Giới thiệu sản phẩm

Một trang trại năng lượng mặt trời có thể chứa từ hàng chục nghìn đến vài triệu mô-đun. Ngày qua ngày chúng phơi mình dưới nắng nóng, gió, cát, mưa và tuyết, vì vậy không có gì ngạc nhiên khi chúng gặp đủ loại vấn đề. Vấn đề phổ biến nhất và cũng nguy hiểm nhất là điểm nóng.

Điểm nóng chỉ là một mảng nhỏ trên mô-đun chạy nóng bất thường. Tốt nhất nó làm giảm sản lượng điện của bạn. Tệ nhất nó cháy thủng lớp nền và gây hỏa hoạn, đe dọa toàn bộ nhà máy. Vấn đề là các mô-đun được xếp sát nhau. Cử đội ngũ ra kiểm tra từng cái một bằng thiết bị cầm tay thì chậm và bỏ sót. Vì vậy, sự kết hợp giữa chụp ảnh nhiệt hồng ngoại và học sâu đã được đưa ra ánh sáng.

Hướng một camera hồng ngoại vào mô-đun, ghi lại sự phân bố nhiệt độ dưới dạng bản đồ nhiệt, sau đó để một mạng nơ-ron đã được huấn luyện đọc bản đồ đó cho bạn và đánh dấu nơi nóng và mức độ nóng. Nghe có vẻ đơn giản. Nhưng để nó thực sự hoạt động trên thực địa lại là chuyện khác. Ảnh hồng ngoại có ba nhược điểm cố hữu làm hỏng các thuật toán thông thường: độ phân giải thấp, kích thước khuyết tật rất khác nhau và nền lộn xộn.

Một phương pháp mới có tên SESPNet (Mạng tăng cường ngữ nghĩa và nhận thức tỷ lệ) trực tiếp giải quyết ba nhược điểm đó. Các con số của nó rất ấn tượng: độ chính xác trung bình 92,1%, 62,4 khung hình mỗi giây và đủ nhỏ để chạy thời gian thực trên một thiết bị nhúng nhỏ gọn. Bài viết này phân tích cách nó kéo từng điểm nóng ra khỏi một khung hình hồng ngoại xám xịt.

Đầu tiên, tại sao điểm nóng lại quan trọng. Một mô-đun PV là nhiều tế bào được mắc nối tiếp. Nếu một tế bào mất sản lượng do bóng râm, vết nứt nhỏ hoặc bụi bẩn, nó sẽ ngừng đóng góp dòng điện và bắt đầu hoạt động như một điện trở, biến dòng điện từ các tế bào khác thành nhiệt và đốt cháy bên trong chính nó. Tế bào đó trở thành nguồn nhiệt cho toàn bộ chuỗi, chạy nóng hơn hàng chục độ so với các tế bào lân cận. Các trường hợp nhẹ làm giảm sản lượng của chuỗi. Các trường hợp nghiêm trọng nấu chín lớp bao bọc theo thời gian, đốt cháy qua lớp nền và thậm chí có thể bắt lửa. Phát hiện sớm các điểm nóng và xử lý nhanh là nhiệm vụ mà vận hành PV không thể tránh khỏi.

Hình 1: Các mô-đun thu năng lượng mặt trời được lắp trên mái nhà, tiếp xúc với môi trường ngoài trời trong nhiều năm, nơi các đỉnh nhiệt cục bộ hình thành các điểm nóng.

Hình 2: Quy trình năm bước của phát hiện nhiệt hồng ngoại cho các khuyết tật mô-đun PV, từ chụp nhiệt độ đến xác định chính xác tấm pin bị lỗi.

Thông số kỹ thuật

Tại sao Hồng ngoại là Cần thiết cho Phát hiện Điểm nóng

Để hiểu thuật toán này, hãy bắt đầu với những điều cơ bản: tại sao máy ảnh ánh sáng khả kiến không đủ cho các lỗi PV ẩn, và tại sao hồng ngoại là cách duy nhất.

