Thermische beeldvorming voor zonnepanelen: hoe SESPNet elke hotspot in infrarood detecteert

Productintroductie

Een zonnepark kan tienduizenden tot miljoenen modules bevatten. Dag in dag uit staan ze bloot aan hitte, wind, zand, regen en sneeuw, dus het is geen verrassing dat ze allerlei kwalen oplopen. De meest voorkomende, en ook de gevaarlijkste, is de hotspot.

Een hotspot is gewoon een klein plekje op een module dat abnormaal heet wordt. In het beste geval tast het uw stroomopbrengst aan. In het slechtste geval brandt het door de achterfolie en veroorzaakt het brand, waardoor de hele installatie in gevaar komt. Het probleem is dat modules rand aan rand zijn geplaatst. Het sturen van teams om ze een voor een te controleren met een handheld instrument is traag en mist dingen. Daarom is de combinatie van infraroodthermografie met deep learning in de schijnwerpers komen te staan.

Richt een infraroodcamera op een module, leg de temperatuurspreiding vast als een warmtekaart, laat vervolgens een getraind neuraal netwerk die kaart voor u lezen en markeren waar het heet is en hoe heet. Klinkt eenvoudig. Maar het daadwerkelijk laten werken in het veld is een ander verhaal. Infraroodbeelden hebben drie ingebouwde gebreken die gewone algoritmen in de war sturen: lage resolutie, sterk verschillende defectgroottes en rommelige achtergronden.

Een nieuwe methode genaamd SESPNet (Semantic Enhancement and Scale Perception Network) pakt die drie gebreken direct aan. De cijfers zijn solide: 92,1% gemiddelde precisie, 62,4 frames per seconde, en het is klein genoeg om in realtime te draaien op een palmformaat embedded apparaat. Dit artikel legt uit hoe het elke hotspot uit een dof grijs infraroodbeeld haalt.

Ten eerste, waarom hotspots belangrijk zijn. Een PV-module bestaat uit veel cellen die in serie zijn geschakeld. Als één cel vermogen verliest door schaduw, een microscheur of vuil, stopt deze met het leveren van stroom en begint zich te gedragen als een weerstand, waardoor de stroom van de andere cellen wordt omgezet in warmte en in de cel zelf wordt verbrand. Die ene cel wordt de warmtebron voor de hele string, tientallen graden heter dan de buren. Milde gevallen trekken de output van de string omlaag. Ernstige gevallen koken de encapsulant na verloop van tijd, branden door de backsheet en kunnen zelfs ontbranden. Hotspots vroeg vinden en snel aanpakken is een taak die PV-operaties niet kunnen vermijden.

Figuur 1: Zonnecollectormodules gemonteerd op een dak, jarenlang blootgesteld aan de buitenlucht, waar gelokaliseerde temperatuurpieken hotspots vormen.

Figuur 2: De vijfstappenworkflow van infrarood thermische detectie voor PV-moduledefecten, van het vastleggen van temperatuur tot het lokaliseren van het defecte paneel.

Technische Parameters

Waarom infrarood een must is voor hotspotdetectie

Om dit algoritme te begrijpen, begin met de basis: waarom een zichtbaar-lichtcamera niet volstaat voor verborgen PV-fouten, en waarom infrarood de enige manier is.

Zichtbaar-lichtbeeldvorming is gewone fotografie. Hoge resolutie, rijke details, goed voor het opsporen van scheuren, krassen en vuil op het oppervlak, het soort dingen dat je kunt zien. Maar het heeft één fatale beperking. Het leest alleen uiterlijk, niet temperatuur. Een microscheur of een koude soldeerverbinding in een module verandert vaak niet hoe het er vroeg uitziet, maar blokkeert wel de stroom op die plek en verwarmt deze. Zichtbaar-lichtcamera's zijn hulpeloos tegen deze thermische fouten, en 's nachts of bij weinig licht zijn ze nutteloos.

Infrarood gaat een andere weg. Elk object boven het absolute nulpunt straalt infrarood uit, en hoe heter het is, hoe sterker de straling. Een infraroodcamera legt die straling vast en schildert de onzichtbare temperatuurspreiding rechtstreeks op een kleur- of grijswaarden warmtekaart. Het heeft geen extern licht nodig, dus het werkt dag en nacht. Waar een module heet is en hoeveel, wordt duidelijk zichtbaar. Voor warmtegedreven defecten zoals hotspots en gebroken gridlines is infrarood de natuurlijke oplossing.

