التصوير الحراري للألواح الشمسية: كيف تكتشف SESPNet كل نقطة ساخنة في الأشعة تحت الحمراء
مقدمة المنتج
يمكن أن تحتوي مزرعة شمسية على عشرات الآلاف إلى عدة ملايين من الوحدات. يومًا بعد يوم تتعرض للحرارة والرياح والرمال والمطر والثلج، لذا ليس من المستغرب أن تتعرض لجميع أنواع الأمراض. أكثرها شيوعًا، والأخطر أيضًا، هي النقطة الساخنة.
النقطة الساخنة هي مجرد بقعة صغيرة على وحدة تعمل بحرارة غير طبيعية. في أفضل الأحوال تقلل من إنتاج الطاقة. وفي أسوأ الأحوال تحترق من خلال الطبقة الخلفية وتسبب حريقًا، مما يعرض المحطة بأكملها للخطر. المشكلة أن الوحدات متراصة جنبًا إلى جنب. إرسال فرق لفحصها واحدة تلو الأخرى بجهاز محمول بطيء ويفوته الكثير. لذا تم تسليط الضوء على الجمع بين التصوير الحراري بالأشعة تحت الحمراء والتعلم العميق.
وجه كاميرا الأشعة تحت الحمراء نحو وحدة، التقط توزيع درجة حرارتها كخريطة حرارية، ثم دع شبكة عصبية مدربة تقرأ تلك الخريطة لك وتحدد أين تكون ساخنة وكم درجة حرارتها. يبدو الأمر بسيطًا. لكن جعله يعمل فعليًا في الميدان قصة أخرى. تأتي الصور الحرارية بثلاثة عيوب متأصلة تعطل الخوارزميات العادية: دقة منخفضة، أحجام عيوب مختلفة بشكل كبير، وخلفيات فوضوية.
طريقة جديدة تسمى SESPNet (شبكة تعزيز الدلالة وإدراك المقياس) تستهدف هذه العيوب الثلاثة مباشرة. أرقامها صلبة: 92.1% متوسط دقة، 62.4 إطارًا في الثانية، وهي صغيرة بما يكفي للعمل في الوقت الفعلي على جهاز مدمج بحجم كف اليد. يشرح هذا المقال كيف تستخرج كل نقطة ساخنة من إطار الأشعة تحت الحمراء الرمادي الباهت.
أولاً، لماذا تعتبر النقاط الساخنة مهمة. اللوح الشمسي هو العديد من الخلايا موصلة على التوالي. إذا فقدت خلية واحدة إنتاجها بسبب التظليل أو شرخ دقيق أو أوساخ، فإنها تتوقف عن المساهمة بالتيار وتبدأ في العمل كمقاومة، مما يحول التيار من الخلايا الأخرى إلى حرارة ويحرقه داخلها. تصبح تلك الخلية الواحدة مصدر الحرارة للسلسلة بأكملها، وتصبح أكثر حرارة بعشرات الدرجات من جاراتها. الحالات الخفيفة تقلل من إنتاج السلسلة. الحالات الشديدة تطهي المادة المغلفة بمرور الوقت، وتحرق الطبقة الخلفية، ويمكن أن تشتعل. العثور على النقاط الساخنة مبكرًا والتعامل معها بسرعة هو مهمة لا يمكن لعمليات الطاقة الشمسية تجنبها.
الشكل 1: وحدات مجمعات شمسية مثبتة على سطح مبنى، معرضة للخارج لسنوات، حيث تتشكل ارتفاعات موضعية في درجة الحرارة لتكون نقاطًا ساخنة.
الشكل 2: سير العمل المكون من خمس خطوات للكشف الحراري بالأشعة تحت الحمراء عن عيوب الألواح الشمسية، من التقاط درجة الحرارة إلى تحديد اللوح المعيب.