Chụp ảnh ánh sáng khả kiến chỉ là nhiếp ảnh thông thường. Độ phân giải cao, chi tiết phong phú, tốt để phát hiện vết nứt, trầy xước và bụi bẩn trên bề mặt, những thứ có thể nhìn thấy. Nhưng nó có một giới hạn chết người. Nó chỉ đọc được hình dạng, không phải nhiệt độ. Một vết nứt nhỏ hoặc mối hàn lạnh bên trong mô-đun thường không thay đổi hình dạng bên ngoài ở giai đoạn đầu, nhưng nó chặn dòng điện tại điểm đó và làm nóng nó lên. Máy ảnh ánh sáng khả kiến bất lực trước các lỗi nhiệt này, và vào ban đêm hoặc ánh sáng yếu, chúng vô dụng.

Hồng ngoại đi theo một hướng khác. Bất kỳ vật thể nào trên độ không tuyệt đối đều bức xạ hồng ngoại, và càng nóng thì bức xạ càng mạnh. Máy ảnh hồng ngoại thu bức xạ đó và vẽ trực tiếp sự phân bố nhiệt độ vô hình lên bản đồ nhiệt màu hoặc thang xám. Nó không cần ánh sáng bên ngoài, vì vậy nó hoạt động cả ngày lẫn đêm. Nơi nào mô-đun nóng và mức độ nóng hiện ra rõ ràng. Đối với các khuyết tật do nhiệt như điểm nóng và đường lưới bị đứt, hồng ngoại là giải pháp tự nhiên.

Đó là lý do tại sao hồng ngoại đã trở thành một cách quan trọng để nâng cao cả độ chính xác và tốc độ phát hiện khuyết tật tại các nhà máy PV. Một máy bay không người lái với camera hồng ngoại có thể quét toàn bộ dàn pin trong vài phút, nhanh hơn hàng chục lần so với đội thủ công. Nhưng khả năng nhìn thấy nhiệt đó phải trả giá: chất lượng hình ảnh thấp hơn nhiều so với ánh sáng khả kiến.

Phương pháp thủ công cũ yêu cầu công nhân mang theo thiết bị và đo từng tấm pin. Cách này chậm và phụ thuộc nhiều vào kinh nghiệm. Với các mô-đun được xếp chặt và tính bằng hàng nghìn, việc đọc từng cái một rất mệt mỏi, dễ sai sót và gần như không thể thực hiện vào ban đêm. Sự kết hợp giữa drone và hồng ngoại giúp tối đa hóa bước thu thập, nhưng nếu bạn vẫn đọc hàng nghìn hình ảnh đó bằng tay, thì nút thắt chỉ chuyển từ đo đạc sang xem xét. Để khép kín vòng lặp, bạn cần một thuật toán để đọc các hình ảnh. Đó là lúc học sâu xuất hiện.

Hình 3: Một bản đồ nhiệt hồng ngoại điển hình. Khu vực càng nóng, màu càng ấm, và vùng quá nhiệt nổi bật ngay lập tức. Đây là nguyên liệu thô cho việc phát hiện điểm nóng.

Hình 4: Sự phân chia công việc giữa chụp ảnh ánh sáng khả kiến và hồng ngoại. Đối với lỗi nhiệt, hồng ngoại là giải pháp tự nhiên.

Ba Khó Khăn Trong Phát Hiện Lỗi Hồng Ngoại

Hồng ngoại có thể nhìn thấy nhiệt, nhưng nó đặt ra ba vấn đề khó cho các thuật toán phát hiện. Chính ba vấn đề này là lý do tại sao nhiều thuật toán có sẵn thất bại trong công việc hồng ngoại PV.

Một: độ tương phản thấp. Các khung hình hồng ngoại nhìn chung xỉn màu và xám. Sự khác biệt về thang độ xám giữa khuyết tật và nền vốn đã nhỏ, cộng thêm nhiễu hình ảnh khiến khuyết tật bị nền nuốt chửng. Thuật toán không thể nắm bắt các đặc điểm chính, do đó độ chính xác giảm.

