التصوير الحراري للألواح الشمسية: كيف يلتقط SESPNet كل نقطة ساخنة في الأشعة تحت الحمراء
جدول المحتويات
مقدمة المنتج
يمكن أن تحتوي مزرعة شمسية على ما بين عشرات الآلاف إلى عدة ملايين من الوحدات. يومًا بعد يوم تتعرض للحرارة والرياح والرمال والأمطار والثلوج، فلا عجب أنها تكتسب جميع أنواع الأمراض. الأكثر شيوعًا، والأخطر أيضًا، هو النقطة الساخنة.
النقطة الساخنة هي مجرد بقعة صغيرة على الوحدة تعمل بحرارة غير طبيعية. في أفضل الأحوال تقلل من إنتاج الطاقة. وفي أسوأ الأحوال تحترق عبر الطبقة الخلفية وتسبب حريقًا، مما يعرض المحطة بأكملها للخطر. المشكلة أن الوحدات متراصة جنبًا إلى جنب. إرسال فرق لفحصها واحدة تلو الأخرى بجهاز محمول باليد بطيء ويفوته أشياء. لذا تم تسليط الضوء على الجمع بين التصوير الحراري بالأشعة تحت الحمراء والتعلم العميق.
وجّه كاميرا الأشعة تحت الحمراء نحو وحدة، والتقط توزيع حرارتها كخريطة حرارية، ثم دع شبكة عصبية مدربة تقرأ تلك الخريطة لك وتحدد أين تكون ساخنة ومدى سخونتها. يبدو الأمر بسيطًا. لكن جعله يعمل فعليًا في الميدان قصة أخرى. تأتي صور الأشعة تحت الحمراء مع ثلاثة عيوب مدمجة تتعثر بها الخوارزميات العادية: دقة منخفضة، وأحجام عيوب مختلفة بشكل كبير، وخلفيات فوضوية.
طريقة جديدة تسمى SESPNet (شبكة التعزيز الدلالي وإدراك المقياس) تستهدف هذه العيوب الثلاثة مباشرة. أرقامها صلبة: دقة متوسطة 92.1%، و62.4 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 تهم النقاط الساخنة. الوحدة الكهروضوئية تتكون من العديد من الخلايا موصولة على التوالي. إذا فقدت خلية واحدة إنتاجها بسبب التظليل أو شرخ دقيق أو أوساخ، تتوقف عن المساهمة بالتيار وتبدأ في العمل كمقاومة، محولة تيار الخلايا الأخرى إلى حرارة وحرقه داخلها. تصبح تلك الخلية مصدر الحرارة للسلسلة بأكملها، وتعمل بعشرات الدرجات أكثر حرارة من جاراتها. الحالات الخفيفة تقلل من إنتاج السلسلة. الحالات الشديدة تطهو المادة المغلفة بمرور الوقت، وتحترق عبر 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 للعوامل الخارجية لسنوات، حيث تتشكل نقاط ساخنة بسبب ارتفاع درجة الحرارة الموضعي.
الشكل 2: سير العمل المكون من خمس خطوات للكشف الحراري بالأشعة تحت الحمراء عن عيوب الألواح الكهروضوئية، من التقاط درجة الحرارة إلى تحديد اللوح المعيب بدقة.
المعايير الفنية
لماذا تعتبر الأشعة تحت الحمراء ضرورية للكشف عن النقاط الساخنة
لفهم هذه الخوارزمية، ابدأ بالأساسيات: لماذا لا تكفي كاميرا الضوء المرئي للكشف عن العيوب الخفية في الألواح الكهروضوئية، ولماذا تعتبر الأشعة تحت الحمراء الحل الوحيد.
التصوير بالضوء المرئي هو مجرد تصوير عادي. دقة عالية وتفاصيل غنية، جيد لرصد الشقوق والخدوش والأوساخ على السطح، أي الأشياء التي يمكن رؤيتها. لكن له حدًا قاتلًا: فهو يقرأ المظهر فقط، وليس درجة الحرارة. الشقوق الدقيقة أو وصلة اللحام الباردة داخل اللوح غالبًا لا تغير مظهره في المراحل المبكرة، ومع ذلك تعيق التيار في تلك النقطة وتسبب ارتفاع حرارتها. كاميرات 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 زادت حرارته زاد الإشعاع. تلتقط كاميرا الأشعة تحت الحمراء هذا الإشعاع وترسم توزيع الحرارة غير المرئي مباشرة على خريطة حرارية ملونة أو بتدرج رمادي. لا تحتاج إلى ضوء خارجي، لذا تعمل ليلًا ونهارًا. حيث يكون اللوح ساخنًا وبأي مقدار يظهر بوضوح. بالنسبة للعيوب الناتجة عن الحرارة مثل النقاط الساخنة والخطوط الشبكية المكسورة، تعتبر الأشعة تحت الحمراء الحل الطبيعي.
