제품 소개

태양광 발전소는 수만 개에서 수백만 개의 모듈을 보유할 수 있습니다. 매일 더위, 바람, 모래, 비, 눈 속에 노출되어 있기 때문에 다양한 문제가 발생하는 것은 놀라운 일이 아닙니다. 가장 흔하면서도 가장 위험한 문제는 핫스팟입니다.

핫스팟은 모듈의 작은 부분이 비정상적으로 뜨거워지는 현상입니다. 좋은 경우에는 전력 출력을 감소시키고, 나쁜 경우에는 백시트를 태우고 화재를 일으켜 전체 발전소를 위험에 빠뜨릴 수 있습니다. 문제는 모듈이 가장자리에서 가장자리로 빽빽하게 배열되어 있다는 점입니다. 작업자를 보내 휴대용 장비로 하나씩 확인하는 것은 느리고 놓치는 경우가 많습니다. 따라서 적외선 열화상과 딥러닝의 결합이 주목받고 있습니다.

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

SESPNet(Semantic Enhancement and Scale Perception Network)이라는 새로운 방법은 이 세 가지 결함을 직접 해결합니다. 그 수치는 확실합니다: 평균 정밀도 92.1%, 초당 62.4프레임, 손바닥 크기의 임베디드 장치에서 실시간으로 실행될 수 있을 정도로 작습니다. 이 글에서는 SESPNet이 칙칙한 회색 적외선 프레임에서 모든 핫스팟을 어떻게 추출하는지 설명합니다.

먼저, 핫스팟이 중요한 이유입니다. PV 모듈은 여러 개의 셀이 직렬로 연결되어 있습니다. 하나의 셀이 음영, 미세 균열 또는 먼지로 인해 출력을 잃으면 전류 공급을 중단하고 저항처럼 작용하여 다른 셀의 전류를 열로 변환하여 내부에서 태워버립니다. 그 하나의 셀이 전체 스트링의 열원이 되어 주변 셀보다 수십 도 더 뜨거워집니다. 가벼운 경우 스트링의 출력을 낮춥니다. 심각한 경우 시간이 지남에 따라 봉지재를 손상시키고, 백시트를 태우며, 심지어 발화할 수도 있습니다. 핫스팟을 조기에 발견하고 신속히 처리하는 것은 PV 운영이 피할 수 없는 작업입니다.

그림 1: 옥상에 설치된 태양열 집열기 모듈로, 수년간 옥외에 노출되어 국부적인 온도 상승으로 핫스팟이 형성됩니다.

그림 2: PV 모듈 결함 감지를 위한 적외선 열 감지의 5단계 워크플로우로, 온도 캡처부터 결함 패널 식별까지의 과정입니다.

기술 매개변수

핫스팟 감지에 적외선이 필수인 이유

이 알고리즘을 이해하려면 기본부터 시작하세요: 가시광선 카메라로는 숨겨진 PV 결함을 찾을 수 없는 이유와 적외선만이 유일한 방법인 이유입니다.

가시광선 이미징은 일반 사진 촬영에 불과합니다. 고해상도, 풍부한 디테일로 표면의 균열, 긁힘, 먼지를 찾는 데 적합하며, 눈으로 볼 수 있는 종류의 결함입니다. 그러나 치명적인 한계가 있습니다. 온도가 아닌 외관만 읽습니다. 모듈 내부의 미세 균열이나 냉간 납땜 접합부는 초기에는 외관 변화가 거의 없지만, 해당 지점에서 전류를 차단하고 가열시킵니다. 가시광선 카메라는 이러한 열적 결함에 무력하며, 야간이나 조명이 약한 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 작동이 가능합니다. 모듈이 어디가 얼마나 뜨거운지 명확하게 나타납니다. 핫스팟 및 파손된 그리드 라인과 같은 열 기반 결함에 대해 적외선은 자연스러운 해결책입니다.

이것이 적외선이 PV 발전소에서 결함 감지의 정확성과 속도를 모두 높이는 핵심 방법이 된 이유입니다. 적외선 카메라를 장착한 드론은 수 분 만에 전체 어레이를 스캔할 수 있어 수동 작업보다 수십 배 빠릅니다. 그러나 열을 볼 수 있는 이 능력에는 대가가 따릅니다: 이미지 품질이 가시광선보다 훨씬 낮습니다.

