# Termowizja dla paneli słonecznych: jak SESPNet wykrywa > Bliższe spojrzenie na SESPNet, sieć semantycznego wzmocnienia i percepcji skali, która osiąga 92,1% mAP przy 62,4 FPS, aby wychwycić nawet najmniejsze punkty gorące w ![Termowizja dla paneli słonecznych: jak SESPNet wykrywa](https://cdn.ooitech.com/static/upload/image/20260710/9c54660bb42822317e3f00006ca6ac72.webp) - ** 2025-09-10 - ** 277 wyświetleń - ** [Blog](./Blog.html) ## Termowizja dla paneli słonecznych: jak SESPNet wykrywa **Krótka odpowiedź:** Termowizja pokazuje, gdzie moduł fotowoltaiczny jest gorący; nie mówi jednak, dlaczego tak jest. W tym artykule przeanalizowano, co tak naprawdę ujawnia temperatura — gorący punkt jest objawem prądu wymuszonego przez rezystancyjną ścieżkę, a ciepło atakuje następnie enkapsulant, folię tylną, szkło i połączenia międzyogniwowe, w tej właśnie kolejności. SESPNet to zastosowane tutaj podejście diagnostyczne, które łączy sygnaturę termiczną z jej przyczyną elektryczną, zamiast traktować obraz jako odpowiedź. Prawidłowa interpretacja skanu termicznego zmienia działania naprawcze: gorący punkt na poziomie ogniwa wskazuje na pęknięte lub zacienione ogniwo, a na poziomie łańcucha — na diodę obejściową, która uległa awarii w stanie otwartym. Wartość praktyczna polega na odczytaniu wzorca, zanim uszkodzenie stanie się trwałe, ponieważ degradacja enkapsulantu i zwęglenie folii tylnej nie są odwracalne, gdy już się rozpoczną. Produkcja modułów PV · autor: Jerry, Ooitech ## Wprowadzenie produktu Obrazowanie termiczne pokazuje, gdzie znajduje się gorący punkt. Aby dowiedzieć się, ile ujawniona temperatura faktycznie kosztuje moduł w czasie, zobacz [punkty gorące paneli słonecznych, dlaczego temperatura ma znaczenie i co uszkadza ciepło](https://www.ooitech.com/why-do-bc-solar-cells-offer-better-shading-tolerance-and-lower-hot-spot-temperature.html). Farma słoneczna może zawierać od kilkudziesięciu tysięcy do kilku milionów modułów. Dzień po dniu wystawione są na działanie upału, wiatru, piasku, deszczu i śniegu, więc nic dziwnego, że łapią wszelkiego rodzaju dolegliwości. Najczęstszą z nich, a także najniebezpieczniejszą, jest punkt gorący. Gorący punkt to po prostu niewielkie miejsce na module, które nagrzewa się nienormalnie mocno. W najlepszym razie obniża moc wyjściową. W najgorszym przepala [backsheet](https://www.ooitech.com/Photovoltaic-Backsheet-The-Critical-Protective-Layer-for-Solar-Modules.html) i wywołuje pożar, narażając całą elektrownię. Problem w tym, że moduły są ułożone krawędź przy krawędzi. Wysyłanie ekip do sprawdzania ich po kolei ręcznym przyrządem jest powolne i pomija pewne usterki. Dlatego połączenie termografii w podczerwieni z głębokim uczeniem zostało wysunięte na pierwszy plan. Skieruj kamerę termowizyjną na moduł, zarejestruj rozkład jego temperatury jako mapę cieplną, a następnie pozwól wytrenowanej sieci neuronowej odczytać tę mapę za Ciebie i zaznaczyć, gdzie jest gorąco i jak bardzo. Brzmi prosto. Jednak sprawienie, by to faktycznie działało w terenie, to zupełnie inna historia. Obrazy w podczerwieni mają trzy wbudowane wady, które potykają zwykłe algorytmy: niską rozdzielczość, skrajnie różne rozmiary defektów i zagracone tła. Nowa metoda o nazwie SESPNet (Semantic Enhancement and Scale Perception Network) bierze na cel dokładnie te trzy wady. Jej wyniki są solidne: 92,1% średniej precyzji, 62,4 klatki na sekundę, a przy tym jest wystarczająco mała, by działać w czasie rzeczywistym na wbudowanym urządzeniu wielkości dłoni. Ten artykuł wyjaśnia, jak wydobywa każdy punkt gorący z matowej szarej klatki w podczerwieni. Najpierw, dlaczego gorące punkty mają znaczenie. Moduł PV to wiele ogniw połączonych szeregowo. Jeśli jedno ogniwo traci moc z powodu