# Hình ảnh nhiệt cho tấm pin mặt trời: Cách SESPNet phát hiện

> Cận cảnh SESPNet, một mạng tăng cường ngữ nghĩa và nhận thức tỷ lệ đạt 92,1% mAP ở 62,4 FPS để phát hiện cả những điểm nóng nhỏ nhất trong

![Hình ảnh nhiệt cho tấm pin mặt trời: Cách SESPNet phát hiện](https://cdn.ooitech.com/static/upload/image/20260710/9c54660bb42822317e3f00006ca6ac72.webp)

- ** 2025-09-10
- ** 277 Lượt xem
- ** [Blog](./Blog.html)

## Hình ảnh nhiệt cho tấm pin mặt trời: Cách SESPNet phát hiện

**Câu trả lời nhanh:** Hình ảnh nhiệt cho bạn biết mô-đun năng lượng mặt trời đang nóng ở đâu; nó không cho bạn biết tại sao. Bài viết này đi sâu vào những gì nhiệt độ thực sự tiết lộ — điểm nóng là triệu chứng của dòng điện bị ép chạy qua một đường dẫn có điện trở, và nhiệt sau đó tấn công lớp bọc, tấm nền, kính và các mối liên kết theo thứ tự đó. SESPNet là phương pháp chẩn đoán được sử dụng ở đây để kết nối dấu hiệu nhiệt trở lại nguyên nhân điện của nó thay vì coi hình ảnh là câu trả lời. Việc diễn giải đúng một bản quét nhiệt sẽ thay đổi hành động khắc phục: điểm nóng ở cấp tế bào chỉ ra một tế bào bị nứt hoặc bị che bóng, còn ở cấp chuỗi chỉ ra một diode bỏ qua đã hỏng hở mạch. Giá trị thực tiễn nằm ở việc đọc được mô hình trước khi hư hỏng trở nên vĩnh viễn, vì sự xuống cấp của lớp bọc và sự cháy xém của tấm nền không thể phục hồi một khi chúng bắt đầu.

Sản xuất mô-đun PV · bởi Jerry, Ooitech

## Giới thiệu sản phẩm

Hình ảnh nhiệt cho bạn biết điểm nóng nằm ở đâu. Để biết nhiệt độ mà nó tiết lộ thực sự khiến mô-đun tốn kém bao nhiêu theo thời gian, hãy xem [điểm nóng tấm pin mặt trời, tại sao nhiệt độ lại quan trọng và nhiệt gây hư hại gì](https://www.ooitech.com/why-do-bc-solar-cells-offer-better-shading-tolerance-and-lower-hot-spot-temperature.html).

Một trang trại năng lượng mặt trời có thể chứa từ hàng chục nghìn đến vài triệu mô-đun. Ngày này qua ngày khác, chúng phơi mình trong nắng nóng, gió, cát, mưa và tuyết, nên không có gì ngạc nhiên khi chúng mắc đủ loại bệnh. Loại phổ biến nhất, và cũng nguy hiểm nhất, là điểm nóng.

Điểm nóng chỉ là một mảng nhỏ trên mô-đun hoạt động nóng bất thường. Trong trường hợp tốt nhất, nó làm giảm sản lượng điện của bạn. Trong trường hợp xấu nhất, nó đốt cháy [backsheet](https://www.ooitech.com/Photovoltaic-Backsheet-The-Critical-Protective-Layer-for-Solar-Modules.html) và gây hỏa hoạn, đe dọa toàn bộ nhà máy. Vấn đề là các mô-đun được xếp sát nhau. Việc cử đội ngũ ra kiểm tra từng cái bằng dụng cụ cầm tay rất chậm và dễ bỏ sót. Vì vậy, việc kết hợp nhiệt ảnh hồng ngoại với học sâu đã được đẩy lên hàng đầu.

Hướng camera hồng ngoại vào một mô-đun, ghi lại sự phân bố nhiệt độ của nó 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 chỗ nào nóng và nóng đến mức nào. Nghe có vẻ đơn giản. Nhưng để nó thực sự hoạt động ngoài thực địa lại là câu chuyện khác. Ảnh hồng ngoại có ba nhược điểm cố hữu khiến các thuật toán thông thường gặp khó khăn: độ phân giải thấp, kích thước lỗi chênh lệch lớn và nền lộn xộn.