Hai: kích thước khuyết tật thay đổi rất lớn. Trong một khung hình hồng ngoại duy nhất, kích thước điểm nóng có thể chênh lệch hàng chục lần. Một số là toàn bộ chuỗi bypass phát sáng trên một vùng rộng; số khác chỉ là một tế bào ấm lên nhẹ ở một góc. Một trường tiếp nhận cố định, phạm vi mà mạng có thể nhìn rõ trong một lần, thường mất cái này vì cái kia trước sự chênh lệch như vậy: bắt được mục tiêu lớn thì bỏ lỡ mục tiêu nhỏ, hoặc ngược lại.

Ba: thông tin mục tiêu nhỏ bị mất. Đây là vấn đề khó nhất. Mạng nơ-ron giảm mẫu từng lớp, thu nhỏ hình ảnh để trích xuất ý nghĩa cấp cao. Nhưng các điểm nóng nhỏ vốn chỉ vài chục pixel ban đầu bị làm mờ khi thu nhỏ, cho đến khi gần như không còn gì khi đưa ra quyết định, và khả năng nhận dạng bị ảnh hưởng lớn.

Kết hợp cả ba lại, rõ ràng: phát hiện lỗi hồng ngoại PV khó vì bạn phải đồng thời chống lại 'không thấy rõ, kích thước lung tung, dễ bị mất'. Ba nâng cấp cốt lõi của SESPNet mỗi cái nhắm vào một khó khăn: một tăng cường ngữ nghĩa để triệt tiêu nền, một xây dựng kim tự tháp để xử lý kích thước, một bảo vệ các kênh để phục hồi mục tiêu nhỏ.

Sao không chọn một bộ phát hiện có sẵn? Phát hiện đối tượng đã tiến xa và chia thành hai hướng. Một là hai giai đoạn: đầu tiên sàng lọc sơ bộ các vùng ứng viên, sau đó đánh giá từng vùng một cách cẩn thận, độ chính xác cao nhưng chậm. Hướng còn lại là một giai đoạn: một lần nhìn là xác định cả vị trí và lớp, nhanh và phù hợp với thời gian thực. Dòng YOLO là lá cờ đầu của hướng một giai đoạn. Nhưng các thuật toán tổng quát này được huấn luyện trên ảnh nhìn thấy thông thường, và khi áp dụng lên ảnh hồng ngoại PV có độ tương phản thấp và tỷ lệ đa dạng, chúng gặp khó khăn. Các cải tiến của SESPNet lấp đầy ba khoảng trống đó, được thiết kế riêng cho các khuyết tật hồng ngoại.

Hình 5: Ba thách thức của phát hiện khuyết tật hồng ngoại: độ tương phản thấp, đa tỷ lệ và mục tiêu nhỏ.

Hình 6: Một drone đa cánh quạt mang camera, bay qua dãy pin để thu thập ảnh hồng ngoại hàng loạt, quét trong vài phút những gì một đội người mất nửa ngày để phủ sóng.

Ưu điểm kỹ thuật

Bước Một: Tăng cường Ngữ nghĩa, Đưa Khuyết tật Nổi bật Khỏi Nền

SESPNet xây dựng trên YOLOv10 làm mô hình cơ sở. YOLOv10 là một trong những bộ phát hiện thời gian thực phổ biến nhất hiện nay, được phát hành bởi nhóm Tsinghua vào tháng 5 năm 2024, được thiết kế để nhanh, chính xác và dễ triển khai. SESPNet thực hiện ba thao tác trên nó, và thao tác đầu tiên nhúng một Mô-đun Tăng cường Thông tin Ngữ nghĩa (SIEM) vào backbone.