Daarom is infrarood een belangrijke manier geworden om zowel de nauwkeurigheid als de snelheid van defectdetectie bij PV-installaties te verhogen. Een drone met een infraroodcamera kan in een paar minuten een hele array scannen, tientallen keren sneller dan een handmatig team. Maar dat vermogen om warmte te zien heeft een prijs: de beeldkwaliteit is veel lager dan bij zichtbaar licht.

De oude handmatige methode vereist dat werknemers instrumenten dragen en paneel voor paneel meten. Het is traag en leunt zwaar op ervaring. Met modules die dicht op elkaar zijn gepakt en in de duizenden worden geteld, is het één voor één uitlezen vermoeiend, foutgevoelig en 's nachts bijna onmogelijk. De drone-plus-infraroodcombinatie maximaliseert de opnamefase, maar als je die duizenden beelden nog steeds met de hand uitleest, verplaatst de bottleneck zich van meten naar kijken. Om de cyclus te sluiten heb je een algoritme nodig om de beelden te lezen. Dat is het moment voor deep learning.

Figuur 3: Een typische infrarood warmtekaart. Hoe heter het gebied, hoe warmer de kleur, en de oververhitte regio springt er in één oogopslag uit. Dit is de ruwe data voor hotspotdetectie.

Figuur 4: De taakverdeling tussen zichtbaar licht en infraroodbeeldvorming. Voor thermische fouten is infrarood de natuurlijke oplossing.

Drie Moeilijke Botten in Infrarood Defectdetectie

Infrarood kan warmte zien, maar het geeft detectie-algoritmen drie harde problemen. Deze drie zijn precies de reden waarom veel kant-en-klare algoritmen falen bij PV-infraroodwerk.

Een: laag contrast. Infraroodbeelden zijn over het algemeen dof en grijs. Het grijswaardenverschil tussen defect en achtergrond is al klein, en beeldruis erbovenop zorgt dat defecten worden opgeslokt door de achtergrond. Het algoritme kan de belangrijkste kenmerken niet vastpakken, dus de nauwkeurigheid lijdt eronder.

Twee: sterk variërende defectschaal. Binnen één enkel infraroodbeeld kunnen hotspotgroottes tientallen keren verschillen. Sommige zijn een hele omzeilde string die over een groot gebied gloeit; andere zijn slechts één cel die iets opwarmt in een hoek. Een vast receptief veld, het bereik dat het netwerk in één keer duidelijk kan zien, heeft de neiging om de een voor de ander te verliezen bij zo'n spreiding: pak het grote doelwit en je mist de kleine, of andersom.

Drie: informatie over kleine doelen gaat verloren. Dit is het lastigst. Neurale netwerken downsamplen laag voor laag, waardoor het beeld krimpt om hoogwaardige betekenis te extraheren. Maar kleine hotspots die in het begin slechts tientallen pixels waren, worden weggesmeed terwijl ze krimpen, tot er bijna niets meer over is tegen de tijd dat een beslissing wordt genomen, en de herkenning krijgt een flinke klap.

Zet ze alle drie bij elkaar en het is duidelijk: PV-infrarood defectdetectie is moeilijk omdat je tegelijkertijd moet vechten tegen 'niet duidelijk kunnen zien, formaten overal, gemakkelijk verloren'. De drie kernupgrades van SESPNet richten zich elk op een van deze botten: één verhoogt de semantiek om de achtergrond te onderdrukken, één bouwt een piramide om formaten aan te kunnen, één bewaakt de kanalen om kleine doelen te herstellen.

Waarom niet gewoon een kant-en-klare detector pakken? Objectdetectie is snel vooruitgegaan en splitst zich in twee routes. De ene is tweetraps: eerst ruwweg kandidaatregio's screenen, dan elke zorgvuldig beoordelen, hoge nauwkeurigheid maar traag. De andere is eentraps: één blik geeft zowel locatie als klasse, snel en geschikt voor real-time. De YOLO-serie is de vlaggenschip van eentraps. Maar deze algemene algoritmen zijn getraind op gewone zichtbare beelden en toegepast op laagcontrastrijke, wild geschaalde PV-infraroodbeelden, hebben ze moeite. SESPNet's upgrades vullen die drie hiaten op, op maat gemaakt voor infrarooddefecten.

