태양광 패널용 열화상: SESPNet이 적외선에서 모든 핫스팟을 포착하는 방법

제품 소개

태양광 발전소에는 수만 개에서 수백만 개에 이르는 모듈이 설치될 수 있습니다. 매일 열, 바람, 모래, 비, 눈 속에 노출되다 보니 다양한 문제가 발생하는 것은 당연합니다. 가장 흔하면서도 가장 위험한 문제는 핫스팟입니다.

핫스팟은 모듈의 작은 부분이 비정상적으로 뜨거워지는 현상입니다. 가벼운 경우에는 전력 출력이 감소하고, 심한 경우에는 백시트를 태우고 화재로 이어져 전체 발전소를 위험에 빠뜨릴 수 있습니다. 문제는 모듈이 빽빽하게 배열되어 있어 작업자가 휴대용 장비로 하나씩 점검하는 것은 느리고 누락이 발생한다는 점입니다. 그래서 적외선 열화상과 딥러닝의 결합이 주목받고 있습니다.

적외선 카메라를 모듈에 비추고 온도 분포를 열지도로 캡처한 다음, 훈련된 신경망이 그 지도를 읽고 어디가 얼마나 뜨거운지 표시하게 합니다. 간단해 보이지만 실제 현장에서 작동시키는 것은 또 다른 이야기입니다. 적외선 이미지에는 일반 알고리즘을 방해하는 세 가지 고유한 결함이 있습니다: 낮은 해상도, 크게 다른 결함 크기, 복잡한 배경입니다.

SESPNet(의미론적 강화 및 스케일 인식 네트워크)이라는 새로운 방법은 이 세 가지 결함을 직접 해결합니다. 그 성능은 확실합니다: 평균 정밀도 92.1%, 초당 62.4프레임, 그리고 손바닥 크기의 임베디드 장치에서 실시간으로 실행될 만큼 작습니다. 이 글은 이 방법이 칙칙한 회색 적외선 프레임에서 모든 핫스팟을 어떻게 찾아내는지 설명합니다.

먼저, 핫스팟이 왜 중요한지 살펴보겠습니다. PV 모듈은 여러 개의 셀이 직렬로 연결되어 있습니다. 음영, 미세 균열 또는 오염으로 인해 한 셀의 출력이 감소하면 전류 공급이 중단되고 저항처럼 작용하여 다른 셀의 전류를 열로 변환하여 내부에서 소모합니다. 그 셀은 전체 스트링의 열원이 되어 주변 셀보다 수십 도 더 뜨거워집니다. 가벼운 경우에는 스트링의 출력을 저하시키고, 심한 경우에는 시간이 지남에 따라 봉지재를 태우고 백시트를 뚫고 발화할 수도 있습니다. 핫스팟을 조기에 발견하고 신속히 처리하는 것은 PV 운영에서 피할 수 없는 작업입니다.

그림 1: 옥상에 설치된 태양열 집열기 모듈로, 수년간 옥외에 노출되어 국부적인 온도 급증으로 핫스팟이 형성된 모습.

그림 2: PV 모듈 결함 감지를 위한 적외선 열 감지의 5단계 워크플로우로, 온도 포착부터 불량 패널 식별까지의 과정.

기술 매개변수

핫스팟 감지에 적외선이 필수인 이유

이 알고리즘을 이해하려면 기본부터 시작해야 합니다: 가시광선 카메라가 숨은 PV 결함을 잡아내지 못하는 이유와 적외선이 유일한 방법인 이유입니다.

가시광선 이미징은 일반 사진 촬영에 불과합니다. 고해상도, 풍부한 디테일로 표면의 균열, 긁힘, 먼지를 발견하는 데 적합하며, 눈으로 볼 수 있는 종류의 결함입니다. 그러나 치명적인 한계가 있습니다. 외관만 읽을 뿐 온도는 읽지 못합니다. 모듈 내부의 미세 균열이나 냉납은 초기에는 외관 변화를 일으키지 않는 경우가 많지만, 해당 지점의 전류를 차단하고 열을 발생시킵니다. 가시광선 카메라는 이러한 열적 결함에 무력하며, 야간이나 조명이 부족한 환경에서는 사용할 수 없습니다.

