Produkteinführung

Ein Solarpark kann Zehntausende bis mehrere Millionen Module umfassen. Tag für Tag sind sie Hitze, Wind, Sand, Regen und Schnee ausgesetzt, daher ist es keine Überraschung, dass sie allerlei Gebrechen aufweisen. Das häufigste und auch gefährlichste ist der Hotspot.

Ein Hotspot ist nur ein kleiner Bereich auf einem Modul, der ungewöhnlich heiß wird. Im besten Fall mindert er die Leistungsausbeute. Im schlimmsten Fall brennt er durch die Rückseitenfolie und verursacht einen Brand, der das gesamte Kraftwerk gefährdet. Das Problem ist, dass Module dicht an dicht angeordnet sind. Teams auszuschicken, um sie einzeln mit einem Handgerät zu überprüfen, ist langsam und übersieht Dinge. Daher ist die Kombination von Infrarot-Thermografie mit Deep Learning in den Fokus gerückt.

Richten Sie eine Infrarotkamera auf ein Modul, erfassen Sie seine Temperaturverteilung als Wärmebild, und lassen Sie dann ein trainiertes neuronales Netzwerk dieses Bild für Sie auslesen und markieren, wo es heiß ist und wie heiß. Klingt einfach. Aber es tatsächlich im Feld zum Laufen zu bringen, ist eine andere Geschichte. Infrarotbilder haben drei eingebaute Schwächen, die gewöhnliche Algorithmen ausbremsen: niedrige Auflösung, stark unterschiedliche Defektgrößen und unübersichtliche Hintergründe.

Eine neue Methode namens SESPNet (Semantic Enhancement and Scale Perception Network) geht direkt gegen diese drei Schwächen vor. Ihre Zahlen sind solide: 92,1 % mittlere durchschnittliche Präzision, 62,4 Bilder pro Sekunde, und sie ist klein genug, um in Echtzeit auf einem handtellergroßen eingebetteten Gerät zu laufen. Dieser Beitrag erklärt, wie sie jeden Hotspot aus einem tristen grauen Infrarotbild herauszieht.

Zunächst, warum Hotspots wichtig sind. Ein PV-Modul besteht aus vielen in Reihe geschalteten Zellen. Wenn eine Zelle aufgrund von Verschattung, einem Mikroriss oder Schmutz ihre Leistung verliert, trägt sie keinen Strom mehr bei und wirkt wie ein Widerstand, der den Strom der anderen Zellen in Wärme umwandelt und in sich selbst verbrennt. Diese eine Zelle wird zur Wärmequelle für den gesamten String und wird um Dutzende Grad heißer als ihre Nachbarn. Leichte Fälle verringern die Leistung des Strings. Schwere Fälle zersetzen mit der Zeit das Verkapselungsmaterial, brennen durch die Rückseitenfolie und können sogar Feuer verursachen. Hotspots frühzeitig zu erkennen und schnell zu beheben, ist eine Aufgabe, die PV-Betreiber nicht vermeiden können.

Abbildung 1: Auf einem Dach montierte Solarkollektormodule, die jahrelang der Witterung ausgesetzt sind, wo lokalisierte Temperaturspitzen Hotspots bilden.

Abbildung 2: Der fünfstufige Arbeitsablauf der Infrarot-Thermografie zur Erkennung von PV-Moduldefekten, von der Temperaturerfassung bis zur genauen Lokalisierung des fehlerhaften Panels.

Technische Parameter

Warum Infrarot für die Hotspot-Erkennung unverzichtbar ist

Um diesen Algorithmus zu verstehen, beginnen Sie mit den Grundlagen: Warum eine Kamera für sichtbares Licht für versteckte PV-Fehler nicht ausreicht und warum Infrarot der einzige Weg ist.

Bildgebung im sichtbaren Licht ist nur gewöhnliche Fotografie. Hohe Auflösung, reichhaltige Details, gut geeignet, um Risse, Kratzer und Schmutz auf der Oberfläche zu erkennen – die Art von Dingen, die man sehen kann. Aber sie hat eine fatale Grenze. Sie erfasst nur das Aussehen, nicht die Temperatur. Ein Mikroriss oder eine kalte Lötstelle im Inneren eines Moduls verändert dessen Aussehen in der Frühphase oft nicht, blockiert aber an dieser Stelle den Strom und erhitzt sie. Kameras für sichtbares Licht sind gegen diese thermischen Fehler machtlos, und bei Nacht oder schlechtem Licht sind sie nutzlos.