기존 수동 방식은 작업자가 계측기를 들고 패널 하나하나를 측정합니다. 느리고 경험에 크게 의존합니다. 모듈이 빽빽하게 배치되고 수천 개에 달하면 하나씩 읽는 것은 지치고 오류가 발생하기 쉬우며 밤에는 거의 불가능합니다. 드론과 적외선 조합은 캡처 단계를 극대화하지만, 여전히 수천 장의 이미지를 수동으로 읽는다면 병목 현상이 측정에서 확인으로 이동할 뿐입니다. 루프를 닫으려면 이미지를 읽는 알고리즘이 필요합니다. 이것이 딥러닝의 신호입니다.

그림 3: 일반적인 적외선 열화상. 영역이 뜨거울수록 색상이 따뜻해지며 과열 영역이 한눈에 드러납니다. 이것이 핫스팟 감지의 원재료입니다.

그림 4: 가시광선과 적외선 이미징의 역할 분담. 열적 결함에는 적외선이 자연스러운 해결책입니다.

적외선 결함 감지의 세 가지 까다로운 문제

적외선은 열을 볼 수 있지만, 감지 알고리즘에 세 가지 어려운 문제를 안깁니다. 이 세 가지가 바로 많은 기성 알고리즘이 태양광 적외선 작업에서 실패하는 이유입니다.

첫째: 낮은 대비. 적외선 프레임은 전체적으로 칙칙하고 회색입니다. 결함과 배경 간의 그레이스케일 차이는 원래 작으며, 그 위에 이미징 노이즈가 더해져 결함이 배경에 묻힐 수 있습니다. 알고리즘이 주요 특징을 잡지 못해 정확도가 떨어집니다.

둘째: 매우 다양한 결함 크기. 단일 적외선 프레임 내에서 핫스팟 크기는 수십 배 차이가 날 수 있습니다. 일부는 바이패스된 스트링 전체가 넓은 영역에 걸쳐 빛나고, 다른 일부는 한 모서리에서 약간 따뜻해지는 단일 셀에 불과합니다. 네트워크가 한 번에 명확히 볼 수 있는 범위인 고정된 수용 필드는 이러한 분포에 대해 하나를 잡으면 다른 하나를 놓치기 쉽습니다. 큰 대상을 잡으면 작은 것을 놓치거나 그 반대입니다.

셋째: 소형 대상 정보 손실. 이것이 가장 까다롭습니다. 신경망은 계층별로 다운샘플링하여 이미지를 축소하고 고수준 의미를 추출합니다. 그러나 처음에 수십 픽셀에 불과했던 작은 핫스팟은 축소되면서 부드러워져 사라지고, 결정을 내릴 때쯤에는 거의 남지 않아 인식이 크게 저하됩니다.

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

왜 그냥 기성 탐지기를 사용하지 않을까요? 객체 탐지는 빠르게 발전해 왔으며, 두 가지 경로로 나뉩니다. 하나는 2단계(two-stage) 방식으로, 먼저 후보 영역을 대략적으로 선별한 다음 각각을 신중히 판단하여 정확도는 높지만 속도가 느립니다. 다른 하나는 1단계(one-stage) 방식으로, 한 번에 위치와 클래스를 모두 제공하여 빠르고 실시간에 적합합니다. YOLO 시리즈는 1단계 방식의 대표주자입니다. 하지만 이러한 일반 알고리즘은 일반 가시광선 이미지로 훈련되어, 저대비(low-contrast)이고 크기가 다양한 PV 적외선 프레임에 적용하면 어려움을 겪습니다. SESPNet의 업그레이드는 이러한 세 가지 격차를 메우며, 적외선 결함에 맞춤 제작되었습니다.

그림 5: 적외선 결함 탐지의 세 가지 난제: 저대비, 다중 스케일, 소형 타겟.

그림 6: 카메라를 탑재한 멀티로터 드론이 어레이 위를 비행하며 대량의 적외선 이미지를 촬영합니다. 작업자가 반나절이 걸릴 작업을 단 몇 분 만에 처리합니다.

