Pengantar Produk

Sebuah ladang surya dapat menampung puluhan ribu hingga beberapa juta modul. Hari demi hari mereka terpapar panas, angin, pasir, hujan, dan salju, jadi tidak mengherankan jika mereka mengalami berbagai macam gangguan. Yang paling umum, dan juga paling berbahaya, adalah titik panas.

Titik panas hanyalah tambalan kecil pada modul yang beroperasi dengan suhu tidak normal. Paling tidak, hal itu mengurangi keluaran daya Anda. Paling parah, ia membakar lembaran belakang dan memicu kebakaran, membahayakan seluruh pabrik. Masalahnya, modul-modul tersebut tersusun rapat dari tepi ke tepi. Mengirim kru untuk memeriksanya satu per satu dengan instrumen genggam lambat dan sering terlewat. Jadi, penggabungan termografi inframerah dengan pembelajaran mendalam telah menjadi sorotan.

Arahkan kamera inframerah ke sebuah modul, tangkap sebaran suhunya sebagai peta panas, lalu biarkan jaringan saraf yang terlatih membaca peta tersebut untuk Anda dan menandai di mana panas dan seberapa panas. Kedengarannya mudah. Namun, untuk benar-benar berfungsi di lapangan adalah cerita lain. Gambar inframerah memiliki tiga kelemahan bawaan yang mengganggu algoritma biasa: resolusi rendah, ukuran cacat yang sangat bervariasi, dan latar belakang yang berantakan.

Metode baru bernama SESPNet (Semantic Enhancement and Scale Perception Network) langsung menyerang tiga kelemahan tersebut. Angkanya solid: presisi rata-rata 92,1%, 62,4 frame per detik, dan cukup kecil untuk berjalan secara real-time pada perangkat tertanam seukuran telapak tangan. Artikel ini menguraikan bagaimana ia menarik setiap titik panas dari bingkai inframerah abu-abu kusam.

Pertama, mengapa hotspot penting. Modul PV terdiri dari banyak sel yang dirangkai seri. Jika satu sel kehilangan output karena naungan, retak mikro, atau kotoran, sel tersebut berhenti menyumbang arus dan mulai bertindak seperti resistor, mengubah arus dari sel lain menjadi panas dan membakarnya di dalam dirinya sendiri. Satu sel itu menjadi sumber panas untuk seluruh string, berjalan puluhan derajat lebih panas dari tetangganya. Kasus ringan menurunkan output string. Kasus parah memasak enkapsulan seiring waktu, membakar lembaran belakang, dan bahkan dapat menyulut api. Menemukan hotspot sejak dini dan menanganinya dengan cepat adalah tugas yang tidak bisa dihindari oleh operasi PV.

Gambar 1: Modul kolektor surya dipasang di atap, terpapar lingkungan luar selama bertahun-tahun, di mana lonjakan suhu lokal membentuk hotspot.

Gambar 2: Alur kerja lima langkah deteksi termal inframerah untuk cacat modul PV, dari menangkap suhu hingga menemukan panel yang rusak.

Parameter Teknis

Mengapa Inframerah Wajib untuk Deteksi Hotspot

Untuk memahami algoritma ini, mulailah dengan dasar-dasar: mengapa kamera cahaya tampak tidak akan cukup untuk cacat PV tersembunyi, dan mengapa inframerah adalah satu-satunya cara.

Pencitraan cahaya tampak hanyalah fotografi biasa. Resolusi tinggi, detail kaya, bagus untuk melihat retakan, goresan, dan kotoran di permukaan, hal-hal yang bisa Anda lihat. Namun ia memiliki satu batasan fatal. Ia hanya membaca penampilan, bukan suhu. Retak mikro atau sambungan solder dingin di dalam modul seringkali tidak mengubah penampilannya di awal, namun menghalangi arus di titik itu dan memanaskannya. Kamera cahaya tampak tidak berdaya melawan cacat termal ini, dan di malam hari atau dalam cahaya redup, mereka tidak berguna.