Một phương pháp mới có tên SESPNet (Mạng Tăng cường Ngữ nghĩa và Nhận thức Tỷ lệ) nhắm thẳng vào ba nhược điểm đó. Các con số của nó rất vững chắc: 92,1% độ chính xác trung bình, 62,4 khung hình mỗi giây, và nó đủ nhỏ để chạy trong thời gian thực trên một thiết bị nhúng cỡ lòng bàn tay. Bài viết này phân tích cách nó trích xuất mọi điểm nóng từ một khung hồng ngoại xám mờ.

Đầu tiên, tại sao điểm nóng lại quan trọng. Một mô-đun PV gồm nhiều tế bào mắc nối tiếp. Nếu một tế bào mất sản lượng do bị che bóng, nứt vi mô hoặc bụi bẩn, nó 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 nó bên trong chính nó. Tế bào đó trở thành nguồn nhiệt cho toàn bộ chuỗi, hoạt động nóng hơn các tế bào lân cận hàng chục độ. Trường hợp nhẹ làm giảm sản lượng của chuỗi. Trường hợp nghiêm trọng làm chín [chất đóng gói](https://www.ooitech.com/EVA-POE-EPE-Encapsulant-Film-for-Solar-Panel-Manufacturing-Complete-Technical-Guide.html) theo thời gian, đốt cháy tấm nền sau và thậm chí có thể bốc cháy. Phát hiện điểm nóng sớm và xử lý nhanh là công việc mà vận hành PV không thể tránh khỏi.

*Hình 1: Các mô-đun thu năng lượng mặt trời gắn trên mái nhà, phơi mình ngoài trời nhiều năm, nơi các đỉnh nhiệt độ cục bộ hình thành điểm nóng.*

*Hình 2: Quy trình năm bước của phát hiện nhiệt hồng ngoại cho lỗi mô-đun PV, từ ghi nhận nhiệt độ đến xác định chính xác tấm bị lỗi.*

## Thông số kỹ thuật

### Tại sao hồng ngoại là bắt buộc để phát hiện điểm nóng

Để hiểu thuật toán này, hãy bắt đầu từ những điều cơ bản: tại sao camera 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, vết xước và bụi bẩn trên bề mặt, những thứ bạn có thể nhìn thấy. Nhưng nó có một hạn chế chết người. Nó chỉ đọc ngoại hình, không đọc nhiệt độ. Một vết nứt vi mô hoặc mối hàn lạnh bên trong mô-đun thường không thay đổi ngoại hình của nó lúc ban đầu, nhưng nó chặn dòng điện tại chỗ đó và làm nóng nó lên. Camera ánh sáng khả kiến bất lực trước những lỗi nhiệt này, và vào ban đêm hoặc trong ánh sáng kém chúng vô dụng.

Hồng ngoại đi theo con đường khác. Bất kỳ vật thể nào trên độ không tuyệt đối đều bức xạ hồng ngoại, và càng nóng thì bức xạ càng mạnh. Camera hồng ngoại ghi lại bức xạ đó và vẽ sự phân bố nhiệt độ vô hình trực tiếp lên bản đồ nhiệt màu hoặc thang độ xám. Nó không cần ánh sáng bên ngoài, nên hoạt động cả ngày lẫn đêm. Chỗ nào mô-đun nóng và nóng bao nhiêu hiện lên rõ ràng. Đối với các lỗi do nhiệt như điểm nóng và đường lưới bị hỏng, hồng ngoại là phương thuốc 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 lỗi tại các nhà máy PV. Một drone với camera hồng ngoại có thể quét toàn bộ dãy trong vài phút, nhanh hơn hàng chục lần so với đội ngũ 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 có công nhân mang dụng cụ và đo từng tấm. Nó chậm và phụ thuộc nhiều vào kinh nghiệm. Với các mô-đun được xếp chặt và đếm hàng nghìn, đọc từng cái một rất mệt mỏi, dễ sai sót và gần như không thể vào ban đêm. Sự kết hợp drone cộng hồng ngoại tối đa hóa bước ghi nhận, nhưng nếu bạn vẫn đọc hàng nghìn hình ảnh đó bằng tay, nút thắt cổ chai chỉ chuyển từ đo lường sang xem xét. Để khép kín vòng lặp, bạn cần một thuật toán đọc hình ảnh. Đó là tín hiệu cho học sâu.

