# Wärmebildgebung für Solarmodule: Wie SESPNet erkennt > Ein genauer Blick auf SESPNet, ein Netzwerk zur semantischen Verbesserung und Skalenwahrnehmung, das 92,1 % mAP bei 62,4 FPS erreicht, um selbst die kleinsten Hotspots zu erkennen in ![Wärmebildgebung für Solarmodule: Wie SESPNet erkennt](https://cdn.ooitech.com/static/upload/image/20260710/9c54660bb42822317e3f00006ca6ac72.webp) - ** 2025-09-10 - ** 277 Aufrufe - ** [Blog](./Blog.html) ## Wärmebildgebung für Solarmodule: Wie SESPNet erkennt **Kurze Antwort:** Die Wärmebildtechnik zeigt Ihnen, wo ein Solarmodul heiß ist; sie sagt Ihnen jedoch nicht, warum. Dieser Artikel arbeitet heraus, was die Temperatur tatsächlich verrät – ein Hot Spot ist ein Symptom dafür, dass Strom durch einen widerstandsbehafteten Pfad gezwungen wird, und die Hitze greift dann in dieser Reihenfolge das Encapsulant, die Rückseitenfolie, das Glas und die Verbindungsstellen an. SESPNet ist der hier verwendete Diagnoseansatz, um die thermische Signatur auf ihre elektrische Ursache zurückzuführen, anstatt das Bild als Antwort zu behandeln. Die korrekte Interpretation eines Wärmescan verändert die Korrekturmaßnahme: Ein Hot Spot auf Zellebene deutet auf eine gerissene oder verschattete Zelle hin, einer auf Stringebene auf eine Bypass-Diode, die offen ausgefallen ist. Der praktische Wert liegt darin, das Muster zu erkennen, bevor der Schaden dauerhaft wird, denn Encapsulant-Degradation und Verkohlung der Rückseitenfolie sind nicht mehr rückgängig zu machen, sobald sie begonnen haben. PV-Modulfertigung · von Jerry, Ooitech ## Produkteinführung Die Wärmebildtechnik zeigt Ihnen, wo der Hotspot ist. Was die von ihr offenbarte Temperatur das Modul im Laufe der Zeit tatsächlich kostet, erfahren Sie unter [Hotspots bei Solarmodulen, warum die Temperatur wichtig ist und was die Hitze beschädigt](https://www.ooitech.com/why-do-bc-solar-cells-offer-better-shading-tolerance-and-lower-hot-spot-temperature.html). Ein Solarpark kann zwischen Zehntausenden und mehreren Millionen Modulen umfassen. Tag für Tag sind sie Hitze, Wind, Sand, Regen und Schnee ausgesetzt, daher ist es keine Überraschung, dass sie allerlei Gebrechen entwickeln. Das häufigste und auch gefährlichste ist der Hotspot. Ein Hotspot ist nur eine kleine Stelle auf einem Modul, die ungewöhnlich heiß läuft. Im besten Fall schmälert sie Ihre Leistungsausbeute. Im schlimmsten Fall brennt sie durch die [Rückseitenfolie](https://www.ooitech.com/Photovoltaic-Backsheet-The-Critical-Protective-Layer-for-Solar-Modules.html) und entzündet ein Feuer, das die gesamte Anlage gefährdet. Das Problem: Module sind Kante an Kante gepackt. Teams loszuschicken, um sie einzeln mit einem Handmessgerät zu prüfen, ist langsam und übersieht Dinge. Daher rückt die Kombination von Infrarotthermografie mit Deep Learning in den Fokus. 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 lesen 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 herkömmliche Algorithmen aus der Bahn werfen: geringe Auflösung, stark unterschiedliche Defektgrößen und unübersichtliche Hintergründe. Eine neue Methode namens SESPNet (Semantic Enhancement and Scale Perception Network) geht genau diese drei Schwächen an. Ihre Zahlen sind solide: 92,1 % mittlere Präzision, 62,4 Bilder pro Sekunde, und sie ist klein genug, um in Echtzeit auf einem handflächengroßen eingebetteten Gerät zu laufen. Dieser Artikel erklärt, wie sie jeden Hotspot aus einem tristen grauen