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

Stellen Sie sich vor, Sie versuchen, einen winzigen Kratzer auf einem riesigen, glänzenden Solarmodul zu finden. In der Welt der Wissenschaft wird dies als „Defekterkennung“ bezeichnet, und das ist eine große Sache, denn defekte Paneele verschwenden Energie und kosten Geld. Normalerweise verwenden Experten, um diese unsichtbaren Risse oder verborgenen Hotspots zu finden, superteure, spezialisierte Kameras, die mit speziellem Licht leuchten (wie Röntgenstrahlen für Solarpaneele). Aber diese Kameras sind schwer, teuer und überall nur schwer einzusetzen. Diese Arbeit lebt in der Ecke der „Computer Vision“, wo Wissenschaftler Computern beibringen, wie Menschen zu „sehen“. Die große Idee hier ist, gewöhnliche, alltägliche Kameras (die Art, wie man sie auf seinem Handy hat) zu verwenden, um diese Probleme aufzuspüren, aber der knifflige Teil besteht darin, den Computer schlau genug zu machen, winzige Defekte zu finden, ohne einen Supercomputer für die Berechnungen zu benötigen.

Die Autoren dieser Arbeit, Ling Zhu, Jianyu Cheng und Guangyu Liu, beschlossen, einen neuen „Detektiv“ für Solarpaneele zu bauen. Sie begannen mit einem populären, schnellen Computer-Vision-Modell namens YOLOv8 (was für „You Only Look Once“ steht, ein Name, der darauf hindeutet, dass es schnell und effizient ist). Sie hatten jedoch das Gefühl, dass der Standard-Detektiv ein wenig zu schwerfällig war und einige subtile Hinweise übersah. Also verpassten sie ihm ein großes Makeover und erschufen ein neues Modell, das sie CCM-YOLO nennen. Denken Sie an dieses neue Modell als an einen Detektiv, der mit einem leichteren Rucksack, schärferen Augen und einer speziellen Brille ausgestattet wurde, die ihm hilft, das Hintergrundrauschen zu ignorieren und sich nur auf die Problemstellen zu konzentrieren.

So haben sie ihren Detektiven aufgerüstet, unter Verwendung einiger kluger Tricks:

Zuerst haben sie korrigiert, wie das Modell das Bild „sieht“. Normalerweise, wenn ein Computer herauszoomt, um das große Ganze zu sehen, verwendet er eine Standardmethode, die schwer und langsam ist, wie das Tragen eines schweren Rucksacks beim Rennen. Die Autoren erfanden eine neue Methode namens DCDown (Decoupled Downsampling). Stellen Sie sich vor, anstatt den ganzen Rucksack zu tragen, teilt der Detektiv die Last auf: Ein Teil des Gehirns kümmert sich um das „Was“ (die Farben und Details), und der andere Teil um das „Wo“ (die Größe und Form) separat. Dieser Trick macht das Modell viel leichter und schneller. Theoretisch kann diese neue Methode die Parameter dieses spezifischen Downsampling-Schritts im Vergleich zur alten Methode um bis zu 89 % reduzieren, und wenn sie auf das gesamte Modell angewendet wird, half es, die Gesamtzahl der benötigten „Gehirnzellen“ (Parameter) um etwa 22,5 % zu senken, während es dennoch alles klar sieht.

Zweitens haben sie dem Modell bessere Konzentrationsfähigkeiten gegeben. Manchmal lässt sich ein Detektiv vom Himmel oder dem Gras ablenken, anstatt sich auf den Kratzer auf dem Paneel zu konzentrieren. Das Team fügte ein spezielles Modul namens CSPMLCA hinzu. Sie können sich das als einen „Fokus-Filter“ vorstellen, der dem Modell hilft, den langweiligen Hintergrund zu ignorieren und auf die seltsamen Stellen zu zoomen, die wie Defekte aussehen. Dies geschieht, ohne zusätzliches Gewicht zum Rucksack hinzuzufügen, was das Modell intelligenter macht, ohne es schwerer zu machen.

Drittens haben sie die Hauptmaschine des Modells ausgetauscht. Die ursprüngliche Maschine verwendete für jede Aufgabe das gleiche Werkzeug, was ein wenig ineffizient ist. Das neue CSPHet-Modul verwendet „heterogene“ Werkzeuge, was bedeutet, dass es verschiedene Arten von Linsen (einige große, einige kleine) mischt, um das Bild zu betrachten. Es ist wie ein Koch, der einen winzigen Löffel für Gewürze und eine riesige Kelle für Suppe verwendet, anstatt nur einen großen Löffel für alles. Diese Mischung ermöglicht es dem Modell, winzige Risse und große Flecken gleichermaßen gut zu erfassen, aber mit weniger Zutaten (Rechenleistung) benötigt zu werden.

Als sie ihren neuen CCM-YOLO-Detektiven an einem öffentlichen Datensatz von 1.109 Bildern von Solarpaneelen testeten, waren die Ergebnisse beeindruckend. Das Modell fand Defekte mit einer Genauigkeitsrate von 95,19 % (genannt mAP), was höher ist als beim ursprünglichen Modell. Es wurde auch viel leichter: Die Dateigröße sank von 22,5 MB auf nur 17,6 MB, und es benötigte 22,5 % weniger Parameter, um zu laufen. Das bedeutet, dass es auf kleineren, günstigeren Computern laufen konnte, was es möglich macht, Solarpaneele im Feld zu überprüfen, ohne einen massiven Server zu benötigen.

Die Autoren sind zuversichtlich, dass dieser Ansatz gut für sichtbare Lichtbilder funktioniert, die günstig und leicht zu bekommen sind. Sie geben jedoch zu, dass das Modell immer noch etwas Schwierigkeiten hat, wenn die Defekte extrem schwer zu sehen sind (eine sehr hohe Präzision erfordern) und dass es eine Weile dauert, um während des Trainings zu „lernen“. Sie merken auch an, dass ihre Testdaten nicht jedes mögliche extreme Wetterszenario abdeckten. Aber insgesamt schlagen sie vor, dass CCM-YOLO eine starke, leichte Lösung ist, die Geschwindigkeit und Genauigkeit ausbalanciert und einen praktischen Weg bietet, unsere Solarpaneele effizient am Laufen zu halten, ohne das Budget zu sprengen.