Inframerah mengambil jalan yang berbeda. Benda apa pun di atas nol mutlak memancarkan inframerah, dan semakin panas semakin kuat radiasinya. Kamera inframerah menangkap radiasi itu dan melukiskan sebaran suhu yang tidak terlihat langsung ke peta panas berwarna atau skala abu-abu. Ia tidak memerlukan cahaya eksternal, sehingga bekerja siang atau malam. Di mana modul panas dan seberapa panasnya terlihat jelas. Untuk cacat yang didorong oleh panas seperti hotspot dan garis kisi putus, inframerah adalah solusi alami.

Itulah mengapa inframerah telah menjadi cara utama untuk meningkatkan akurasi dan kecepatan deteksi cacat di pembangkit PV. Drone dengan kamera inframerah dapat menyapu seluruh array dalam beberapa menit, puluhan kali lebih cepat daripada kru manual. Namun kemampuan untuk melihat panas itu datang dengan harga: kualitas gambar jauh lebih rendah daripada cahaya tampak.

Metode manual lama mengharuskan pekerja membawa instrumen dan mengukur panel satu per satu. Ini lambat dan sangat bergantung pada pengalaman. Dengan modul yang rapat dan dihitung dalam ribuan, membacanya satu per satu sangat melelahkan, rentan kesalahan, dan hampir tidak mungkin dilakukan di malam hari. Kombinasi drone dan inframerah memaksimalkan langkah pengambilan gambar, tetapi jika Anda masih membaca ribuan gambar itu secara manual, hambatan hanya berpindah dari pengukuran ke pengamatan. Untuk menutup siklus, Anda memerlukan algoritma untuk membaca gambar. Di situlah deep learning berperan.

Gambar 3: Peta panas inframerah yang khas. Semakin panas area, semakin hangat warnanya, dan daerah yang terlalu panas langsung terlihat. Ini adalah bahan baku untuk deteksi hotspot.

Gambar 4: Pembagian kerja antara pencitraan cahaya tampak dan inframerah. Untuk cacat termal, inframerah adalah solusi alami.

Tiga Tulang Keras dalam Deteksi Cacat Inframerah

Inframerah dapat melihat panas, tetapi memberikan tiga masalah sulit pada algoritma deteksi. Tiga inilah yang menyebabkan banyak algoritma siap pakai gagal pada pekerjaan inframerah PV.

Satu: kontras rendah. Bingkai inframerah umumnya kusam dan abu-abu. Perbedaan skala abu-abu antara cacat dan latar belakang sudah kecil, dan ditambah noise pencitraan, cacat bisa tertelan oleh latar belakang. Algoritma tidak dapat menangkap fitur utama, sehingga akurasi menurun.

Dua: skala cacat yang sangat bervariasi. Dalam satu bingkai inframerah, ukuran hotspot bisa berbeda puluhan kali lipat. Beberapa adalah seluruh string bypass yang menyala di area besar; yang lain hanya satu sel yang sedikit memanas di satu sudut. Bidang reseptif tetap, rentang yang dapat dilihat jaringan dengan jelas dalam satu langkah, cenderung kehilangan satu untuk yang lain terhadap penyebaran seperti itu: dapatkan target besar dan Anda kehilangan yang kecil, atau sebaliknya.

Tiga: informasi target kecil hilang. Ini yang paling rumit. Jaringan saraf melakukan downsampling lapis demi lapis, mengecilkan gambar untuk mengekstrak makna tingkat tinggi. Tetapi hotspot kecil yang awalnya hanya puluhan piksel akan dihaluskan saat mengecil, hingga hampir tidak ada yang tersisa saat keputusan dibuat, dan pengenalan sangat terpengaruh.