적외선은 다른 접근 방식을 취합니다. 절대 영도 이상의 모든 물체는 적외선을 방출하며, 온도가 높을수록 방출이 강해집니다. 적외선 카메라는 이 방출을 포착하여 보이지 않는 온도 분포를 컬러 또는 그레이스케일 열지도로 직접 표현합니다. 외부 광원이 필요 없으므로 주야간 모두 작동합니다. 모듈의 어느 부분이 얼마나 뜨거운지 명확하게 드러납니다. 핫스팟이나 파손된 그리드 라인과 같은 열 기반 결함의 경우 적외선이 자연스러운 해결책입니다.

그래서 적외선은 PV 발전소의 결함 감지 정확도와 속도를 모두 높이는 핵심 방법이 되었습니다. 적외선 카메라를 장착한 드론은 수 분 만에 전체 어레이를 스캔할 수 있어 수동 작업보다 수십 배 빠릅니다. 그러나 열을 볼 수 있는 능력에는 대가가 따릅니다: 이미지 품질이 가시광선보다 훨씬 낮습니다.

기존 수동 방식은 작업자가 계측기를 들고 패널을 하나씩 측정하는 방식입니다. 느리고 경험에 크게 의존합니다. 모듈이 빽빽하게 배치되고 수천 개에 달하면 하나씩 읽는 것은 지치고 오류가 발생하기 쉬우며 야간에는 거의 불가능합니다. 드론과 적외선 조합은 캡처 단계를 극대화하지만, 여전히 수천 장의 이미지를 수동으로 읽는다면 병목 현상은 측정에서 관찰로 이동할 뿐입니다. 루프를 완성하려면 이미지를 읽을 알고리즘이 필요합니다. 이것이 딥러닝이 필요한 이유입니다.

그림 3: 전형적인 적외선 열지도. 영역이 뜨거울수록 색상이 따뜻하며, 과열된 영역이 한눈에 드러납니다. 이것이 핫스팟 감지의 원재료입니다.

그림 4: 가시광선과 적외선 영상 간의 역할 분담. 열 결함의 경우 적외선이 자연스러운 해결책입니다.

적외선 결함 감지의 세 가지 난제

적외선은 열을 볼 수 있지만, 감지 알고리즘에 세 가지 어려운 문제를 안겨줍니다. 바로 이러한 이유 때문에 많은 기성 알고리즘이 태양광 적외선 작업에서 실패하는 것입니다.

첫째: 낮은 대비. 적외선 프레임은 전체적으로 어둡고 회색입니다. 결함과 배경 사이의 그레이스케일 차이는 처음부터 작으며, 여기에 영상 노이즈가 더해져 결함이 배경에 묻힐 수 있습니다. 알고리즘이 핵심 특징을 잡지 못해 정확도가 떨어집니다.

둘째: 결함 크기가 극도로 다양함. 단일 적외선 프레임 내에서 핫스팟 크기는 수십 배까지 차이날 수 있습니다. 어떤 것은 우회된 전체 스트링이 넓은 영역에 걸쳐 빛나고, 다른 것은 한 모서리에서 한 셀만 약간 따뜻해지는 경우도 있습니다. 고정된 수용 영역(네트워크가 한 번에 명확히 볼 수 있는 범위)은 이러한 분포에서 하나를 잡으면 다른 하나를 놓치기 쉽습니다. 큰 대상을 잡으면 작은 대상을 놓치거나, 그 반대가 됩니다.

셋째: 소형 대상 정보 손실. 이것이 가장 까다롭습니다. 신경망은 계층별로 다운샘플링하여 이미지를 축소해 고수준 의미를 추출합니다. 그러나 처음에 수십 픽셀에 불과했던 작은 핫스팟은 축소되면서 매끄럽게 사라져, 결정을 내릴 때쯤에는 거의 남는 것이 없어 인식률이 크게 떨어집니다.