Nó giải quyết vấn đề tương phản thấp. Độ tương phản kém trong ảnh khuyết tật hồng ngoại khiến nhiễu nền can thiệp vào các đặc trưng mà mô hình trích xuất, làm giảm độ chính xác. SIEM hoạt động theo hai cách cùng lúc. Một nhánh chú ý toàn cục tiếp nhận ý nghĩa tổng thể của toàn bộ ảnh, xác định đâu là nền và đâu có thể ẩn chứa khuyết tật, nhờ đó sự can thiệp của nhiễu được giảm xuống. Một nhánh chú ý cục bộ tập trung vào chi tiết và kết cấu của riêng khuyết tật, làm sắc nét biểu diễn đặc trưng của nó.

Mỗi nhánh theo dõi riêng của nó, sau đó toàn cục và cục bộ được gán trọng số và hợp nhất lại. Hãy nghĩ như nheo mắt để nhận ra đường viền tổng thể của mái nhà và loại bỏ nhiễu, sau đó cúi xuống nhìn chằm chằm vào một mảng đáng ngờ. Gần và xa kết hợp, và khuyết tật được nâng lên khỏi nền mờ. Các đặc trưng hợp nhất giữ lại chi tiết của khuyết tật trong khi triệt tiêu nhiễu nền, do đó biểu diễn đặc trưng rõ ràng mạnh hơn.

Kết quả thể hiện rõ trong nghiên cứu cắt bỏ sau này: chỉ thêm SIEM đã làm tăng độ chính xác trung bình trên cả ba lớp mục tiêu, với những cải thiện thực sự trong việc chống lại nền phức tạp.

Phần xương sống là phần của mô hình tiếp xúc đầu tiên với hình ảnh và trích xuất các đặc trưng cơ bản. Đặt SIEM ở đây có nghĩa là làm sạch tại nguồn: trước khi bất cứ thứ gì được truyền đi, các đặc trưng của khuyết tật đã được tăng cường và nhiễu nền đã bị triệt tiêu. Với nguồn sạch, việc xử lý tỷ lệ và định vị mục tiêu sau đó sẽ không bị lạc hướng bởi sự lộn xộn. Đó là lý do tại sao nó nằm ở phần xương sống và không nơi nào khác. Xử lý ô nhiễm từ sớm.

Hình 7: Cấu trúc hai nhánh của mô-đun tăng cường ngữ nghĩa SIEM. Nhánh toàn cục đọc bức tranh lớn để triệt tiêu nền, nhánh cục bộ theo dõi chi tiết để tăng cường khuyết tật, sau đó hai nhánh được gán trọng số và hợp nhất.

Hình 8: Một mảng PV trên mái nhà. Trường dày đặc các mô-đun chính là cảnh lộn xộn gây nhiễu cho thuật toán phát hiện.

Bước Hai: Tổng hợp kim tự tháp, cả điểm nóng lớn và nhỏ đều được tập trung

Thay đổi thứ hai thay thế mô-đun tổng hợp kim tự tháp không gian gốc của YOLOv10 bằng Mô-đun Tổng hợp Kim tự tháp Chú ý Không gian (SAPPM). Nó nhắm vào vấn đề tỷ lệ thay đổi.

"Tổng hợp kim tự tháp" có thể hiểu là quét cùng một bản đồ đặc trưng với nhiều cửa sổ có kích thước khác nhau cùng một lúc. Cửa sổ nhỏ thấy chi tiết tốt, phù hợp với điểm nóng nhỏ; cửa sổ lớn thấy rộng, phù hợp với điểm nóng lớn. Nghiên cứu chạy song song nhiều cửa sổ tổng hợp từ nhỏ đến lớn, do đó dù khuyết tật lấp đầy nhiều hàng hay chỉ là một đốm nhỏ bằng lòng bàn tay, cửa sổ phù hợp sẽ bắt được nó.