Infrarot geht einen anderen Weg. Jedes Objekt über dem absoluten Nullpunkt strahlt Infrarot ab, und je heißer es ist, desto stärker ist die Strahlung. Eine Infrarotkamera erfasst diese Strahlung und bildet die unsichtbare Temperaturverteilung direkt als Farb- oder Graustufen-Wärmebild ab. Sie benötigt kein externes Licht, funktioniert also Tag und Nacht. Wo ein Modul heiß ist und wie stark, wird deutlich sichtbar. Für wärmebedingte Defekte wie Hotspots und unterbrochene Gitterlinien ist Infrarot die natürliche Lösung.

Deshalb ist Infrarot zu einer Schlüsselmethode geworden, um sowohl die Genauigkeit als auch die Geschwindigkeit der Defekterkennung in PV-Anlagen zu steigern. Eine Drohne mit Infrarotkamera kann ein gesamtes Feld in wenigen Minuten scannen – dutzende Male schneller als ein manuelles Team. Aber diese Fähigkeit, Wärme zu sehen, hat ihren Preis: Die Bildqualität ist weitaus geringer als bei sichtbarem Licht.

Die alte manuelle Methode erfordert, dass Arbeiter Instrumente tragen und Panel für Panel messen. Es ist langsam und stark erfahrungsabhängig. Bei dicht gepackten Modulen, die in Tausenden gezählt werden, ist das Ablesen einzeln ermüdend, fehleranfällig und nachts nahezu unmöglich. Die Drohnen-Infrarot-Kombination maximiert den Erfassungsschritt, aber wenn Sie diese Tausenden von Bildern immer noch von Hand auslesen, verschiebt sich der Engpass nur vom Messen zum Betrachten. Um den Kreislauf zu schließen, benötigen Sie einen Algorithmus zum Lesen der Bilder. Das ist der Einsatz für Deep Learning.

Abbildung 3: Eine typische Infrarot-Wärmekarte. Je heißer der Bereich, desto wärmer seine Farbe, und die überhitzte Region sticht sofort ins Auge. Dies ist das Rohmaterial für die Hotspot-Erkennung.

Abbildung 4: Die Arbeitsteilung zwischen sichtbarem Licht und Infrarot-Bildgebung. Bei thermischen Fehlern ist Infrarot die natürliche Lösung.

Drei harte Knochen in der Infrarot-Defekterkennung

Infrarot kann Wärme sehen, aber es stellt Erkennungsalgorithmen vor drei schwierige Probleme. Diese drei sind genau der Grund, warum viele Standardalgorithmen bei PV-Infrarot-Arbeiten versagen.

Eins: geringer Kontrast. Infrarotbilder sind insgesamt matt und grau. Der Graustufenunterschied zwischen Defekt und Hintergrund ist von Natur aus gering, und zusätzliches Bildrauschen führt dazu, dass Defekte im Hintergrund verschluckt werden. Der Algorithmus kann die Schlüsselmerkmale nicht erfassen, sodass die Genauigkeit leidet.

Zwei: stark variierende Defektgröße. Innerhalb eines einzigen Infrarotbildes können Hotspot-Größen um das Zehnfache variieren. Einige sind eine ganze überbrückte Zeichenkette, die über eine große Fläche leuchtet; andere sind nur eine Zelle, die sich in einer Ecke leicht erwärmt. Ein festes rezeptives Feld, der Bereich, den das Netzwerk in einem Durchlauf klar sehen kann, neigt dazu, bei einer solchen Streuung das eine für das andere zu verlieren: das große Ziel erfassen und das kleine verpassen, oder umgekehrt.

Drei: Informationen zu kleinen Zielen gehen verloren. Dies ist das kniffligste. Neuronale Netze verkleinern Schicht für Schicht, um das Bild zu schrumpfen und hochrangige Bedeutung zu extrahieren. Aber kleine Hotspots, die ursprünglich nur zehn Pixel groß waren, werden beim Schrumpfen geglättet, bis zum Zeitpunkt der Entscheidung fast nichts mehr übrig ist, und die Erkennung leidet stark.