*Hình 3: Một bản đồ nhiệt hồng ngoại điển hình. Vùng càng nóng, màu càng ấm, và vùng quá nhiệt nổi bật ngay từ cái nhìn đầu tiên. Đây là nguyên liệu thô cho phát hiện điểm nóng.*

*Hình 4: Sự phân công lao động giữa chụp ảnh ánh sáng khả kiến và hồng ngoại. Đối với các lỗi nhiệt, hồng ngoại là phương thuốc 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 thuật toán phát hiện. Ba vấn đề này chính 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 hồng ngoại nhìn chung xám và mờ. Sự khác biệt thang độ xám giữa lỗi và nền vốn đã nhỏ, và nhiễu hình ảnh chồng lên đó khiến lỗi bị nền nuốt chửng. Thuật toán không thể nắm bắt các đặc trưng chính, nên độ chính xác bị ảnh hưởng.

Hai: tỷ lệ lỗi thay đổi lớn. Trong một khung hồng ngoại duy nhất, kích thước điểm nóng có thể khác nhau hàng chục lần. Một số là cả một chuỗi bị bỏ qua phát sáng trên một mảng lớn; những cái 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, có xu hướng mất cái này vì cái kia trước sự chênh lệch như vậy: nắm được mục tiêu lớn thì bỏ lỡ mục tiêu nhỏ, hoặc ngược lại.

Ba: thông tin mục tiêu nhỏ bị mất. Đây là điều 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 bị làm mờ đi khi chúng thu nhỏ, cho đến khi gần như không còn gì vào lúc đưa ra quyết định, và khả năng nhận dạng bị ảnh hưởng nặng nề.

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

Tại sao không chỉ lấy một máy dò có sẵn? Phát hiện đối tượng đã tiến bộ nhanh chóng, và nó chia thành hai hướng. Một là hai giai đoạn: đầu tiên sàng lọc thô 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 cho cả vị trí và lớp, nhanh và phù hợp với thời gian thực. Dòng YOLO là lá cờ đầu của một giai đoạn. Nhưng các thuật toán tổng quát này được huấn luyện trên ảnh khả kiến thông thường, và khi đưa vào các khung hồng ngoại PV có độ tương phản thấp, tỷ lệ thay đổi mạnh, chúng gặp khó khăn. Những nâng cấp của SESPNet lấp đầy ba khoảng trống đó, được chế tạo riêng cho khuyết tật hồng ngoại.

*Hình 5: Ba khó khăn của phát hiện khuyết tật hồng ngoại: độ tương phản thấp, nhiều tỷ lệ và mục tiêu nhỏ.*

*Hình 6: Một drone đa cánh mang camera, bay trên mảng để chụp ảnh hồng ngoại hàng loạt, quét trong vài phút những gì một đội sẽ mất nửa ngày để bao phủ.*

## Ưu Điểm Kỹ Thuật

### Bước Một: Tăng Cường Ngữ Nghĩa, Đưa Khuyết Tật Nổi Ra Khỏi Nền

SESPNet xây dựng trên YOLOv10 làm mô hình cơ sở. YOLOv10 là một trong những máy dò thời gian thực phổ biến nhất hiện nay, được phát hành bởi một nhóm Đại học Thanh Hoa vào tháng 5 năm 2024, được xây dựng để nhanh, chính xác và thân thiện với 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 xương sống.

Những gì nó giải quyết là vấn đề độ tương phản thấp. Độ tương phản kém trong ảnh khuyết tật hồng ngoại cho phép 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 hình ảnh, xác định đâu là nền và đâu có thể đang ẩn giấu một khuyết tật, do đó sự can thiệp của lộn xộn bị giảm xuống. Một nhánh chú ý cục bộ tập trung vào chi tiết và kết cấu của chính khuyết tật, làm sắc nét biểu hiện đặc trưng của nó.

Mỗi nhánh quan sát thứ của riêng mình, sau đó toàn cục và cục bộ được cân trọng và hợp nhất lại với nhau. Hãy nghĩ về nó như việc nheo mắt để nhận ra đường viền tổng thể của mái nhà và loại trừ lộn xộn, sau đó nghiêng người vào để nhìn chằm chằm vào một mảng đáng ngờ. Gần và xa kết hợp, và khuyết tật được nâng ra khỏi nền mờ nhạt. Các đặc trưng hợp nhất giữ chi tiết của khuyết tật trong khi triệt tiêu can thiệp nền, do đó biểu hiện đặc trưng rõ ràng mạnh hơn.