لهذا أصبحت الأشعة تحت الحمراء وسيلة رئيسية لرفع دقة وسرعة اكتشاف العيوب في محطات الطاقة الكهروضوئية. يمكن لطائرة بدون طيار مزودة بكاميرا حرارية مسح مجموعة كاملة من الألواح في دقائق معدودة، 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 عمالًا يحملون أجهزة قياس ويقيسون لوحًا بلوح. إنها بطيئة وتعتمد بشكل كبير على الخبرة. مع الألواح المتراصة بإحكام والتي تُعد بالآلاف، قراءتها واحدًا تلو الآخر مرهقة وعرضة للأخطاء وشبه مستحيلة في الليل. مزيج الطائرة بدون طيار والأشعة تحت الحمراء يرفع كفاءة خطوة الالتقاط إلى أقصى حد، لكن إذا كنت لا تزال تقرأ تلك الآلاف من الصور يدويًا، فإن الاختناق ينتقل فقط 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 زادت حرارة المنطقة، زاد دفء لونها، وتبرز المنطقة المحمومة بوضوح في لمحة. هذه هي المادة الخام للكشف عن النقاط الساخنة.
الشكل 4: تقسيم العمل بين التصوير بالضوء المرئي والتصوير بالأشعة تحت الحمراء. بالنسبة للأعطال الحرارية، تعتبر الأشعة تحت الحمراء الحل 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 أعمال الأشعة تحت الحمراء للطاقة الشمسية.
الأولى: 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.
الثانية: تباين كبير في حجم العيوب. داخل إطار واحد للأشعة تحت الحمراء، يمكن أن تختلف أحجام النقاط الساخنة بعشرات المرات. بعضها سلسلة كاملة متجاوزة تتوهج عبر رقعة كبيرة؛ والبعض الآخر مجرد خلية واحدة ترتفع حرارتها قليلاً في زاوية. مجال استقبال ثابت، وهو النطاق الذي يمكن للشبكة رؤيته بوضوح في تمريرة واحدة، يميل إلى فقدان أحدهما لصالح الآخر مع هذا الانتشار: احصل على الهدف الكبير وتفوت الصغير، أو العكس.
الثالثة: فقدان معلومات الأهداف الصغيرة. هذا هو الأصعب. الشبكات العصبية تقلل العينات طبقة تلو الأخرى، مما يقلص الصورة لاستخراج المعنى عالي المستوى. لكن النقاط الساخنة الصغيرة التي كانت عشرات البكسلات فقط في البداية تُملس بعيدًا أثناء تقلصها، حتى لا يتبقى شيء تقريبًا بحلول وقت اتخاذ القرار، ويتأثر التعرف بشكل كبير.
اجمع الثلاث معًا وسيصبح واضحًا: كشف العيوب بالأشعة تحت الحمراء للطاقة الشمسية صعب لأنك يجب أن تحارب "عدم الرؤية بوضوح، أحجام متفرقة، سهولة الفقدان" في نفس الوقت. ترقيات SESPNet الثلاث الأساسية تستهدف كل واحدة من هذه العظام: واحدة تعزز الدلالات لقمع الخلفية، وواحدة تبني هرمًا للتعامل مع الأحجام، وواحدة تحرس القنوات لاستعادة الأهداف الصغيرة.
لماذا لا نلتقط فقط كاشفًا جاهزًا؟ تقدم كشف الأجسام بسرعة، وينقسم إلى مسارين. الأول هو مرحلتان: أولاً فحص تقريبي للمناطق المرشحة، ثم حكم دقيق على كل منها، دقة عالية لكن بطيء. الآخر هو مرحلة واحدة: نظرة واحدة تعطي الموقع والفئة، سريع ومناسب للوقت الحقيقي. سلسلة YOLO هي الرائدة في المرحلة الواحدة. لكن هذه الخوارزميات العامة مدربة على صور مرئية عادية، وعند وضعها على إطارات الأشعة تحت الحمراء للطاقة الشمسية منخفضة التباين ومتغيرة الأحجام، تواجه صعوبة. ترقيات SESPNet تسد هذه الفجوات الثلاث، مصممة خصيصًا لعيوب الأشعة تحت الحمراء.