Infrarotbild herausholt. Zuerst: Warum Hotspots wichtig sind. Ein PV-Modul besteht aus vielen in Reihe geschalteten Zellen. Wenn eine Zelle aufgrund von Verschattung, einem Mikroriss oder Schmutz 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 läuft um Dutzende Grad heißer als ihre Nachbarn. Leichte Fälle drücken die Leistung des Strings. Schwere Fälle kochen die [Verkapselungsfolie](https://www.ooitech.com/EVA-POE-EPE-Encapsulant-Film-for-Solar-Panel-Manufacturing-Complete-Technical-Guide.html) mit der Zeit, brennen durch die Rückseitenfolie und können sich sogar entzünden. Hotspots früh zu finden und schnell zu beheben, ist eine Aufgabe, die der PV-Betrieb nicht umgehen kann. *Abbildung 1: Solarkollektormodule, die auf einem Dach montiert sind und jahrelang der Witterung ausgesetzt sind, wobei lokalisierte Temperaturspitzen Hotspots bilden.* *Abbildung 2: Der fünfstufige Arbeitsablauf der Infrarot-Thermoerkennung für PV-Moduldefekte, von der Erfassung der Temperatur bis zur genauen Lokalisierung des defekten 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 bei verborgenen PV-Fehlern nicht ausreicht und warum Infrarot der einzige Weg ist. Bildgebung mit sichtbarem 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 oft zunächst nicht das Aussehen, blockiert jedoch an dieser Stelle den Strom und erhitzt sie. Kameras für sichtbares Licht sind gegen solche 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 überträgt die unsichtbare Temperaturverteilung direkt auf eine Farb- oder Graustufen-Wärmekarte. Sie benötigt kein externes Licht und funktioniert daher Tag und Nacht. Wo ein Modul heiß ist und wie stark, wird deutlich sichtbar. Für wärmebedingte Defekte wie Hotspots und gebrochene Gitterlinien ist Infrarot die natürliche Lösung. Deshalb ist Infrarot zu einem wichtigen Mittel geworden, um sowohl die Genauigkeit als auch die Geschwindigkeit der Defekterkennung in PV-Anlagen zu erhöhen. Eine Drohne mit Infrarotkamera kann ein gesamtes Feld in wenigen Minuten überfliegen – dutzende Male schneller als ein manuelles Team. Doch 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. Das ist langsam und stark von Erfahrung abhängig. Bei dicht gepackten Modulen in Tausenderzahl ist das Einzelauslesen ermüdend, fehleranfällig und bei Nacht nahezu unmöglich. Die Kombination aus Drohne und Infrarot maximiert den Erfassungsschritt, aber wenn man diese tausenden Bilder weiterhin von Hand auswertet, verlagert sich der Engpass nur vom Messen zum Betrachten. Um den Kreislauf zu schließen, benötigt man einen Algorithmus, der die Bilder liest. Das ist der Einsatzpunkt 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 Infrarotbildgebung. Bei thermischen Fehlern ist Infrarot die natürliche Lösung.* ### Drei harte Knochen bei der Infrarot-Fehlererkennung Infrarot kann Wärme sehen, aber es stellt die Erkennungsalgorithmen vor drei harte Probleme. Genau diese drei sind der Grund, warum viele Standardalgorithmen bei PV-Infrarotarbeiten versagen. Erstens: geringer Kontrast. Infrarotbilder sind insgesamt matt und grau. Der Graustufenunterschied zwischen Defekt und Hintergrund ist von Anfang an gering, und zusätzliches Bildrauschen führt dazu, dass Defekte vom Hintergrund verschluckt werden. Der Algorithmus kann die Schlüsselmerkmale nicht erfassen, daher leidet die Genauigkeit. Zweitens: stark variierende Defektgrößen. Innerhalb eines einzigen Infrarotbildes können sich Hotspot-Größen um