zacienienia, mikropęknięcia lub zabrudzenia, przestaje dostarczać prąd i zaczyna działać jak rezystor, zamieniając prąd z pozostałych ogniw w ciepło i rozpraszając je wewnątrz siebie. To jedno ogniwo staje się źródłem ciepła dla całego łańcucha, osiągając temperaturę o dziesiątki stopni wyższą niż sąsiednie. Łagodne przypadki obniżają moc wyjściową łańcucha. Poważne z czasem wypalają [enkapsulant](https://www.ooitech.com/EVA-POE-EPE-Encapsulant-Film-for-Solar-Panel-Manufacturing-Complete-Technical-Guide.html) przepalają tylną warstwę, a nawet mogą spowodować zapłon. Wczesne wykrywanie gorących punktów i szybkie ich usuwanie to zadanie, którego eksploatacja PV nie może uniknąć. *Rysunek 1: Moduły kolektorów słonecznych zamontowane na dachu, wystawione na działanie warunków zewnętrznych przez lata, gdzie miejscowe skoki temperatury tworzą punkty gorące.* *Rysunek 2: Pięcioetapowy proces wykrywania defektów modułów PV za pomocą termowizji podczerwieni, od rejestracji temperatury do wskazania uszkodzonego panelu.* ## Parametry techniczne ### Dlaczego podczerwień jest niezbędna do wykrywania punktów gorących Aby zrozumieć ten algorytm, zacznij od podstaw: dlaczego kamera światła widzialnego nie wystarczy do wykrycia ukrytych usterek PV i dlaczego podczerwień jest jedynym rozwiązaniem. Obrazowanie w świetle widzialnym to zwykła fotografia. Wysoka rozdzielczość, bogactwo szczegółów, dobre do wykrywania pęknięć, zarysowań i zabrudzeń na powierzchni, czyli tego, co widać gołym okiem. Ma jednak jedną zasadniczą wadę. Odczytuje tylko wygląd, a nie temperaturę. Mikropęknięcie lub zimny lut wewnątrz modułu często nie zmienia jego wyglądu na wczesnym etapie, ale blokuje przepływ prądu w tym miejscu i powoduje jego nagrzewanie. Kamery światła widzialnego są bezradne wobec takich usterek termicznych, a w nocy lub przy słabym oświetleniu są bezużyteczne. Podczerwień podąża inną drogą. Każdy obiekt o temperaturze powyżej zera absolutnego emituje promieniowanie podczerwone, a im jest gorętszy, tym silniejsze jest to promieniowanie. Kamera termowizyjna rejestruje to promieniowanie i przedstawia niewidoczny rozkład temperatury bezpośrednio na kolorowej lub monochromatycznej mapie cieplnej. Nie wymaga zewnętrznego oświetlenia, więc działa zarówno w dzień, jak i w nocy. Wyraźnie widać, gdzie moduł jest gorący i o ile. W przypadku defektów wywołanych ciepłem, takich jak punkty gorące i przerwane linie siatki, podczerwień jest naturalnym rozwiązaniem. Dlatego podczerwień stała się kluczowym sposobem na zwiększenie zarówno dokładności, jak i szybkości wykrywania defektów w elektrowniach PV. Dron z kamerą termowizyjną może w kilka minut przeskanować cały szereg modułów, dziesiątki razy szybciej niż ekipa ręczna. Jednak ta zdolność widzenia ciepła ma swoją cenę: jakość obrazu jest znacznie niższa niż w świetle widzialnym. Stara metoda ręczna polega na tym, że pracownicy noszą instrumenty i mierzą panel po panelu. Jest powolna i w dużym stopniu opiera się na doświadczeniu. Przy ciasno upakowanych modułach, liczonych w tysiącach, odczytywanie ich pojedynczo jest wyczerpujące, podatne na błędy i niemal niemożliwe w nocy. Połączenie drona i podczerwieni maksymalnie wykorzystuje etap rejestracji, ale jeśli nadal odczytujesz te tysiące obrazów ręcznie, wąskie gardło przenosi się z pomiaru na przeglądanie. Aby zamknąć pętlę, potrzebny jest algorytm do odczytu obrazów. To sygnał dla głębokiego uczenia. *Rysunek 3: Typowa mapa cieplna w podczerwieni. Im gorętszy obszar, tym cieplejszy jego kolor, a przegrzany region rzuca się w oczy na pierwszy rzut oka. To surowy materiał do wykrywania punktów gorących.* *Rysunek 4: Podział pracy między obrazowaniem w świetle widzialnym a obrazowaniem w podczerwieni. W przypadku usterek termicznych podczerwień jest naturalnym rozwiązaniem.