الشكل 5: العظام الثلاث الصعبة لكشف العيوب بالأشعة تحت الحمراء: التباين المنخفض، الأحجام المتعددة، والأهداف الصغيرة.
الشكل 6: طائرة بدون طيار متعددة المراوح تحمل كاميرا، تحلق فوق المصفوفة لالتقاط صور الأشعة تحت الحمراء بكميات كبيرة، وتغطي في دقائق ما كان سيستغرق فريقًا نصف يوم لتغطيته.
المزايا التقنية
الخطوة الأولى: التعزيز الدلالي، إبراز العيوب من الخلفية
يبني SESPNet على YOLOv10 كنموذج أساسي له. YOLOv10 هو أحد أكثر أجهزة الكشف في الوقت الفعلي شيوعًا اليوم، أصدره فريق من جامعة تسينغهوا في مايو 2024، وهو مصمم ليكون سريعًا ودقيقًا وسهل النشر. يقوم SESPNet بثلاث عمليات عليه، والأولى تدمج وحدة تعزيز المعلومات الدلالية (SIEM) في العمود الفقري.
ما تحله هو مشكلة التباين المنخفض. التباين الضعيف في صور العيوب بالأشعة 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، بحيث يتم تقليل تداخل الفوضى. فرع الانتباه المحلي يركز على تفاصيل العيب نفسه وملمسه، مما يعزز تعبير ميزاته.
كل فرع يراقب شيئًا خاصًا به، ثم يتم وزن الدمج بين العالمي والمحلي. فكر في الأمر مثل التحديق لتمييز مخطط السقف بالكامل واستبعاد الفوضى، ثم الاقتراب للتحديق في البقعة المشبوهة الواحدة. القريب والبعيد مجتمعان، ويتم رفع العيب من الخلفية الباهتة. تحافظ الميزات المدمجة على تفاصيل العيب مع قمع تداخل الخلفية، لذا يكون تعبير الميزات أقوى بوضوح.
تظهر الفائدة 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 من المصدر: قبل تمرير أي شيء، تكون ميزات العيب معززة بالفعل وضوضاء الخلفية مكبوتة بالفعل. مع مصدر نظيف، لن تضل معالجة المقاييس اللاحقة وتحديد المواقع المستهدفة بسبب الفوضى. لهذا السبب يقع في العمود الفقري وليس في أي مكان آخر. عالج التلوث مبكرًا.
الشكل 7: البنية ثنائية الفروع لوحدة التعزيز الدلالي SIEM. يقرأ الفرع العالمي الصورة الكبيرة لقمع الخلفية، ويراقب الفرع المحلي التفاصيل لتقوية العيب، ثم يتم وزن الاثنين ودمجهما.
الشكل 8: مصفوفة كهروضوئية على السطح. الحقل الكثيف من الوحدات هو بالضبط المشهد الفوضوي الذي يغذي التداخل لخوارزمية الكشف.
الخطوة الثانية: التجميع الهرمي، النقاط الساخنة الكبيرة والصغيرة في التركيز
التغيير الثاني يستبدل وحدة تجميع الهرم المكاني الأصلية في YOLOv10 بوحدة تجميع الهرم المكاني بالانتباه المكاني، SAPPM. وهي تستهدف مشكلة المقاييس المتنوعة.
يمكن قراءة "تجميع الهرم" على أنه مسح نفس خريطة المعالم بعدة نوافذ بأحجام مختلفة في وقت واحد. النوافذ الصغيرة ترى التفاصيل الدقيقة، وهي جيدة للبقع الساخنة الصغيرة؛ النوافذ الكبيرة ترى نطاقًا واسعًا، وهي جيدة للبقع الساخنة الكبيرة. تشغّل الدراسة عدة نوافذ تجميع من الصغير إلى الكبير بالتوازي، لذا سواء كان العيب يملأ عدة صفوف أو كان مجرد بقعة بحجم كف اليد، فإن النافذة المناسبة تلتقطه.