세 가지를 모두 합치면 분명해집니다: 태양광 적외선 결함 감지는 '선명하게 보이지 않고, 크기가 제각각이며, 쉽게 손실되는' 문제를 동시에 해결해야 하기 때문에 어렵습니다. SESPNet의 세 가지 핵심 업그레이드는 각각 이 난제 중 하나를 겨냥합니다: 하나는 의미론을 강화하여 배경을 억제하고, 하나는 피라미드를 구축하여 크기를 처리하며, 하나는 채널을 보호하여 소형 대상을 복구합니다.

기성 감지기를 그냥 가져다 쓰면 안 될까요? 객체 감지는 빠르게 발전했으며 두 가지 경로로 나뉩니다. 하나는 2단계 방식: 먼저 후보 영역을 대략적으로 선별한 다음 각각을 신중히 판정하는 것으로 정확도는 높지만 느립니다. 다른 하나는 1단계 방식: 한 번에 위치와 클래스를 모두 제공하여 빠르고 실시간에 적합합니다. YOLO 시리즈가 1단계 방식의 대표주자입니다. 그러나 이러한 일반 알고리즘은 일반 가시광선 이미지로 훈련되었으며, 저대비·다중 스케일의 태양광 적외선 프레임에 적용하면 어려움을 겪습니다. SESPNet의 업그레이드는 이러한 세 가지 공백을 메우며 적외선 결함에 맞춰 제작되었습니다.

그림 5: 적외선 결함 감지의 세 가지 난제: 낮은 대비, 다중 스케일, 소형 대상.

그림 6: 카메라를 장착한 멀티로터 드론이 어레이 위를 비행하며 적외선 이미지를 대량으로 촬영하고, 작업자가 반나절이 걸릴 작업을 몇 분 만에 처리합니다.

기술적 장점

1단계: 의미론적 향상, 배경에서 결함 부각

SESPNet은 기본 모델로 YOLOv10을 기반으로 합니다. YOLOv10은 2024년 5월 칭화대 팀이 출시한 오늘날 가장 인기 있는 실시간 탐지기 중 하나로, 빠르고 정확하며 배포가 용이하도록 설계되었습니다. SESPNet은 여기에 세 가지 작업을 수행하며, 첫 번째는 백본에 의미 정보 향상 모듈(SIEM)을 내장하는 것입니다.

이것이 해결하는 것은 저대비 문제입니다. 적외선 결함 이미지의 낮은 대비는 배경 노이즈가 모델이 추출하는 특징을 방해하여 정확도를 떨어뜨립니다. SIEM은 동시에 두 가지 방식으로 작동합니다. 전역 주의 분기는 전체 이미지의 전반적인 의미를 파악하여 무엇이 배경이고 무엇이 결함을 숨기고 있을지 판단하여 클러터의 간섭을 줄입니다. 지역 주의 분기는 결함 자체의 세부 사항과 질감에 초점을 맞춰 특징 표현을 선명하게 합니다.

각 분기는 자신의 대상을 관찰한 후 전역 및 지역 정보가 가중치를 부여받아 융합됩니다. 마치 전체 지붕의 윤곽을 파악하고 클러터를 배제하기 위해 눈을 가늘게 뜨고, 그런 다음 의심스러운 한 지점을 응시하기 위해 가까이 다가가는 것과 같습니다. 가까운 것과 먼 것을 결합하여 결함이 지루한 배경에서 부각됩니다. 융합된 특징은 배경 간섭을 억제하면서 결함의 세부 사항을 유지하므로 특징 표현이 확실히 더 강해집니다.

그 효과는 이후 절제 연구에서 분명하게 나타납니다: SIEM만 추가해도 세 가지 대상 클래스 모두에서 평균 정밀도가 상승하며, 복잡한 배경에 대한 저항력에서 실질적인 개선을 보입니다.