* ### Trzy trudne wyzwania w wykrywaniu defektów w podczerwieni Podczerwień widzi ciepło, ale stawia algorytmom detekcji trzy trudne problemy. To właśnie z ich powodu wiele gotowych algorytmów zawodzi w pracy z podczerwienią PV. Pierwszy: niski kontrast. Klatki w podczerwieni są ogólnie matowe i szare. Różnica w odcieniach szarości między defektem a tłem jest z natury niewielka, a szum obrazowania dodatkowo sprawia, że defekty zostają pochłonięte przez tło. Algorytm nie może uchwycić kluczowych cech, więc dokładność cierpi. Drugi: skrajnie zróżnicowana skala defektów. W pojedynczej klatce w podczerwieni rozmiary punktów gorących mogą różnić się dziesiątki razy. Niektóre to cały pominięty string świecący na dużym obszarze; inne to tylko jedna komórka lekko nagrzewająca się w jednym narożniku. Stałe pole recepcyjne, czyli zakres, który sieć widzi wyraźnie w jednym przebiegu, przy takim rozrzucie ma tendencję do gubienia jednego kosztem drugiego: uchwyć duży cel i przegap mały, albo odwrotnie. Trzeci: informacja o małych celach zostaje utracona. To najtrudniejszy przypadek. Sieci neuronowe wykonują downsampling warstwa po warstwie, zmniejszając obraz, aby wydobyć znaczenie wysokiego poziomu. Ale małe punkty gorące, które na początku miały tylko kilkadziesiąt pikseli, zostają wygładzone podczas zmniejszania, aż do momentu podjęcia decyzji prawie nic nie zostaje, a rozpoznawanie mocno na tym cierpi. Zestawiając te trzy razem, staje się jasne: wykrywanie defektów w podczerwieni PV jest trudne, ponieważ trzeba jednocześnie walczyć z „słabą widocznością, rozmaitymi rozmiarami i łatwą utratą”. Trzy kluczowe ulepszenia SESPNet każde celują w jedno z tych wyzwań: jedno wzmacnia semantykę, aby stłumić tło, jedno buduje piramidę, aby obsłużyć rozmiary, jedno chroni kanały, aby odzyskać małe cele. Dlaczego nie wziąć po prostu gotowego detektora? Detekcja obiektów rozwijała się szybko i dzieli się na dwie ścieżki. Jedna jest dwuetapowa: najpierw wstępnie wybierane są regiony kandydujące, potem każdy jest dokładnie oceniany, wysoka dokładność, ale wolno. Druga jest jednoetapowa: jedno spojrzenie daje zarówno lokalizację, jak i klasę, szybko i odpowiednio do czasu rzeczywistego. Seria YOLO to flagowy przedstawiciel podejścia jednoetapowego. Ale te ogólne algorytmy są trenowane na zwykłych obrazach widzialnych, a przeniesione na niskokontrastowe, skrajnie zróżnicowane pod względem skali klatki w podczerwieni PV, mają trudności. Ulepszenia SESPNet wypełniają te trzy luki, stworzone specjalnie dla defektów w podczerwieni. *Rysunek 5: Trzy trudne wyzwania wykrywania defektów w podczerwieni: niski kontrast, wiele skal i małe cele.* *Rysunek 6: Wielowirnikowy dron z kamerą, latający nad instalacją, aby masowo rejestrować obrazy w podczerwieni, w kilka minut wykonując to, czego ekipa potrzebowałaby pół dnia.* ## Zalety techniczne ### Krok pierwszy: Wzmocnienie semantyczne, wydobycie defektów z tła SESPNet bazuje na YOLOv10 jako modelu podstawowym. YOLOv10 to jeden z najpopularniejszych obecnie detektorów czasu rzeczywistego, wydany przez zespół z Tsinghua w maju 2024 roku, zaprojektowany tak, by był szybki, dokładny i łatwy do wdrożenia. SESPNet wykonuje na nim trzy operacje, a pierwsza z nich osadza w szkielecie moduł wzmocnienia informacji semantycznej, SIEM. Rozwiązuje on problem niskiego kontrastu. Słaby kontrast w obrazach defektów w podczerwieni sprawia, że szum tła zakłóca cechy wyodrębniane przez model, pogarszając dokładność. SIEM działa jednocześnie na dwa sposoby. Gałąź uwagi globalnej odbiera ogólny sens całego obrazu, ustalając, co jest tłem, a co może ukrywać defekt, dzięki czemu zakłócenia od tła zostają stłumione. Gałąź uwagi lokalnej skupia się