das Zehnfache unterscheiden. Einige sind eine ganze umgangene Zellkette, die über einen großen Bereich glüht; andere sind nur eine einzelne Zelle, die sich in einer Ecke leicht erwärmt. Ein festes rezeptives Feld, der Bereich, den das Netzwerk in einem Durchgang klar sehen kann, neigt dazu, bei einer solchen Spannweite das eine für das andere zu verlieren: Man erfasst das große Ziel und verfehlt das kleine, oder umgekehrt. Drittens: Informationen zu kleinen Zielen gehen verloren. Das ist das Kniffligste. Neuronale Netze verkleinern Schicht für Schicht, um das Bild zu schrumpfen und hochrangige Bedeutung herauszuziehen. Aber kleine Hotspots, die ursprünglich nur einige Dutzend Pixel groß waren, werden beim Schrumpfen geglättet, bis fast nichts mehr übrig ist, wenn eine Entscheidung getroffen wird, und die Erkennung leidet erheblich. Wenn man alle drei zusammen betrachtet, ist klar: PV-Infrarot-Fehlererkennung ist schwierig, weil man gleichzeitig gegen "nicht klar sehen können, Größen überall, leicht verloren gehen" kämpfen muss. Die drei Kernverbesserungen von SESPNet zielen jeweils auf einen dieser Knochen: eine verstärkt die Semantik, um den Hintergrund zu unterdrücken, eine baut eine Pyramide, um Größen zu bewältigen, eine schützt die Kanäle, um kleine Ziele wiederzufinden. Warum nicht einfach einen Standard-Detektor verwenden? Die Objekterkennung hat sich schnell entwickelt und teilt sich in zwei Routen. Eine ist zweistufig: Zuerst werden Kandidatenregionen grob gescreent, dann wird jede sorgfältig beurteilt, hohe Genauigkeit, aber langsam. Die andere ist einstufig: Ein Blick liefert sowohl Ort als auch Klasse, schnell und für Echtzeit geeignet. Die YOLO-Serie ist das Flaggschiff der einstufigen Methode. Aber diese allgemeinen Algorithmen sind auf gewöhnlichen sichtbaren Bildern trainiert und haben Schwierigkeiten, wenn sie auf kontrastarme, stark skalierte PV-Infrarotbilder angewendet werden. Die Verbesserungen von SESPNet füllen diese drei Lücken, maßgeschneidert für Infrarotdefekte. *Abbildung 5: Die drei harten Knochen der Infrarot-Fehlererkennung: geringer Kontrast, mehrere Größen und kleine Ziele.* *Abbildung 6: Eine Multirotor-Drohne mit Kamera fliegt über die Anlage, um Infrarotbilder in großen Mengen aufzunehmen – in Minuten erfasst sie, wofür ein Team einen halben Tag benötigen würde.* ## Technische Vorteile ### Schritt eins: Semantische Anreicherung, Defekte aus dem Hintergrund herauslösen SESPNet basiert auf YOLOv10 als Grundmodell. YOLOv10 ist einer der heute beliebtesten Echtzeit-Detektoren, veröffentlicht von einem Tsinghua-Team 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. Es löst das Problem des geringen Kontrasts. Schlechter Kontrast in Infrarot-Defektbildern lässt Hintergrundrauschen die vom Modell extrahierten Merkmale stören, was die Genauigkeit beeinträchtigt. SIEM wirkt auf zwei Arten gleichzeitig. Ein globaler Aufmerksamkeitszweig erfasst die Gesamtbedeutung des gesamten Bildes und ermittelt, was Hintergrund ist und was einen Defekt verbergen könnte, sodass die Störung durch Unordnung reduziert wird. Ein lokaler Aufmerksamkeitszweig konzentriert sich auf die Details und die Textur des Defekts selbst und schärft dessen Merkmalsdarstellung. Jeder Zweig beobachtet seinen eigenen Bereich, dann werden global und lokal gewichtet und fusioniert. Stellen Sie es sich vor wie das Zusammenkneifen der Augen, um den Umriss des gesamten Dachs zu erkennen und Unordnung