المعايير الفنية
لماذا تعتبر الأشعة تحت الحمراء ضرورية للكشف عن النقاط الساخنة
لفهم هذه الخوارزمية، ابدأ بالأساسيات: لماذا لا تفي الكاميرا ذات الضوء المرئي بالغرض للعيوب الخفية في الألواح الشمسية، ولماذا الأشعة تحت الحمراء هي الطريقة الوحيدة.
التصوير بالضوء المرئي هو مجرد تصوير عادي. دقة عالية، تفاصيل غنية، جيد لاكتشاف الشقوق والخدوش والأوساخ على السطح، وهو النوع الذي يمكن رؤيته. لكن له حدًا قاتلًا. إنه يقرأ المظهر فقط، وليس درجة الحرارة. الشق الدقيق أو وصلة اللحام الباردة داخل اللوح غالبًا لا تغير مظهره في البداية، ومع ذلك فإنها تعيق التيار في تلك البقعة وتسبب ارتفاع حرارتها. الكاميرات ذات الضوء المرئي عاجزة أمام هذه العيوب الحرارية، وفي الليل أو في الإضاءة الضعيفة تكون عديمة الفائدة.
الأشعة تحت الحمراء تسلك طريقًا مختلفًا. أي جسم فوق الصفر المطلق يشع أشعة تحت حمراء، وكلما كان أكثر سخونة كان الإشعاع أقوى. تلتقط كاميرا الأشعة تحت الحمراء هذا الإشعاع وترسم توزيع الحرارة غير المرئي مباشرة على خريطة حرارية ملونة أو رمادية. لا تحتاج إلى ضوء خارجي، لذا تعمل ليلاً ونهارًا. حيث يكون اللوح ساخنًا وبأي مقدار يظهر بوضوح. بالنسبة للعيوب الناتجة عن الحرارة مثل النقاط الساخنة وخطوط الشبكة المكسورة، تعتبر الأشعة تحت الحمراء العلاج الطبيعي.
لهذا السبب أصبحت الأشعة تحت الحمراء وسيلة رئيسية لرفع كل من الدقة والسرعة في اكتشاف العيوب في محطات الطاقة الشمسية. يمكن لطائرة بدون طيار مزودة بكاميرا تحت حمراء مسح مجموعة كاملة في بضع دقائق، أسرع بعشرات المرات من فريق يدوي. لكن هذه القدرة على رؤية الحرارة تأتي بثمن: جودة الصورة أقل بكثير من الضوء المرئي.
الطريقة اليدوية القديمة تتطلب من العمال حمل الأدوات وقياس اللوحة تلو الأخرى. إنها بطيئة وتعتمد بشكل كبير على الخبرة. مع تراص الوحدات بإحكام وعددها بالآلاف، فإن قراءتها واحدة تلو الأخرى مرهقة وعرضة للأخطاء ويكاد يكون من المستحيل القيام بها ليلاً. مزيج الطائرة بدون طيار والأشعة تحت الحمراء يزيد من خطوة الالتقاط، ولكن إذا كنت لا تزال تقرأ تلك الآلاف من الصور يدويًا، فإن الاختناق ينتقل من القياس إلى النظر. لإغلاق الحلقة، تحتاج إلى خوارزمية لقراءة الصور. هذا هو دور التعلم العميق.
الشكل 3: خريطة حرارية نموذجية بالأشعة تحت الحمراء. كلما كانت المنطقة أكثر سخونة، كان لونها أكثر دفئًا، وتبرز المنطقة المحمومة للوهلة الأولى. هذه هي المادة الخام للكشف عن النقاط الساخنة.
الشكل 4: تقسيم العمل بين التصوير بالضوء المرئي والأشعة تحت الحمراء. بالنسبة للأعطال الحرارية، فإن الأشعة تحت الحمراء هي العلاج الطبيعي.
ثلاث عظام صلبة في كشف العيوب بالأشعة تحت الحمراء
يمكن للأشعة تحت الحمراء رؤية الحرارة، لكنها تقدم لخوارزميات الكشف ثلاث مشاكل صعبة. هذه الثلاث هي بالضبط سبب فشل العديد من الخوارزميات الجاهزة في العمل على الأشعة تحت الحمراء للطاقة الشمسية.