Alles zusammen ergibt: PV-Infrarot-Defekterkennung ist schwierig, weil man gleichzeitig gegen "kann nicht klar sehen, Größen überall, leicht verloren" kämpfen muss. Die drei Kernverbesserungen von SESPNet zielen jeweils auf einen dieser Knochen ab: eine verbessert die Semantik, um den Hintergrund zu unterdrücken, eine baut eine Pyramide, um Größen zu handhaben, eine bewacht die Kanäle, um kleine Ziele wiederherzustellen.

Warum nicht einfach einen handelsüblichen Detektor nehmen? Die Objekterkennung hat sich rasant entwickelt und teilt sich in zwei Wege. Der eine ist zweistufig: zuerst grobe Vorauswahl von Kandidatenregionen, dann jede sorgfältig bewerten, hohe Genauigkeit, aber langsam. Der andere ist einstufig: ein Blick liefert sowohl Position als auch Klasse, schnell und für Echtzeit geeignet. Die YOLO-Serie ist der einstufige Vorreiter. Aber diese allgemeinen Algorithmen sind auf gewöhnlichen sichtbaren Bildern trainiert und auf kontrastarme, maßstabsvariierende PV-Infrarotbilder angewendet, haben sie Schwierigkeiten. SESPNets Verbesserungen schließen diese drei Lücken, maßgeschneidert für Infrarotdefekte.

Abbildung 5: Die drei harten Knochen der Infrarot-Defekterkennung: geringer Kontrast, mehrere Maßstäbe und kleine Ziele.

Abbildung 6: Eine Multirotor-Drohne mit Kamera, die über das Feld fliegt, um Infrarotbilder in großen Mengen aufzunehmen und in Minuten zu erfassen, wofür ein Team einen halben Tag bräuchte.

Technische Vorteile

Schritt Eins: Semantische Verbesserung, Defekte aus dem Hintergrund heben

SESPNet baut auf YOLOv10 als Basismodell auf. YOLOv10 ist einer der heute beliebtesten Echtzeit-Detektoren, veröffentlicht von einem Team der Tsinghua-Universität im Mai 2024, entwickelt für Schnelligkeit, Genauigkeit und einfache Bereitstellung. SESPNet führt drei Operationen daran durch, und die erste bettet ein Semantic Information Enhancement Module (SIEM) in das Backbone ein.

Was es löst, ist das Problem des geringen Kontrasts. Schlechter Kontrast in Infrarot-Defektbildern lässt Hintergrundrauschen die vom Modell extrahierten Merkmale stören, was die Genauigkeit beeinträchtigt. SIEM arbeitet auf zwei Arten gleichzeitig. Ein globaler Aufmerksamkeitszweig erfasst die Gesamtbedeutung des gesamten Bildes und ermittelt, was Hintergrund ist und was möglicherweise einen Defekt verbirgt, sodass die Störung durch das Rauschen reduziert wird. Ein lokaler Aufmerksamkeitszweig konzentriert sich auf die Details und Textur des Defekts selbst und schärft dessen Merkmalsausprägung.

Jeder Zweig beobachtet sein eigenes, dann werden global und lokal gewichtet und fusioniert. Stellen Sie es sich vor wie zusammenzukneifen, um den gesamten Dachumriss zu erkennen und Störungen auszuschließen, dann sich zu beugen, um auf die eine verdächtige Stelle zu starren. Nah und fern kombiniert, und der Defekt wird aus dem stumpfen Hintergrund gehoben. Die fusionierten Merkmale bewahren die Details des Defekts, während sie Hintergrundstörungen unterdrücken, sodass die Merkmalsausprägung deutlich stärker ist.

Der Nutzen zeigt sich deutlich in der späteren Ablationsstudie: alleiniges Hinzufügen von SIEM erhöht die mittlere Präzision über alle drei Zielklassen hinweg mit echten Gewinnen bei der Widerstandsfähigkeit gegen komplexe Hintergründe.

Das Rückgrat ist der Teil des Modells, der zuerst das Bild berührt und die Basisfunktionen extrahiert. SIEM hier zu platzieren bedeutet, an der Quelle zu reinigen: Bevor etwas weitergegeben wird, werden die Merkmale des Defekts bereits verstärkt und das Hintergrundrauschen unterdrückt. Mit einer sauberen Quelle werden die spätere Skalenverarbeitung und Zielortung nicht durch Unordnung in die Irre geführt. Deshalb sitzt es im Rückgrat und nirgendwo anders. Behandeln Sie die Verschmutzung frühzeitig.