auszuschließen, und dann das Heranbeugen, um auf die eine verdächtige Stelle zu starren. Nah und fern kombiniert, und der Defekt wird aus dem tristen Hintergrund herausgehoben. Die fusionierten Merkmale behalten die Details des Defekts bei, während sie Hintergrundstörungen unterdrücken, sodass die Merkmalsdarstellung deutlich stärker ist. Der Nutzen zeigt sich deutlich in der späteren Ablationsstudie: Allein das Hinzufügen von SIEM erhöht die mittlere Präzision über alle drei Zielklassen, mit echten Verbesserungen bei der Widerstandsfähigkeit gegenüber komplexen Hintergründen. Das Backbone ist der Teil des Modells, der zuerst das Bild verarbeitet und die Basismerkmale extrahiert. SIEM hier zu platzieren bedeutet, an der Quelle zu bereinigen: Bevor etwas weitergegeben wird, sind die Merkmale des Defekts bereits gestärkt und das Hintergrundrauschen bereits unterdrückt. Mit einer sauberen Quelle werden die spätere Maßstabsbehandlung und die Zielortung nicht durch Unordnung in die Irre geführt. Deshalb sitzt es im Backbone und nirgendwo sonst. Behandeln Sie die Verschmutzung frühzeitig. *Abbildung 7: Die Doppelzweigstruktur des SIEM-Moduls zur semantischen Anreicherung. Der globale Zweig liest das Gesamtbild, um den Hintergrund zu unterdrücken, der lokale Zweig beobachtet Details, um den Defekt zu stärken, dann werden beide gewichtet und fusioniert.* *Abbildung 8: Eine Dach-Photovoltaikanlage. Das dichte Modulfeld ist genau die unübersichtliche Szene, die einem Erkennungsalgorithmus Störungen zuführt.* ### Schritt zwei: Pyramiden-Pooling, große und kleine Hotspots im Fokus Die zweite Änderung ersetzt das ursprüngliche Spatial Pyramid Pooling-Modul von YOLOv10 durch ein Space Attention Pyramid Pooling Module, SAPPM. Es zielt auf das Problem unterschiedlicher Maßstäbe ab. "Pyramid Pooling" kann man sich so vorstellen, dass dieselbe Feature-Map gleichzeitig mit mehreren Fenstern unterschiedlicher Größe gescannt wird. Kleine Fenster sehen feine Details, gut für kleine Hotspots; große Fenster sehen weit, gut für große Hotspots. Die Studie führt mehrere Pooling-Fenster von klein bis groß parallel aus, sodass egal ob ein Defekt mehrere Zeilen füllt oder nur ein handtellergroßer Fleck ist, das richtige Fenster ihn erfasst. Darüber hinaus fügt SAPPM eine Ebene räumlicher Aufmerksamkeit hinzu. Es weist den Merkmalen aus verschiedenen Fenstern unterschiedliche Gewichte zu, sodass die wirklich wichtigen Maßstabsinformationen im Vordergrund bleiben, während Unwichtiges heruntergestuft wird. Anschließend werden diese Multi-Scale-Merkmale zu einer vollständigeren Feature-Map zusammengefügt. Kurz gesagt: Der erste Teil kümmert sich darum, "jede Größe zu sehen", der zweite darum, "hervorzuheben, was gesehen werden sollte". Zusammen steigern sie deutlich das Verständnis des Modells für Ziele unterschiedlicher Maßstäbe. Dies lindert direkt das alte Problem des Entweder-Oder. Ein Netzwerk mit festem rezeptivem Feld verliert das kleine Ziel, während es sich um das große kümmert; mit SAPPM können große und kleine Hotspots im selben Durchgang klar gesehen werden, egal wie groß der Größenunterschied ist. *Abbildung 9: Eine Skizze des SAPPM-Multi-Scale-Feature-Pyramid-Poolings, das parallel mit Fenstern unterschiedlicher Größe scannt und sie dann mit räumlicher Aufmerksamkeitsgewichtung zusammenfügt.* *Abbildung 10: Eine Luftaufnahme einer Anlage. Drohnen erfassen aus verschiedenen Höhen, wodurch derselbe Defekt im Bild in noch unterschiedlicheren Maßstäben erscheint.