기술적 장점

첫 번째 동작: 의미론적 향상(Semantic Enhancement), 배경에서 결함 부각

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

이것이 해결하는 것은 저대비 문제입니다. 적외선 결함 이미지의 대비가 낮으면 배경 잡음이 모델이 추출하는 특징을 방해하여 정확도를 떨어뜨립니다. SIEM은 두 가지 방식으로 동시에 작동합니다. 전역 주의(global attention) 분기는 전체 이미지의 전반적인 의미를 파악하여 배경과 결함이 숨겨져 있을 수 있는 부분을 구분함으로써 잡음의 간섭을 줄입니다. 지역 주의(local attention) 분기는 결함 자체의 세부 사항과 질감에 집중하여 특징 표현을 선명하게 합니다.

각 분기는 자신의 영역을 관찰한 후, 전역과 지역이 가중치를 부여받아 융합됩니다. 마치 전체 지붕의 윤곽을 파악하여 잡음을 제거하기 위해 눈을 가늘게 뜨고, 그 다음 의심스러운 부분을 자세히 들여다보기 위해 몸을 기울이는 것과 같습니다. 가까운 것과 먼 것을 결합하여 결함이 칙칙한 배경에서 두드러지게 합니다. 융합된 특징은 결함의 세부 사항을 유지하면서 배경 간섭을 억제하므로 특징 표현이 확실히 더 강해집니다.

그 효과는 이후의 절제 연구(ablation study)에서 명확히 드러납니다. SIEM만 추가해도 세 가지 타겟 클래스 모두에서 평균 정밀도가 상승하며, 복잡한 배경에 대한 저항력이 실제로 향상됩니다.

백본은 모델이 이미지를 처음 접촉하여 기본 특징을 추출하는 부분입니다. 여기에 SIEM을 배치하면 소스에서 정리하는 것을 의미합니다: 어떤 정보가 전달되기 전에 결함의 특징은 이미 강화되고 배경 잡음은 억제됩니다. 깨끗한 소스가 있으면 이후의 스케일 처리와 타겟 위치 파악이 혼란에 빠지지 않습니다. 이것이 백본에 위치하고 다른 곳이 아닌 이유입니다. 오염을 조기에 처리하십시오.

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

그림 8: 옥상 태양광 어레이. 조밀한 모듈 필드는 탐지 알고리즘에 간섭을 제공하는 복잡한 장면입니다.

두 번째 이동: 피라미드 풀링, 크고 작은 핫스팟 모두 집중

두 번째 변경은 YOLOv10의 원래 공간 피라미드 풀링 모듈을 공간 주의 피라미드 풀링 모듈(SAPPM)로 교체합니다. 다양한 스케일 문제를 대상으로 합니다.

"피라미드 풀링"은 동일한 특징 맵을 여러 크기의 윈도우로 동시에 스캔하는 것으로 이해할 수 있습니다. 작은 윈도우는 세부 사항을 보고 작은 핫스팟에 적합하며, 큰 윈도우는 넓은 영역을 보고 큰 핫스팟에 적합합니다. 연구는 작은 것부터 큰 것까지 여러 풀링 윈도우를 병렬로 실행하여 결함이 여러 행을 차지하든 손바닥 크기의 점이든 적절한 윈도우가 포착합니다.

또한 SAPPM은 공간 주의 계층을 추가합니다. 다른 윈도우의 특징에 다른 가중치를 할당하여 진정으로 중요한 스케일 정보를 전면에 유지하고 관련 없는 정보는 줄인 후, 이러한 다중 스케일 특징을 더 풍부한 특징 맵으로 결합합니다. 요약하면, 첫 번째 부분은 "모든 크기 보기"를 처리하고 두 번째 부분은 "보여야 할 것 강조"를 처리합니다. 함께 모델의 다중 스케일 타겟 감지 능력을 크게 향상시킵니다.

이는 기존의 하나를 잃고 다른 하나를 얻는 문제를 직접 완화합니다. 고정 수용 필드 네트워크는 큰 타겟을 신경 쓰면서 작은 타겟을 놓칩니다. SAPPM이 있으면 크고 작은 핫스팟이 크기 차이에 관계없이 동일한 패스에서 명확하게 볼 수 있습니다.

그림 9: SAPPM 다중 스케일 특징 피라미드 풀링 스케치, 다른 크기의 윈도우로 병렬 스캔한 후 공간 주의 가중치로 결합.