na szczegółach i fakturze samego defektu, wyostrzając jego reprezentację cech. Każda gałąź obserwuje swoje, a następnie cechy globalne i lokalne są ważone i łączone. To jak zmrużenie oczu, by dostrzec zarys całego dachu i wykluczyć zakłócenia, a potem pochylenie się, by wpatrzyć się w jeden podejrzany fragment. Bliskie i dalekie połączone, a defekt zostaje wydobyty z matowego tła. Połączone cechy zachowują szczegóły defektu, jednocześnie tłumiąc zakłócenia tła, więc reprezentacja cech jest wyraźnie silniejsza. Efekt widać wyraźnie w późniejszym badaniu ablacyjnym: samo dodanie SIEM podnosi średnią precyzję we wszystkich trzech klasach docelowych, z realnymi korzyściami w odporności na złożone tła. Szkielet to część modelu, która jako pierwsza przetwarza obraz i wyodrębnia cechy podstawowe. Umieszczenie tu SIEM oznacza oczyszczanie u źródła: zanim cokolwiek zostanie przekazane dalej, cechy defektu są już wzmocnione, a szum tła już stłumiony. Przy czystym źródle późniejsza obsługa skali i lokalizacja celu nie zostaną wprowadzone w błąd przez zakłócenia. Dlatego znajduje się w szkielecie i nigdzie indziej. Zanieczyszczenie trzeba zwalczać wcześnie. *Rysunek 7: Dwugałęziowa struktura modułu wzmocnienia semantycznego SIEM. Gałąź globalna odczytuje ogólny obraz, aby stłumić tło, gałąź lokalna obserwuje szczegóły, aby wzmocnić defekt, a następnie obie są ważone i łączone.* *Rysunek 8: Dachowa instalacja PV. Gęste pole modułów to dokładnie ta chaotyczna scena, która wprowadza zakłócenia do algorytmu detekcji.* ### Krok drugi: Pooling piramidalny, zarówno duże, jak i małe punkty gorące w centrum uwagi Druga zmiana zastępuje oryginalny moduł przestrzennego piramidowego poolingu YOLOv10 modułem Space Attention Pyramid Pooling Module, SAPPM. Ma ona na celu rozwiązanie problemu różnej skali. „Piramidowy pooling” można rozumieć jako skanowanie tej samej mapy cech kilkoma oknami o różnych rozmiarach jednocześnie. Małe okna widzą drobne szczegóły, dobre dla małych punktów zapalnych; duże okna widzą szeroko, dobre dla dużych punktów zapalnych. W badaniu uruchamia się kilka okien poolingu od małego do dużego równolegle, więc niezależnie od tego, czy defekt zajmuje kilka wierszy, czy jest tylko plamką wielkości dłoni, właściwe okno go wychwyci. Co więcej, SAPPM dodaje warstwę uwagi przestrzennej. Przypisuje różne wagi cechom z różnych okien, dzięki czemu naprawdę kluczowa informacja o skali jest utrzymywana na pierwszym planie, a nieistotna jest wyciszana, a następnie zszywa te wieloskalowe cechy w pełniejszą mapę cech. Krótko mówiąc, pierwsza część odpowiada za „widzenie każdego rozmiaru”, druga za „podkreślenie tego, co powinno być widziane”. Razem znacznie wzmacniają wyczucie modelu dla celów wieloskalowych. To bezpośrednio łagodzi dawny problem poświęcania jednego kosztem drugiego. Sieć o stałym polu recepcyjnym gubi mały cel, zajmując się dużym; dzięki SAPPM zarówno duże, jak i małe punkty zapalne mogą być wyraźnie widoczne w tym samym przebiegu, niezależnie od tego, jak duża jest różnica rozmiarów. *Rysunek 9: Szkic wieloskalowego piramidowego poolingu cech SAPPM, skanującego równolegle oknami o różnych rozmiarach, a następnie zszywającego je z ważeniem uwagi przestrzennej.* *Rysunek 10: Zdjęcie lotnicze zakładu. Drony rejestrują obraz na różnych wysokościach, przez co ten sam defekt pojawia się na obrazie w jeszcze bardziej zróżnicowanych skalach.