Introduzione al Prodotto

Un parco solare può contenere da decine di migliaia a diversi milioni di moduli. Giorno dopo giorno sono esposti a calore, vento, sabbia, pioggia e neve, quindi non sorprende che accumulino ogni tipo di problema. Il più comune, e anche il più pericoloso, è il punto caldo.

Un punto caldo è solo una piccola zona su un modulo che diventa anormalmente calda. Nel migliore dei casi riduce la produzione di energia. Nel peggiore brucia il retro e provoca un incendio, mettendo a rischio l'intero impianto. Il problema è che i moduli sono affiancati. Inviare squadre per controllarli uno per uno con uno strumento portatile è lento e lascia sfuggire qualcosa. Così l'abbinamento della termografia infrarossa con il deep learning è stato messo in primo piano.

Punta una telecamera a infrarossi su un modulo, cattura la distribuzione della temperatura come mappa termica, poi lascia che una rete neurale addestrata legga quella mappa per te e segni dove è caldo e quanto è caldo. Sembra semplice. Ma farlo funzionare realmente sul campo è un'altra storia. Le immagini infrarosse presentano tre difetti intrinseci che mettono in difficoltà gli algoritmi ordinari: bassa risoluzione, dimensioni dei difetti molto variabili e sfondi disordinati.

Un nuovo metodo chiamato SESPNet (Semantic Enhancement and Scale Perception Network) affronta direttamente questi tre difetti. I suoi numeri sono solidi: 92,1% di precisione media, 62,4 fotogrammi al secondo, ed è abbastanza piccolo da funzionare in tempo reale su un dispositivo embedded delle dimensioni di un palmo. Questo articolo spiega come estrae ogni punto caldo da un'immagine infrarossa grigia e opaca.

Prima di tutto, perché i punti caldi sono importanti. Un modulo fotovoltaico è composto da molte celle collegate in serie. Se una cella perde potenza a causa di ombreggiature, microfratture o sporco, smette di contribuire alla corrente e inizia a comportarsi come un resistore, trasformando la corrente delle altre celle in calore e bruciandola al suo interno. Quella singola cella diventa la fonte di calore per l'intera stringa, raggiungendo temperature di decine di gradi superiori rispetto alle vicine. I casi lievi riducono la potenza della stringa. Quelli gravi cuociono l'incapsulante nel tempo, bruciano il backsheet e possono persino incendiarsi. Trovare i punti caldi precocemente e gestirli rapidamente è un compito che le operazioni fotovoltaiche non possono evitare.

Figura 1: Moduli di collettori solari montati su un tetto, esposti all'aperto per anni, dove si formano picchi di temperatura localizzati che creano punti caldi.

Figura 2: Il flusso di lavoro in cinque fasi del rilevamento termico a infrarossi per i difetti dei moduli fotovoltaici, dalla cattura della temperatura all'individuazione del pannello difettoso.

Parametri Tecnici

Perché l'infrarosso è indispensabile per il rilevamento dei punti caldi

Per comprendere questo algoritmo, partiamo dalle basi: perché una fotocamera a luce visibile non è adatta per i guasti nascosti dei moduli fotovoltaici, e perché l'infrarosso è l'unica soluzione.

L'imaging a luce visibile è solo fotografia ordinaria. Alta risoluzione, ricchi dettagli, utile per individuare crepe, graffi e sporco sulla superficie, il tipo di cose che si possono vedere. Ma ha un limite fatale. Legge solo l'aspetto, non la temperatura. Una microfrattura o una giunzione saldata a freddo all'interno di un modulo spesso non ne altera l'aspetto nelle fasi iniziali, eppure blocca la corrente in quel punto e lo riscalda. Le fotocamere a luce visibile sono impotenti contro questi difetti termici, e di notte o in condizioni di scarsa illuminazione sono inutili.

L'infrarosso segue una strada diversa. Qualsiasi oggetto al di sopra dello zero assoluto emette radiazioni infrarosse, e più è caldo, più forte è la radiazione. Una fotocamera a infrarossi cattura quella radiazione e trasforma la distribuzione invisibile della temperatura direttamente in una mappa termica a colori o in scala di grigi. Non necessita di luce esterna, quindi funziona giorno e notte. Dove un modulo è caldo e di quanto appare chiaramente. Per i difetti guidati dal calore come punti caldi e linee di griglia rotte, l'infrarosso è la soluzione naturale.