أولاً: التباين المنخفض. إطارات الأشعة تحت الحمراء باهتة ورمادية بشكل عام. الفرق في التدرج الرمادي بين العيب والخلفية صغير من البداية، وفوق ذلك ضوضاء التصوير تجعل العيوب تبتلعها الخلفية. لا تستطيع الخوارزمية التقاط الميزات الرئيسية، لذا تتأثر الدقة.
ثانيًا: تباين حجم العيب بشكل كبير. داخل إطار واحد للأشعة تحت الحمراء، يمكن أن تختلف أحجام النقاط الساخنة بعشرات المرات. بعضها عبارة عن سلسلة كاملة ملتفة تتوهج عبر رقعة كبيرة؛ والبعض الآخر مجرد خلية واحدة ترتفع حرارتها قليلاً في زاوية واحدة. مجال استقبال ثابت، وهو النطاق الذي يمكن للشبكة رؤيته بوضوح في تمريرة واحدة، يميل إلى فقدان أحدهما مقابل الآخر في مواجهة هذا الانتشار: احصل على الهدف الكبير وستفقد الصغير، أو العكس.
ثالثًا: فقدان معلومات الهدف الصغير. هذا هو الأصعب. تقوم الشبكات العصبية بتقليل العينات طبقة تلو الأخرى، مما يقلص الصورة لاستخراج المعنى عالي المستوى. لكن النقاط الساخنة الصغيرة التي كانت في البداية بضع عشرات من البكسلات فقط يتم تنعيمها أثناء تقلصها، حتى لا يتبقى شيء تقريبًا بحلول وقت اتخاذ القرار، ويتأثر التعرف بشكل كبير.
ضع الثلاثة معًا ويتضح: كشف العيوب بالأشعة تحت الحمراء للطاقة الشمسية صعب لأنك يجب أن تحارب 'لا يمكن الرؤية بوضوح، الأحجام في كل مكان، سهولة الفقدان' في نفس الوقت. ترقيات SESPNet الثلاثة الأساسية تستهدف كل واحدة من هذه العظام: واحدة تعزز الدلالات لقمع الخلفية، واحدة تبني هرمًا للتعامل مع الأحجام، واحدة تحرس القنوات لاستعادة الأهداف الصغيرة.
لماذا لا نكتفي بجهاز كشف جاهز؟ تطور اكتشاف الأجسام سريع، وينقسم إلى مسارين. الأول هو مرحلتان: أولاً فحص المناطق المرشحة بشكل تقريبي، ثم الحكم على كل منها بدقة، دقة عالية لكن بطيء. والآخر هو مرحلة واحدة: نظرة واحدة تعطي الموقع والفئة معًا، سريع ومناسب للوقت الحقيقي. سلسلة YOLO هي الرائدة في المرحلة الواحدة. لكن هذه الخوارزميات العامة تُدرَّب على الصور المرئية العادية، وعند تطبيقها على إطارات الأشعة تحت الحمراء للخلايا الشمسية منخفضة التباين ومتعددة المقاييس، تواجه صعوبات. ترقيات SESPNet تسد هذه الفجوات الثلاث، مصممة خصيصًا لعيوب الأشعة تحت الحمراء.
الشكل 5: العظام الثلاث الصعبة في اكتشاف عيوب الأشعة تحت الحمراء: التباين المنخفض، المقاييس المتعددة، والأهداف الصغيرة.
الشكل 6: طائرة متعددة المراوح تحمل كاميرا، تحلق فوق المصفوفة لالتقاط صور الأشعة تحت الحمراء بكميات كبيرة، وتغطي في دقائق ما كان سيستغرق فريقًا نصف يوم.
المزايا التقنية
الخطوة الأولى: التعزيز الدلالي، إبراز العيوب من الخلفية
SESPNet يبني على YOLOv10 كنموذج أساسي. YOLOv10 هو أحد أكثر كاشفات الوقت الحقيقي شيوعًا اليوم، أصدرته فريق من جامعة تسينغهوا في مايو 2024، مصمم ليكون سريعًا ودقيقًا وسهل النشر. يقوم SESPNet بثلاث عمليات عليه، والأولى تضمين وحدة تعزيز المعلومات الدلالية (SIEM) في العمود الفقري.