* ### Ruch trzeci: Uwaga kanałowa, czyli odłowienie małych celów niemal utraconych Trzecia zmiana dotyczy sieci szyjnej, budując wieloskalowy mechanizm uwagi kanałowej, MCI. Leczy ona najtrudniejszy problem, utratę informacji o małych celach. Najpierw słowo o kanałach. Gdy sieć przetwarza obraz, dzieli cechy na wiele równoległych kanałów, z których każdy opisuje obraz z innego kąta. Cechy małych celów są już słabe, rozproszone po tych kanałach, a jeśli każdy kanał dba tylko o siebie, bez wymiany, ta cenna odrobina informacji łatwo ginie w warstwowym przekazywaniu. Podejście MCI polega na zbudowaniu interakcji między kanałami, pozwalając im ze sobą rozmawiać. Gdziekolwiek kanał wciąż zachowuje ślad małego celu, współpraca między kanałami wzmacnia go i zachowuje. To dodatkowo wzmacnia ekstrakcję informacji o cechach małej skali, a te małe punkty zapalne, które niemal zniknęły w downsamplingu, zostają odłowione. To, gdzie te trzy posunięcia znajdują się w sieci, również jest celowe. SIEM oczyszcza cechy u źródła szkieletu, SAPPM sumuje informacje wieloskalowe na końcu szkieletu, a MCI wykonuje końcowe szlifowanie na szyi łączącej szkielet z głowicą detekcyjną. Przód, środek, tył — razem pokrywają pełny łańcuch ekstrakcji, sumowania i wyprowadzania cech, a każdy krok otrzymuje ukierunkowane rozwiązanie dla konkretnego problemu w detekcji defektów w podczerwieni. Trzy posunięcia mają jasne role: SIEM radzi sobie z kontrastem, SAPPM radzi sobie ze skalą, MCI radzi sobie z małymi celami. Nie walczą samotnie, lecz przekazują pałeczkę: najpierw wydobyć defekt z tła, potem objąć wszystkie rozmiary, a następnie złapać mały cel, który najłatwiej umknie. Dzięki temu połączeniu trzy najtrudniejsze przeszkody w detekcji defektów w podczerwieni rozpadają się jedna po drugiej. *Rysunek 11: Gorące punkty w podczerwieni posortowane według skali na Duże, Średnie i Mini. Różnica rozmiarów jest ogromna, a najmniejsze gorące punkty najłatwiej przeoczyć.* *Rysunek 12: Słaby cel uchwycony przez kamerę podczerwieni. Im mniejszy i ciemniejszy cel, tym łatwiej zostaje wygładzony podczas przetwarzania.* ## Zastosowanie produktu ### Karta wyników: 92,1% dokładności, 62 klatki na sekundę Efekt trzech posunięć sprowadza się do danych. Badacze zbudowali własny zbiór danych defektów modułów PV w podczerwieni, oznaczając gorące punkty według rozmiaru w pikselach, jaki zajmują na obrazie, na trzy klasy: powyżej 64x64 pikseli to Duże, między 32x32 a 64x64 to Średnie, poniżej 32x32 to Mini. To, czy detekcja jest dobra, trzeba odczytywać klasa po klasie, skala po skali. Dokładność opiera się na dwóch metrykach. Jedną jest czułość, R, odpowiadająca na pytanie „ile z defektów, które powinny zostać wykryte, zostało wykrytych”. Drugą jest średnia precyzja średnia, PmA, czyli średnia precyzji detekcji w klasach — łączny wynik, na którym detektorowi zależy najbardziej. Dodając szybkość detekcji, mierzoną w przetwarzanych klatkach na sekundę, te trzy liczby razem opowiadają pełną historię algorytmu. Zacznijmy od ablacji moduł po module. Przy bazowym YOLOv10 jako punkt odniesienia jego średnia precyzja wynosi 89,8%. Dodaj sam SIEM — do 90,4%; sam SAPPM — 90,5%; sam MCI — 90,7%. Każde posunięcie pomaga. Zestaw wszystkie trzy, pełny SESPNet, a średnia precyzja skacze do 92,1%. Wyróżniają się małe cele: precyzja Mini w bazie wynosi tylko 86,7%, a z wszystkimi trzema wzrasta do 90,3%, pełne 3,6 punktu, co dowodzi pracy MCI w odzyskiwaniu małych celów. *Rysunek 13: Ablacja moduł po module. Po zestawieniu trzech modułów precyzja najtrudniejszych małych celów wzrasta z 86,7% do 90,3%.* *Rysunek 14: Ogromna naziemna instalacja bez końca. Jej tysiące i tysiące modułów to dokładnie to, co ten algorytm musi sprawdzić jeden po drugim.