Ecco perché l'infrarosso è diventato un modo chiave per aumentare sia l'accuratezza che la velocità del rilevamento dei difetti negli impianti fotovoltaici. Un drone con una fotocamera a infrarossi può scansionare un intero campo in pochi minuti, decine di volte più velocemente di una squadra manuale. Ma questa capacità di vedere il calore ha un prezzo: la qualità dell'immagine è molto inferiore rispetto alla luce visibile.

Il vecchio metodo manuale prevede che gli operai trasportino strumenti e misurino pannello per pannello. È lento e si basa molto sull'esperienza. Con i moduli fitti e contati a migliaia, leggerli uno alla volta è estenuante, soggetto a errori e quasi impossibile di notte. La combinazione drone più infrarossi massimizza la fase di acquisizione, ma se leggi ancora quelle migliaia di immagini a mano, il collo di bottiglia si sposta semplicemente dalla misurazione all'osservazione. Per chiudere il ciclo è necessario un algoritmo per leggere le immagini. Questo è il segnale per il deep learning.

Figura 3: Una tipica mappa termica a infrarossi. Più calda è l'area, più caldo è il suo colore, e la regione surriscaldata risalta a colpo d'occhio. Questa è la materia prima per il rilevamento dei punti caldi.

Figura 4: La divisione del lavoro tra imaging a luce visibile e infrarossi. Per i guasti termici, l'infrarosso è la cura naturale.

Tre Ossi Durì nel Rilevamento dei Difetti a Infrarossi

L'infrarosso può vedere il calore, ma presenta tre problemi difficili agli algoritmi di rilevamento. Questi tre sono esattamente il motivo per cui molti algoritmi standard falliscono nel lavoro fotovoltaico a infrarossi.

Uno: basso contrasto. I fotogrammi a infrarossi sono generalmente spenti e grigi. La differenza di grigio tra difetto e sfondo è già piccola, e il rumore di imaging sopra di essa fa sì che i difetti vengano inghiottiti dallo sfondo. L'algoritmo non riesce a catturare le caratteristiche chiave, quindi la precisione ne risente.

Due: scala del difetto estremamente variabile. All'interno di un singolo fotogramma a infrarossi, le dimensioni dei punti caldi possono differire di decine di volte. Alcuni sono un'intera stringa bypassata che brilla su una vasta area; altri sono solo una cella che si riscalda leggermente in un angolo. Un campo recettivo fisso, l'intervallo che la rete può vedere chiaramente in un passaggio, tende a perderne uno per l'altro di fronte a una tale diffusione: prendi il bersaglio grande e perdi quello piccolo, o viceversa.

Tre: le informazioni sui piccoli bersagli vengono perse. Questo è il più insidioso. Le reti neurali sottocampionano strato dopo strato, riducendo l'immagine per estrarre significato di alto livello. Ma i piccoli punti caldi che inizialmente erano solo decine di pixel vengono attenuati mentre si restringono, fino a non lasciare quasi nulla quando viene presa una decisione, e il riconoscimento subisce un duro colpo.

Metti tutto insieme ed è chiaro: il rilevamento dei difetti a infrarossi nel fotovoltaico è difficile perché devi combattere contemporaneamente 'non si vede chiaramente, dimensioni ovunque, facilmente persi'. I tre aggiornamenti principali di SESPNet mirano ciascuno a uno di questi ossi: uno potenzia la semantica per sopprimere lo sfondo, uno costruisce una piramide per gestire le dimensioni, uno protegge i canali per recuperare i piccoli bersagli.

Perché non prendere semplicemente un rilevatore già pronto? Il rilevamento degli oggetti si è evoluto rapidamente e si divide in due percorsi. Uno è a due stadi: prima si individuano approssimativamente le regioni candidate, poi si valuta ciascuna attentamente, alta precisione ma lento. L'altro è a uno stadio: una sola occhiata fornisce sia la posizione che la classe, veloce e adatto al tempo reale. La serie YOLO è il fiore all'occhiello a uno stadio. Ma questi algoritmi generali sono addestrati su immagini visive ordinarie e, applicati a fotogrammi infrarossi fotovoltaici a basso contrasto e scale molto variabili, faticano. Gli aggiornamenti di SESPNet colmano queste tre lacune, su misura per i difetti infrarossi.

Figura 5: I tre punti critici del rilevamento dei difetti a infrarossi: basso contrasto, scale multiple e piccoli bersagli.

Figura 6: Un drone multirotore con una telecamera, che sorvola il campo per acquisire immagini infrarosse in blocco, coprendo in minuti ciò che un team impiegherebbe mezza giornata a coprire.

