முடிக்கப்பட்ட சோலார் பண்ணை வேலியிலிருந்து அமைதியாக தெரியும்: நேரான வரிசைகள், நீல கண்ணாடி, சுத்தமான gravel சாலைகள். ஆனால் project manager-ன் திரையில் அது உயிரோட்டமான inventory பிரச்சினை. எல்லா மாட்யூல்களும் பொருத்தப்பட்டுள்ளனவா? எந்த வரிசையில் ஒரு panel இல்லை? handoff photo பொருட்கள் பட்டியலுடன் பொருந்துகிறதா?
சோலார் பேனல் எண்ணிக்கையே நடைமுறை பதில். 2024-ல் சுமார் 700 GW புதுப்பிக்கத்தக்க திறன் சேர்க்கப்பட்டது, அதன் வளர்ச்சியின் மூன்றில் நான்குக்கும் மேலான பகுதியை solar PV வழங்கியது என்று IEA தெரிவித்தது. தளங்கள் இவ்வளவு வேகமாக விரிவடையும் போது, கையால் வரிசை நடைபயணம் மற்றும் spreadsheet marks போதாது. ட்ரோன் படம் மற்றும் AI எண்ணிக்கை, field image-ஐ மாட்யூல் மொத்தம், முன்னேற்ற சோதனை, பகிரக்கூடிய பதிவு ஆகியவற்றாக மாற்றும் மீண்டும் செய்யக்கூடிய முறையை குழுக்களுக்கு தருகிறது.
பேனல் எண்ணிக்கைகள் ஏன் மாறுகின்றன
PV மாட்யூல்கள் ஒரே மாதிரி தோன்றும் வகையில் வடிவமைக்கப்பட்டவை. மின்சார உற்பத்திக்கு அது நல்லது, கையால் எண்ணுவதற்கு சிரமம். 10 MW தளத்தில் சாலைகள், inverter-கள், drainage, நில அமைப்பு ஆகியவற்றைச் சுற்றி செல்லும் strings-ல் பத்தாயிரக்கணக்கான செவ்வகங்கள் இருக்கலாம். தரையிலிருந்து ஒரு காணாமல் போன மாட்யூல் perspective-ல் மறையும். spreadsheet-ல் தவறவிட்ட ஒரு வரிசை copy செய்யப்பட்ட எண்ணின் பின்னால் மறையும். இந்த drift பொதுவாக construction reporting, commissioning, operations ஆகியவற்றில் தெரியும், அதாவது நம்பகமான எண்ணை குழுக்கள் தேடும் நேரத்தில்.
ட்ரோனிலிருந்து எண்ணிக்கைக்கு workflow
இந்த workflow முழு inspection program-ஐ விட எளியது. ஒரே block-ஐ நிலையான grid path-ல் பறக்க விடுங்கள். orthomosaic அல்லது தெளிவான overlapping images பயன்படுத்துங்கள். ஒவ்வொரு panel rectangle-ஐ மாடல் கண்டறியட்டும். detections-ஐ row, string அல்லது inverter block படி குழுவாக்குங்கள். misses மற்றும் false positives-ஐ பார்க்கவும், பின்னர் marked source image உடன் count-ஐ export செய்யவும். இலக்கு magic number அல்ல. ஒவ்வொரு aisle-ஐ நடக்காமல் field lead சரிபார்க்கக்கூடிய count தான் இலக்கு.
Field checklist
- ஒவ்வொரு module edge-மும் ஒரு கருப்பு கோடு அல்லாமல் தெளிவாக தெரியும் அளவுக்கு அருகில் பறக்கவும்.
- தளம் அனுமதிக்கும் வரை camera-வை நேராக கீழே வைத்திருங்கள்.
- கடுமையான glare-ஐ தவிர்க்கவும்; காலை அல்லது மாலை ஒளி panel edges-ஐ தெளிவாக காட்டும்.
- image borders-ல் edge panels தொலைந்து போகாதபடி overlap உடன் முழு rows-ஐ capture செய்யவும்.
- முதலில் blocks படி எண்ணி, பின்னர் block totals-ஐ site total-ல் சேர்க்கவும்.
AI எங்கு மதிப்பை தருகிறது
AI சோலார் engineers-ஐ மாற்றாது. ஒரே pattern-ஐ 45 நிமிடம் scroll செய்து இடத்தை இழக்காமல் பார்க்கும் மனித வேலையை அது நீக்குகிறது. count ஒரு report-ஐ நிரப்புவது மட்டுமல்லாமல் decision-ஐ ஆதரிக்கும் போது இது மிக முக்கியம்.
crew தளத்தை விட்டு செல்லும் முன் completed rows-ஐ contract milestones உடன் ஒப்பிடுங்கள், equipment அருகில் இருக்கும் போது missing modules-ஐ கண்டுபிடியுங்கள்.
installed count-ஐ design package உடன் பொருத்தி, owner block-ஐ sign off செய்வதற்கு முன் gaps-ஐ குறிக்கவும்.
repair, storm அல்லது vegetation clearing பிறகு ஒவ்வொரு row-க்கும் மக்களை அனுப்பாமல் மீண்டும் எண்ணுங்கள்.
எண்ணிக்கை inspection-க்கு நுழைவாயில்
பயனுள்ள பகுதி மொத்தம் மட்டும் அல்ல. ஒவ்வொரு module-க்கும் detection marker இருந்தால், ஒவ்வொரு panel-க்கும் photo-வில் location இருக்கும். இது defect review, thermal checks, vegetation issues, cleaning routes ஆகியவற்றுக்கு base layer ஆகும். ஒரு computer vision study ஏழு plants-லிருந்து 107,842 PV modules-ஐ எடுத்தது, 4.3 million infrared module images உருவாக்கியது, மேலும் 10 common anomalies-ஐ 90% க்கும் மேற்பட்ட test accuracy-யுடன் classify செய்தது. எண்ணிக்கை அந்த richer inspection map-க்கு முதல் படி.
முக்கிய கருத்து
சோலார் பண்ணைகள் repeated parts-ஆல் கட்டப்படுகின்றன, அதனால் AI எண்ணிக்கைக்கு மிக பொருத்தமானவை. மாடல் பொறுமையாக scan செய்கிறது. மனிதர் edge cases-ஐ சரிபார்த்து எண்ணின் பொருளை முடிவு செய்கிறார். சிறந்த முடிவுகள் இந்த கூட்டிலிருந்து வருகிறது: தெளிவான drone image, வேகமான first count, மற்றும் marked panels-ன் குறுகிய review.
அடுத்த drone flight-ல், யாரும் rows-ல் நடப்பதற்கு முன் ஒரு block-ஐ தேர்ந்தெடுத்து image-இலிருந்து எண்ணுங்கள். photo ஒவ்வொரு module edge-ஐ காட்டும் அளவுக்கு sharp என்றால், அது reliable count ஆக மாறவும் போதுமான sharp ஆக இருக்கும்.