Gabungkan ketiganya dan jelas: deteksi cacat inframerah PV sulit karena Anda harus melawan 'tidak bisa melihat dengan jelas, ukuran di mana-mana, mudah hilang' secara bersamaan. Tiga peningkatan inti SESPNet masing-masing menargetkan salah satu tulang ini: satu meningkatkan semantik untuk menekan latar belakang, satu membangun piramida untuk menangani ukuran, satu menjaga saluran untuk memulihkan target kecil.

Mengapa tidak menggunakan detektor standar saja? Deteksi objek telah berkembang pesat, dan terbagi menjadi dua jalur. Yang pertama adalah dua tahap: pertama-tama menyaring wilayah kandidat secara kasar, kemudian menilai masing-masing dengan hati-hati, akurasi tinggi tetapi lambat. Yang lainnya adalah satu tahap: sekali lihat memberikan lokasi dan kelas, cepat dan cocok untuk waktu nyata. Seri YOLO adalah andalan satu tahap. Namun algoritma umum ini dilatih pada gambar tampak biasa, dan ketika diterapkan pada bingkai inframerah PV dengan kontras rendah dan skala yang sangat bervariasi, mereka kesulitan. Peningkatan SESPNet mengisi tiga celah tersebut, dibuat khusus untuk cacat inframerah.

Gambar 5: Tiga masalah sulit dalam deteksi cacat inframerah: kontras rendah, banyak skala, dan target kecil.

Gambar 6: Drone multi-rotor yang membawa kamera, terbang di atas array untuk mengambil gambar inframerah dalam jumlah besar, menyapu dalam hitungan menit apa yang biasanya memakan waktu setengah hari oleh kru.

Keunggulan Teknis

Langkah Satu: Peningkatan Semantik, Mengangkat Cacat dari Latar Belakang

SESPNet dibangun di atas YOLOv10 sebagai model dasarnya. YOLOv10 adalah salah satu detektor waktu nyata paling populer saat ini, dirilis oleh tim Tsinghua pada Mei 2024, dirancang untuk menjadi cepat, akurat, dan mudah digunakan. SESPNet melakukan tiga operasi padanya, dan yang pertama menyematkan Modul Peningkatan Informasi Semantik, SIEM, di backbone.

Apa yang dipecahkan adalah masalah kontras rendah. Kontras yang buruk pada gambar cacat inframerah memungkinkan noise latar belakang mengganggu fitur yang diekstrak model, mengurangi akurasi. SIEM bekerja dua cara sekaligus. Cabang perhatian global mengambil makna keseluruhan dari seluruh gambar, menentukan apa yang menjadi latar belakang dan apa yang mungkin menyembunyikan cacat, sehingga gangguan dari kekacauan ditekan. Cabang perhatian lokal fokus pada detail dan tekstur cacat itu sendiri, memperkuat ekspresi fiturnya.

Setiap cabang mengawasi halnya sendiri, kemudian global dan lokal diberi bobot dan digabungkan. Bayangkan seperti menyipitkan mata untuk melihat garis besar seluruh atap dan mengesampingkan kekacauan, lalu mendekat untuk menatap satu titik yang mencurigakan. Dekat dan jauh digabungkan, dan cacat terangkat dari latar belakang yang kusam. Fitur yang digabungkan mempertahankan detail cacat sambil menekan gangguan latar belakang, sehingga ekspresi fitur jelas lebih kuat.

Hasilnya terlihat jelas dalam studi ablasi nanti: tambahkan SIEM saja dan presisi rata-rata naik di semua tiga kelas target, dengan peningkatan nyata dalam melawan latar belakang yang kompleks.

Backbone adalah bagian dari model yang pertama kali menyentuh gambar dan mengekstrak fitur dasar. Menempatkan SIEM di sini berarti membersihkan di sumbernya: sebelum apapun diteruskan, fitur cacat sudah diperkuat dan noise latar belakang sudah ditekan. Dengan sumber yang bersih, penanganan skala dan lokalisasi target nantinya tidak akan tersesat oleh kekacauan. Itulah mengapa ia berada di backbone dan tidak di tempat lain. Tangani polusi sejak awal.