* ### Schritt Drei: Kanal-Aufmerksamkeit, um die fast verlorenen kleinen Ziele zurückzuholen Die dritte Änderung betrifft das Neck-Netzwerk und baut einen Multi-Scale-Kanal-Aufmerksamkeitsmechanismus, MCI, auf. Er behebt das kniffligste Problem: den Informationsverlust bei kleinen Zielen. Zunächst ein Wort zu Kanälen. Wenn ein Netzwerk ein Bild verarbeitet, zerlegt es Merkmale in viele parallele Kanäle, die jeweils das Bild aus einem anderen Blickwinkel beschreiben. Merkmale kleiner Ziele sind bereits schwach und über diese Kanäle verstreut. Wenn jeder Kanal nur auf sich selbst achtet und kein Austausch stattfindet, geht diese kostbare Information bei der schichtweisen Übergabe leicht verloren. MCIs Ansatz besteht darin, 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 die kleinen Hotspots, die beim Downsampling fast verschwunden wären, werden zurückgeholt. Auch die Platzierung dieser drei Maßnahmen im Netzwerk ist bewusst gewählt. SIEM bereinigt Merkmale an der Backbone-Quelle, SAPPM summiert mehrskalige Informationen am Ende des Backbones, und MCI übernimmt den letzten Feinschliff am Hals, der Backbone und Detektionskopf verbindet. Vorne, Mitte, hinten – zusammen decken sie die gesamte Kette der Merkmalsextraktion, -summierung und -ausgabe ab, und jeder Schritt erhält eine gezielte Lösung für einen Schwachpunkt der Infrarot-Defekterkennung. Die drei Maßnahmen haben klare Rollen: SIEM kümmert sich um den Kontrast, SAPPM um die Skala, MCI um kleine Ziele. Sie kämpfen nicht allein, sondern reichen den Staffelstab weiter: Zuerst den Defekt vom Hintergrund abheben, dann alle Größen abdecken, dann das kleine Ziel fangen, das am ehesten entwischt. Mit dieser Kombination werden die drei härtesten Knackpunkte der Infrarot-Defekterkennung nacheinander gelöst. *Abbildung 11: Infrarot-Heißstellen, nach Größe sortiert in Groß, Mittel und Mini. Der Größenunterschied ist enorm, und die kleinsten Heißstellen 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 geglättet.* ## Produktanwendung ### Die Bilanz: 92,1 % Genauigkeit, 62 Bilder pro Sekunde Die Wirkung der drei Maßnahmen zeigt sich in den Daten. Die Forscher erstellten einen eigenen PV-Modul-Infrarot-Defektdatensatz und klassifizierten Heißstellen nach ihrer Pixelgröße im Bild in drei Klassen: über 64x64 Pixel ist Groß, zwischen 32x32 und 64x64 ist Mittel, unter 32x32 ist Mini. Ob die Erkennung gut ist, muss Klasse für Klasse, Skala für Skala bewertet 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 Durchschnitt der Erkennungspräzision über Klassen hinweg, die Gesamtbewertung, die für einen Detektor am wichtigsten ist. Fügt man die Erkennungsgeschwindigkeit hinzu, gemessen in verarbeiteten Bildern pro Sekunde, erzählen diese drei Zahlen zusammen die vollständige Geschichte eines Algorithmus. Beginnen wir mit der Modul-für-Modul-Ablation. Mit dem Standard-YOLOv10 als Basis liegt die mittlere durchschnittliche Präzision bei 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, springt die mittlere durchschnittliche Präzision auf 92,1 %. Der herausragende Punkt sind kleine Ziele: Die Mini-Präzision der Basis liegt nur bei 86,7 %, und mit allen dreien steigt sie auf 90,3 %, ganze 3,6 Punkte mehr – das beweist die Arbeit von MCI bei der Wiedererkennung kleiner Ziele. *Abbildung 13: Die Modul-für-Modul-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 und abertausenden Module sind genau das, was dieser Algorithmus einzeln überprüfen muss.