Figuur 5: De drie lastige botten van infrarooddefectdetectie: laag contrast, meerdere schalen en kleine doelen.

Figuur 6: Een multi-rotor drone met een camera, vliegend over de array om in bulk infraroodbeelden te maken, in minuten vegend wat een bemanning een halve dag zou kosten.

Technische voordelen

Zet Een: Semantische Verbetering, Defecten uit de Achtergrond Laten Drijven

SESPNet bouwt voort op YOLOv10 als basismodel. YOLOv10 is een van de populairste real-time detectoren van vandaag, uitgebracht door een Tsinghua-team in mei 2024, gebouwd om snel, nauwkeurig en implementatievriendelijk te zijn. SESPNet voert drie bewerkingen uit, en de eerste plaatst een Semantic Information Enhancement Module, SIEM, in de backbone.

Wat het oplost is het lage-contrastprobleem. Slecht contrast in infrarooddefectbeelden laat achtergrondruis interfereren met de kenmerken die het model extraheert, wat de nauwkeurigheid schaadt. SIEM werkt op twee manieren tegelijk. Een globale aandachtstak neemt de algemene betekenis van het hele beeld op, bepaalt wat achtergrond is en wat mogelijk een defect verbergt, zodat de interferentie van rommel wordt verminderd. Een lokale aandachtstak richt zich op het detail en de textuur van het defect zelf, waardoor de kenmerkexpressie wordt verscherpt.

Elke tak let op zijn eigen ding, dan worden globaal en lokaal gewogen en samengevoegd. Denk aan het samenknijpen van je ogen om de hele dakomtrek te onderscheiden en rommel uit te sluiten, dan dichterbij leunen om naar de ene verdachte plek te staren. Dichtbij en ver gecombineerd, en het defect wordt uit de doffe achtergrond getild. De samengevoegde kenmerken behouden het detail van het defect terwijl achtergrondinterferentie wordt onderdrukt, zodat kenmerkexpressie duidelijk sterker is.

De opbrengst blijkt duidelijk uit de ablatiestudie later: voeg alleen SIEM toe en de gemiddelde precisie stijgt voor alle drie doelklassen, met echte winst in het weerstaan van complexe achtergronden.

De backbone is het deel van het model dat als eerste de afbeelding raakt en de basiskenmerken extraheert. SIEM hier plaatsen betekent opschonen bij de bron: voordat iets wordt doorgegeven, worden de kenmerken van het defect al versterkt en de achtergrondruis al onderdrukt. Met een schone bron zullen de latere schaalverwerking en doel lokalisatie niet worden misleid door rommel. Daarom zit het in de backbone en nergens anders. Behandel de vervuiling vroeg.

Figuur 7: De dual-branch structuur van de SIEM semantische verbeteringsmodule. De globale branch leest het grote geheel om achtergrond te onderdrukken, de lokale branch let op details om het defect te versterken, waarna de twee worden gewogen en samengevoegd.

Figuur 8: Een dak-PV-array. Het dichte veld van modules is precies de rommelige scène die interferentie voedt aan een detectie-algoritme.

Zet Twee: Piramide Pooling, Grote en Kleine Hotspots Beide in Focus

De tweede wijziging vervangt YOLOv10's originele spatial pyramid pooling module door een Space Attention Pyramid Pooling Module, SAPPM. Het richt zich op het variabele-schaalprobleem.

"Piramide pooling" kan worden gelezen als het tegelijkertijd scannen van dezelfde feature map met meerdere vensters van verschillende grootte. Kleine vensters zien fijne details, goed voor kleine hotspots; grote vensters zien breed, goed voor grote hotspots. De studie voert meerdere pooling vensters van klein naar groot parallel uit, zodat of een defect nu meerdere rijen beslaat of slechts een handpalmgrote vlek is, het juiste venster het opvangt.

Daarbovenop voegt SAPPM een laag van spatiale aandacht toe. Het kent verschillende gewichten toe aan de kenmerken van verschillende vensters, zodat de werkelijk belangrijke schaal informatie vooraan en in het midden blijft terwijl het irrelevante wordt teruggedraaid, en naait deze multi-schaal kenmerken samen tot een volledigere feature map. Kortom, het eerste deel behandelt "elke grootte zien," het tweede deel behandelt "benadrukken wat gezien moet worden." Samen verhogen ze scherp het gevoel van het model voor multi-schaal doelen.