Trên hết, SAPPM thêm một lớp chú ý không gian. Nó gán các trọng số khác nhau cho các đặc trưng từ các cửa sổ khác nhau, do đó thông tin tỷ lệ thực sự quan trọng được giữ ở vị trí trung tâm trong khi thông tin không liên quan bị giảm xuống, sau đó ghép các đặc trưng đa tỷ lệ này thành một bản đồ đặc trưng đầy đủ hơn. Tóm lại, phần đầu xử lý "nhìn thấy mọi kích thước", phần thứ hai xử lý "làm nổi bật những gì cần thấy". Cùng nhau, chúng tăng cường đáng kể khả năng cảm nhận các mục tiêu đa tỷ lệ của mô hình.

Điều này trực tiếp làm giảm vấn đề cũ mất cái này được cái kia. Một mạng có trường tiếp nhận cố định sẽ bỏ qua mục tiêu nhỏ trong khi quan tâm đến mục tiêu lớn; với SAPPM, cả điểm nóng lớn và nhỏ đều có thể được nhìn thấy rõ ràng trong cùng một lần quét, bất kể khoảng cách tỷ lệ rộng đến đâu.

Hình 9: Sơ đồ tổng hợp kim tự tháp đặc trưng đa tỷ lệ SAPPM, quét song song với các cửa sổ có kích thước khác nhau sau đó ghép với trọng số chú ý không gian.

Hình 10: Ảnh chụp từ trên không của một nhà máy. Máy bay không người lái chụp ở các độ cao khác nhau, làm cho cùng một khuyết tật xuất hiện với tỷ lệ thậm chí còn đa dạng hơn trong ảnh.

Bước Ba: Chú ý kênh, thu hồi các mục tiêu nhỏ suýt mất

Thay đổi thứ ba nằm ở mạng cổ, xây dựng cơ chế chú ý kênh đa tỷ lệ, MCI. Nó giải quyết vấn đề khó khăn nhất, mất thông tin mục tiêu nhỏ.

Đầu tiên, nói về các kênh. Khi một mạng xử lý hình ảnh, nó chia các đặc trưng thành nhiều kênh song song, mỗi kênh mô tả hình ảnh từ một góc độ khác nhau. Các đặc trưng mục tiêu nhỏ vốn đã yếu, phân tán trên các kênh này, và nếu mỗi kênh chỉ quan tâm đến riêng mình mà không có trao đổi, thì thông tin quý giá đó dễ dàng bị chìm trong quá trình chuyển tiếp từng lớp.

Cách tiếp cận của MCI là xây dựng sự tương tác giữa các kênh, cho phép chúng nói chuyện với nhau. Bất cứ nơi nào một kênh vẫn còn dấu vết của mục tiêu nhỏ, sự hợp tác giữa các kênh sẽ khuếch đại và bảo tồn nó. Điều này tăng cường hơn nữa việc trích xuất thông tin đặc trưng tỷ lệ nhỏ, và những điểm nóng nhỏ sắp biến mất trong quá trình giảm mẫu được vớt lại.

Vị trí của ba cải tiến này trong mạng cũng được tính toán kỹ lưỡng. SIEM làm sạch các đặc trưng tại nguồn backbone, SAPPM tổng hợp thông tin đa tỷ lệ ở đuôi backbone, và MCI thực hiện bước hoàn thiện cuối cùng tại cổ kết nối backbone với đầu phát hiện. Trước, giữa, sau, cùng nhau bao phủ toàn bộ chuỗi trích xuất, tổng hợp và xuất ra các đặc trưng, và mỗi bước đều có biện pháp khắc phục nhắm vào điểm yếu của khuyết tật hồng ngoại.

Ba cải tiến có vai trò rõ ràng: SIEM xử lý độ tương phản, SAPPM xử lý tỷ lệ, MCI xử lý mục tiêu nhỏ. Chúng không chiến đấu đơn lẻ mà chuyền tay nhau: đầu tiên nâng khuyết tật ra khỏi nền, sau đó bao phủ mọi kích thước, rồi bắt mục tiêu nhỏ dễ trượt nhất. Với sự kết hợp này, ba vấn đề khó khăn nhất của phát hiện khuyết tật hồng ngoại lần lượt được giải quyết.