ما يحله هو مشكلة التباين المنخفض. التباين الضعيف في صور عيوب الأشعة تحت الحمراء يسمح لضوضاء الخلفية بالتداخل مع الميزات التي يستخرجها النموذج، مما يضر بالدقة. يعمل SIEM بطريقتين في وقت واحد. فرع الانتباه العالمي يأخذ المعنى العام للصورة بأكملها، ويحدد ما هو خلفية وما قد يخفي عيبًا، مما يقلل من تداخل الفوضى. فرع الانتباه المحلي يركز على تفاصيل وملمس العيب نفسه، مما يعزز تعبير الميزة.
كل فرع يراقب ما يخصه، ثم يتم وزن ودمج العالمي والمحلي معًا. تخيل الأمر كالتحديق لتمييز محيط السقف بالكامل واستبعاد الفوضى، ثم الاقتراب للتحديق في الرقعة المشبوهة. القريب والبعيد معًا، ويتم رفع العيب من الخلفية الباهتة. الميزات المدمجة تحافظ على تفاصيل العيب مع قمع تداخل الخلفية، لذا يكون تعبير الميزة أقوى بوضوح.
النتيجة تظهر بوضوح في دراسة الاجتثاث لاحقًا: إضافة SIEM وحده يرفع متوسط الدقة عبر جميع فئات الأهداف الثلاث، مع مكاسب حقيقية في مقاومة الخلفيات المعقدة.
العمود الفقري هو الجزء من النموذج الذي يلمس الصورة أولاً ويستخرج الميزات الأساسية. وضع SIEM هنا يعني التنظيف عند المصدر: قبل تمرير أي شيء، يتم تعزيز ميزات العيب بالفعل وقمع الضوضاء الخلفية. مع مصدر نظيف، لن تضل معالجة المقياس اللاحقة وتحديد الهدف بسبب الفوضى. لهذا السبب يقع في العمود الفقري وليس في أي مكان آخر. عالج التلوث مبكرًا.
الشكل 7: هيكل الفرع المزدوج لوحدة التحسين الدلالي SIEM. يقرأ الفرع العالمي الصورة الكبيرة لقمع الخلفية، ويراقب الفرع المحلي التفاصيل لتقوية العيب، ثم يتم ترجيح الاثنين ودمجهما.
الشكل 8: مصفوفة كهروضوئية على السطح. الحقل الكثيف من الوحدات هو بالضبط المشهد الفوضوي الذي يغذي التداخل لخوارزمية الكشف.
الخطوة الثانية: تجميع الهرم، النقاط الساخنة الكبيرة والصغيرة في التركيز
التغيير الثاني يستبدل وحدة تجميع الهرم المكاني الأصلية في YOLOv10 بوحدة تجميع هرم الانتباه المكاني SAPPM. تستهدف مشكلة المقياس المتغير.
يمكن قراءة "تجميع الهرم" على أنه مسح نفس خريطة الميزة بعدة نوافذ بأحجام مختلفة في وقت واحد. النوافذ الصغيرة ترى التفاصيل الدقيقة، جيدة للنقاط الساخنة الصغيرة؛ النوافذ الكبيرة ترى واسعة، جيدة للنقاط الساخنة الكبيرة. تشغل الدراسة عدة نوافذ تجميع من صغير إلى كبير بالتوازي، لذلك سواء كان العيب يملأ عدة صفوف أو مجرد بقعة بحجم كف اليد، تلتقطه النافذة المناسبة.
