SI

太陽能板檢視載具 · L2 Algorithm Demo

Panorama stitching · Iron-Red thermal overlay · Similarity classifier

DISCLAIMER · Synthetic / public-dataset assets for visualization only · not from on-site capture

全景影像 / Panorama Viewer

DEMO SESSION
← 這是示範資料 · 真實案場請到 ⑥ Sites tab 點 session 卡
RGB panorama Thermal overlay
拖曳平移 · 滾輪縮放

資料集 / Dataset Catalog

↓ JSON

AI 模型使用的公開資料集統計 (ELPV + PVEL-AD) · 非案場資料 · 案場歷史請看 ⑥ Sites tab

類別分布（merged 全集合）

嚴重度分布

相機校正 / Calibration

↓ JSON

最近一次校正的快照 (chessboard intrinsic + thermal homography) · 非持續監測 · 撞擊或每年重跑一次

熱像對齊視覺驗證

rgb
RGB 原圖（fl 相機）
thermal
熱像原圖（TCM300）
overlay
套用 H 後疊加

效能 / Performance Baseline

目標 ≤ 30 s

Pipeline 各 stage 執行時間分析 (bench 用 mock scene) · 非案場資料統計 · 案場數字看 ⑥ Sites tab

Jetson TRT 部署狀態

… 最近一次 scripts/jetson_dryrun.sh
↓ JSON

AI Baseline (P5)

↓ JSON

即時檢測 / Live Inspect

checking…
拖照片到這 / drag & drop · 或按下方鈕
支援多張 · jpg / png · 送 POST /inspect/batch
怎麼用
  1. 啟動本機 API：
    solar-inspect serve-onnx --onnx outputs/edge/resnet18-01.onnx --host 127.0.0.1 --port 8001
  2. API base 預設 http://127.0.0.1:8001。如果線上版有 reverse proxy，改成 /api。
  3. 拖照片 → 後端 ORT CPU 推論 → 回 JSON。
說明

後端是 ONNX runtime，不需 PyTorch；同一個 .onnx 之後上 Jetson 換 TensorRT 即可。

合成 baseline · 預測僅供 demo 用，不代表真實準確率。

訓練曲線 (loss + accuracy per epoch)

每類別 F1

範例預測

案場 / Sites & History

SEEDED DEMO DATA
↓ JSON

+ 新增案場

P6 M2 · 三場景驗收

SYNTHETIC
↓ JSON

系統自我 regression 測試 · 給維運人員看 · GitHub Actions 每日 08:00 自動跑 · 品質 gate 失敗會自動開 issue

每次重大改動（拼接 / 模型 / pipeline）後跑 scripts/run_scenarios.py 產生這份結果。所有 bundle 為合成資料；換成真實案場 bundle 後同一個 harness 重跑即可。