Hình 11: Các điểm nóng hồng ngoại được phân loại theo tỷ lệ thành Lớn, Trung bình và Nhỏ. Khoảng cách kích thước rất lớn, và các điểm nóng nhỏ nhất dễ bị bỏ sót nhất.

Hình 12: Một mục tiêu mờ bị bắt bởi camera hồng ngoại. Mục tiêu càng nhỏ và mờ, càng dễ bị làm mịn trong quá trình xử lý.

Ứng dụng sản phẩm

Bảng điểm: Độ chính xác 92,1%, 62 khung hình mỗi giây

Hiệu quả của ba cải tiến được thể hiện qua dữ liệu. Các nhà nghiên cứu đã xây dựng bộ dữ liệu khuyết tật hồng ngoại PV module của riêng họ, gắn nhãn các điểm nóng theo kích thước pixel mà chúng chiếm trong ảnh thành ba loại: trên 64x64 pixel là Lớn, từ 32x32 đến 64x64 là Trung bình, dưới 32x32 là Nhỏ. Việc phát hiện có tốt hay không phải được đánh giá theo từng loại, từng tỷ lệ.

Độ chính xác dựa trên hai chỉ số. Một là độ thu hồi, R, trả lời câu hỏi "trong số các khuyết tật cần được phát hiện, có bao nhiêu đã được tìm thấy." Chỉ số còn lại là độ chính xác trung bình trung bình, PmA, một tổng hợp độ chính xác phát hiện trên các lớp, điểm số tổng thể mà bộ phát hiện quan tâm nhất. Thêm tốc độ phát hiện, đo bằng số khung hình xử lý mỗi giây, và ba con số đó cùng nhau kể toàn bộ câu chuyện về một thuật toán.

Bắt đầu với việc loại bỏ từng mô-đun. Với YOLOv10 gốc làm cơ sở, độ chính xác trung bình trung bình của nó là 89,8%. Thêm riêng SIEM, tăng lên 90,4%; riêng SAPPM, 90,5%; riêng MCI, 90,7%. Mỗi bước đều có ích. Kết hợp cả ba, SESPNet đầy đủ, và độ chính xác trung bình trung bình nhảy lên 92,1%. Điểm nổi bật là các mục tiêu nhỏ: độ chính xác Mini của cơ sở chỉ là 86,7%, và với cả ba, nó tăng lên 90,3%, tăng 3,6 điểm, chứng minh công dụng của MCI trong việc phục hồi các mục tiêu nhỏ.

Hình 13: Loại bỏ từng mô-đun. Với ba mô-đun kết hợp, độ chính xác mục tiêu nhỏ khó nhất tăng từ 86,7% lên 90,3%.

Hình 14: Một nhà máy điện mặt trời lớn vô tận trên mặt đất. Hàng ngàn mô-đun của nó chính xác là những gì thuật toán này phải kiểm tra từng cái một.

Đối đầu: Chín thuật toán trên cùng một sân khấu

So sánh với chính nó là chưa đủ. Nghiên cứu đặt SESPNet lên cùng sân khấu với tám thuật toán chính thống khác, huấn luyện chúng trên cùng một tập dữ liệu, và đo độ chính xác cũng như tốc độ song song.

Kết quả tự nói lên điều đó. Các thuật toán hai giai đoạn cổ điển như Faster R-CNN và Cascade R-CNN có khả năng trích xuất đặc trưng hạn chế và chạy chậm, đạt độ chính xác trung bình trung bình từ 86% đến 88%, không phù hợp cho các cảnh yêu cầu hiệu suất thời gian thực cao. SSD là nhanh nhất nhưng độ chính xác chỉ 74,3%, rõ ràng là thấp. Dòng YOLO nhìn chung cân bằng hơn: từ YOLOv7 với 88,1%, qua YOLOX, YOLOv8, YOLOv10 và YOLOv11, độ chính xác tăng lên khoảng 89% đến 90% với tốc độ đều khoảng năm mươi đến sáu mươi khung hình mỗi giây.