Kết quả thể hiện rõ ràng trong nghiên cứu cắt bỏ sau này: chỉ thêm SIEM và độ chính xác trung bình tăng trên cả ba lớp mục tiêu, với lợi ích thực sự trong việc chống lại các nền phức tạp.

Xương sống là phần của mô hình tiếp xúc đầu tiên với hình ảnh và trích xuất các đặc trưng cơ sở. 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 một nguồn sạch, việc xử lý tỷ lệ và định vị mục tiêu sau đó sẽ không bị lộn xộn dẫn lạc. Đó là lý do tại sao nó nằm trong xương sống và không nơi nào khác. Xử lý ô nhiễm 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 quan sát chi tiết để tăng cường khuyết tật, sau đó hai nhánh được cân trọng và hợp nhất.*

*Hình 8: Một mảng PV trên mái nhà. Trường mô-đun dày đặc chính xác là cảnh lộn xộn cung cấp can thiệp cho một thuật toán phát hiện.*

### Bước Hai: Gộp Kim Tự Tháp, Điểm Nóng Lớn và Nhỏ Đều Được Lấy Nét

Thay đổi thứ hai thay thế mô-đun gộp kim tự tháp không gian gốc của YOLOv10 bằng Mô-đun Gộp Kim Tự Tháp Chú Ý Không Gian, SAPPM. Nó nhắm vào vấn đề tỷ lệ thay đổi.

"Gộp kim tự tháp" có thể được hiểu là quét cùng một bản đồ đặc trưng với nhiều cửa sổ có kích thước khác nhau cùng lúc. Cửa sổ nhỏ thấy chi tiết mịn, tốt cho điểm nóng nhỏ; cửa sổ lớn thấy rộng, tốt cho điểm nóng lớn. Nghiên cứu chạy nhiều cửa sổ gộp từ nhỏ đến lớn song song, vì vậy dù một khuyết tật chiếm vài hàng hay chỉ là một đốm nhỏ cỡ bàn tay, cửa sổ phù hợp sẽ bắt được nó.

Trên đó, 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 then chốt được giữ ở vị trí trung tâm trong khi thông tin không liên quan bị giảm xuống, sau đó khâu 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 nên được thấy." Cùng nhau chúng tăng cường mạnh mẽ cảm nhận của mô hình về các mục tiêu đa tỷ lệ.

Điều này trực tiếp làm dịu vấn đề cũ mất một cái để được cái khác. Một mạng có trường tiếp nhận cố định bỏ mục tiêu nhỏ trong khi chăm sóc mục tiêu lớn; với SAPPM được đặt vào, điểm nóng lớn và nhỏ đều có thể được nhìn thấy rõ ràng trong cùng một lượt, bất kể khoảng cách kích thước rộng đến đâu.

*Hình 9: Một bản phác thảo của gộp kim tự tháp đặc trưng đa tỷ lệ SAPPM, quét song song với các cửa sổ có kích thước khác nhau sau đó khâu chúng lại với trọng số chú ý không gian.*

*Hình 10: Một bức ảnh chụp từ trên không của một nhà máy. Drone chụp ở các độ cao khác nhau, làm cho cùng một khuyết tật xuất hiện ở các tỷ lệ thậm chí còn đa dạng hơn trong hình ảnh.*

### Bước Ba: Chú Ý Kênh, Câu Lại Các Mục Tiêu Nhỏ Gần Như Đã Mất

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

Đầu tiên, một lời về các kênh. Khi một mạng xử lý một 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 khắp các kênh này, và nếu mỗi kênh chỉ quan tâm đến chính nó mà không có trao đổi, chút thông tin quý giá đó dễ dàng bị chìm trong việc chuyển giao từng lớp.

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

Vị trí của ba bước này trong mạng cũng là có chủ đích. SIEM làm sạch các đặc trưng tại nguồn xương sống, SAPPM tổng hợp thông tin đa tỷ lệ tại đuôi xương sống, và MCI thực hiện đánh bóng cuối cùng tại cổ kết nối xương sống với đầu phát hiện. Trước, giữa, sau, cùng nhau chúng bao phủ toàn bộ chuỗi trích xuất, tổng hợp và xuất đặc trưng, và mỗi bước nhận được một biện pháp khắc phục có mục tiêu cho một điểm đau khuyết tật hồng ngoại.

Ba bước 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 một mình mà chuyền dùi cui: nâng khuyết tật ra khỏi nền trước, sau đó bao phủ mọi kích thước, sau đó bắt mục tiêu nhỏ dễ trượt đi nhất. Với sự kết hợp này, ba khó khăn nhất của phát hiện khuyết tật hồng ngoại được tháo gỡ từng cái một.

