PV Defect Detection Network Equipped with Novel Decoupled Downsampling, Mixed Attention and Heterogeneous Convolution Modules

تخيل أنك تحاول العثور على خدش صغير للغاية على لوح شمسي ضخم ولامع. في عالم العلوم، يُسمى هذا "كشف العيوب"، وهو أمر بالغ الأهمية لأن الألواح المكسورة تهدر الطاقة وتكلف الكثير من المال. عادةً، للعثور على هذه الشقوق غير المرئية أو البقع الحرارية الخفية، يستخدم الخبراء كاميرات متخصصة وباهظة الثمن تشع بضوء خاص (مثل الأشعة السينية للألواح الشمسية). لكن تلك الكاميرات ثقيلة، ومكلفة، ويصعب استخدامها في كل مكان. يعيش هذا البحث في زاوية "الرؤية الحاسوبية"، حيث يعلم العلماء الحواسيب كيف "ترى" مثل البشر. الفكرة الكبرى هنا هي استخدام كاميرات عادية ومتوفرة (مثل تلك الموجودة في هاتفك) لرصد هذه المشكلات، لكن الجزء الصعب هو جعل الكمبيوتر ذكيًا بما يكفي للعثين على العيوف الصغيرة دون الحاجة إلى حاسوب خارق للقيام بالعمليات الحسابية.

قرر مؤلفو هذا البحث، لينغ جو، وجيانيو تشنغ، وغوانغيو ليو، بناء "محقق" جديد للألواح الشمسية. بدأوا بنموذج رؤية حاسوبية شهير وسريع يسمى YOLOv8 (والذي يعني "أنت تنظر مرة واحدة فقط"، وهو اسم يوحي بالسرعة والكفاءة). ومع ذلك، شعروا أن المحقق القياسي كان ثقيلاً بعض الشيء ويفتقد لبعض الأدلة الدقيقة. لذا، منحوه عملية تجديد شاملة، فأنشأوا نموذجاً جديداً أطلقوا عليه اسم CCM-YOLO. فكر في هذا النموذج الجديد كأنه محقق تم تجهيزه بحقيبة ظهر أخف وزناً، وعيون أكثر حدة، ونظارات خاصة تساعده على تجاهل ضجيج الخلفية والتركيز فقط على مواضع الخلل.

إليك كيف قاموا بترقية محققهم، باستخدام بعض الحيل الذكية:

أولاً، قاموا بإصلاح الطريقة التي "ينظر" بها النموذج إلى الصورة. عادةً، عندما يقوم الكمبيوتر بالابتعاد لرؤية الصورة الكبيرة، فإنه يستخدم طريقة قياسية ثقيلة وبطيئة، مثل حمل حقيبة ظهر ثقيلة أثناء الجري. ابتكر المؤلفون طريقة جديدة تسمى DCDown (تقليل العينات المنفصل - Decoupled Downsampling). تخيل بدلاً من حمل الحقيبة بأكملها، أن المحقق يقسم الحمل: جزء من الدماغ يتعامل مع "الماهية" (الألوان والتفاصيل)، والجزء الآخر يتعامل مع "المكان" (الحجم والشكل) بشكل منفصل. هذه الحيلة تجعل النموذج أخف وأسرع بكثير. نظرياً، يمكن لهذه الطريقة الجديدة أن تقلل عدد المعلمات (parameters) في خطوة تقليل العينات تلك بنسبة تصل إلى 89% مقارنة بالطريقة القديمة، وعند تطبيقها على النموذج بأكمله، ساعدت في خفض إجمالي "خلايا الدماغ" (المعلمات) المطلوبة بنحو 22.5% مع الاستمرار في رؤية كل شيء بوضوح.

ثانياً، منحوا النموذج مهارات تركيز أفضل. أحياناً، يتشتت انتباه المحقق بالسماء أو العشب بدلاً من التركيز على الخدش الموجود على اللوح. أضاف الفريق وحدة خاصة تسمى CSPMLCA. يمكنك اعتبار هذه الوحدة بمثابة "مرشح تركيز" يساعد النموذج على تجاهل الخلفية المملة والتركيز على البقع الغريبة التي تبدو كعيوب. وهي تفعل ذلك دون إضافة أي وزن إضافي لحقيبة الظهر، مما يجعل النموذج أكثر ذكاءً دون جعله أثقل.

ثالثاً، استبدلوا المحرك الرئيسي للنموذج. كان المحرك الأصل يستخدم نفس نوع الأداة لكل مهمة، وهو أمر غير فعال. تستخدم وحدة CSPHet الجديدة أدوات "غير متجانسة" (heterogeneous)، مما يعني أنها تمزج أنواعاً مختلفة من العدسات (بعضها كبير وبعضها صغير) للنظر إلى الصورة. الأمر يشبه طباخاً يستخدم ملعقة صغيرة للتوابل ومغرفة ضخمة للحساء، بدلاً من مجرد ملعقة كبيرة واحدة لكل شيء. هذا المزيج يسم يسمح للنموذج بالإمساك بالشقوق الصغيرة والبقع الكبيرة على حد سواء، ولكن مع الحاجة إلى مكونات أقل (قدرة حوسبية).

عندما اختبروا محققهم الجديد CCM-YOLO على مجموعة بيانات عامة تضم 1,109 صورة لألواح شمسية، كانت النتائج مبهرة. فقد وجد النموذج العيوب بدقة بلغت 95.19% (تسمى mAP)، وهي أعلى من النموذج الأصلي. كما أصبح أخف وزناً بكثير: حيث انخفض حجم الملف من 22.5 ميجابايت إلى 17.6 ميجابايت فقط، وكان يحتاج إلى معاملات أقل بنسبة 22.5% للتشغيل. وهذا يعني أنه يمكنه العمل على أجهزة كمبيوتر أصغر وأرخص، مما يجعل من الممكن فحص الألواح الشمسية في الميدان دون الحاجة إلى خادم ضخم.

المؤلفون واثقون من أن هذا النهج يعمل جيداً مع صور الضوء المرئي، وهي صور رخيصة وسهلة الحصول عليها. ومع ذلك، يعترفون بأن النموذج لا يزال يعاني قليلاً عندما تكون العيوب صعبة الرؤية للغاية (تتطلب دقة عالية جداً) وأن عملية "التعلم" أثناء التدريب تستغرق وقتاً. كما أشاروا إلى أن بيانات الاختبار الخاصة بهم لم تغطِ كل الظروف الجوية القاسية الممكنة. ولكن بشكل عام، يقترحون أن CCM-YOLO هو حل قوي وخفيف الوزن يوازن بين السرعة والدقة، ويقدم طريقة عملية للحفاظ على عمل ألحتنا الشمسية بكفاءة دون تكبد تكاليف باهظة.