백본은 모델에서 이미지에 처음 접촉하여 기본 특징을 추출하는 부분입니다. 여기에 SIEM을 배치하면 소스에서 정리하는 것을 의미합니다: 어떤 것이 전달되기 전에 결함의 특징이 이미 강화되고 배경 노이즈가 이미 억제됩니다. 깨끗한 소스가 있으면 이후의 스케일 처리와 대상 위치 파악이 클러터에 의해 잘못 인도되지 않습니다. 그래서 이것이 백본에 위치하며 다른 곳에는 없습니다. 오염을 조기에 처리하십시오.

그림 7: SIEM 의미 향상 모듈의 이중 분기 구조. 전역 분기는 큰 그림을 읽어 배경을 억제하고, 지역 분기는 세부 사항을 관찰하여 결함을 강화한 후 두 가지가 가중치를 부여받아 융합됩니다.

그림 8: 옥상 태양광 어레이. 모듈의 밀집된 필드는 탐지 알고리즘에 간섭을 공급하는 지저분한 장면입니다.

2단계: 피라미드 풀링, 크고 작은 핫스팟 모두 초점

두 번째 변경은 YOLOv10의 원래 공간 피라미드 풀링 모듈을 공간 주의 피라미드 풀링 모듈(SAPPM)로 교체합니다. 이는 다양한 규모 문제를 해결합니다.

"피라미드 풀링"은 동일한 특징 맵을 서로 다른 크기의 여러 창으로 동시에 스캔하는 것으로 이해할 수 있습니다. 작은 창은 미세한 세부 사항을 보아 작은 핫스팟에 적합하고, 큰 창은 넓은 영역을 보아 큰 핫스팟에 적합합니다. 이 연구는 작은 것부터 큰 것까지 여러 풀링 창을 병렬로 실행하여 결함이 여러 행을 차지하든 손바닥 크기의 점이든 적절한 창이 이를 포착합니다.

그 위에 SAPPM은 공간 주의 계층을 추가합니다. 서로 다른 창에서 얻은 특징에 서로 다른 가중치를 할당하여 진정으로 핵심적인 규모 정보를 전면에 유지하고 관련 없는 정보는 줄인 다음, 이러한 다중 규모 특징을 더 완전한 특징 맵으로 결합합니다. 요컨대, 첫 번째 부분은 "모든 크기 보기"를 처리하고 두 번째 부분은 "보여야 할 것 강조"를 처리합니다. 함께 다중 규모 대상에 대한 모델의 감지를 크게 향상시킵니다.

이는 기존의 하나를 잃고 다른 하나를 얻는 문제를 직접 완화합니다. 고정 수용 영역 네트워크는 큰 대상을 처리하면서 작은 대상을 놓칩니다. SAPPM이 있으면 크기 차이가 아무리 커도 큰 핫스팟과 작은 핫스팟 모두 동일한 패스에서 명확하게 볼 수 있습니다.

그림 9: SAPPM 다중 규모 특징 피라미드 풀링의 개요로, 서로 다른 크기의 창으로 병렬 스캔한 다음 공간 주의 가중치로 결합합니다.

그림 10: 공장의 항공 사진. 드론이 서로 다른 높이에서 촬영하여 동일한 결함이 이미지에서 훨씬 더 다양한 규모로 나타납니다.

세 번째 단계: 채널 주의, 거의 잃을 뻔한 작은 대상 되찾기

세 번째 변경은 네크 네트워크에 적용되어 다중 규모 채널 주의 메커니즘(MCI)을 구축합니다. 이는 가장 까다로운 문제인 작은 대상 정보 손실을 해결합니다.

먼저 채널에 대해 설명하겠습니다. 네트워크가 이미지를 처리할 때 특징을 여러 병렬 채널로 분할하며, 각 채널은 이미지를 다른 각도에서 설명합니다. 작은 대상 특징은 이미 약하며 여러 채널에 분산되어 있고, 각 채널이 교환 없이 자기 자신만 신경 쓰면 소중한 정보가 계층 간 전달 과정에서 쉽게 묻힙니다.

MCI의 접근 방식은 채널 간 상호 작용을 구축하여 서로 소통하게 하는 것입니다. 채널에 작은 대상의 흔적이 남아 있으면 채널 간 협력을 통해 증폭되고 보존됩니다. 이는 작은 규모 특징 정보 추출을 더욱 강화하며, 다운샘플링 중 사라질 뻔한 작은 핫스팟을 되찾습니다.