علاوة على ذلك، تضيف SAPPM طبقة من الانتباه المكاني. وهي تخصص أوزانًا مختلفة للمعالم من النوافذ المختلفة، بحيث تبقى معلومات المقياس الأساسية الحقيقية في المقدمة والوسط بينما يتم تقليل غير المهم، ثم تدمج هذه المعالم متعددة المقاييس في خريطة معالم أكثر اكتمالًا. باختصار، الجزء الأول يتعامل مع "رؤية كل مقياس"، والجزء الثاني يتعامل مع "إبراز ما يجب رؤيته". معًا يعززان بشكل كبير إحساس النموذج بالأهداف متعددة المقاييس.
هذا يخفف مباشرة مشكلة فقدان أحدهما مقابل الآخر القديمة. الشبكة ذات مجال الاستقبال الثابت تفقد الهدف الصغير بينما تهتم بالكبير؛ مع وجود SAPPM، يمكن رؤية البقع الساخنة الكبيرة والصغيرة بوضوح في نفس المرور، بغض النظر عن اتساع فجوة الحجم.
الشكل 9: رسم تخطيطي لتجميع الهرم متعدد المقاييس في SAPPM، مع المسح بالتوازي بنوافذ بأحجام مختلفة ثم دمجها 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: الانتباه عبر القنوات، استعادة الأهداف الصغيرة التي كادت أن تضيع
التغيير الثالث يقع في شبكة العنق، حيث يبني آلية انتباه متعددة المقاييس عبر القنوات، MCI. إنها تعالج المشكلة الأصعب، فقدان معلومات الأهداف الصغيرة.
أولاً، كلمة عن القنوات. عندما تعالج الشبكة صورة، فإنها تقسم المعالم إلى عدة قنوات متوازية، كل منها يصف الصورة من زاوية مختلفة. معالم الأهداف الصغيرة ضعيفة بالفعل، موزعة عبر هذه القنوات، وإذا اهتمت كل قناة بنفسها فقط دون تبادل، فإن تلك المعلومة الثمينة تغرق بسهولة في التسليم طبقة بطبقة.
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 بشكل أكبر استخراج معلومات المعالم صغيرة الحجم، ويتم استعادة تلك البقع الساخنة الصغيرة التي كانت على وشك الاختفاء في الاختزال.
موقع هذه الخطوات الثلاث في الشبكة مقصود أيضًا. SIEM ينظف الميزات عند مصدر العمود الفقري، وSAPPM يلخص المعلومات متعددة المقاييس عند ذيل العمود الفقري، وMCI يقوم باللمسة النهائية عند الرقبة التي تربط العمود الفقري برأس الكشف. الأمام، الوسط، الخلف، معًا يغطون السلسلة الكاملة لاستخراج الميزات وتلخيصها وإخراجها، وكل خطوة تحصل على علاج مستهدف لنقطة ألم عيب الأشعة تحت الحمراء.
الخطوات الثلاث لها أدوار واضحة: SIEM يتعامل مع التباين، SAPPM يتعامل مع المقياس، MCI يتعامل مع الأهداف الصغيرة. لا يقاتلون وحدهم بل يمررون العصا: ارفع العيب من الخلفية أولاً، ثم غطِ جميع الأحجام، ثم التقط الهدف الصغير الأكثر عرضة للانزلاق. مع هذا المزيج، أصعب ثلاث عظام في كشف عيوب الأشعة تحت الحمراء تنفصل واحدة تلو الأخرى.
الشكل 11: البقع الساخنة بالأشعة تحت الحمراء مرتبة حسب المقياس إلى كبيرة ومتوسطة وصغيرة جدًا. الفجوة في الحجم ضخمة، وأصغر البقع 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 الخطوات الثلاث يعود إلى البيانات. بنى الباحثون مجموعة بيانات عيوب الأشعة تحت الحمراء الخاصة بهم للألواح الكهروضوئية، وقاموا بتسمية البقع الساخنة حسب حجم البكسل الذي تشغله في الصورة إلى ثلاث فئات: أكثر من 64×64 بكسل كبيرة، بين 32×32 و64×64 متوسطة، أقل من 32×32 صغيرة جدًا. سواء كان الكشف جيدًا يجب قراءته فئة بفئة، مقياسًا بمقياس.
الدقة تعتمد على مقياسين. الأول هو الاستدعاء، R، الذي يجيب على "من العيوب التي يجب العثور عليها، كم تم استردادها." والثاني هو متوسط الدقة، PmA، وهو مزيج من دقة الكشف عبر الفئات، النتيجة الإجمالية التي يهتم بها الكاشف أكثر. أضف سرعة الكشف، المقاسة بالإطارات المعالجة في الثانية، وهذه الأرقام الثلاثة معًا تروي القصة الكاملة للخوارزمية.