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

세 번째 이동: 채널 주의, 거의 손실된 작은 타겟을 다시 찾기

세 번째 변화는 네크 네트워크에 적용되어 다중 스케일 채널 주의 메커니즘 MCI를 구축합니다. 이는 가장 까다로운 문제인 소형 타겟 정보 손실을 해결합니다.

먼저 채널에 대해 설명하겠습니다. 네트워크가 이미지를 처리할 때 특징을 여러 병렬 채널로 분할하며, 각 채널은 이미지를 다른 각도에서 설명합니다. 소형 타겟 특징은 이미 약하고 여러 채널에 분산되어 있으며, 각 채널이 교환 없이 자기 자신만 신경 쓰면 그 소중한 정보는 계층 간 전달 과정에서 쉽게 사라집니다.

MCI의 접근 방식은 채널 간 상호 작용을 구축하여 서로 소통하도록 하는 것입니다. 채널에 소형 타겟의 흔적이 남아 있는 곳에서는 채널 간 협력을 통해 증폭 및 보존됩니다. 이는 소규모 특징 정보 추출을 더욱 강화하고, 다운샘플링에서 사라질 뻔한 작은 핫스팟을 다시 찾아냅니다.

이 세 가지 조치가 네트워크에서 배치된 위치도 의도적입니다. SIEM은 백본 소스에서 특징을 정리하고, SAPPM은 백본 끝에서 다중 스케일 정보를 종합하며, MCI는 백본과 탐지 헤드를 연결하는 네크에서 최종 마무리를 합니다. 앞, 중간, 뒤에서 특징 추출, 종합, 출력의 전체 체인을 함께 다루며, 각 단계는 적외선 결함의痛点에 맞춤형 치료를 받습니다.

세 가지 조치는 명확한 역할을 합니다: SIEM은 대비를 처리하고, SAPPM은 스케일을 처리하며, MCI는 소형 타겟을 처리합니다. 이들은 단독으로 싸우지 않고 바통을 전달합니다: 먼저 결함을 배경에서 끌어올린 다음, 모든 크기를 다루고, 마지막으로 가장 쉽게 놓칠 수 있는 소형 타겟을 잡습니다. 이 조합으로 적외선 결함 탐지의 가장 어려운 세 가지 문제가 하나씩 해결됩니다.

그림 11: 스케일별로 Large, Middle, Mini로 분류된 적외선 핫스팟. 크기 차이가 크며, 가장 작은 핫스팟이 가장 놓치기 쉽습니다.

그림 12: 적외선 카메라로 포착된 희미한 타겟. 타겟이 작고 어두울수록 처리 과정에서 평활화되어 사라지기 쉽습니다.

제품 적용 분야

성적표: 정확도 92.1%, 초당 62프레임

세 가지 조치의 효과는 데이터로 확인됩니다. 연구진은 자체 PV 모듈 적외선 결함 데이터셋을 구축하고, 이미지에서 핫스팟이 차지하는 픽셀 크기에 따라 세 가지 클래스로 레이블링했습니다: 64x64 픽셀 이상은 Large, 32x32에서 64x64 사이는 Middle, 32x32 미만은 Mini입니다. 탐지 성능은 클래스별, 스케일별로 평가되어야 합니다.

정확도는 두 가지 지표에 의존합니다. 하나는 재현율 R로, "발견해야 할 결함 중 얼마나 많이 찾아냈는가"를 나타냅니다. 다른 하나는 평균 평균 정밀도 PmA로, 클래스 간 탐지 정밀도를 종합한 점수로, 탐지기가 가장 중요하게 여기는 총점입니다. 여기에 초당 처리 프레임 수로 측정되는 탐지 속도를 더하면, 이 세 숫자가 알고리즘의 전체 성능을 보여줍니다.

모듈별 절제 실험부터 시작합니다. 기본 YOLOv10의 평균 평균 정밀도는 89.8%입니다. SIEM만 추가하면 90.4%, SAPPM만 추가하면 90.5%, MCI만 추가하면 90.7%로 각각 향상됩니다. 세 가지를 모두 결합한 전체 SESPNet의 평균 평균 정밀도는 92.1%로 상승합니다. 특히 소형 타겟에서 두드러집니다: 기본 모델의 소형 정밀도는 86.7%에 불과하지만, 세 모듈을 모두 적용하면 90.3%로 3.6% 포인트 상승하며, 이는 MCI가 소형 타겟 복구에 효과적임을 입증합니다.

