจน์อีกครั้งถึงความสมดุลของมัน อัลกอริทึมสองขั้นตอนแบบคลาสสิกแสดงให้เห็นถึงข้อจำกัดในสภาพแวดล้อมฝังตัว: Faster R-CNN ลดลงเหลือ 1.9 เฟรมต่อวินาที แทบจะไม่เป็นแบบเรียลไทม์ Cascade R-CNN เพียง 3.7 ซีรีส์ YOLO โดยทั่วไปลดลงเหลือประมาณสิบเอ็ดหรือสิบสองเฟรม ในขณะที่ SESPNet รักษาไว้ที่ 12.6 เฟรมต่อวินาที พร้อมรักษาความแม่นยำสูงสุดที่ 92.1% อยู่เคียงข้าง YOLO ที่มีน้ำหนักเบา แม้จะนำหน้าเล็กน้อย เมื่อลดการคำนวณลงอย่างมาก มันยังคงแม่นยำและเสถียร แสดงให้เห็นว่าการออกแบบเหมาะสมกับสถานการณ์ที่มีทรัพยากรจำกัด

นั่นหมายความว่าโดรนหรือเครื่องตรวจสอบแบบพกพาที่ติดตั้งอัลกอริทึมนี้ไม่จำเป็นต้องส่งภาพกลับไปยังคลาวด์เพื่อประมวลผลอย่างช้าๆ ณ จุดเกิดเหตุ แบบเรียลไทม์ มันสามารถบอกได้ว่าแผงไหนมีจุดร้อน ทั้งประสิทธิภาพการตรวจสอบและความเร็วในการตอบสนองก้าวไปอีกขั้น

การตัดสินใจทันทีมีค่ามากกว่าการประหยัดรอบการบินหนึ่งรอบ การวางคอมพิวเตอร์ไว้ที่ขอบหมายความว่าการตรวจสอบยังสามารถทำงานได้ในโรงงานที่ห่างไกลซึ่งสัญญาณไม่ดี หากพบจุดร้อนที่สงสัยก็สามารถทำเครื่องหมายได้ทันทีและบินซ้ำเพื่อยืนยันทันที โดยไม่ต้องรอให้ข้อมูลกลับมาและตรวจสอบด้วยตนเองก่อนการบินครั้งที่สอง สำหรับโรงงานขนาดใหญ่ที่วัดเป็นร้อยเมกะวัตต์และมีแผงนับล้าน ความสามารถแบบเรียลไทม์ในสถานที่นี้จะตัดสินโดยตรงว่าการตรวจสอบทั้งหมดใช้เวลาหลายชั่วโมงหรือหลายวัน

ปิดท้าย: ไม่มีที่ซ่อนสำหรับแผงที่ร้อนเกินไปทุกแผง

เมื่อมองย้อนกลับไป ความชาญฉลาดของ SESPNet ไม่ได้อยู่ที่การซ้อนโครงสร้างที่ซับซ้อน แต่อยู่ที่การรักษาอาการที่ถูกต้อง ความคมชัดของอินฟราเรดต่ำ ดังนั้นการเสริมความหมายเชิงความหมายจะระงับพื้นหลัง ขนาดของข้อบกพร่องไม่สม่ำเสมอ ดังนั้น pyramid pooling จึงครอบคลุมทุกขนาด เป้าหมายขนาดเล็กมักจะหายไป ดังนั้น channel attention จึงดึงกลับมา สามการเคลื่อนไหว แต่ละอย่างมีหน้าที่ และส่งต่อกัน

สิ่งที่หายากกว่าคือมันไม่ได้ทำให้โมเดลอ้วนขึ้นเพื่อความแม่นยำ อัลกอริทึมหลายตัวไล่ตามความแม่นยำสูงอย่างไม่ลืมหูลืมตา สุดท้ายก็ใหญ่เทอะทะ ทำให้ช้าลง และไม่สามารถใส่ลงในอุปกรณ์ฝังตัวได้ SESPNet รักษาความเร็วไว้ในขณะที่ทำความแม่นยำสูงสุด และผ่านการทดสอบการลดกำลังประมวลผลอย่างรุนแรง ความสมดุลของความแม่นยำ ความเร็ว และความเบานี้คือคุณภาพที่วงการให้คุณค่ามากที่สุด เทคโนโลยีจะดีหรือไม่นั้นขึ้นอยู่กับว่ามันสามารถทำงานจริงในโรงงานจริงได้หรือไม่

ค่าเฉลี่ยความแม่นยำ 92.1% 62.4 เฟรมต่อวินาที และเล็กพอที่จะทำงานแบบเรียลไทม์ในกล่องขนาดเท่าฝ่ามือ ตัวเลขสามตัวนี้รวมกันเป็นเครื่องมือที่สามารถลงไปในโรงงานและเริ่มทำงานได้จริง มันเปลี่ยนภาพอินฟราเรดสีเทาหม่นซึ่งเคยยากแม้แต่สำหรับสายตามนุษย์ ให้เป็นรายงานสุขภาพที่ข้อบกพร่องไม่มีที่ซ่อน

เมื่อโดรนที่บรรทุกอัลกอริทึมแบบนี้บินผ่านทุ่งแผงสีฟ้าทีละแปลง แผงที่ร้อนเกินไปทุกแผงจะถูกระบุและจัดการในทันที จุดร้อนที่ซ่อนอยู่จะมองเห็นได้ และความเสี่ยงที่ดูเหมือนเล็กน้อยจะถูกกำจัด สิ่งที่คงอยู่คือโรงงานที่เปลี่ยนแสงอาทิตย์เป็นพลังงาน อย่างยาวนาน ปลอดภัย และเต็มกำลัง

มุมมองของ Ooitech

สิ่งที่โดนใจเราที่สุดคือการตรวจจับและการผลิตเป็นสองด้านของเหรียญแห่งความน่าเชื่อถือเดียวกัน จุดร้อนที่ถูกพบในสนามมักจะย้อนกลับไปที่รอยแตกขนาดเล็กหรือรอยบัดกรีเย็นที่เกิดในสายการผลิต ซึ่งเป็นเหตุผลว่าทำไมการเชื่อม stringer การจัดเรียง layup และการควบคุม lamination จึงสำคัญมากในสายการผลิตโมดูล การทำให้ขั้นตอนเหล่านั้นถูกต้องจะช่วยลดจำนวนจุดร้อนที่เข้าสู่สนามตั้งแต่แรก หากคุณต้องการดูว่าสายการผลิตโมดูลจริงถูกสร้างและปรับแต่งอย่างไร การเดินชมโรงงานของเราบนช่อง YouTube ของ Ooitech (www.youtube.com/ooitech) น่าดูและกดติดตาม