* ### Twarzą w twarz: dziewięć algorytmów na jednej scenie Porównanie z samym sobą to za mało. Badanie stawia SESPNet na tej samej scenie co osiem innych głównych algorytmów, trenuje je na tym samym zbiorze danych i mierzy dokładność oraz szybkość obok siebie. Wynik mówi sam za siebie. Klasyczne dwuetapowe algorytmy, takie jak Faster R-CNN i Cascade R-CNN, mają ograniczoną ekstrakcję cech i działają wolno, osiągając 86% do 88% średniej precyzji, co nie nadaje się do scen wymagających wysokiej wydajności w czasie rzeczywistym. SSD jest najszybszy, ale jego dokładność wynosi tylko 74,3%, co jest wyraźnie niskie. Seria YOLO jest ogólnie bardziej zrównoważona: od 88,1% w YOLOv7, przez YOLOX, YOLOv8, YOLOv10 i YOLOv11, dokładność wspina się do zakresu 89% do 90% przy szybkościach około pięćdziesięciu do sześćdziesięciu klatek na sekundę. SESPNet przesuwa tę krzywą jeszcze dalej w prawy górny róg: 92,1% średniej precyzji, około 2 punkty powyżej drugiego miejsca, i 62,4 klatki na sekundę, dokładnie w tempie szybkich YOLO. Nie poświęca szybkości, aby podnieść dokładność; utrzymuje prawy górny róg szybkości i dokładności, którego inni nie mogą osiągnąć. To jego największa wartość. W scenie o ogromnej liczbie modułów, gdzie oceniasz podczas patrolowania, każda odrobina powolności to koszt. **R = TP ÷ ( TP + FN ) · P = TP ÷ ( TP + FP )** Te dwie linie to podstawowe definicje metryk dokładności. R (czułość) mierzy udział wykrytych rzeczywistych defektów, P (precyzja) mierzy, ile ze zgłoszonych defektów jest rzeczywistych, a PmA to całkowity wynik obliczany dla klas i poziomów precyzji. Logika nie jest skomplikowana: pomiń jak najmniej (wysoka czułość) i fałszywie alarmuj jak najmniej (wysoka precyzja), utrzymuj oba końce w ryzach, a masz niezawodny detektor. *Rysunek 15: Porównanie dokładności i szybkości dziewięciu algorytmów. SESPNet zajmuje prawy górny róg z dokładnością 92,1% i 62,4 FPS.* *Rysunek 16: Test w rzeczywistych warunkach na platformie wbudowanej. Najdokładniejszy SESPNet nadal utrzymuje stabilne 12,6 FPS.* ### Wciśnięty w pudełko wielkości dłoni i nadal w czasie rzeczywistym Dobre działanie w laboratorium nie oznacza, że jest użyteczny w terenie. Elektrownie PV są przeważnie na odludziu, gdzie sprzęt inspekcyjny ma ograniczoną moc obliczeniową i energię. To, czy algorytm zmieści się w małym pudełku o niskim poborze mocy i będzie działał w czasie rzeczywistym, jest ostatnią przeszkodą dla rzeczywistego wdrożenia. Naukowcy przenieśli go na platformę wbudowaną o nazwie Jetson Nano, aby to zweryfikować. Jej procesor to czterordzeniowy układ ARM w parze z podstawowym GPU o 128 rdzeniach, znacznie poniżej stacji roboczej laboratoryjnej z jej dedykowaną kartą, zarówno pod względem mocy obliczeniowej, jak i poboru energii. SESPNet został wdrożony przy tej samej skali wejściowej, a następnie zmierzył się z innymi algorytmami na tej małej płytce. Wynik ponownie potwierdza jego równowagę. Klasyczne dwuetapowe algorytmy pokazują swoje prawdziwe oblicze w środowisku wbudowanym: Faster R-CNN spada do 1,9 klatki na sekundę, ledwo w czasie rzeczywistym; Cascade R-CNN tylko do 3,7. Seria YOLO generalnie spada do około jedenastu lub dwunastu klatek, podczas gdy SESPNet utrzymuje 12,6 klatki na sekundę, zachowując najwyższą dokładność 92,1%, tuż obok lekkich modeli YOLO, a nawet nieco przed nimi. Moc obliczeniowa mocno obcięta, a mimo to pozostaje dokładny i stabilny, co pokazuje, jak dobrze projekt pasuje do scen o ograniczonych zasobach. Oznacza to, że dron lub przenośny inspektor wyposażony w ten algorytm nie będzie musiał przesyłać obrazów do chmury, aby były powoli przetwarzane. Na miejscu, w czasie rzeczywistym, może wskazać, który panel ma punkt gorący. Zarówno wydajność inspekcji, jak i szybkość reakcji idą o krok dalej. Wartość oceny na bieżąco to więcej niż oszczędność jednej podróży w obie strony. Umieszczenie obliczeń na brzegu oznacza, że inspekcja może nadal działać w odległych zakładach o słabym sygnale; wykryjesz podejrzany punkt gorący i możesz oznaczyć go na miejscu oraz natychmiast ponownie przelecieć, aby potwierdzić, bez czekania na