علاوة على ذلك، يضيف SAPPM طبقة من الانتباه المكاني. يعين أوزانًا مختلفة للميزات من النوافذ المختلفة، بحيث تبقى معلومات المقياس الرئيسية حقًا في المقدمة ويتم تقليل غير ذات الصلة، ثم يدمج هذه الميزات متعددة المقاييس في خريطة ميزات أكثر اكتمالاً. باختصار، الجزء الأول يتعامل مع "رؤية كل حجم"، والجزء الثاني يتعامل مع "تسليط الضوء على ما يجب رؤيته". معًا يعززان بشكل حاد إحساس النموذج بالأهداف متعددة المقاييس.
هذا يخفف بشكل مباشر مشكلة فقدان أحد لصالح الآخر القديمة. شبكة ذات مجال استقبال ثابت تفقد الهدف الصغير أثناء الاهتمام بالكبير؛ مع وجود SAPPM، يمكن رؤية النقاط الساخنة الكبيرة والصغيرة بوضوح في نفس المسح، بغض النظر عن اتساع فجوة الحجم.
الشكل 9: رسم تخطيطي لتجميع هرم الميزات متعدد المقاييس SAPPM، يمسح بالتوازي بنوافذ بأحجام مختلفة ثم يدمجها مع ترجيح الانتباه المكاني.
الشكل 10: لقطة جوية لمصنع. تلتقط الطائرات بدون طيار على ارتفاعات مختلفة، مما يجعل نفس العيب يظهر بمقاييس أكثر تنوعًا في الصورة.
الخطوة الثالثة: انتباه القناة، استعادة الأهداف الصغيرة التي كادت أن تضيع
التغيير الثالث يقع في شبكة العنق، حيث يبني آلية انتباه القنوات متعددة المقاييس، MCI. إنه يعالج المشكلة الأكثر صعوبة، فقدان معلومات الهدف الصغير.
أولاً، كلمة عن القنوات. عندما تعالج الشبكة صورة، فإنها تقسم الميزات إلى العديد من القنوات المتوازية، كل منها يصف الصورة من زاوية مختلفة. ميزات الهدف الصغير ضعيفة بالفعل، منتشرة عبر هذه القنوات، وإذا كانت كل قناة تهتم بنفسها فقط دون تبادل، فإن تلك القطعة الثمينة من المعلومات تغرق بسهولة في التسليم طبقة تلو الأخرى.
نهج MCI هو بناء تفاعل بين القنوات، مما يسمح لها بالتواصل مع بعضها البعض. أينما كانت القناة لا تزال تحمل أثرًا للهدف الصغير، فإن التعاون عبر القنوات يضخمه ويحافظ عليه. هذا يعزز استخراج معلومات الميزات صغيرة النطاق، ويتم استعادة تلك النقاط الساخنة الصغيرة التي كانت على وشك الاختفاء في الاختزال.
مكان هذه التغييرات الثلاثة في الشبكة متعمد أيضًا. SIEM ينظف الميزات في مصدر العمود الفقري، SAPPM يلخص المعلومات متعددة المقاييس في ذيل العمود الفقري، وMCI يقوم باللمسة النهائية في العنق الذي يربط العمود الفقري برأس الكشف. الأمام والوسط والخلف، معًا يغطون السلسلة الكاملة لاستخراج الميزات وتلخيصها وإخراجها، وكل خطوة تحصل على علاج مستهدف لنقطة ألم عيب الأشعة تحت الحمراء.
التغييرات الثلاثة لها أدوار واضحة: SIEM يتعامل مع التباين، SAPPM يتعامل مع المقياس، MCI يتعامل مع الأهداف الصغيرة. لا يقاتلون بمفردهم بل يمررون العصا: أولاً رفع العيب من الخلفية، ثم تغطية جميع الأحجام، ثم التقاط الهدف الصغير الأكثر عرضة للانزلاق. بهذا المزيج، يتم حل أصعب ثلاث عظام في اكتشاف عيوب الأشعة تحت الحمراء واحدة تلو الأخرى.
الشكل 11: النقاط الساخنة للأشعة تحت الحمراء مرتبة حسب المقياس إلى كبيرة ومتوسطة وصغيرة جدًا. فجوة الحجم ضخمة، وأصغر النقاط الساخنة هي الأسهل في تفويتها.