* ### Kopf-an-Kopf: Neun Algorithmen auf einer Bühne Sich nur mit sich selbst zu vergleichen, reicht nicht. Die Studie stellt SESPNet auf dieselbe Bühne wie acht andere gängige Algorithmen, trainiert sie mit 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, erreichen eine mittlere Genauigkeit von 86 % bis 88 % und sind nicht für Szenen geeignet, die hohe Echtzeitleistung erfordern. SSD ist am schnellsten, aber seine Genauigkeit beträgt nur 74,3 %, was eindeutig niedrig ist. 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 Genauigkeit, etwa 2 Punkte über dem Zweitplatzierten, und 62,4 Bilder pro Sekunde, genau auf Augenhöhe mit den YOLO-Schnellläufern. Es opfert keine Geschwindigkeit, um die Genauigkeit zu erhöhen; es hält die obere rechte Position von schnell und genau, die andere nicht erreichen können. Das ist sein größter Wert. In einer Szene mit massiven Modulzahlen, in der man während der Patrouille bewertet, ist jede Verlangsamung ein Kostenfaktor. **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 (Präzision) misst, wie viele der gemeldeten Defekte real sind, und PmA ist der Gesamtscore, der 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 Präzision), beide Enden im Gleichgewicht halten, 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 Praxistest auf einer eingebetteten Plattform. Der genaueste SESPNet bleibt stabil bei 12,6 FPS.* ### In eine handtellergroße Box gequetscht und trotzdem in Echtzeit Im Labor gut zu laufen bedeutet nicht, dass es im Feld einsetzbar ist. PV-Anlagen befinden sich meist im Freien, wo die Inspektionsausrüstung in Bezug auf Rechenleistung und Strom begrenzt ist. Ob der Algorithmus in eine stromsparende kleine Box passt und in Echtzeit läuft, ist die letzte Hürde für eine echte Bereitstellung. Die Forscher portierten es auf eine eingebettete Plattform namens Jetson Nano, um es zu verifizieren. Deren Prozessor ist ein Quad-Core-ARM-Chip, gepaart mit einer Einstiegs-GPU mit 128 Kernen, weit unterhalb der Labor-Workstation mit ihrer dedizierten Karte, sowohl bei Rechenleistung als auch bei Stromverbrauch. SESPNet wurde im gleichen Eingabemaßstab eingesetzt und dann gegen die anderen Algorithmen auf diesem kleinen Board antreten lassen. Das Ergebnis beweist erneut seine Ausgewogenheit. Klassische zweistufige Algorithmen zeigen im eingebetteten Umfeld ihre wahren Farben: Faster R-CNN fällt auf 1,9 Bilder pro Sekunde, kaum Echtzeit; Cascade R-CNN nur 3,7. Die YOLO-Serie fällt generell 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 kleines Stück 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 mehr zur Cloud schicken muss, um sie langsam zu verarbeiten. 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 geht über das Einsparen einer Hin- und Rückfahrt hinaus. Rechenleistung an den Rand zu verlagern bedeutet, dass die Inspektion auch in abgelegenen Anlagen mit schlechtem Signal weiterlaufen kann; bei einem vermuteten Hotspot kann man ihn sofort markieren und erneut fliegen, um ihn direkt zu bestätigen, ohne auf die Datenrückkehr und manuelle Prüfung vor einem zweiten Einsatz zu warten. Für große Anlagen mit Hunderten von Megawatt und Millionen von Modulen entscheidet diese Echtzeitfähigkeit vor Ort direkt darüber, ob eine vollständige Inspektion Stunden oder Tage dauert. ### Schluss: Kein Versteck mehr für jeden überhitzten Panel Rückblickend liegt die