Gambar 7: Struktur cabang ganda dari modul peningkatan semantik SIEM. Cabang global membaca gambaran besar untuk menekan latar belakang, cabang lokal mengamati detail untuk memperkuat cacat, kemudian keduanya diberi bobot dan digabungkan.

Gambar 8: Sebuah array PV atap. Bidang modul yang padat persis seperti pemandangan kacau yang memberikan interferensi pada algoritma deteksi.

Langkah Kedua: Pyramid Pooling, Hotspot Besar dan Kecil Sama-sama Terfokus

Perubahan kedua mengganti modul spatial pyramid pooling asli YOLOv10 dengan Space Attention Pyramid Pooling Module, SAPPM. Ini menargetkan masalah skala yang bervariasi.

"Pyramid pooling" dapat dibaca sebagai memindai peta fitur yang sama dengan beberapa jendela dengan ukuran berbeda secara bersamaan. Jendela kecil melihat detail halus, baik untuk hotspot kecil; jendela besar melihat luas, baik untuk hotspot besar. Studi ini menjalankan beberapa jendela pooling dari kecil ke besar secara paralel, sehingga apakah cacat memenuhi beberapa baris atau hanya setitik seukuran telapak tangan, jendela yang tepat akan menangkapnya.

Di atas itu, SAPPM menambahkan lapisan spatial attention. Ini memberikan bobot berbeda pada fitur dari jendela yang berbeda, sehingga informasi skala yang benar-benar kunci tetap di depan dan tengah sementara yang tidak relevan dikecilkan, kemudian menggabungkan fitur multi-skala ini menjadi peta fitur yang lebih lengkap. Singkatnya, bagian pertama menangani "melihat setiap ukuran," bagian kedua menangani "menyoroti apa yang harus dilihat." Bersama-sama mereka secara tajam meningkatkan kemampuan model terhadap target multi-skala.

Ini secara langsung meringankan masalah lama saling mengorbankan. Jaringan dengan receptive field tetap kehilangan target kecil saat memperhatikan target besar; dengan SAPPM terpasang, hotspot besar dan kecil dapat terlihat jelas dalam satu lintasan yang sama, tidak peduli seberapa lebar kesenjangan ukuran.

Gambar 9: Sketsa pyramid pooling fitur multi-skala SAPPM, memindai secara paralel dengan jendela berbagai ukuran kemudian menggabungkannya dengan pembobotan spatial attention.

Gambar 10: Foto udara sebuah pabrik. Drone menangkap pada ketinggian berbeda, membuat cacat yang sama muncul dalam skala yang lebih bervariasi dalam gambar.

Langkah Ketiga: Channel Attention, Memancing Kembali Target Kecil yang Hampir Hilang

Perubahan ketiga mendarat di jaringan leher, membangun mekanisme perhatian saluran multi-skala, MCI. Ini menyembuhkan masalah paling rumit, hilangnya informasi target kecil.

Pertama, sepatah kata tentang saluran. Ketika jaringan memproses gambar, ia membagi fitur menjadi banyak saluran paralel, masing-masing menggambarkan gambar dari sudut yang berbeda. Fitur target kecil sudah lemah, tersebar di saluran-saluran ini, dan jika setiap saluran hanya memperhatikan dirinya sendiri tanpa pertukaran, informasi berharga itu mudah tenggelam dalam serah terima lapis demi lapis.

Pendekatan MCI adalah membangun interaksi antar saluran, membiarkan mereka saling berbicara. Di mana pun saluran masih menyimpan jejak target kecil, kerja sama lintas saluran memperkuat dan melestarikannya. Ini semakin memperkuat ekstraksi informasi fitur skala kecil, dan titik panas kecil yang hampir hilang dalam downsampling berhasil dipulihkan.