ابدأ بالتحليل الإزالي وحدة بوحدة. مع YOLOv10 الأساسي كخط أساس، متوسط دقته 89.8%. أضف SIEM وحده، يرتفع إلى 90.4%؛ SAPPM وحده، 90.5%؛ MCI وحده، 90.7%. كل خطوة تساعد. كدس الثلاثة جميعًا، SESPNet الكامل، ويقفز متوسط الدقة إلى 92.1%. الأبرز هو الأهداف الصغيرة: دقة Mini في خط الأساس هي 86.7% فقط، ومع الثلاثة ترتفع إلى 90.3%، بفارق 3.6 نقاط كاملة، مما يثبت عمل MCI في استرداد الأهداف الصغيرة.
الشكل 13: التحليل الإزالي وحدة بوحدة. مع تكديس الوحدات الثلاث، ترتفع دقة الأهداف الصغيرة الأصعب من 86.7% إلى 90.3%.
الشكل 14: محطة أرضية ضخمة لا نهاية لها. إن آلاف وحداتها هي بالضبط ما يجب على هذا الخوارزمية فحصه واحدًا تلو الآخر.
مواجهة مباشرة: تسعة خوارزميات على منصة واحدة
المقارنة مع نفسها ليست كافية. تضع الدراسة SESPNet على نفس المنصة مع ثمانية 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 ميزات محدود وتعمل ببطء، حيث تصل إلى متوسط دقة 86% إلى 88%، وهي غير مناسبة للمشاهد التي تتطلب أداءً عاليًا في الوقت الفعلي. SSD هو الأسرع لكن دقته فقط 74.3%، 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.
يدفع SESPNet هذا المنحنى أكثر إلى أعلى اليمين: متوسط دقة 92.1%، حوالي نقطتين فوق الوصيف، و62.4 إطارًا في الثانية، بما يتماشى مع سرعات YOLO. لا يضحي بالسرعة لرفع الدقة؛ بل يحتفظ بالموضع العلوي الأيمن من السرعة والدقة الذي لا يمكن للآخرين الوصول إليه. هذه هي قيمته الكبرى. في مشهد يحتوي على أعداد هائلة من الوحدات حيث تحكم أثناء التجول، كل بطء هو تكلفة.
R = TP ÷ ( TP + FN ) · P = TP ÷ ( TP + FP )
هذان السطران هما التعريفات الأساسية لمقاييس الدقة. R (الاستدعاء) يقيس حصة العيوب الحقيقية المكتشفة، P (الدقة) يقيس عدد العيوب المبلغ عنها الحقيقية، وPmA هو النتيجة الإجمالية المحسوبة عبر الفئات وعبر مستويات الدقة. المنطق ليس معقدًا: تفويت أقل قدر ممكن (استدعاء عالٍ) وإنذار كاذب أقل قدر ممكن (دقة عالية)، والحفاظ على كلا الطرفين تحت السيطرة، تحصل على كاشف موثوق.
الشكل 15: مقارنة الدقة والسرعة لتسعة خوارزميات. يحتفظ SESPNet بالزاوية العلوية اليمنى بدقة 92.1% و62.4 إطارًا في الثانية.
الشكل 16: اختبار حقيقي على منصة مدمجة. يظل SESPNet الأكثر دقة ثابتًا عند 12.6 إطارًا في الثانية.
مضغوط في صندوق بحجم كف اليد وما زال 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 كان الخوارزمية يمكن أن تتلاءم مع صندوق صغير منخفض الطاقة وتعمل في الوقت الفعلي هو العقبة الأخيرة للنشر الفعلي.
قام الباحثون بنقله إلى منصة مدمجة تسمى Jetson Nano للتحقق من ذلك. معالجها عبارة عن شريحة ARM رباعية النواة مقترنة بوحدة معالجة رسوميات أساسية من 128 نواة، وهي أقل بكثير من محطة العمل المخبرية المزودة ببطاقة مخصصة من حيث الحوسبة والطاقة. تم نشر SESPNet بنفس مقياس الإدخال، ثم تسابق مع الخوارزميات الأخرى على هذه اللوحة الصغيرة.