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

*Hình 12: Một mục tiêu mờ nhạt được camera hồng ngoại bắt được. Mục tiêu càng nhỏ và mờ, càng dễ bị làm mịn đi 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 bước cải tiến quy về dữ liệu. Các nhà nghiên cứu đã tự xây dựng bộ dữ liệu khuyết tật hồng ngoại cho mô-đun PV, gán nhãn các điểm nóng theo kích thước pixel mà chúng chiếm trong ảnh thành ba lớp: trên 64x64 pixel là Lớn, từ 32x32 đến 64x64 là Trung bình, dưới 32x32 là Nhỏ. Việc phát hiện tốt hay không phải được đọc theo từng lớp, từng quy mô.

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 thu hồi." Chỉ số còn lại là độ chính xác trung bình, PmA, giá trị trung bình của độ chính xác phát hiện trên các lớp, điểm tổng mà một bộ phát hiện quan tâm nhất. Thêm tốc độ phát hiện, được đo bằng số khung hình xử lý mỗi giây, và ba con số đó cùng nhau kể câu chuyện đầy đủ về một thuật toán.

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

*Hình 13: Thử nghiệm loại bỏ từng mô-đun. Khi xếp chồng ba mô-đun, độ chính xác cho mục tiêu nhỏ khó nhất tăng từ 86,7% lên 90,3%.*

*Hình 14: Một nhà máy lắp đặt trên mặt đất quy mô lớn vô tận. Hàng nghìn hàng vạn mô-đun của nó chính là thứ mà thuật toán này phải kiểm tra từng cái một.*

### Đối Đầu: Chín Thuật Toán Trên Một Sân Khấu

So sánh với chính mình là chưa đủ. Nghiên cứu đặt SESPNet lên cùng sân khấu với tám thuật toán chủ lưu khác, huấn luyện chúng trên cùng bộ dữ liệu, và đo độ chính xác lẫn tốc độ song song.

Kết quả tự nói lên tất cả. Các thuật toán hai giai đoạn kinh 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 86% đến 88%, không phù hợp với các cảnh đòi hỏi hiệu năng thời gian thực cao. SSD nhanh nhất nhưng độ chính xác chỉ 74,3%, rõ ràng là thấp. Dòng YOLO cân bằng hơn về tổng thể: từ 88,1% của YOLOv7, qua YOLOX, YOLOv8, YOLOv10 và YOLOv11, độ chính xác leo lên khoảng 89% đến 90% với tốc độ đều đặn khoảng năm mươi đến sáu mươi khung hình mỗi giây.

SESPNet đẩy đường cong đó xa hơn về phía góc trên bên phải: độ chính xác trung bình 92,1%, cao hơn á quân khoảng 2 điểm, và 62,4 khung hình mỗi giây, sánh ngang với các tay nhanh YOLO. Nó không hy sinh tốc độ để nâng độ chính xác; nó giữ vị trí góc trên bên phải của sự nhanh-và-chính-xác mà những cái khác không thể chạm tới. Đó là giá trị lớn nhất của nó. Trong một cảnh với số lượng mô-đun khổng lồ nơi bạn vừa tuần tra vừa phán đoán, mỗi chút chậm chạp 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 (độ thu hồi) đo tỷ lệ khuyết tật thực được phát hiện, P (độ chính xác) đo bao nhiêu trong số khuyết tật được báo cáo là thật, và PmA là điểm tổng được tính qua các lớp và qua các mức độ chính xác. Logic không phức tạp: bỏ sót càng ít càng tốt (độ thu hồi cao) và báo động giả càng ít càng tốt (độ chính xác 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 giữ ổn định ở 12,6 FPS.*

### Ép Vào Một Chiếc Hộp Cỡ Bàn Tay Mà Vẫn Thời Gian Thực

Chạy tốt trong phòng thí nghiệm không có nghĩa là dùng được ngoài thực địa. Các nhà máy PV phần lớn nằm ở nơi hoang dã, nơi thiết bị kiểm tra bị hạn chế về năng lực tính toán và nguồn điện. Liệu thuật toán có thể vừa vặn trong một chiếc hộp nhỏ công suất thấp và chạy thời gian thực hay không là rào cản cuối cùng cho việc triển khai thực tế.