그림 13: 모듈별 절제 실험. 세 모듈을 모두 적용하면 가장 어려운 소형 타겟 정밀도가 86.7%에서 90.3%로 상승합니다.

그림 14: 끝없이 펼쳐진 대형 지상 설치 발전소. 수천 개의 모듈이 바로 이 알고리즘이 하나하나 점검해야 할 대상입니다.

직접 비교: 한 무대 위의 아홉 가지 알고리즘

자기 자신과의 비교만으로는 충분하지 않습니다. 이 연구는 SESPNet을 다른 8개의 주류 알고리즘과 같은 무대에 올려 동일한 데이터셋으로 훈련시키고 정확도와 속도를 나란히 측정합니다.

결과는 자명합니다. Faster R-CNN 및 Cascade R-CNN과 같은 고전적인 2단계 알고리즘은 특징 추출이 제한적이고 속도가 느려 평균 평균 정밀도가 86~88%에 머물며, 높은 실시간 성능이 요구되는 현장에 적합하지 않습니다. SSD는 가장 빠르지만 정확도가 74.3%로 현저히 낮습니다. YOLO 시리즈는 전반적으로 더 균형 잡혀 있습니다: YOLOv7의 88.1%에서 YOLOX, YOLOv8, YOLOv10, YOLOv11을 거쳐 정확도가 89~90% 범위로 상승하며 속도는 모두 초당 50~60 프레임 정도입니다.

SESPNet은 이 곡선을 더 오른쪽 위로 밀어 올립니다: 평균 평균 정밀도 92.1%로 2위보다 약 2% 포인트 높고, 초당 62.4 프레임으로 YOLO 속도와 보조를 맞춥니다. 정확도를 높이기 위해 속도를 희생하지 않으며, 다른 알고리즘이 도달할 수 없는 빠르고 정확한 최상단 자리를 유지합니다. 이것이 가장 큰 가치입니다. 대규모 모듈 수를 순찰하며 판단해야 하는 현장에서는 속도 저하 하나하나가 비용입니다.

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

이 두 줄은 정확도 지표의 기본 정의입니다. R(재현율)은 실제 결함 중 검출된 비율을 측정하고, P(정밀도)는 보고된 결함 중 실제 결함의 비율을 측정하며, PmA는 클래스와 정밀도 수준 전반에 걸쳐 계산된 총 점수입니다. 로직은 복잡하지 않습니다. 가능한 한 적게 놓치고(높은 재현율), 가능한 한 적게 오경보하며(높은 정밀도), 양쪽 끝을 모두 관리하면 신뢰할 수 있는 검출기를 갖게 됩니다.

그림 15: 9가지 알고리즘의 정확도-속도 비교. SESPNet은 92.1% 정확도와 62.4 FPS로 우측 상단을 차지합니다.

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

손바닥 크기 상자에 압축되어도 실시간 작동

실험실에서 잘 작동한다고 현장에서 사용 가능한 것은 아닙니다. 태양광 발전소는 대부분 야외에 있으며, 검사 장비는 컴퓨팅 성능과 전력이 제한적입니다. 알고리즘이 저전력 소형 상자에 들어가 실시간으로 작동할 수 있는지가 실제 배포의 마지막 관문입니다.

연구진은 이를 검증하기 위해 Jetson Nano라는 임베디드 플랫폼에 이식했습니다. 이 플랫폼의 프로세서는 쿼드코어 ARM 칩과 엔트리 레벨 128코어 GPU로 구성되어, 전용 그래픽 카드를 갖춘 실험실 워크스테이션보다 컴퓨팅 성능과 전력 모두에서 훨씬 낮습니다. SESPNet은 동일한 입력 규모로 배포된 후, 이 작은 보드에서 다른 알고리즘들과 경쟁했습니다.