Abbildung 7: Die duale Zweigstruktur des SIEM-Semanterweiterungsmoduls. Der globale Zweig liest das große Bild, um den Hintergrund zu unterdrücken, der lokale Zweig beobachtet Details, um den Defekt zu verstärken, dann werden die beiden gewichtet und fusioniert.

Abbildung 8: Ein PV-Array auf dem Dach. Das dichte Modulfeld ist genau die unordentliche Szene, die einem Erkennungsalgorithmus Interferenzen zuführt.

Schritt zwei: Pyramid Pooling, große und kleine Hotspots im Fokus

Der zweite Wechsel tauscht YOLOv10s ursprüngliches räumliches Pyramid-Pooling-Modul gegen ein Space Attention Pyramid Pooling Module, SAPPM. Es zielt auf das Problem der variierenden Skalen ab.

„Pyramid Pooling“ kann als gleichzeitiges Scannen derselben Merkmalskarte mit mehreren Fenstern unterschiedlicher Größe verstanden werden. Kleine Fenster sehen feine Details, gut für kleine Hotspots; große Fenster sehen breit, gut für große Hotspots. Die Studie führt mehrere Pooling-Fenster von klein bis groß parallel aus, sodass, ob ein Defekt mehrere Reihen füllt oder nur ein handtellergroßer Fleck ist, das richtige Fenster ihn erfasst.

Darüber hinaus fügt SAPPM eine Schicht räumlicher Aufmerksamkeit hinzu. Es weist den Merkmalen aus verschiedenen Fenstern unterschiedliche Gewichte zu, sodass die wirklich wichtigen Skaleninformationen im Vordergrund bleiben und das Irrelevante heruntergeregelt wird, dann werden diese Multi-Skalen-Merkmale zu einer vollständigeren Merkmalskarte zusammengefügt. Kurz gesagt, der erste Teil behandelt das „Sehen jeder Größe“, der zweite das „Hervorheben dessen, was gesehen werden sollte“. Zusammen steigern sie das Verständnis des Modells für Multi-Skalen-Ziele erheblich.

Dies mildert direkt das alte Problem des „Eins-verliert-das-Andere“. Ein Netzwerk mit festem rezeptivem Feld verliert das kleine Ziel, während es das große beachtet; mit SAPPM können große und kleine Hotspots im selben Durchlauf klar gesehen werden, egal wie groß der Größenunterschied ist.

Abbildung 9: Eine Skizze des SAPPM-Multi-Skalen-Merkmals-Pyramid-Poolings, das parallel mit Fenstern unterschiedlicher Größe scannt und sie dann mit räumlicher Aufmerksamkeitsgewichtung zusammenfügt.

Abbildung 10: Eine Luftaufnahme einer Anlage. Drohnen erfassen in unterschiedlichen Höhen, wodurch derselbe Defekt im Bild in noch unterschiedlicheren Skalen erscheint.

Schritt drei: Kanalaufmerksamkeit, die fast verlorenen kleinen Ziele zurückholen

Die dritte Änderung landet im Halsnetzwerk und baut einen mehrskaligen Kanalaufmerksamkeitsmechanismus, MCI. Er behebt das kniffligste Problem, den Informationsverlust bei kleinen Zielen.

Zunächst ein Wort zu Kanälen. Wenn ein Netzwerk ein Bild verarbeitet, teilt es Merkmale in viele parallele Kanäle auf, die das Bild jeweils aus einem anderen Blickwinkel beschreiben. Merkmale kleiner Ziele sind bereits schwach und über diese Kanäle verstreut, und wenn jeder Kanal nur auf sich selbst achtet, ohne Austausch, geht dieses wertvolle Informationsbit in der schichtweisen Übergabe leicht verloren.

MCI's Ansatz besteht darin, eine Interaktion zwischen den Kanälen aufzubauen, sodass sie miteinander kommunizieren können. Wo immer ein Kanal noch eine Spur des kleinen Ziels enthält, wird durch kanalübergreifende Zusammenarbeit diese verstärkt und bewahrt. Dies stärkt die Extraktion von Merkmalen kleiner Maßstäbe weiter, und jene kleinen Hotspots, die beim Downsampling fast verschwinden würden, werden zurückgeholt.