Các nhà nghiên cứu đã chuyển nó sang một nền tảng nhúng gọi là Jetson Nano để kiểm chứng. Bộ xử lý của nó là chip ARM bốn nhân ghép với GPU 128 nhân cấp thấp, kém xa máy trạm phòng thí nghiệm với card chuyên dụng cả về tính toán lẫn nguồn điện. SESPNet được triển khai ở cùng tỷ lệ đầu vào, rồi 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 kinh điển lộ rõ bản chất trong môi trường nhúng: Faster R-CNN tụt xuống 1,9 khung hình mỗi giây, hầu như không còn thời gian thực; Cascade R-CNN chỉ 3,7. Dòng YOLO nói chung rơi xuống khoảng mười một hoặc mười hai khung hình, trong khi SESPNet giữ 12,6 khung hình mỗi giây mà vẫn duy trì độ chính xác cao nhất 92,1%, sánh ngang với các YOLO nhẹ, thậm chí nhỉnh hơn một chút. Năng lực tính toán bị cắt giảm mạnh, nó vẫn chính xác và ổn định, cho thấy thiết kế phù hợp đến mức nào với các cảnh hạn chế tài nguyên.

Điều này nghĩa là một drone hay một thiết bị kiểm tra cầm tay gắn thuật toán này sẽ không phải gửi ảnh về đám mây để xử lý chậm chạp. Ngay tại chỗ, trong thời gian thực, nó có thể cho biết tấm pin nào có điểm nóng. Cả hiệu quả kiểm tra lẫn tốc độ phản hồi đều tiến thêm một bước.

Giá trị của việc phán đoán ngay tại chỗ không chỉ là tiết kiệm một chuyến khứ hồi. Đặt tính toán ở biên nghĩa là việc kiểm tra vẫn có thể chạy ở các nhà máy xa xôi với tín hiệu kém; phát hiện một điểm nóng nghi ngờ thì bạn có thể đánh dấu ngay tại chỗ và bay lại xác nhận tức thì, không phải chờ dữ liệu trở về và xem xét thủ công trước khi có chuyến bay thứ hai. Với các nhà máy lớn tính bằng hàng trăm megawatt với số mô-đun đếm bằng hàng triệu, khả năng thời gian thực tại chỗ này trực tiếp quyết định một cuộc kiểm tra toàn bộ mất vài giờ hay vài ngày.

### Kết Lại: Không Còn Chỗ Ẩn Cho Mọi Tấm Pin Quá Nhiệt

Nhìn lại, sự khéo léo của SESPNet không nằm ở việc xếp chồng một cấu trúc cầu kỳ nào đó mà ở việc chữa đúng triệu chứng. Độ tương phản hồng ngoại thấp, nên tăng cường ngữ nghĩa triệt tiêu nền. Quy mô khuyết tật hỗn loạn, nên gộp kim tự tháp bao phủ mọi kích cỡ. Mục tiêu nhỏ dễ bị mất, nên chú ý kênh kéo chúng trở lại. Ba bước, mỗi bước đúng việc của mình, và chuyền tiếp cho nhau.

Điều hiếm hơn là nó không làm phình mô hình vì mục tiêu độ chính xác. Nhiều thuật toán đuổi theo độ chính xác cao một cách mù quáng, cuối cùng phình to, kéo giảm tốc độ, và thậm chí không vừa trên một thiết bị nhúng. SESPNet giữ tốc độ mà vẫn đứng đầu về độ chính xác, và nó đã vượt qua thử thách khi năng lực tính toán bị cắt giảm nghiêm trọng. Sự cân bằng giữa chính xác, nhanh và nhẹ đó chính là phẩm chất mà thực địa coi trọng nhất. Một công nghệ có tốt hay không quy về việc nó có thể làm việc thật tại một nhà máy thật hay không.

Độ chính xác trung bình 92,1%, 62,4 khung hình mỗi giây, và đủ nhỏ để chạy thời gian thực trong một chiếc hộp cỡ bàn tay. 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 khăn ngay cả với mắt người, thành một báo cáo sức khỏe nơi khuyết tật không có chỗ ẩn.

Khi một drone mang thuật toán như thế này quét qua hết cánh đồng này đến cánh đồng khác những dãy pin xanh, mọi tấm pin âm thầm quá nhiệt đều bị ghim lại và xử lý ngay từ giây phút đầu tiên. Những điểm nóng ẩn giấu trở nên hữu hình, và những rủi ro tưởng như nhỏ bé bị dập tắt. Thứ được giữ vững chính là một nhà máy biến ánh nắng thành điện, lâu dài, an toàn và đầy tải.