Penempatan ketiga langkah ini dalam jaringan juga disengaja. SIEM membersihkan fitur di sumber backbone, SAPPM merangkum informasi multi-skala di ujung backbone, dan MCI melakukan polesan akhir di leher yang menghubungkan backbone ke kepala deteksi. Depan, tengah, belakang, bersama-sama mereka mencakup seluruh rantai ekstraksi, perangkuman, dan keluaran fitur, dan setiap langkah mendapatkan perbaikan yang ditargetkan untuk titik sakit cacat inframerah.

Ketiga langkah memiliki peran yang jelas: SIEM menangani kontras, SAPPM menangani skala, MCI menangani target kecil. Mereka tidak bertarung sendirian tetapi saling melempar tongkat: pertama angkat cacat dari latar belakang, lalu jangkau semua ukuran, lalu tangkap target kecil yang paling mungkin lolos. Dengan kombinasi ini, tiga tulang terkeras dari deteksi cacat inframerah terpecahkan satu per satu.

Gambar 11: Titik panas inframerah diurutkan berdasarkan skala menjadi Besar, Sedang, dan Mini. Kesenjangan ukuran sangat besar, dan titik panas terkecil adalah yang paling mudah terlewatkan.

Gambar 12: Target samar yang ditangkap oleh kamera inframerah. Semakin kecil dan redup target, semakin mudah untuk dihaluskan dalam pemrosesan.

Aplikasi Produk

Kartu Skor: Akurasi 92,1%, 62 Bingkai per Detik

Efek dari ketiga langkah tersebut bermuara pada data. Para peneliti membangun dataset cacat inframerah modul PV mereka sendiri, memberi label titik panas berdasarkan ukuran piksel yang mereka tempati dalam gambar menjadi tiga kelas: di atas 64x64 piksel adalah Besar, antara 32x32 dan 64x64 adalah Sedang, di bawah 32x32 adalah Mini. Apakah deteksi baik harus dibaca kelas per kelas, skala per skala.

Akurasi bergantung pada dua metrik. Pertama adalah recall, R, yang menjawab "dari cacat yang seharusnya ditemukan, berapa banyak yang berhasil diperoleh." Kedua adalah mean average precision, PmA, gabungan presisi deteksi di seluruh kelas, skor total yang paling diperhatikan oleh detektor. Tambahkan kecepatan deteksi, diukur dalam frame per detik, dan ketiga angka tersebut bersama-sama menceritakan keseluruhan cerita suatu algoritma.

Mulai dengan ablasi modul per modul. Dengan YOLOv10 standar sebagai baseline, mean average precision-nya adalah 89,8%. Tambahkan SIEM saja, naik menjadi 90,4%; SAPPM saja, 90,5%; MCI saja, 90,7%. Setiap langkah membantu. Gabungkan ketiganya, SESPNet penuh, dan mean average precision melonjak menjadi 92,1%. Yang menonjol adalah target kecil: presisi Mini baseline hanya 86,7%, dan dengan ketiganya naik menjadi 90,3%, naik 3,6 poin penuh, yang membuktikan kerja MCI dalam memulihkan target kecil.

Gambar 13: Ablasi modul per modul. Dengan ketiga modul ditumpuk, presisi target kecil tersulit naik dari 86,7% menjadi 90,3%.

Gambar 14: Sebuah pembangkit listrik tanah besar tak berujung. Ribuan modulnya persis seperti yang harus diperiksa satu per satu oleh algoritma ini.

Head to Head: Sembilan Algoritma dalam Satu Panggung

Membandingkan dengan dirinya sendiri tidaklah cukup. Studi ini menempatkan SESPNet di panggung yang sama dengan delapan algoritma mainstream lainnya, melatihnya pada dataset yang sama, dan mengukur akurasi serta kecepatan secara berdampingan.