SESPNet đẩy đường cong đó xa hơn về phía trên cùng bên phải: độ chính xác trung bình trung bình 92,1%, cao hơn khoảng 2 điểm so với vị trí thứ hai, và 62,4 khung hình mỗi giây, ngang bằng với các YOLO tốc độ cao. Nó không hy sinh tốc độ để nâng độ chính xác; nó giữ vị trí trên cùng bên phải của sự nhanh và chính xác mà các thuật toán khác không thể đạt được. Đó là giá trị lớn nhất của nó. Trong một cảnh có số lượng mô-đun khổng lồ, nơi bạn đánh giá khi tuần tra, mỗi chút chậm trễ đều là chi phí.

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

Hai dòng đó là định nghĩa cơ bản của các chỉ số độ chính xác. R (recall) đo tỷ lệ các khuyết tật thực tế được phát hiện, P (precision) đo bao nhiêu khuyết tật được báo cáo là thực sự có, và PmA là điểm tổng thể được tính trên các lớp và các mức độ chính xác. Logic không phức tạp: bỏ sót càng ít càng tốt (recall cao) và báo động sai càng ít càng tốt (precision cao), giữ cả hai đầu trong tầm kiểm soát, và bạn có một bộ phát hiện đáng tin cậy.

Hình 15: So sánh độ chính xác-tốc độ của chín thuật toán. SESPNet giữ góc trên bên phải với độ chính xác 92,1% và 62,4 FPS.

Hình 16: Một thử nghiệm thực tế trên nền tảng nhúng. SESPNet chính xác nhất vẫn duy trì ổn định ở 12,6 FPS.

Nén Gọn Trong Một Hộp Nhỏ Bằng Lòng Bàn Tay Và Vẫn Hoạt Động Thời Gian Thực

Chạy tốt trong phòng thí nghiệm không có nghĩa là có thể sử dụng được tại hiện trường. Các nhà máy điện mặt trời chủ yếu ở ngoài trời, nơi thiết bị kiểm tra bị hạn chế về khả năng tính toán và nguồn điện. Liệu thuật toán có thể vừa vặn trong một hộp nhỏ công suất thấp và chạy thời gian thực hay không là rào cản cuối cùng để triển khai thực tế.

Các nhà nghiên cứu đã chuyển nó sang một nền tảng nhúng có tên Jetson Nano để xác minh. Bộ xử lý của nó là chip ARM bốn lõi kết hợp với GPU 128 lõi cấp thấp, thấp hơn nhiều so với máy trạm phòng thí nghiệm với card chuyên dụng cả về tính toán và nguồn điện. SESPNet được triển khai ở cùng tỷ lệ đầu vào, sau đó chạy đua với các thuật toán khác trên bo mạch nhỏ này.

Kết quả một lần nữa chứng minh sự cân bằng của nó. Các thuật toán hai giai đoạn cổ điển bộc lộ điểm yếu trong môi trường nhúng: Faster R-CNN giảm xuống 1,9 khung hình mỗi giây, hầu như không đạt thời gian thực; Cascade R-CNN chỉ 3,7. Dòng YOLO thường giảm xuống khoảng mười một hoặc mười hai khung hình, trong khi SESPNet duy trì 12,6 khung hình mỗi giây trong khi vẫn giữ độ chính xác cao nhất 92,1%, ngang hàng với các YOLO nhẹ, thậm chí còn nhỉnh hơn một chút. Tính toán bị cắt giảm mạnh, nó vẫn chính xác và ổn định, cho thấy thiết kế phù hợp tốt với các cảnh hạn chế tài nguyên.

Điều này có nghĩa là một máy bay không người lái hoặc thiết bị kiểm tra di động được trang bị thuật toán này sẽ không cần gửi hình ảnh về đám mây để xử lý chậm. Tại chỗ, trong thời gian thực, nó có thể cho biết tấm pin nào có điểm nóng. Cả hiệu quả kiểm tra và tốc độ phản hồi đều tăng lên một bước nữa.