النتيجة تثبت مرة أخرى توازنها. الخوارزميات الكلاسيكية ذات المرحلتين تُظهر طبيعتها الحقيقية في البيئة المدمجة: Faster R-CNN ينخفض إلى 1.9 إطارًا في الثانية، بالكاد وقت حقيقي؛ 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 يتقدم قليلاً. مع خفض الحوسبة بشدة، يظل دقيقًا ومستقرًا، مما يُظهر مدى ملاءمة التصميم للسيناريوهات محدودة الموارد.
هذا يعني أن طائرة بدون طيار أو مفتشًا محمولًا مزودًا بهذه الخوارزمية لن يضطر إلى إرسال الصور إلى السحابة لمعالجتها ببطء. في الموقع، وفي الوقت الفعلي، يمكنه معرفة أي لوحة بها نقطة ساخنة. ترتفع كفاءة التفتيش وسرعة الاستجابة خطوة أخرى.
قيمة الحكم الفوري أكثر من توفير رحلة ذهاب وعودة واحدة. وضع الحوسبة على الحافة يعني أن التفتيش يمكن أن يستمر في المصانع النائية ذات الإشارة الضعيفة؛ إذا اشتبهت في وجود نقطة ساخنة، يمكنك وضع علامة عليها في الموقع وإعادة الطيران للتأكيد فورًا، دون انتظار عودة البيانات والمراجعة اليدوية قبل طلعة ثانية. بالنسبة للمصانع الكبيرة التي تُقاس بمئات الميغاواط وتحتوي على وحدات تُعد بالملايين، فإن هذه القدرة الفورية في الموقع تحدد مباشرة ما إذا كان التفتيش الكامل يستغرق ساعات أو أيامًا.
الخاتمة: لا مكان للاختباء لأي لوحة ترتفع حرارتها
بالنظر إلى الوراء، فإن ذكاء SESPNet ليس في تكديس بنية معقدة بل في معالجة الأعراض الصحيحة. تباين الأشعة تحت الحمراء منخفض، لذا يعزز التحسين الدلالي الخلفية. مقياس العيوب فوضوي، لذا يغطي تجميع الهرم جميع الأحجام. الأهداف الصغيرة تُفقد بسهولة، لذا يسترجعها الانتباه القنوي. ثلاث خطوات، كل منها لمهمتها، وتمرير العصا.
الأكثر ندرة هو أنه لم يُسمن النموذج من أجل الدقة. العديد من الخوارزميات تطارد الدقة العالية بشكل أعمى، وتنتهي بضخامة، وتُبطئ السرعة، ولا يمكن حتى تركيبها على جهاز مدمج. يحافظ SESPNet على سرعته بينما يتصدر الدقة، ونجا من اختبار خفض الحوسبة بشكل كبير. هذا التوازن بين الدقة والسرعة والخفة هو بالضبط الجودة التي يقدرها المجال أكثر. ما إذا كانت التقنية جيدة يعود إلى ما إذا كانت قادرة على القيام بعمل حقيقي في مصنع حقيقي.
92.1% متوسط الدقة، 62.4 إطارًا في الثانية، وصغير بما يكفي للعمل في الوقت الفعلي في صندوق بحجم كف اليد. هذه الأرقام الثلاثة معًا ترسم أداة يمكنها حقًا النزول إلى المحطة 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 تمسح طائرة بدون طيار تحمل خوارزمية مثل هذه حقلاً بعد حقل من الألواح الزرقاء، يتم تثبيت كل لوح يسخن بهدوء والتعامل معه في اللحظة الأولى. تصبح النقاط الساخنة المخفية مرئية، ويتم إخماد المخاطر الصغيرة التي تبدو تافهة. ما يبقى هو بالضبط محطة تحول 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. النقطة الساخنة التي يتم تحديدها في الميدان غالبًا ما تعود إلى شق صغير أو لحام بارد نشأ على خط الإنتاج، ولهذا السبب فإن لحام الخيوط، ومحاذاة الطبقات، والتحكم في التصفيح مهمة جدًا في خط إنتاج الوحدات. إذا أتقنت هذه الخطوات، فإنك تغذي عددًا أقل من النقاط الساخنة في الميدان من البداية. إذا كنت تريد أن ترى كيف يتم بناء وضبط خط وحدات حقيقي، فإن جولاتنا في المصنع على قناة Ooitech على يوتيوب (www.youtube.com/ooitech) تستحق المشاهدة والاشتراك.