Hasilnya berbicara sendiri. Algoritma dua tahap klasik seperti Faster R-CNN dan Cascade R-CNN memiliki ekstraksi fitur terbatas dan berjalan lambat, dengan mean average precision 86% hingga 88%, tidak cocok untuk skenario yang membutuhkan kinerja real-time tinggi. SSD adalah yang tercepat tetapi akurasinya hanya 74,3%, jelas rendah. Seri YOLO secara keseluruhan lebih seimbang: dari YOLOv7 88,1%, melalui YOLOX, YOLOv8, YOLOv10 dan YOLOv11, akurasi naik ke kisaran 89% hingga 90% dengan kecepatan sekitar lima puluh hingga enam puluh frame per detik.

SESPNet mendorong kurva itu lebih jauh ke kanan atas: mean average precision 92,1%, sekitar 2 poin di atas peringkat kedua, dan 62,4 frame per detik, sejalan dengan para pelari cepat YOLO. Ia tidak mengorbankan kecepatan untuk meningkatkan akurasi; ia memegang posisi kanan atas yang cepat dan akurat yang tidak dapat dicapai oleh yang lain. Itulah nilai terbesarnya. Dalam skenario dengan jumlah modul besar di mana Anda menilai sambil berpatroli, setiap kelambatan adalah biaya.

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

Dua baris tersebut adalah definisi dasar dari metrik akurasi. R (recall) mengukur proporsi cacat nyata yang ditemukan, P (precision) mengukur berapa banyak cacat yang dilaporkan adalah nyata, dan PmA adalah skor total yang dihitung di seluruh kelas dan tingkat presisi. Logikanya tidak rumit: jangan sampai melewatkan sebanyak mungkin (recall tinggi) dan jangan sampai memberikan alarm palsu sebanyak mungkin (precision tinggi), jaga kedua ujungnya tetap terkendali, dan Anda memiliki detektor yang andal.

Gambar 15: Perbandingan akurasi-kecepatan dari sembilan algoritma. SESPNet berada di sudut kanan atas dengan akurasi 92,1% dan 62,4 FPS.

Gambar 16: Uji coba dunia nyata pada platform tertanam. SESPNet yang paling akurat masih bertahan stabil pada 12,6 FPS.

Dipadatkan ke dalam Kotak Sekecil Telapak Tangan dan Tetap Real-Time

Berjalan dengan baik di laboratorium tidak berarti dapat digunakan di lapangan. Pembangkit listrik tenaga surya sebagian besar berada di alam terbuka, di mana peralatan inspeksi terbatas dalam hal komputasi dan daya. Apakah algoritma dapat muat ke dalam kotak kecil berdaya rendah dan berjalan secara real-time adalah hambatan terakhir untuk penerapan nyata.

Para peneliti memindahkannya ke platform tertanam bernama Jetson Nano untuk memverifikasi. Prosesornya adalah chip ARM quad-core yang dipasangkan dengan GPU 128-core tingkat pemula, jauh di bawah workstation laboratorium dengan kartu khususnya dalam hal komputasi dan daya. SESPNet digunakan pada skala input yang sama, kemudian diadu dengan algoritma lain di papan kecil ini.

Hasilnya kembali membuktikan keseimbangannya. Algoritma dua tahap klasik menunjukkan sifat aslinya dalam pengaturan tertanam: Faster R-CNN turun menjadi 1,9 frame per detik, hampir tidak real-time; Cascade R-CNN hanya 3,7. Seri YOLO umumnya turun menjadi sekitar sebelas atau dua belas frame, sementara SESPNet bertahan pada 12,6 frame per detik sambil mempertahankan akurasi tertinggi 92,1%, sejajar dengan YOLO ringan, bahkan sedikit lebih unggul. Komputasi dipangkas habis-habisan, tetap akurat dan stabil, menunjukkan betapa cocoknya desain untuk skenario dengan sumber daya terbatas.