Dit verlicht direct het oude verlies-voor-het-andere probleem. Een netwerk met vaste receptieve veld laat het kleine doel vallen terwijl het op het grote let; met SAPPM op zijn plaats kunnen grote en kleine hotspots beide duidelijk worden gezien in dezelfde doorgang, ongeacht hoe breed de grootte kloof.

Figuur 9: Een schets van de SAPPM multi-schaal feature piramide pooling, parallel scannend met vensters van verschillende grootte en vervolgens samengevoegd met spatiale aandacht weging.

Figuur 10: Een luchtfoto van een fabriek. Drones maken op verschillende hoogtes, waardoor hetzelfde defect op nog meer variërende schalen in de afbeelding verschijnt.

Zet Drie: Kanaalaandacht, Het Terugvissen van de Bijna Verloren Kleine Doelen

De derde wijziging landt in de nek-netwerk, bouwt een multi-schaal kanaalaandachtsmechanisme, MCI. Het geneest het lastigste probleem, informatieverlies van kleine doelen.

Eerst een woord over kanalen. Wanneer een netwerk een afbeelding verwerkt, splitst het kenmerken in vele parallelle kanalen, die elk de afbeelding vanuit een andere hoek beschrijven. Kenmerken van kleine doelen zijn al zwak, verspreid over deze kanalen, en als elk kanaal alleen met zichzelf bezig is zonder uitwisseling, verdrinkt dat kostbare beetje informatie gemakkelijk in de laag-voor-laag overdracht.

MCI's aanpak is om interactie tussen kanalen te bouwen, zodat ze met elkaar kunnen praten. Waar een kanaal nog een spoor van het kleine doel vasthoudt, versterkt en behoudt samenwerking tussen kanalen het. Dit versterkt verder de extractie van kleinschalige kenmerkinformatie, en die kleine hotspots die bijna verdwenen in downsampling worden teruggevist.

Waar deze drie zetten in het netwerk zitten is ook bewust. SIEM reinigt kenmerken bij de backbone-bron, SAPPM vat multi-schaal informatie samen aan de staart van de backbone, en MCI doet de laatste polijsting bij de nek die backbone en detectiekop verbindt. Voor, midden, achter, samen dekken ze de volledige keten van het extraheren, samenvatten en uitvoeren van kenmerken, en elke stap krijgt een gerichte remedie voor een infrarooddefect-pijnpunt.

De drie zetten hebben duidelijke rollen: SIEM behandelt contrast, SAPPM behandelt schaal, MCI behandelt kleine doelen. Ze vechten niet alleen maar geven het stokje door: til het defect eerst uit de achtergrond, dek dan alle formaten, vang dan het kleine doel dat het meest waarschijnlijk ontsnapt. Met deze combinatie worden de drie moeilijkste botten van infrarooddefectdetectie een voor een ontmanteld.

Figuur 11: Infrarood hotspots gesorteerd op schaal in Groot, Middel en Mini. Het formaatverschil is enorm, en de kleinste hotspots zijn het gemakkelijkst te missen.

Figuur 12: Een zwak doel gevangen door de infraroodcamera. Hoe kleiner en zwakker het doel, hoe gemakkelijker het wordt weggesmooth in verwerking.

Producttoepassing

De Scorekaart: 92,1% Nauwkeurigheid, 62 Frames per Seconde

Het effect van de drie zetten komt neer op data. De onderzoekers bouwden hun eigen PV-module infrarooddefectdataset, labelden hotspots op basis van de pixelgrootte die ze innemen in de afbeelding in drie klassen: boven 64x64 pixels is Groot, tussen 32x32 en 64x64 is Middel, onder 32x32 is Mini. Of detectie goed is, moet klasse voor klasse, schaal voor schaal worden gelezen.

Nauwkeurigheid steunt op twee metrieken. De ene is recall, R, die antwoordt op "van de defecten die gevonden moeten worden, hoeveel zijn er teruggevonden." De andere is gemiddelde gemiddelde precisie, PmA, een samenvatting van detectieprecisie over klassen, de totale score waar een detector het meest om geeft. Voeg detectiesnelheid toe, gemeten in frames per seconde, en die drie getallen samen vertellen het volledige verhaal van een algoritme.