Wo diese drei Maßnahmen im Netzwerk sitzen, ist ebenfalls bewusst gewählt. SIEM bereinigt Merkmale an der Backbone-Quelle, SAPPM fasst mehrskalige Informationen am Ende des Backbones zusammen, und MCI führt die letzte Politur am Hals durch, der Backbone und Detektionskopf verbindet. Vorne, Mitte, hinten – zusammen decken sie die gesamte Kette der Merkmalsextraktion, -zusammenfassung und -ausgabe ab, und jeder Schritt erhält eine gezielte Abhilfe für einen Infrarot-Defekt-Schwachpunkt.

Die drei Maßnahmen haben klare Rollen: SIEM kümmert sich um den Kontrast, SAPPM um den Maßstab, MCI um kleine Ziele. Sie kämpfen nicht allein, sondern geben den Staffelstab weiter: zuerst den Defekt aus dem Hintergrund heben, dann alle Größen abdecken, dann das kleine Ziel fangen, das am ehesten entwischt. Mit dieser Kombination werden die drei härtesten Knochen der Infrarot-Defekterkennung nacheinander geknackt.

Abbildung 11: Infrarot-Hotspots, sortiert nach Größe in Large, Middle und Mini. Der Größenunterschied ist enorm, und die kleinsten Hotspots werden am leichtesten übersehen.

Abbildung 12: Ein schwaches Ziel, von der Infrarotkamera erfasst. Je kleiner und dunkler das Ziel, desto leichter wird es bei der Verarbeitung weggeglättet.

Produktanwendung

Die Bewertung: 92,1 % Genauigkeit, 60 Bilder pro Sekunde

Die Wirkung der drei Maßnahmen zeigt sich in den Daten. Die Forscher erstellten ihren eigenen PV-Modul-Infrarot-Defektdatensatz und markierten Hotspots nach der Pixelgröße, die sie im Bild einnehmen, in drei Klassen: über 64x64 Pixel ist Large, zwischen 32x32 und 64x64 ist Middle, unter 32x32 ist Mini. Ob die Erkennung gut ist, muss klasse für klasse, Maßstab für Maßstab abgelesen werden.

Die Genauigkeit stützt sich auf zwei Metriken. Eine ist der Recall, R, der die Frage beantwortet: „Von den Defekten, die gefunden werden sollten, wie viele wurden erfasst?“ Die andere ist die mittlere durchschnittliche Präzision, PmA, ein Gesamtmaß der Erkennungsgenauigkeit über Klassen hinweg, das für einen Detektor am wichtigsten ist. Hinzu kommt die Erkennungsgeschwindigkeit, gemessen in Bildern pro Sekunde, und diese drei Zahlen zusammen erzählen die vollständige Geschichte eines Algorithmus.

Beginnen Sie mit der modulweisen Ablation. Mit dem Standard-YOLOv10 als Basis beträgt die mittlere durchschnittliche Präzision 89,8 %. Mit SIEM allein steigt sie auf 90,4 %; mit SAPPM allein auf 90,5 %; mit MCI allein auf 90,7 %. Jede Maßnahme hilft. Werden alle drei kombiniert, das vollständige SESPNet, steigt die mittlere durchschnittliche Präzision auf 92,1 %. Der herausragende Bereich sind kleine Ziele: Die Mini-Präzision der Basis beträgt nur 86,7 %, und mit allen drei Modulen steigt sie auf 90,3 %, ein Anstieg von 3,6 Prozentpunkten, was die Arbeit von MCI bei der Erfassung kleiner Ziele belegt.

Abbildung 13: Die modulweise Ablation. Mit den drei gestapelten Modulen steigt die schwierigste Präzision für kleine Ziele von 86,7 % auf 90,3 %.

Abbildung 14: Eine endlose große bodenmontierte Anlage. Ihre Tausenden von Modulen müssen von diesem Algorithmus einzeln überprüft werden.

Direkter Vergleich: Neun Algorithmen auf einer Bühne

Ein Vergleich mit sich selbst reicht nicht aus. Die Studie stellt SESPNet auf die gleiche Stufe wie acht andere gängige Algorithmen, trainiert sie auf demselben Datensatz und misst Genauigkeit und Geschwindigkeit nebeneinander.