네트워크에서 이 세 가지 동작의 위치도 의도적입니다. SIEM은 백본 소스에서 특징을 정제하고, SAPPM은 백본 끝에서 다중 스케일 정보를 종합하며, MCI는 백본과 탐지 헤드를 연결하는 목 부분에서 최종 다듬기를 수행합니다. 앞, 중간, 뒤가 함께 특징 추출, 종합, 출력의 전체 체인을 아우르며, 각 단계는 적외선 결함의 문제점에 맞춘 해결책을 받습니다.

세 가지 동작은 명확한 역할을 가집니다: SIEM은 대비를, SAPPM은 스케일을, MCI는 작은 표적을 처리합니다. 그들은 따로 싸우지 않고 바통을 이어받습니다: 먼저 결함을 배경에서 끌어올리고, 그 다음 모든 크기를 다루며, 마지막으로 가장 놓치기 쉬운 작은 표적을 잡습니다. 이 조합으로 적외선 결함 탐지의 가장 어려운 세 가지 문제가 하나씩 해결됩니다.

그림 11: 적외선 핫스팟을 크기별로 대형, 중형, 소형으로 분류. 크기 차이가 크며, 가장 작은 핫스팟은 놓치기 가장 쉽습니다.

그림 12: 적외선 카메라로 포착한 희미한 표적. 표적이 작고 어두울수록 처리 과정에서 평활화되어 사라지기 쉽습니다.

제품 응용

성적표: 정확도 92.1%, 초당 62프레임

세 가지 동작의 효과는 데이터로 귀결됩니다. 연구진은 자체 PV 모듈 적외선 결함 데이터셋을 구축하고, 이미지에서 차지하는 픽셀 크기에 따라 핫스팟을 세 가지 클래스로 라벨링했습니다: 64x64 픽셀 초과는 대형, 32x32에서 64x64 사이는 중형, 32x32 미만은 소형입니다. 탐지가 좋은지 여부는 클래스별, 스케일별로 읽어야 합니다.

정확도는 두 가지 지표에 의존합니다. 하나는 재현율(R)로, "발견해야 할 결함 중 얼마나 회수했는지"를 답합니다. 다른 하나는 평균 정밀도(PmA)로, 클래스 간 탐지 정밀도의 종합으로, 탐지기가 가장 중요하게 여기는 총점입니다. 여기에 초당 처리 프레임으로 측정되는 탐지 속도를 더하면, 이 세 숫자가 알고리즘의 전체 이야기를 말해줍니다.

모듈별 절제 실험부터 시작합니다. 기본 YOLOv10을 기준으로 평균 정밀도는 89.8%입니다. SIEM만 추가하면 90.4%, SAPPM만 추가하면 90.5%, MCI만 추가하면 90.7%로 각 동작이 모두 도움이 됩니다. 세 가지를 모두 쌓은 전체 SESPNet은 평균 정밀도가 92.1%로 점프합니다. 가장 두드러진 것은 작은 표적입니다: 기본 모델의 소형 정밀도는 86.7%에 불과하지만, 세 가지를 모두 적용하면 90.3%로 3.6포인트 상승하여 MCI가 작은 표적 회수에 기여함을 입증합니다.

그림 13: 모듈별 절제 실험. 세 모듈을 쌓으면 가장 어려운 소형 표적 정밀도가 86.7%에서 90.3%로 상승합니다.

그림 14: 끝없이 펼쳐진 대규모 지상 설치형 발전소. 수천, 수만 개의 모듈이 바로 이 알고리즘이 하나하나 검사해야 할 대상입니다.

정면 대결: 한 무대 위의 아홉 가지 알고리즘

자기 자신과의 비교만으로는 충분하지 않습니다. 이 연구는 SESPNet을 다른 여덟 가지 주류 알고리즘과 같은 무대에 올려 동일한 데이터셋으로 훈련시키고 정확도와 속도를 나란히 측정합니다.