Begin met de module-voor-module ablatie. Met standaard YOLOv10 als basislijn is de gemiddelde gemiddelde precisie 89,8%. Voeg alleen SIEM toe, tot 90,4%; alleen SAPPM, 90,5%; alleen MCI, 90,7%. Elke stap helpt. Stapel alle drie, de volledige SESPNet, en de gemiddelde gemiddelde precisie springt naar 92,1%. De uitblinker is kleine doelen: de Mini-precisie van de basislijn is slechts 86,7%, en met alle drie stijgt het naar 90,3%, een volle 3,6 punten, wat bewijst dat MCI werkt bij het terugvinden van kleine doelen.

Figuur 13: De module-voor-module ablatie. Met de drie modules gestapeld stijgt de moeilijkste kleine-doelprecisie van 86,7% naar 90,3%.

Figuur 14: Een eindeloze grote grondgemonteerde installatie. De duizenden en duizenden modules zijn precies wat dit algoritme een voor een moet controleren.

Hoofd tegen Hoofd: Negen Algoritmen op één Podium

Vergelijken met zichzelf is niet genoeg. De studie plaatst SESPNet op hetzelfde podium als acht andere gangbare algoritmen, traint ze op dezelfde dataset en meet nauwkeurigheid en snelheid naast elkaar.

Het resultaat spreekt voor zich. Klassieke tweetrapsalgoritmen zoals Faster R-CNN en Cascade R-CNN hebben beperkte kenmerkextractie en zijn traag, met een gemiddelde gemiddelde precisie van 86% tot 88%, niet geschikt voor scenario's die hoge real-time prestaties vereisen. SSD is het snelst, maar de nauwkeurigheid is slechts 74,3%, duidelijk laag. De YOLO-serie is over het algemeen evenwichtiger: van YOLOv7's 88,1%, via YOLOX, YOLOv8, YOLOv10 en YOLOv11, stijgt de nauwkeurigheid naar het bereik van 89% tot 90% met snelheden rond de vijftig tot zestig frames per seconde.

SESPNet duwt die curve verder naar de rechterbovenhoek: 92,1% gemiddelde gemiddelde precisie, ongeveer 2 punten boven de nummer twee, en 62,4 frames per seconde, precies in de pas met de YOLO-snelheidsduivels. Het offert geen snelheid op om nauwkeurigheid te verhogen; het houdt de rechterbovenpositie van snel en nauwkeurig vast die anderen niet kunnen bereiken. Dat is de grootste waarde. In een scène met enorme moduleaantallen waar je beoordeelt terwijl je patrouilleert, is elke seconde traagheid kosten.

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

Die twee regels zijn de basisdefinities van de nauwkeurigheidsmetrieken. R (recall) meet het aandeel van de werkelijke defecten dat wordt teruggevonden, P (precision) meet hoeveel van de gemelde defecten echt zijn, en PmA is de totale score berekend over klassen en over precisieniveaus. De logica is niet complex: zo min mogelijk missen (hoge recall) en zo min mogelijk vals alarm geven (hoge precisie), beide uiteinden in toom houden, en je hebt een betrouwbare detector.

Figuur 15: De nauwkeurigheid-snelheidsvergelijking van negen algoritmen. SESPNet bezet de rechterbovenhoek met 92,1% nauwkeurigheid en 62,4 FPS.

Figuur 16: Een real-world test op een embedded platform. De meest nauwkeurige SESPNet blijft stabiel op 12,6 FPS.

Samengeperst in een handpalmformaat doos en nog steeds realtime

Goed werken in het lab betekent niet dat het bruikbaar is in het veld. PV-installaties bevinden zich meestal in de vrije natuur, waar inspectieapparatuur beperkt is in rekenkracht en stroom. Of het algoritme in een energiezuinig klein doosje past en realtime werkt, is de laatste hindernis voor echte implementatie.

De onderzoekers hebben het overgezet naar een embedded platform genaamd Jetson Nano om dit te verifiëren. De processor is een quad-core ARM-chip gekoppeld aan een instap-GPU met 128 cores, ver onder het labwerkstation met zijn speciale kaart, zowel qua rekenkracht als stroom. SESPNet werd ingezet op dezelfde ingangsschaal en racete vervolgens tegen de andere algoritmen op dit kleine bord.