결과는 다시 한 번 그 균형을 입증했습니다. 고전적인 2단계 알고리즘은 임베디드 환경에서 본모습을 드러냅니다: Faster R-CNN은 초당 1.9프레임으로 떨어져 실시간에 가깝지 않으며, Cascade R-CNN은 3.7에 불과합니다. YOLO 시리즈는 일반적으로 초당 11~12프레임 정도로 떨어지는 반면, SESPNet은 최고 정확도 92.1%를 유지하면서 초당 12.6프레임을 기록하며 경량 YOLO들과 어깨를 나란히 하고, 심지어 약간 앞서기도 합니다. 컴퓨팅이 크게 줄었음에도 정확하고 안정적으로 유지되어, 자원이 제한된 환경에 얼마나 잘 설계되었는지 보여줍니다.

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

즉석에서 판단하는 것의 가치는 단순히 한 번의 왕복을 절약하는 것 이상입니다. 엣지에 컴퓨팅을 배치하면 신호가 약한 원격 발전소에서도 검사가 계속 실행될 수 있습니다. 의심스러운 핫스팟을 발견하면 현장에서 표시하고 즉시 재비행하여 확인할 수 있으며, 데이터가 반환되고 수동 검토를 기다렸다가 두 번째 출격할 필요가 없습니다. 수백 메가와트 규모의 모듈이 수백만 개에 달하는 대규모 발전소의 경우, 이 현장 실시간 기능은 전체 검사에 몇 시간이 걸릴지 며칠이 걸릴지를 직접 결정합니다.

결론: 모든 과열 패널이 숨을 곳이 없다

돌아보면, SESPNet의 현명함은 정교한 구조를 쌓는 것이 아니라 올바른 증상을 치료하는 데 있습니다. 적외선 대비가 낮으므로 의미론적 향상이 배경을 억제합니다. 결함 규모가 복잡하므로 피라미드 풀링이 모든 크기를 포괄합니다. 작은 타겟은 쉽게 손실되므로 채널 어텐션이 이를 다시 잡아냅니다. 세 가지 움직임, 각각의 임무에 맞게, 그리고 배턴을 전달합니다.

더 드문 점은 정확도를 위해 모델을 비대하게 만들지 않았다는 것입니다. 많은 알고리즘이 맹목적으로 높은 정확도를 추구하다가 결국 비대해져 속도를 떨어뜨리고 임베디드 장치에 맞지도 않습니다. SESPNet은 정확도를 최고로 유지하면서 속도를 유지하고, 극적으로 줄어든 컴퓨팅 성능에서도 테스트를 통과했습니다. 정확하고 빠르며 가벼운 이 균형은 현장에서 가장 가치 있게 여기는 특성입니다. 기술이 좋은지 여부는 실제 발전소에서 실제 작업을 수행할 수 있는지에 달려 있습니다.

92.1% 평균 정밀도, 초당 62.4프레임, 손바닥 크기의 상자에서 실시간으로 실행될 수 있을 정도로 작습니다. 이 세 숫자는 함께 실제로 발전소에 내려가 작업을 수행할 수 있는 도구를 그려냅니다. 한때 인간의 눈으로도 어려웠던 칙칙한 회색 적외선 이미지를 결함이 숨을 곳 없는 건강 보고서로 바꿉니다.

이와 같은 알고리즘을 탑재한 드론이 푸른 어레이의 들판을 휩쓸 때, 조용히 과열되는 모든 패널이 첫 순간에 식별되어 처리됩니다. 숨겨진 핫스팟이 드러나고, 사소해 보이는 위험도 제거됩니다. 유지되는 것은 정확히 태양광을 전력으로 바꾸는 발전소이며, 오래도록 안전하게 최대 부하로 가동됩니다.

Ooitech의 견해

여기서 가장 인상적인 점은 검출과 제조가 동일한 신뢰성 코인의 양면이라는 것입니다. 현장에서 플래그된 핫스팟은 종종 생산 라인에서 발생한 미세 균열이나 냉납으로 거슬러 올라가며, 이것이 모듈 생산 라인에서 스트링거 용접, 적층 정렬 및 라미네이션 제어가 중요한 이유입니다. 이러한 단계를 올바르게 수행하면 처음부터 현장에 공급되는 핫스팟이 줄어듭니다. 실제 모듈 라인이 어떻게 구축되고 조정되는지 보고 싶다면, Ooitech YouTube 채널의 공장 견학 영상(www.youtube.com/ooitech)을 시청하고 구독해 보세요.