### Quan điểm của Ooitech

Điều khiến chúng tôi ấn tượng nhất ở đây là cách phát hiện và sản xuất là hai mặt của cùng một đồng xu về độ tin cậy. Một điểm nóng được phát hiện ngoài hiện trường thường bắt nguồn từ một vết nứt vi mô hoặc mối hàn nguội sinh ra trên dây chuyền, đó là lý do tại sao hàn thanh nối, căn chỉnh lớp xếp và kiểm soát ép laminate lại quan trọng đến vậy trên dây chuyền sản xuất module. Làm đúng những bước này và bạn sẽ đưa ít điểm nóng ra hiện trường hơn 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](http://www.youtube.com/ooitech)) rất đáng để xem và đăng ký.

---

##### Thẻ :

![](/template/ooitech/assets/img/shape/06.png)

![](https://cdn.ooitech.com/runtime/image/w800_h700_fitblur_v2_w800_h700_fitblur_v2_1757399770541443.webp)

### Yêu cầu báo giá

Tất cả tải lên đều an toàn và bảo mật.

## Chúng tôi cung cấp chuyên môn bạn có thể tin tưởng dịch vụ của chúng tôi

Thiết bị trực tiếp từ nhà máy.

![](/template/ooitech/assets/img/icon/money-2.svg)

### Lợi thế tiết kiệm chi phí

Chúng tôi mang lại giá trị vượt trội, tối đa hóa kết quả trong khi tối ưu hóa ngân sách cho khách hàng.

![](/template/ooitech/assets/img/icon/staff.svg)

### Đội ngũ giàu kinh nghiệm của chúng tôi

Các chuyên gia lành nghề của chúng tôi chuyên về các giải pháp sáng tạo và chiến lược phù hợp.

![](/template/ooitech/assets/img/icon/certified.svg)

### Hơn 15 năm kinh nghiệm trong ngành

Chuyên môn sâu đảm bảo kết quả đáng tin cậy, nắm bắt xu hướng và đã được chứng minh để thành công.

![](https://cdn.ooitech.com/static/upload/image/20250910/1757477357667605.webp )

![](https://cdn.ooitech.com/static/upload/image/20250910/1757477724911512.webp)

![](/template/ooitech/assets/img/shape/06.png)

## Khách hàng của chúng tôi nói gì về chúng tôi

Các đánh giá từ khách hàng ca ngợi sự hiểu biết sâu sắc của chúng tôi về những thách thức của họ, dẫn đến các giải pháp sáng tạo và ROI mạnh mẽ. Các hợp tác lâu dài—một số hơn một thập kỷ—chứng minh sự tin tưởng và hài lòng của họ. Những câu chuyện thành công của họ thúc đẩy chúng tôi không ngừng vượt qua mong đợi. [Tìm hiểu thêm **](#quote-form)

![](/template/ooitech/assets/img/icon/quote.svg)

Cảm ơn Ooitech đã cung cấp thiết bị thí nghiệm pin mặt trời BC rất phù hợp.

![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1776426122864564.webp)

### KTECH

![](/template/ooitech/assets/img/icon/quote.svg)

cảm ơn sự hỗ trợ chuyên nghiệp và dịch vụ sau bán hàng đúng hạn của ooitech.

![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1784509010217979.webp)

### Diarra từ Châu Phi

![](/template/ooitech/assets/img/icon/quote.svg)

Cảm ơn Ooitech đã cung cấp thiết bị sản xuất hoàn toàn tự động—dịch vụ lắp đặt và sau bán hàng của bạn rất xuất sắc.

![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_2026041720921238.webp)

### Amjad

![](/template/ooitech/assets/img/icon/quote.svg)

Một người đàn ông có tâm hồn lớn. Cảm ơn ông Wu rất nhiều vì đã đến thăm. Cảm ơn rất nhiều vì những dịch vụ được cung cấp trong việc lắp đặt thiết bị và đào tạo học viên của tôi. Người tử tế nhất và chuyên nghiệp trong lĩnh vực của mình

![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_2026041716444445.webp)

### Viện Bách khoa Jizzakh

![](/template/ooitech/assets/img/icon/quote.svg)

Cảm ơn bạn rất nhiều lần nữa vì sự giúp đỡ rất lớn trong việc cải thiện và sửa chữa nhà máy cũng như dạy công nhân cách sử dụng máy móc