Het resultaat bewijst opnieuw zijn balans. Klassieke tweetrapsalgoritmen tonen hun ware aard in de embedded omgeving: Faster R-CNN zakt naar 1,9 frames per seconde, nauwelijks realtime; Cascade R-CNN slechts 3,7. De YOLO-serie valt over het algemeen terug naar ongeveer elf of twaalf frames, terwijl SESPNet 12,6 frames per seconde vasthoudt met de hoogste 92,1% nauwkeurigheid, gelijk aan de lichtgewicht YOLO's, zelfs iets voor. Rekenkracht drastisch verminderd, blijft het nauwkeurig en stabiel, wat laat zien hoe goed het ontwerp past bij resource-beperkte scenario's.

Dit betekent dat een drone of een draagbare inspecteur uitgerust met dit algoritme geen afbeeldingen naar de cloud hoeft te sturen om langzaam te verwerken. Ter plaatse, in realtime, kan het vertellen welk paneel een hotspot heeft. Zowel inspectie-efficiëntie als reactiesnelheid gaan een stap omhoog.

De waarde van ter plekke beoordelen is meer dan het besparen van één retourvlucht. Rekenkracht aan de rand plaatsen betekent dat inspectie nog steeds kan draaien op afgelegen installaties met slecht signaal; spot een vermoedelijke hotspot en je kunt deze ter plekke markeren en opnieuw vliegen om direct te bevestigen, zonder te wachten op gegevensretour en handmatige controle voor een tweede sortie. Voor grote installaties gemeten in honderden megawatts met modules in de miljoenen, bepaalt deze real-time mogelijkheid ter plaatse direct of een volledige inspectie uren of dagen duurt.

Afsluiting: Geen Schuilplaats Meer voor Elke Oververhitte Paneel

Terugkijkend, de slimheid van SESPNet zit niet in het stapelen van een of andere uitgebreide structuur, maar in het behandelen van de juiste symptomen. Infraroodcontrast is laag, dus semantische verbetering onderdrukt de achtergrond. Defectschaal is een puinhoop, dus piramide-pooling dekt alle formaten. Kleine doelen gaan gemakkelijk verloren, dus kanaalaandacht vist ze terug. Drie zetten, elk voor zijn taak, en het stokje doorgeven.

Wat zeldzamer is, is dat het het model niet heeft opgeblazen voor nauwkeurigheid. Veel algoritmen jagen blindelings op hoge nauwkeurigheid, worden opgeblazen, vertragen de snelheid en passen niet eens op een embedded apparaat. SESPNet behoudt zijn snelheid terwijl het de nauwkeurigheid overtreft, en het overleefde de test van drastisch verminderde rekenkracht. Die balans van nauwkeurig, snel en licht is precies de kwaliteit die het veld het meest waardeert. Of een technologie goed is, komt erop neer of het echt werk kan doen in een echte installatie.

92,1% gemiddelde precisie, 62,4 frames per seconde, en klein genoeg om real-time te draaien in een doosje op zakformaat. Die drie cijfers samen schetsen een tool die echt naar de installatie kan gaan en aan het werk kan gaan. Het verandert een dof grijs infraroodbeeld, ooit moeilijk zelfs voor het menselijk oog, in een gezondheidsrapport waar defecten zich nergens kunnen verbergen.

Wanneer een drone met zo'n algoritme over veld na veld met blauwe arrays scheert, wordt elke stille oververhitte paneel in het eerste moment vastgepind en afgehandeld. Verborgen hotspots worden zichtbaar en ogenschijnlijk kleine risico's worden uitgedoofd. Wat overeind blijft, is precies een installatie die zonlicht omzet in stroom, lang, veilig en op volle belasting.

Ooitech's Visie

Wat ons hier het meest opvalt, is hoe detectie en productie twee kanten van dezelfde betrouwbaarheidsmunt zijn. Een hotspot die in het veld wordt gesignaleerd, is vaak terug te voeren op een microscheur of een koude soldeerverbinding die op de lijn is ontstaan, daarom zijn stringerlassen, lay-up uitlijning en laminatiecontrole zo belangrijk op een moduleproductielijn. Als je die stappen goed krijgt, voer je in de eerste plaats minder hotspots in het veld. Als je wilt zien hoe een echte modulelijn wordt gebouwd en afgesteld, zijn onze fabrieksrondleidingen op het Ooitech YouTube-kanaal (www.youtube.com/ooitech) het bekijken en abonneren waard.