Das Ergebnis spricht für sich. Klassische zweistufige Algorithmen wie Faster R-CNN und Cascade R-CNN haben eine begrenzte Merkmalsextraktion und laufen langsam, mit einer mittleren durchschnittlichen Präzision von 86 % bis 88 %, was für Szenarien mit hohen Echtzeitanforderungen ungeeignet ist. SSD ist am schnellsten, aber seine Genauigkeit beträgt nur 74,3 %, eindeutig niedrig. Die YOLO-Serie ist insgesamt ausgewogener: Von YOLOv7 mit 88,1 % über YOLOX, YOLOv8, YOLOv10 und YOLOv11 steigt die Genauigkeit auf 89 % bis 90 % bei Geschwindigkeiten von etwa fünfzig bis sechzig Bildern pro Sekunde.

SESPNet verschiebt diese Kurve weiter nach oben rechts: 92,1 % mittlere durchschnittliche Präzision, etwa 2 Punkte über dem Zweitplatzierten, und 62,4 Bilder pro Sekunde, auf Augenhöhe mit den YOLO-Schnellläufern. Es opfert keine Geschwindigkeit, um die Genauigkeit zu steigern; es hält die obere rechte Position von schnell und genau, die andere nicht erreichen können. Das ist sein größter Wert. In einer Szene mit einer massiven Anzahl von Modulen, bei der man während der Patrouille beurteilt, ist jede Verlangsamung mit Kosten verbunden.

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

Diese beiden Zeilen sind die grundlegenden Definitionen der Genauigkeitsmetriken. R (Recall) misst den Anteil der tatsächlich erkannten Defekte, P (Precision) misst, wie viele der gemeldeten Defekte echt sind, und PmA ist die Gesamtpunktzahl, die über Klassen und Präzisionsstufen hinweg berechnet wird. Die Logik ist nicht komplex: so wenig wie möglich übersehen (hoher Recall) und so wenig wie möglich Fehlalarme auslösen (hohe Precision), beide Enden im Griff behalten, und man hat einen zuverlässigen Detektor.

Abbildung 15: Der Genauigkeits-Geschwindigkeits-Vergleich von neun Algorithmen. SESPNet hält die obere rechte Ecke mit 92,1 % Genauigkeit und 62,4 FPS.

Abbildung 16: Ein realer Test auf einer eingebetteten Plattform. Der genaueste SESPNet bleibt stabil bei 12,6 FPS.

In eine handtellergroße Box gequetscht und immer noch in Echtzeit

Im Labor gut zu laufen bedeutet nicht, dass es im Feld einsetzbar ist. PV-Anlagen befinden sich meist im Freien, wo die Inspektionsgeräte nur begrenzte Rechenleistung und Energie haben. Ob der Algorithmus in eine stromsparende kleine Box passt und in Echtzeit läuft, ist die letzte Hürde für den realen Einsatz.

Die Forscher portierten ihn auf eine eingebettete Plattform namens Jetson Nano, um dies zu überprüfen. Dessen Prozessor ist ein Quad-Core-ARM-Chip gepaart mit einer einsteigertauglichen 128-Kern-GPU, weit unter dem Labor-Workstation mit seiner dedizierten Karte, sowohl in Rechenleistung als auch Stromverbrauch. SESPNet wurde im gleichen Eingabemaßstab eingesetzt und dann gegen die anderen Algorithmen auf diesem kleinen Board antreten gelassen.

Das Ergebnis beweist erneut seine Ausgewogenheit. Klassische zweistufige Algorithmen zeigen ihre wahren Farben in der eingebetteten Umgebung: Faster R-CNN fällt auf 1,9 Bilder pro Sekunde, kaum noch Echtzeit; Cascade R-CNN nur 3,7. Die YOLO-Serie fällt im Allgemeinen auf etwa elf oder zwölf Bilder, während SESPNet 12,6 Bilder pro Sekunde hält und dabei die Spitzengenauigkeit von 92,1 % beibehält, direkt neben den leichten YOLOs, sogar ein wenig voraus. Bei stark reduzierter Rechenleistung bleibt es genau und stabil und zeigt, wie gut das Design für ressourcenbeschränkte Szenarien geeignet ist.

