Люди, які не є фахівцями в галузі ІІ, часто не знають, що означають такі терміни, як, наприклад, штучний інтелект (AI), машинне навчання (ML) та комп'ютерний зір (CV). Однак, це не так складно: штучний інтелект, машинне навчання та комп'ютерний зір позначають те саме, але з більшою конкретикою.
Так, наприклад, якщо виявлення дефектів на сонячних панелях використовується алгоритм комп'ютерного зору, використовуються AI, ML і CV. Навпаки, при перекладі слів з англійської іншою мовою за допомогою алгоритму, швидше використовуються AI або ML, а не CV.
Більшість проектів з перевірки ІІ в індустрії сонячних панелей, як правило, є ініціативами в галузі комп'ютерного зору (CV). Це означає, що алгоритм використовує зображення виявлення дефектів сонячних панелей.
Що таке перевірка із застосуванням штучного інтелекту?
Використання AI та CV при перевірці сонячних панелей є відносно новим. Традиційно огляд сонячних панелей на наявність дефектів проводила група співробітників, що було повільно, дорого та не дуже точно.
Щоб прискорити процес перевірки і підвищити його точність, оператори сонячних ферм все частіше звертаються до штучного інтелекту, що включає використання алгоритмів, які можуть за зображеннями автоматично визначати дефекти сонячних панелей.
Це набагато швидше та точніше, ніж огляд співробітниками. Крім того, оператори сонячних ферм можуть перевіряти панелі за допомогою ІІ для виявлення дефектів як до установки панелей, так і в процесі їх експлуатації.
Як виконується перевірка за допомогою ІІ?
Існує кілька різних способів, за допомогою яких можна проводити перевірку сонячних ферм за допомогою ІІ. Найбільш поширеним є використання безпілотного літального апарату (БПЛА) або дрону. БПЛА забезпечують безконтактний спосіб огляду сонячних панелей на основі аерофотозйомки.
Зображення сонячних ферм обробляються за допомогою алгоритмів або у хмарі або на пристрої. Результати показуватимуть видимі дефекти на фотоелектричних панелях. Використовуючи ІІ для автоматичної класифікації дефектів, можна скоротити витрати, так як обстеження всього об'єкта займе кілька годин замість кількох днів, а автоматична ідентифікація дефектних панелей скоротить час огляду за допомогою маркування на основі розташування, що більш ефективно.
Які алгоритми використовуються під час перевірки сонячних панелей?
Найбільш поширений під час перевірки сонячних панелей алгоритм глибокого навчання, саме алгоритм машинного навчання, який використовує нейронную мережу на навчання розв'язанню завдань. Нейронні мережі складаються із взаємопов'язаних шарів, які можуть навчитися розпізнавати дефекти сонячних панелей за зображеннями.
Мережі глибокого навчання використовують навчальні дані, які є великими наборами даних помічених зображень. У багатьох випадках оператор сонячної ферми може надати ці позначені зображення алгоритму глибокого навчання. В якості альтернативи постачальник ІІ може надати ці готові позначені зображення.
При перевірці це робиться шляхом створення навчального набору зображень сонячних панелей з дефектами і без дефектів. Оператор сонячної ферми відзначає кожне зображення, щоб нейронна мережа «навчалася» ідентифікувати обидва типи панелей.
Також алгоритм глибокого навчання можна використовувати для перевірки сонячних панелей на зображеннях, отриманих із сонячної ферми. Нейронна мережа визначає будь-який дефект на сонячній панелі та класифікує його.
Проблеми, пов'язані з інспекцією за допомогою ІІ.
Перша – це доступність навчальних даних. Щоб алгоритм глибокого навчання виявляв дефекти сонячних панелей, необхідний великий набір помічених зображень. Це означає, що оператор сонячної ферми повинен надати набір зображень сонячних панелей із дефектами та набір зображень без дефектів.
Друга проблема полягає у відсутності стандартизації сонячних панелей. Сонячні ферми можуть встановлювати сотні або навіть тисячі різних типів і моделей сонячних панелей, кожна з яких має унікальні характеристики. Розмір, форма, колір сонячних панелей можуть бути різними, і це може вплинути на ефективність роботи алгоритму глибокого навчання на різних сонячних об'єктах.
І остання третя проблема полягає у точності моделювання результатів перевірки. Алгоритми, навчені виявляти дефекти сонячних панелей, нічого очікувати точними на 100%. Це означає, що частина сонячних панелей може бути помилково класифікована як дефектна. Проте, використовуючи кілька моделей глибокого навчання (на різних наборах даних), ймовірність неправильної класифікації є мінімальною.
Загалом ІІ — дуже потужний інструмент для операторів сонячних ферм, і його слід включити до системи технічного обслуговування. Незважаючи на деякі труднощі, перевірка сонячних батарей за допомогою ІІ підвищить ефективність та знизить витрати.