Cleverness von SESPNet nicht darin, eine ausgeklügelte Struktur zu stapeln, sondern darin, die richtigen Symptome zu behandeln. Der Infrarotkontrast ist niedrig, also unterdrückt die semantische Anreicherung den Hintergrund. Die Defektgrößen sind ein Durcheinander, also deckt das Pyramid Pooling alle Größen ab. Kleine Ziele gehen leicht verloren, also fischt die Kanalfokussierung sie zurück. Drei Schritte, jeder für seine Aufgabe, und den Staffelstab weitergeben. Was noch seltener ist: Es hat das Modell nicht für die Genauigkeit aufgebläht. Viele Algorithmen jagen blind hoher Genauigkeit hinterher, werden am Ende aufgebläht, bremsen die Geschwindigkeit aus und passen nicht einmal auf ein eingebettetes Gerät. SESPNet hält seine Geschwindigkeit, während es die Genauigkeit anführt, und hat den Test mit drastisch reduzierter Rechenleistung überstanden. Dieses Gleichgewicht aus genau, schnell und leicht ist genau die Qualität, die das Feld am meisten schätzt. Ob eine Technologie gut ist, hängt letztlich 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 Echtzeit in einem handgroßen Gehäuse zu laufen. Diese drei Zahlen zusammen skizzieren ein Werkzeug, das wirklich bis zur Anlage hinuntergehen und arbeiten kann. Es verwandelt ein stumpfes graues Infrarotbild, das selbst für das menschliche Auge schwer zu lesen war, in einen Gesundheitsbericht, in dem Defekte keinen Platz zum Verstecken haben. Wenn eine Drohne mit einem solchen Algorithmus Feld um Feld blauer Arrays überfliegt, wird jedes leise überhitzte Panel im ersten Moment erfasst und behandelt. Versteckte Hotspots werden sichtbar, und scheinbar winzige Risiken werden ausgelöscht. Was Bestand hat, ist genau eine Anlage, die Sonnenlicht in Strom umwandelt – lange, sicher und bei voller Last. ### Ooitechs Ansicht Was uns hier am meisten beeindruckt, ist, wie Erkennung und Fertigung zwei Seiten derselben Zuverlässigkeitsmedaille sind. Ein im Feld markierter Hotspot lässt sich oft auf einen Mikroriss oder eine kalte Lötstelle zurückführen, die am Band entstanden ist. Deshalb sind Schweißverbindung, Layup-Ausrichtung und 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](http://www.youtube.com/ooitech)) – und ein Abonnement. --- ##### Schlagwörter: ![](/template/ooitech/assets/img/shape/06.png) ![](https://cdn.ooitech.com/runtime/image/w800_h700_fitblur_v2_w800_h700_fitblur_v2_1757399770541443.webp) ### Angebot anfordern Alle Uploads sind sicher und vertraulich. ## Wir liefern Fachwissen, dem Sie vertrauen können unseren Service Direkt ab Werk Ausrüstung. ![](/template/ooitech/assets/img/icon/money-2.svg) ### Kosteneffektive Vorteile Wir liefern außergewöhnlichen Wert, maximieren Ergebnisse und optimieren Budgets für Kunden. ![](/template/ooitech/assets/img/icon/staff.svg) ### Unser erfahrenes Team Unsere qualifizierten Fachkräfte spezialisieren sich auf innovative Lösungen und maßgeschneiderte Strategien. ![](/template/ooitech/assets/img/icon/certified.svg) ### 15+ Jahre Branchenerfahrung Tiefes Fachwissen gewährleistet zuverlässige, trendbewusste und bewährte Ergebnisse für den Erfolg. ![](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) ## Was unsere Kunden sagen über uns Kundenreferenzen loben unser tiefes Verständnis ihrer Herausforderungen, das zu innovativen Lösungen und starkem ROI führt. Langfristige Kooperationen – einige über ein Jahrzehnt – zeigen ihr Vertrauen und ihre Zufriedenheit. Ihre Erfolgsgeschichten treiben uns an, die Erwartungen ständig zu übertreffen. [Mehr erfahren **](#quote-form) ![](/template/ooitech/assets/img/icon/quote.svg) Dank an Ooitech für die Bereitstellung hochgeeigneter BC-Solarzellen-Experimentiergeräte. ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1776426122864564.webp) ### KTECH ![](/template/ooitech/assets/img/icon/quote.svg) Vielen Dank für ooitechs professionelle Unterstützung und den pünktlichen Kundendienst. ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1784509010217979.webp) ### Diarra aus Afrika ![](/template/ooitech/assets/img/icon/quote.svg) Dank an Ooitech für die Bereitstellung der vollautomatischen Produktionsausrüstung – Ihre Installation und Ihr Kundendienst waren ausgezeichnet. ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_2026041720921238.webp) ### Amjad ![](/template/ooitech/assets/img/icon/quote.svg) Ein Mann mit einer großen Seele. Vielen Dank für Ihren Besuch, Herr Wu. Vielen Dank für die Dienstleistungen bei der Installation der Ausrüstung und der Schulung meiner Studenten. Die freundlichste Person und ein Profi auf seinem Gebiet ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_2026041716444445.webp) ### Jizzakh Polytechnic Institute ![](/template/ooitech/assets/img/icon/quote.svg) Nochmals vielen Dank für die sehr große Hilfe bei der Verbesserung und Reparatur der Fabrik sowie für die Schulung der Arbeiter im Umgang mit den Maschinen. ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1757479675272137.webp) ### Mark BIPV Philippinen ## Unsere neuesten Produkte ![CHT9980A PV-Sicherheitstester: 8kV, 0,001kV Auflösung](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) ### CHT9980A PV-Sicherheitstester: 8kV, 0,001kV Auflösung Der CHT9980A/CHT9981A PV-Sicherheits-Kompletttester ist ein Hochleistungs-3-in-1-Gerät, das DC-Spannungsfestigkeit und Isolationswiderstand vereint ![AM050FH MBB Tabber Stringer: 6800 Streifen/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 Streifen/h, ±0,05mm Automatischer Solarzellen-Tabber-Stringer: AM050FH lötet Multi-Busbar-Zellen mit Laser-Halbzuschnitt und 1/3-Zuschnitt auf einer Plattform, für MBB- und Halbzellenlinien. ![SC-20D Dual-Laser-Solarzellen-Schneidemaschine](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) ### SC-20D Dual-Laser-Solarzellen-Schneidemaschine SC-20D ist die fortschrittliche Version der SC-20A, speziell entwickelt für die Produktion von Shingled-Solarzellen, mit zwei Laserköpfen und zwei Lasern, die arbeiten ![KS-01C Anschlussdose-Schweißmaschine: 16s Zyklus](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) ### KS-01C Anschlussdose-Schweißmaschine: 16s Zyklus Ooitech KS-01C Anschlussdosen-Schweißmaschine verfügt über automatisches Hot-Bar-Zinnschweißen und Hochfrequenzschweißen mit CCD-Positioniergenauigkeit von ±0,1mm. ![SL-1000 Rückkontaktzellen-Schweißgerät: 600 Zellen/h](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) ### SL-1000 Rückkontaktzellen-Schweißgerät: 600 Zellen/h Die SUNPOWER Rückkontaktzellen-Schweißmaschine SL-1000 von Ooitech bietet elektromagnetisches Schweißen, CCD+SCARA-Roboterpositionierung, duale Zellenbeladung ![EVA-Encapsulant-Folie: über 80 N/cm Haftung zu Glas](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) ### EVA-Encapsulant-Folie: über 80 N/cm Haftung zu Glas EVA-Encapsulant-Folie für Solarmodule, plus POE- und EPE-Optionen: Anti-PID, UV-beständig und kompatibel mit TOPCon- und PERC-Linien, in Ihrer Dicke.