결과는 스스로 말해줍니다. Faster R-CNN과 Cascade R-CNN 같은 고전적인 2단계 알고리즘은 특징 추출이 제한적이고 속도가 느려 평균 정밀도 86%~88%에 머물며, 높은 실시간 성능이 요구되는 현장에는 적합하지 않습니다. SSD는 가장 빠르지만 정확도가 74.3%에 불과해 확실히 낮습니다. YOLO 시리즈는 전반적으로 더 균형 잡혀 있습니다: YOLOv7의 88.1%에서 YOLOX, YOLOv8, YOLOv10, YOLOv11을 거치며 정확도는 89%~90% 범위로 올라가고 속도는 모두 초당 50~60프레임 정도입니다.

SESPNet은 그 곡선을 더 오른쪽 위로 밀어 올립니다: 평균 정밀도 92.1%로 2위보다 약 2포인트 높고, 초당 62.4프레임으로 YOLO 속도군과 어깨를 나란히 합니다. 정확도를 높이기 위해 속도를 희생하지 않으며, 다른 알고리즘이 도달할 수 없는 빠르고 정확한 오른쪽 위 자리를 차지합니다. 이것이 가장 큰 가치입니다. 순찰하며 판단해야 하는 대규모 모듈 수의 현장에서, 조금의 느림도 비용입니다.

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

이 두 줄은 정확도 지표의 기본 정의입니다. R(재현율)은 실제 결함 중 발견된 비율을 측정하고, P(정밀도)는 보고된 결함 중 실제 결함의 비율을 측정하며, PmA는 클래스와 정밀도 수준 전반에 걸쳐 계산된 총점입니다. 논리는 복잡하지 않습니다: 가능한 한 놓치지 말고(높은 재현율) 가능한 한 오경보를 줄이며(높은 정밀도) 양쪽 끝을 모두 관리하면 신뢰할 수 있는 탐지기가 됩니다.

그림 15: 아홉 가지 알고리즘의 정확도-속도 비교. SESPNet은 92.1%의 정확도와 62.4 FPS로 오른쪽 위 모서리를 차지합니다.

그림 16: 임베디드 플랫폼에서의 실제 테스트. 가장 정확한 SESPNet도 12.6 FPS로 안정적으로 유지됩니다.

손바닥 크기 상자에 압축해도 여전히 실시간

실험실에서 잘 작동한다고 현장에서 사용 가능한 것은 아닙니다. 태양광 발전소는 대부분 야외에 있어 검사 장비의 컴퓨팅 성능과 전력이 제한적입니다. 알고리즘이 저전력의 작은 상자에 들어가 실시간으로 작동할 수 있는지가 실제 배포의 마지막 관문입니다.

연구진은 검증을 위해 이를 Jetson Nano라는 임베디드 플랫폼에 포팅했습니다. 이 프로세서는 쿼드코어 ARM 칩에 엔트리 레벨 128코어 GPU를 결합한 것으로, 전용 그래픽 카드를 갖춘 연구실 워크스테이션에 비해 연산 능력과 전력 모두 크게 부족합니다. SESPNet은 동일한 입력 규모로 배포된 후 이 작은 보드에서 다른 알고리즘들과 경쟁했습니다.

그 결과는 다시 한 번 그 균형을 입증합니다. 고전적인 2단계 알고리즘은 임베디드 환경에서 진가를 드러냅니다: Faster R-CNN은 초당 1.9프레임으로 떨어져 실시간 처리가 간신히 어렵고, Cascade R-CNN은 3.7에 불과합니다. YOLO 시리즈는 일반적으로 초당 11~12프레임 수준으로 떨어지는 반면, SESPNet은 최고 수준의 92.1% 정확도를 유지하면서 초당 12.6프레임을 기록, 경량 YOLO들과 어깨를 나란히 하며 오히려 약간 앞섭니다. 연산량이 크게 줄었음에도 정확하고 안정적으로, 리소스가 제한된 환경에 대한 설계의 적합성을 잘 보여줍니다.