powrót danych i ręcznego przeglądu przed drugim lotem. W przypadku dużych zakładów mierzonych w setkach megawatów, z modułami liczącymi się w milionach, ta zdolność działania w czasie rzeczywistym na miejscu bezpośrednio decyduje o tym, czy pełna inspekcja zajmie godziny, czy dni. ### Zakończenie: Każdy przegrzany panel nie ma już gdzie się ukryć Patrząc wstecz, spryt SESPNet nie polega na piętrzeniu jakiejś wymyślnej struktury, lecz na leczeniu właściwych objawów. Kontrast w podczerwieni jest niski, więc wzmocnienie semantyczne tłumi tło. Skala defektów jest chaotyczna, więc piramidalne łączenie obejmuje wszystkie rozmiary. Małe obiekty łatwo giną, więc uwaga kanałowa je wyławia. Trzy posunięcia, każde do swojego zadania, przekazujące sobie pałeczkę. Rzadsze jest to, że nie pogrubił modelu dla samej dokładności. Wiele algorytmów ślepo goni za wysoką dokładnością, kończy rozdęte, spowalnia, a nawet nie mieści się na urządzeniu wbudowanym. SESPNet utrzymuje swoją szybkość, jednocześnie osiągając najwyższą dokładność, i przetrwał test drastycznie obciętej mocy obliczeniowej. Ta równowaga między dokładnością, szybkością i lekkością to dokładnie ta cecha, którą branża ceni najbardziej. Czy technologia jest coś warta, zależy od tego, czy potrafi wykonać prawdziwą pracę w prawdziwym zakładzie. 92,1% średniej precyzji, 62,4 klatki na sekundę i rozmiar wystarczająco mały, by działać w czasie rzeczywistym w pudełku wielkości dłoni. Te trzy liczby razem szkicują narzędzie, które naprawdę może zejść do elektrowni i zabrać się do pracy. Zamienia matowy szary obraz w podczerwieni, niegdyś trudny nawet dla ludzkiego oka, w raport o stanie zdrowia, w którym defekty nie mają gdzie się ukryć. Gdy dron przenoszący taki algorytm przelatuje nad polem za polem niebieskich modułów, każdy cicho przegrzewający się panel zostaje namierzony i rozwiązany w pierwszej chwili. Ukryte punkty gorące stają się widoczne, a pozornie drobne ryzyka zostają zduszone w zarodku. To, co się utrzymuje, to dokładnie elektrownia, która zamienia światło słoneczne w energię, długo, bezpiecznie i przy pełnym obciążeniu. ### Opinia Ooitech Najbardziej uderza nas tutaj to, jak wykrywanie i produkcja są dwiema stronami tej samej monety niezawodności. Punkt gorący wykryty w terenie często prowadzi z powrotem do mikropęknięcia lub zimnego lutu powstałego na linii, dlatego spawanie stringerów, wyrównanie układania i kontrola laminowania mają tak duże znaczenie na linii produkcyjnej modułów. Zrób te kroki dobrze, a wprowadzisz mniej punktów gorących do terenu od samego początku. Jeśli chcesz zobaczyć, jak budowana i dostrajana jest prawdziwa linia modułów, nasze spacery po fabryce na kanale Ooitech YouTube ([www.youtube.com/ooitech](http://www.youtube.com/ooitech)) są warte obejrzenia i subskrypcji. --- ##### Tagi : ![](/template/ooitech/assets/img/shape/06.png) ![](https://cdn.ooitech.com/runtime/image/w800_h700_fitblur_v2_w800_h700_fitblur_v2_1757399770541443.webp) ### Poproś o wycenę Wszystkie przesłane pliki są bezpieczne i poufne. ## Dostarczamy ekspertyzę, której możesz zaufać naszą usługę Sprzęt bezpośrednio z fabryki. ![](/template/ooitech/assets/img/icon/money-2.svg) ### Korzyści kosztowe Dostarczamy wyjątkową wartość, maksymalizując rezultaty przy jednoczesnej optymalizacji budżetów klientów. ![](/template/ooitech/assets/img/icon/staff.svg) ### Nasz doświadczony zespół Nasi wykwalifikowani specjaliści specjalizują się w innowacyjnych rozwiązaniach i strategiach szytych na miarę. ![](/template/ooitech/assets/img/icon/certified.svg) ### Ponad 15 lat doświadczenia w branży Głęboka wiedza zapewnia niezawodne, zgodne z trendami i sprawdzone rezultaty dla sukcesu. ![](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) ## Co mówią nasi klienci Mówią o nas Opinie klientów chwalą nasze głębokie zrozumienie ich wyzwań, co prowadzi do innowacyjnych rozwiązań i wysokiego zwrotu z inwestycji. Długoterminowe współprace — niektóre trwające ponad dekadę — świadczą o ich zaufaniu i satysfakcji. Ich historie sukcesu motywują nas do ciągłego przekraczania oczekiwań. [Dowiedz się więcej **](#quote-form) ![](/template/ooitech/assets/img/icon/quote.svg) Dziękujemy Ooitech za dostarczenie wysoce odpowiedniego sprzętu doświadczalnego do ogniw słonecznych BC. ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1776426122864564.webp) ### KTECH ![](/template/ooitech/assets/img/icon/quote.svg) dziękujemy za profesjonalne wsparcie Ooitech i terminową obsługę posprzedażową. ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1784509010217979.webp) ### Diarra z Afryki ![](/template/ooitech/assets/img/icon/quote.svg) Dziękujemy Ooitech za dostarczenie w pełni zautomatyzowanego sprzętu produkcyjnego — wasza instalacja i obsługa posprzedażowa były doskonałe. ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_2026041720921238.webp) ### Amjad ![](/template/ooitech/assets/img/icon/quote.svg) Człowiek o wielkim sercu. Bardzo dziękuję za wizytę, Panie Wu. Bardzo dziękuję za usługi związane z instalacją sprzętu i szkoleniem moich studentów. Najżyczliwsza osoba i profesjonalista w swojej dziedzinie ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_2026041716444445.webp) ### Jizzakh Polytechnic Institute ![](/template/ooitech/assets/img/icon/quote.svg) Jeszcze raz bardzo dziękuję za ogromną pomoc w ulepszeniu i naprawie fabryki, a także za nauczenie pracowników obsługi maszyn ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1757479675272137.webp) ### Mark BIPV Filipiny ## Nasze najnowsze produkty ![Tester bezpieczeństwa PV CHT9980A: 8kV, rozdzielczość 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) ### Tester bezpieczeństwa PV CHT9980A: 8kV, rozdzielczość 0,001kV CHT9980A/CHT9981A Kompleksowy tester bezpieczeństwa PV to wysokowydajny instrument 3-w-1 integrujący wytrzymałość napięciową DC, rezystancję izolacji ![AM050FH MBB Tabber Stringer: 6800 pasków/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 pasków/h, ±0,05mm Automatyczna zgrzewarka do ogniw słonecznych: AM050FH lutuje ogniwa multi-busbar z cięciem laserowym na pół i na 1/3 na jednej platformie, dla linii MBB i half-cut. ![SC-20D Dwulaserowa maszyna do cięcia ogniw słonecznych](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 Dwulaserowa maszyna do cięcia ogniw słonecznych SC-20D to zaawansowana wersja SC-20A, specjalnie zaprojektowana do produkcji ogniw słonecznych typu shingled, wyposażona w dwie głowice laserowe i dwa lasery pracujące ![Maszyna do zgrzewania skrzynki przyłączeniowej KS-01C: cykl 16 s](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) ### Maszyna do zgrzewania skrzynki przyłączeniowej KS-01C: cykl 16 s Maszyna do spawania skrzynki przyłączeniowej Ooitech KS-01C charakteryzuje się automatycznym spawaniem cyny na gorącym pręcie i spawaniem wysokiej częstotliwości z dokładnością pozycjonowania CCD ±0,1 mm. ![SL-1000 Zgrzewarka do ogniw z kontaktem tylnym: 600 ogniw/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 Zgrzewarka do ogniw z kontaktem tylnym: 600 ogniw/h SUNPOWER Back Contact Cell Welding Machine SL-1000 by Ooitech features electromagnetic welding, CCD+SCARA robot positioning, dual cell loading ![Folia enkapsulująca EVA: przyczepność do szkła ponad 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) ### Folia enkapsulująca EVA: przyczepność do szkła ponad 80 N/cm Folia enkapsulująca EVA do modułów fotowoltaicznych, a także opcje POE i EPE: odporna na PID i UV, kompatybilna z liniami TOPCon i PERC, w Twojej grubości.