الشكل 12: هدف خافت تم التقاطه بواسطة كاميرا الأشعة تحت الحمراء. كلما كان الهدف أصغر وأكثر خفوتًا، كان من الأسهل أن يتم تنعيمه بعيدًا أثناء المعالجة.
تطبيق المنتج
بطاقة الأداء: دقة 92.1%، 62 إطارًا في الثانية
تأثير التغييرات الثلاثة يعود إلى البيانات. بنى الباحثون مجموعة بيانات عيوب الأشعة تحت الحمراء الخاصة بالوحدات الكهروضوئية، وقاموا بتصنيف النقاط الساخنة حسب حجم البكسل الذي تشغله في الصورة إلى ثلاث فئات: أكثر من 64x64 بكسل كبيرة، بين 32x32 و64x64 متوسطة، أقل من 32x32 صغيرة جدًا. ما إذا كان الكشف جيدًا يجب قراءته فئة بفئة، مقياسًا بمقياس.
تعتمد الدقة على مقياسين. الأول هو الاستدعاء، R، الذي يجيب على السؤال: "من بين العيوب التي يجب العثور عليها، كم تم استردادها؟" والثاني هو متوسط الدقة المتوسط، PmA، وهو مزيج من دقة الكشف عبر الفئات، وهو النتيجة الإجمالية التي يهتم بها جهاز الكشف أكثر. أضف سرعة الكشف، المقاسة بعدد الإطارات المعالجة في الثانية، وهذه الأرقام الثلاثة معًا تروي القصة الكاملة للخوارزمية.
ابدأ بالتحليل التجريبي وحدة بوحدة. مع YOLOv10 الأساسي، يبلغ متوسط الدقة المتوسط 89.8%. أضف SIEM وحده، يرتفع إلى 90.4%؛ SAPPM وحده، 90.5%؛ MCI وحده، 90.7%. كل خطوة تساعد. اجمع الثلاثة معًا، SESPNet الكامل، ويقفز متوسط الدقة المتوسط إلى 92.1%. الأبرز هو الأهداف الصغيرة: دقة Mini الأساسية هي 86.7% فقط، ومع الثلاثة ترتفع إلى 90.3%، بزيادة قدرها 3.6 نقطة كاملة، مما يثبت عمل MCI في استرداد الأهداف الصغيرة.
الشكل 13: التحليل التجريبي وحدة بوحدة. مع تكديس الوحدات الثلاث، ترتفع دقة الأهداف الصغيرة الأصعب من 86.7% إلى 90.3%.
الشكل 14: محطة أرضية كبيرة لا نهاية لها. آلاف الوحدات فيها هي بالضبط ما يجب على هذه الخوارزمية فحصه واحدًا تلو الآخر.
مواجهة مباشرة: تسع خوارزميات على منصة واحدة
المقارنة مع الذات ليست كافية. تضع الدراسة SESPNet على نفس المنصة مع ثماني خوارزميات رئيسية أخرى، وتدربها على نفس مجموعة البيانات، وتقيس الدقة والسرعة جنبًا إلى جنب.
النتيجة تتحدث عن نفسها. الخوارزميات الكلاسيكية ذات المرحلتين مثل Faster R-CNN وCascade R-CNN لديها استخراج محدود للميزات وتعمل ببطء، وتصل إلى متوسط دقة متوسط يتراوح بين 86% و88%، وهي غير مناسبة للمشاهد التي تتطلب أداءً عاليًا في الوقت الفعلي. SSD هو الأسرع لكن دقته 74.3% فقط، وهي منخفضة بوضوح. سلسلة YOLO أكثر توازنًا بشكل عام: من YOLOv7 بنسبة 88.1%، عبر YOLOX وYOLOv8 وYOLOv10 وYOLOv11، ترتفع الدقة إلى نطاق 89% إلى 90% مع سرعات تتراوح حول خمسين إلى ستين إطارًا في الثانية.