Ini berarti drone atau inspektur portabel yang dilengkapi dengan algoritma ini tidak perlu mengirim gambar kembali ke cloud untuk diproses secara lambat. Di tempat, secara real-time, ia dapat memberi tahu panel mana yang memiliki titik panas. Efisiensi inspeksi dan kecepatan respons naik satu langkah lagi.

Nilai dari penilaian secara langsung lebih dari sekadar menghemat satu perjalanan pulang-pergi. Menempatkan komputasi di tepi berarti inspeksi masih dapat berjalan di pabrik terpencil dengan sinyal buruk; temukan titik panas yang dicurigai dan Anda dapat menandainya di tempat dan terbang kembali untuk mengonfirmasi segera, tanpa menunggu data kembali dan tinjauan manual sebelum sorti kedua. Untuk pabrik besar yang diukur dalam ratusan megawatt dengan modul yang dihitung dalam jutaan, kemampuan real-time di lokasi ini secara langsung menentukan apakah inspeksi penuh memakan waktu berjam-jam atau berhari-hari.

Penutup: Tidak Ada Tempat Bersembunyi untuk Setiap Panel yang Terlalu Panas

Melihat ke belakang, kecerdasan SESPNet bukanlah dalam menumpuk struktur yang rumit tetapi dalam menangani gejala yang tepat. Kontras inframerah rendah, sehingga peningkatan semantik menekan latar belakang. Skala cacat berantakan, sehingga pyramid pooling mencakup semua ukuran. Target kecil mudah hilang, sehingga channel attention menariknya kembali. Tiga langkah, masing-masing untuk tugasnya, dan saling menyambung.

Yang lebih langka adalah bahwa ia tidak menggemukkan model demi akurasi. Banyak algoritma mengejar akurasi tinggi secara membabi buta, akhirnya menjadi besar, memperlambat kecepatan, dan bahkan tidak bisa muat di perangkat tertanam. SESPNet mempertahankan kecepatannya sambil mencapai akurasi tertinggi, dan ia bertahan dalam uji pemotongan komputasi yang drastis. Keseimbangan antara akurat, cepat, dan ringan itulah yang paling dihargai oleh bidang ini. Apakah suatu teknologi baik atau tidak tergantung pada apakah ia dapat melakukan pekerjaan nyata di pabrik nyata.

92,1% mean average precision, 62,4 frame per detik, dan cukup kecil untuk berjalan real-time dalam kotak seukuran telapak tangan. Ketiga angka itu bersama-sama menggambarkan alat yang benar-benar dapat turun ke pabrik dan mulai bekerja. Ia mengubah gambar inframerah abu-abu kusam, yang dulunya sulit bahkan bagi mata manusia, menjadi laporan kesehatan di mana cacat tidak punya tempat bersembunyi.

Ketika drone yang membawa algoritma seperti ini menyapu ladang demi ladang susunan biru, setiap panel yang terlalu panas secara diam-diam akan terdeteksi dan ditangani pada saat pertama. Titik panas tersembunyi menjadi terlihat, dan risiko yang tampaknya kecil dapat dipadamkan. Yang bertahan adalah pabrik yang mengubah sinar matahari menjadi listrik, dalam waktu lama, aman, dan dengan beban penuh.

Pandangan Ooitech

Yang paling mencolok di sini adalah bagaimana deteksi dan manufaktur adalah dua sisi dari koin keandalan yang sama. Titik panas yang terdeteksi di lapangan sering kali berasal dari retakan mikro atau sambungan solder dingin yang lahir di jalur produksi, itulah sebabnya pengelasan stringer, perataan layup, dan kontrol laminasi sangat penting di jalur produksi modul. Lakukan langkah-langkah itu dengan benar dan Anda akan mengurangi titik panas yang masuk ke lapangan. Jika Anda ingin melihat bagaimana jalur modul nyata dibangun dan disetel, tur pabrik kami di saluran YouTube Ooitech (www.youtube.com/ooitech) layak untuk ditonton dan di-subscribe.