Giá trị của việc đánh giá ngay lập tức không chỉ là tiết kiệm một chuyến khứ hồi. Đặt tính toán tại biên cho phép kiểm tra vẫn hoạt động tại các nhà máy xa xôi với tín hiệu kém; phát hiện một điểm nóng nghi ngờ, bạn có thể đánh dấu ngay tại chỗ và bay lại để xác nhận, không cần chờ dữ liệu trả về và xem xét thủ công trước chuyến bay thứ hai. Đối với các nhà máy lớn với công suất hàng trăm megawatt và số lượng module lên đến hàng triệu, khả năng thời gian thực tại chỗ này quyết định trực tiếp liệu một lần kiểm tra đầy đủ mất vài giờ hay vài ngày.

Kết luận: Không còn chỗ ẩn náu cho mọi tấm pin quá nhiệt

Nhìn lại, sự thông minh của SESPNet không nằm ở việc xếp chồng một cấu trúc phức tạp mà ở việc xử lý đúng các triệu chứng. Độ tương phản hồng ngoại thấp, do đó tăng cường ngữ nghĩa để triệt tiêu nền. Kích thước khuyết tật hỗn loạn, do đó gộp kim tự tháp bao phủ mọi kích thước. Mục tiêu nhỏ dễ bị mất, do đó chú ý kênh để kéo chúng lại. Ba động tác, mỗi động tác cho nhiệm vụ riêng, và chuyển tiếp.

Điều hiếm hơn là nó không làm phình mô hình để đạt độ chính xác. Nhiều thuật toán mù quáng theo đuổi độ chính xác cao, cuối cùng trở nên cồng kềnh, kéo giảm tốc độ, và thậm chí không thể chạy trên thiết bị nhúng. SESPNet duy trì tốc độ trong khi đạt độ chính xác cao nhất, và nó sống sót qua thử thách cắt giảm mạnh tính toán. Sự cân bằng giữa chính xác, nhanh và nhẹ chính là phẩm chất mà lĩnh vực này coi trọng nhất. Một công nghệ có tốt hay không phụ thuộc vào việc nó có thể làm việc thực tế tại nhà máy thực hay không.

92,1% độ chính xác trung bình, 62,4 khung hình mỗi giây, và đủ nhỏ để chạy thời gian thực trong một hộp nhỏ gọn. Ba con số đó cùng nhau phác họa một công cụ thực sự có thể xuống nhà máy và bắt tay vào việc. Nó biến một hình ảnh hồng ngoại xám xịt, từng khó ngay cả với mắt người, thành một báo cáo sức khỏe nơi khuyết tật không có chỗ ẩn náu.

Khi một drone mang thuật toán như thế này quét qua từng cánh đồng pin xanh, mọi tấm pin quá nhiệt âm thầm đều bị phát hiện và xử lý ngay từ khoảnh khắc đầu tiên. Các điểm nóng ẩn giấu trở nên hiện rõ, và những rủi ro tưởng chừng nhỏ bé bị dập tắt. Kết quả là một nhà máy biến ánh sáng mặt trời thành điện năng, lâu dài, an toàn và đầy tải.

Quan điểm của Ooitech

Điều khiến chúng tôi ấn tượng nhất ở đây là việc phát hiện và sản xuất là hai mặt của cùng một đồng xu độ tin cậy. Một điểm nóng được phát hiện tại hiện trường thường bắt nguồn từ một vết nứt nhỏ hoặc mối hàn nguội sinh ra trên dây chuyền, đó là lý do tại sao hàn dây, căn chỉnh lớp và kiểm soát cán màng lại quan trọng đến vậy trên dây chuyền sản xuất module. Làm đúng các bước này, bạn sẽ giảm được số điểm nóng đưa ra hiện trường ngay từ đầu. Nếu bạn muốn xem cách một dây chuyền module thực tế được xây dựng và tinh chỉnh, các video tham quan nhà máy của chúng tôi trên kênh YouTube Ooitech (www.youtube.com/ooitech) đáng để xem và đăng ký.