![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1757479675272137.webp)

### Mark

BIPV Philippines

## Sản phẩm mới nhất của chúng tôi

![Máy kiểm tra an toàn PV CHT9980A: 8kV, độ phân giải 0,001kV](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_2026032763823477.jpg)

- [** Rachael](./cht9980a-cht9981a-pv-safety-comprehensive-tester-solar-panel-hipot-insulation-ground-continuity-tester.html)
- [** 83849](./cht9980a-cht9981a-pv-safety-comprehensive-tester-solar-panel-hipot-insulation-ground-continuity-tester.html)

### Máy kiểm tra an toàn PV CHT9980A: 8kV, độ phân giải 0,001kV

CHT9980A/CHT9981A Máy kiểm tra an toàn PV toàn diện là thiết bị 3 trong 1 hiệu suất cao tích hợp chịu điện áp DC, điện trở cách điện

![AM050FH MBB Tabber Stringer: 6800 dải/h, ±0.05mm](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1774262936967131.webp)

- [** ooitech](./am050fh-mbb-pv-cell-soldering-stringer-fully-automatic-solar-cell-tabber-stringer-machine-ooitech.html)
- [** 56873](./am050fh-mbb-pv-cell-soldering-stringer-fully-automatic-solar-cell-tabber-stringer-machine-ooitech.html)

### AM050FH MBB Tabber Stringer: 6800 dải/h, ±0.05mm

Máy hàn nối pin mặt trời tự động: AM050FH hàn các pin multi-busbar với cắt laser nửa và cắt 1/3 trên một nền tảng, dành cho dây chuyền MBB và nửa tấm.

![Máy cắt pin mặt trời hai laser SC-20D](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1773917787610971.webp)

- [** ooitech](./SC-20D-Full-Automatic-Solar-Cell-Laser-Cutting-Machine-High-Precision-Wafer-Scribing-Equipment.html)
- [** 51209](./SC-20D-Full-Automatic-Solar-Cell-Laser-Cutting-Machine-High-Precision-Wafer-Scribing-Equipment.html)

### Máy cắt pin mặt trời hai laser SC-20D

SC-20D là phiên bản nâng cao của SC-20A, được thiết kế đặc biệt cho sản xuất pin mặt trời shingled, với hai đầu laser và hai laser hoạt động

![Máy hàn hộp nối KS-01C: Chu kỳ 16 giây](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1774492507915923.webp)

- [** Rachael](./junction-box-welding-machine-ks-01c-automatic-solar-panel-junction-box-soldering-equipment-ooitech.html)
- [** 92407](./junction-box-welding-machine-ks-01c-automatic-solar-panel-junction-box-soldering-equipment-ooitech.html)

### Máy hàn hộp nối KS-01C: Chu kỳ 16 giây

Máy hàn hộp nối Ooitech KS-01C có tính năng hàn thiếc thanh nóng tự động và hàn tần số cao với độ chính xác định vị CCD là ±0.1mm.

![Máy hàn cell tiếp xúc mặt sau SL-1000: 600 cell/giờ](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1774263750726273.webp)

- [** Rachael](./sunpower-back-contact-cell-welding-machine-sl-1000-ibc-back-contact-solar-cell-stringer.html)
- [** 45516](./sunpower-back-contact-cell-welding-machine-sl-1000-ibc-back-contact-solar-cell-stringer.html)

### Máy hàn cell tiếp xúc mặt sau SL-1000: 600 cell/giờ

Máy Hàn Tế Bào Tiếp Xúc Mặt Sau SUNPOWER SL-1000 của Ooitech có tính năng hàn điện từ, định vị robot CCD+SCARA, nạp tế bào kép

![Phim EVA Encapsulant: độ bám dính lên kính trên 80 N/cm](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1774518543829873.webp)

- [** ooitech](./EVA-POE-EPE-Encapsulant-Film-for-Solar-Panel-Manufacturing-Complete-Technical-Guide.html)
- [** 89443](./EVA-POE-EPE-Encapsulant-Film-for-Solar-Panel-Manufacturing-Complete-Technical-Guide.html)

### Phim EVA Encapsulant: độ bám dính lên kính trên 80 N/cm

Phim EVA encapsulant cho mô-đun năng lượng mặt trời, cùng các lựa chọn POE và EPE: chống PID, kháng UV và tương thích với dây chuyền TOPCon và PERC, theo độ dày của bạn.