Das bedeutet, dass eine Drohne oder ein tragbarer Inspektor, der mit diesem Algorithmus ausgestattet ist, keine Bilder zur langsamen Verarbeitung in die Cloud senden muss. Vor Ort, in Echtzeit, kann er erkennen, welches Panel einen Hotspot hat. Sowohl die Inspektionseffizienz als auch die Reaktionsgeschwindigkeit steigen um eine weitere Stufe.

Der Wert der sofortigen Beurteilung liegt nicht nur darin, einen Hin- und Rückweg zu sparen. Rechenleistung an den Rand zu verlegen bedeutet, dass die Inspektion auch in abgelegenen Anlagen mit schlechtem Signal durchgeführt werden kann; entdecken Sie einen vermuteten Hotspot, können Sie ihn sofort markieren und erneut fliegen, um ihn sofort zu bestätigen, ohne auf die Rückkehr der Daten und eine manuelle Überprüfung vor einem zweiten Einsatz warten zu müssen. Bei großen Anlagen, die in Hunderten von Megawatt gemessen werden und Module in Millionenhöhe umfassen, entscheidet diese Echtzeitfähigkeit vor Ort direkt darüber, ob eine vollständige Inspektion Stunden oder Tage dauert.

Fazit: Kein Versteck mehr für jedes überhitzte Panel

Rückblickend liegt die Klugheit von SESPNet nicht darin, eine ausgeklügelte Struktur zu stapeln, sondern die richtigen Symptome zu behandeln. Der Infrarotkontrast ist gering, daher unterdrückt die semantische Verbesserung den Hintergrund. Der Defektmaßstab ist ein Durcheinander, daher deckt das Pyramid Pooling alle Größen ab. Kleine Ziele gehen leicht verloren, daher fischt die Kanalaufmerksamkeit sie zurück. Drei Schritte, jeder für seine Aufgabe, und den Staffelstab weitergeben.

Was noch seltener ist: Es hat das Modell nicht aus Genauigkeitsgründen aufgebläht. Viele Algorithmen jagen blind nach hoher Genauigkeit, werden aufgebläht, verlangsamen die Geschwindigkeit und passen nicht einmal auf ein eingebettetes Gerät. SESPNet hält seine Geschwindigkeit, während es die Genauigkeit übertrifft, und hat den Test drastisch reduzierter Rechenleistung bestanden. Dieses Gleichgewicht aus Genauigkeit, Schnelligkeit und Leichtigkeit ist genau die Eigenschaft, die das Fachgebiet am meisten schätzt. Ob eine Technologie gut ist, hängt davon ab, ob sie in einem echten Kraftwerk echte Arbeit leisten kann.

92,1 % mittlere durchschnittliche Präzision, 62,4 Bilder pro Sekunde und klein genug, um in einer handtellergroßen Box in Echtzeit zu laufen. Diese drei Zahlen zusammen skizzieren ein Werkzeug, das wirklich ins Kraftwerk gehen und arbeiten kann. Es verwandelt ein mattes graues Infrarotbild, das selbst für das menschliche Auge schwer zu lesen war, in einen Gesundheitsbericht, in dem Defekte kein Versteck haben.

Wenn eine Drohne mit einem solchen Algorithmus über Feld um Feld blauer Arrays fliegt, wird jedes leise überhitzte Panel im ersten Moment erfasst und behandelt. Versteckte Hotspots werden sichtbar, und scheinbar winzige Risiken werden ausgemerzt. Was bleibt, ist genau ein Kraftwerk, das Sonnenlicht in Strom umwandelt, lange, sicher und unter Volllast.

Ooitech's Sicht

Was uns hier am meisten auffällt, ist, dass Erkennung und Fertigung zwei Seiten derselben Zuverlässigkeitsmedaille sind. Ein im Feld markierter Hotspot geht oft auf einen Mikroriss oder eine kalte Lötstelle zurück, die am Band entstanden sind. Deshalb sind das Schweißen der Stringer, die Ausrichtung der Layup und die Laminierungskontrolle in einer Modulproduktionslinie so wichtig. Wenn diese Schritte richtig gemacht werden, gelangen von vornherein weniger Hotspots ins Feld. Wenn Sie sehen möchten, wie eine echte Modullinie aufgebaut und abgestimmt wird, lohnt sich ein Blick auf unsere Werksbesichtigungen auf dem Ooitech YouTube-Kanal (www.youtube.com/ooitech) und ein Abonnement.