SESPNet يدفع هذا المنحنى أكثر إلى أعلى اليمين: متوسط دقة متوسط 92.1%، حوالي نقطتين فوق الوصيف، و62.4 إطارًا في الثانية، متزامنًا مع سرعات YOLO. لا يضحي بالسرعة لرفع الدقة؛ إنه يحتل المكان الأعلى يمينًا من السرعة والدقة الذي لا يمكن للآخرين الوصول إليه. هذه هي قيمته الكبرى. في مشهد يحتوي على أعداد هائلة من الوحدات حيث تحكم أثناء التجوال، كل بطء هو تكلفة.
R = TP ÷ ( TP + FN ) · P = TP ÷ ( TP + FP )
هذان الخطان هما التعريفات الأساسية لمقاييس الدقة. R (الاستدعاء) يقيس حصة العيوب الحقيقية المستردة، P (الدقة) يقيس عدد العيوب المبلغ عنها التي هي حقيقية، و PmA هو النتيجة الإجمالية المحسوبة عبر الفئات وعبر مستويات الدقة. المنطق ليس معقدًا: تفوّت أقل قدر ممكن (استدعاء عالٍ) وأنذر بأقل قدر ممكن (دقة عالية)، حافظ على كلا الطرفين تحت السيطرة، وستحصل على كاشف موثوق.
الشكل 15: مقارنة الدقة والسرعة لتسع خوارزميات. SESPNet يحتل الزاوية اليمنى العليا بدقة 92.1% و 62.4 إطارًا في الثانية.
الشكل 16: اختبار واقعي على منصة مضمنة. أكثر SESPNet دقة لا يزال ثابتًا عند 12.6 إطارًا في الثانية.
مضغوط في صندوق بحجم كف اليد ولا يزال في الوقت الفعلي
العمل الجيد في المختبر لا يعني أنه قابل للاستخدام في الميدان. محطات الطاقة الشمسية في الغالب في البرية، حيث تكون معدات الفحص محدودة في الحوسبة والطاقة. ما إذا كانت الخوارزمية يمكن أن تتلاءم مع صندوق صغير منخفض الطاقة وتعمل في الوقت الفعلي هو العقبة الأخيرة للنشر الفعلي.
قام الباحثون بنقلها إلى منصة مضمنة تسمى Jetson Nano للتحقق. معالجها عبارة عن شريحة ARM رباعية النوى مقترنة بوحدة معالجة رسومية مبتدئة ذات 128 نواة، وهي أقل بكثير من محطة العمل المختبرية ببطاقتها المخصصة من حيث الحوسبة والطاقة. تم نشر SESPNet بنفس مقياس الإدخال، ثم تسابقت ضد الخوارزميات الأخرى على هذا اللوح الصغير.
النتيجة تثبت مرة أخرى توازنها. الخوارزميات الكلاسيكية ذات المرحلتين تظهر حقيقتها في البيئة المضمنة: Faster R-CNN ينخفض إلى 1.9 إطارًا في الثانية، بالكاد في الوقت الفعلي؛ Cascade R-CNN فقط 3.7. سلسلة YOLO تنخفض عمومًا إلى حوالي أحد عشر أو اثني عشر إطارًا، بينما يحافظ SESPNet على 12.6 إطارًا في الثانية مع الحفاظ على أعلى دقة 92.1%، جنبًا إلى جنب مع YOLOs خفيفة الوزن، بل ويتقدم قليلاً. مع تقليص الحوسبة بشدة، يظل دقيقًا وثابتًا، مما يظهر مدى ملاءمة التصميم للمشاهد محدودة الموارد.
هذا يعني أن طائرة بدون طيار أو مفتش محمول مزود بهذه الخوارزمية لن يضطر إلى إرسال الصور إلى السحابة لمعالجتها ببطء. في الموقع، في الوقت الفعلي، يمكنه معرفة أي لوحة بها نقطة ساخنة. ترتفع كفاءة الفحص وسرعة الاستجابة خطوة أخرى.