이는 이 알고리즘을 탑재한 드론이나 휴대용 검사 장비가 이미지를 클라우드로 보내 느리게 처리할 필요가 없음을 의미합니다. 현장에서 실시간으로 어떤 패널에 핫스팟이 있는지 알 수 있습니다. 검사 효율과 응답 속도 모두 한 단계 더 향상됩니다.

현장에서 즉시 판단하는 것의 가치는 단순히 왕복 한 번을 줄이는 것 이상입니다. 연산을 엣지에 배치하면 신호가 약한 원격 발전소에서도 검사가 계속 실행될 수 있습니다. 의심스러운 핫스팟을 발견하면 현장에서 즉시 표시하고 바로 재비행하여 확인할 수 있으며, 데이터가 돌아오고 수동 검토를 거쳐 두 번째 출격을 기다릴 필요가 없습니다. 수백 메가와트 규모에 수백만 개의 모듈을 가진 대형 발전소의 경우, 이러한 현장 실시간 능력은 전체 검사가 몇 시간이 걸릴지 며칠이 걸릴지를 직접 결정합니다.

마무리: 모든 과열 패널이 더 이상 숨을 곳이 없다

돌아보면, SESPNet의 영리함은 정교한 구조를 쌓는 것이 아니라 올바른 문제를 치료하는 데 있습니다. 적외선 대비가 낮으므로 의미론적 강화가 배경을 억제합니다. 결함 규모가 제각각이므로 피라미드 풀링이 모든 크기를 포괄합니다. 작은 타깃은 쉽게 놓치므로 채널 어텐션이 이를 다시 찾아냅니다. 세 가지 움직임, 각각의 임무에 맞춰 배턴을 전달합니다.

더 드문 점은 정확도를 위해 모델을 비대하게 만들지 않았다는 것입니다. 많은 알고리즘이 맹목적으로 높은 정확도를 추구하다가 결국 비대해지고 속도를 떨어뜨리며 임베디드 장치에 맞지도 않습니다. SESPNet은 정확도에서 최고를 유지하면서 속도를 지켰고, 연산량이 크게 줄어든 테스트에서도 살아남았습니다. 정확하고 빠르며 가벼운 이러한 균형은 현장에서 가장 가치 있게 여기는 특성입니다. 기술의 우수성은 실제 발전소에서 실제 작업을 수행할 수 있는지 여부에 달려 있습니다.

평균 정밀도 92.1%, 초당 62.4프레임, 그리고 손바닥 크기의 장치에서 실시간으로 실행될 만큼 작습니다. 이 세 숫자가 함께 그려내는 도구는 진정으로 현장에 내려가 작업을 수행할 수 있습니다. 한때 인간의 눈에도 어려웠던 칙칙한 회색 적외선 이미지를 결함이 숨을 곳 없는 건강 보고서로 바꿔줍니다.

이와 같은 알고리즘을 탑재한 드론이 푸른 어레이의 들판을 훑을 때마다, 조용히 과열되는 패널은 첫 순간에 정확히 짚어내 처리됩니다. 숨겨진 핫스팟이 보이게 되고, 사소해 보이는 위험도 제거됩니다. 결국 유지되는 것은 태양광을 전력으로 바꾸는 발전소가 오래, 안전하게, 그리고 최대 부하로 운영되는 것입니다.

Ooitech의 견해

여기서 가장 인상적인 점은 검출과 제조가 동일한 신뢰성 코인의 양면이라는 것입니다. 현장에서 발견된 핫스팟은 종종 라인에서 발생한 미세 균열이나 콜드 솔더 조인트로 거슬러 올라갑니다. 그래서 모듈 생산 라인에서 스트링거 용접, 레이업 정렬, 라미네이션 제어가 그만큼 중요합니다. 이러한 단계를 제대로 수행하면 처음부터 현장에 공급되는 핫스팟이 줄어듭니다. 실제 모듈 라인이 어떻게 구축되고 튜닝되는지 보고 싶다면, Ooitech YouTube 채널의 공장 견학 영상(www.youtube.com/ooitech)을 시청하고 구독해 보시기 바랍니다.