قيمة الحكم أثناء الطيران تفوق توفير رحلة ذهاب وعودة واحدة. وضع الحوسبة على الحافة يعني أن الفحص يمكن أن يستمر في المصانع البعيدة ذات الإشارة الضعيفة؛ اكتشف نقطة ساخنة مشتبه بها ويمكنك وضع علامة عليها في المكان وإعادة الطيران للتأكيد فورًا، دون انتظار عودة البيانات والمراجعة اليدوية قبل طلعة ثانية. بالنسبة للمصانع الكبيرة التي تُقاس بمئات الميغاوات والتي تحتوي على ملايين الألواح، فإن هذه القدرة الفورية في الموقع تحدد مباشرة ما إذا كان الفحص الكامل يستغرق ساعات أو أيامًا.
الخاتمة: لا مكان للاختباء لكل لوح يسخن بشكل زائد
بالنظر إلى الوراء، فإن ذكاء SESPNet لا يكمن في تكديس بنية معقدة بل في معالجة الأعراض الصحيحة. تباين الأشعة تحت الحمراء منخفض، لذا يعزز التحسين الدلالي الخلفية. حجم العيوب فوضوي، لذا يغطي تجميع الهرم جميع الأحجام. الأهداف الصغيرة تُفقد بسهولة، لذا يسترجعها الانتباه القنوي. ثلاث حركات، كل منها لمهمتها، وتمرير العصا.
ما هو نادر هو أنها لم تزيد من حجم النموذج من أجل الدقة. العديد من الخوارزميات تطارد الدقة العالية بشكل أعمى، وتنتهي منتفخة، وتُبطئ السرعة، ولا يمكن حتى تشغيلها على جهاز مدمج. تحافظ SESPNet على سرعتها بينما تتصدر في الدقة، وقد نجت من اختبار تقليل الحوسبة بشكل كبير. هذا التوازن بين الدقة والسرعة والخفة هو بالضبط الجودة التي يقدرها المجال أكثر. ما إذا كانت التكنولوجيا جيدة يعود إلى ما إذا كان يمكنها القيام بعمل حقيقي في مصنع حقيقي.
92.1% متوسط الدقة، 62.4 إطارًا في الثانية، وصغيرة بما يكفي للعمل في الوقت الفعلي في صندوق بحجم كف اليد. هذه الأرقام الثلاثة معًا ترسم أداة يمكنها حقًا النزول إلى المصنع والبدء في العمل. إنها تحول صورة الأشعة تحت الحمراء الرمادية الباهتة، التي كانت صعبة حتى للعين البشرية، إلى تقرير صحي حيث لا مكان للعيوب للاختباء.
عندما تجتاح طائرة بدون طيار تحمل خوارزمية مثل هذه حقولًا بعد حقول من المصفوفات الزرقاء، يتم تثبيت كل لوح يسخن بهدوء ومعالجته في اللحظة الأولى. تصبح النقاط الساخنة المخفية مرئية، ويتم القضاء على المخاطر الصغيرة الظاهرية. ما يبقى هو بالضبط مصنع يحول ضوء الشمس إلى طاقة، لفترة طويلة، بأمان وبحمولة كاملة.
رؤية Ooitech
ما يلفت انتباهنا أكثر هنا هو كيف أن الكشف والتصنيع وجهان لعملة الموثوقية نفسها. غالبًا ما تعود النقطة الساخنة التي تم اكتشافها في الميدان إلى شق صغير أو وصلة لحام باردة نشأت على الخط، ولهذا السبب فإن لحام الشرائط ومحاذاة التجميع والتحكم في التصفيح مهمة جدًا على خط إنتاج الألواح. إذا تم تنفيذ هذه الخطوات بشكل صحيح، فإنك تُغذي عددًا أقل من النقاط الساخنة في الميدان في المقام الأول. إذا كنت تريد رؤية كيفية بناء وضبط خط ألواح حقيقي، فإن جولاتنا في المصنع على قناة Ooitech على يوتيوب (www.youtube.com/ooitech) تستحق المشاهدة والاشتراك.