Vantaggi Tecnici

Mossa Uno: Potenziamento Semantico, Far Emergere i Difetti dallo Sfondo

SESPNet si basa su YOLOv10 come modello base. YOLOv10 è uno dei rilevatori in tempo reale più popolari oggi, rilasciato da un team di Tsinghua nel maggio 2024, progettato per essere veloce, accurato e facile da implementare. SESPNet esegue tre operazioni su di esso, e la prima incorpora un Modulo di Potenziamento delle Informazioni Semantiche (SIEM) nella backbone.

Ciò che risolve è il problema del basso contrasto. Lo scarso contrasto nelle immagini di difetti a infrarossi permette al rumore di fondo di interferire con le caratteristiche estratte dal modello, riducendo la precisione. SIEM lavora in due modi contemporaneamente. Un ramo di attenzione globale cattura il significato complessivo dell'intera immagine, determinando cosa è sfondo e cosa potrebbe nascondere un difetto, riducendo così l'interferenza del rumore. Un ramo di attenzione locale si concentra sui dettagli e sulla texture del difetto stesso, affinando la sua espressione caratteristica.

Ogni ramo osserva la propria area, poi globale e locale vengono pesati e fusi insieme. Immagina di strizzare gli occhi per distinguere il contorno dell'intero tetto ed escludere il rumore, poi avvicinarti per fissare la singola macchia sospetta. Vicino e lontano combinati, e il difetto viene sollevato dallo sfondo opaco. Le caratteristiche fuse mantengono i dettagli del difetto mentre sopprimono l'interferenza dello sfondo, quindi l'espressione delle caratteristiche è chiaramente più forte.

Il risultato si vede chiaramente nello studio di ablazione successivo: aggiungere solo SIEM aumenta la precisione media in tutte e tre le classi di bersagli, con reali miglioramenti nella resistenza a sfondi complessi.

Il backbone è la parte del modello che per prima tocca l'immagine ed estrae le caratteristiche di base. Mettere SIEM qui significa pulire alla fonte: prima che qualsiasi cosa venga passata, le caratteristiche del difetto sono già rafforzate e il rumore di fondo già soppresso. Con una fonte pulita, la successiva gestione delle scale e la localizzazione del target non verranno fuorviate dal disordine. Ecco perché si trova nel backbone e da nessun'altra parte. Tratta l'inquinamento presto.

Figura 7: La struttura a doppio ramo del modulo di potenziamento semantico SIEM. Il ramo globale legge il quadro generale per sopprimere lo sfondo, il ramo locale osserva i dettagli per rafforzare il difetto, poi i due vengono pesati e fusi.

Figura 8: Un impianto fotovoltaico su tetto. Il campo denso di moduli è esattamente la scena disordinata che alimenta interferenze a un algoritmo di rilevamento.

Mossa Due: Pooling a Piramide, Punti Caldi Grandi e Piccoli Entrambi a Fuoco

La seconda modifica sostituisce il modulo di pooling a piramide spaziale originale di YOLOv10 con un Modulo di Pooling a Piramide con Attenzione Spaziale, SAPPM. Mira al problema delle scale variabili.

"Pooling a piramide" può essere letto come la scansione della stessa mappa delle caratteristiche con diverse finestre di dimensioni diverse contemporaneamente. Le finestre piccole vedono i dettagli fini, buone per piccoli punti caldi; le finestre grandi vedono ampiamente, buone per grandi punti caldi. Lo studio esegue diverse finestre di pooling da piccole a grandi in parallelo, così che se un difetto occupa più righe o è solo una macchia delle dimensioni di un palmo, la finestra giusta lo cattura.

Inoltre, SAPPM aggiunge un livello di attenzione spaziale. Assegna pesi diversi alle caratteristiche provenienti da diverse finestre, in modo che le informazioni di scala veramente chiave siano mantenute in primo piano mentre quelle irrilevanti vengono ridotte, poi cuce queste caratteristiche multi-scala in una mappa delle caratteristiche più completa. In breve, la prima parte gestisce "vedere ogni dimensione", la seconda gestisce "evidenziare ciò che dovrebbe essere visto". Insieme aumentano nettamente la sensibilità del modello verso target multi-scala.

Ciò allevia direttamente il vecchio problema del perdere l'uno per l'altro. Una rete a campo recettivo fisso perde il target piccolo mentre si occupa di quello grande; con SAPPM in atto, i punti caldi grandi e piccoli possono essere visti chiaramente nella stessa passata, indipendentemente dall'ampiezza del divario di scala.

Figura 9: Uno schizzo del pooling a piramide multi-scala SAPPM, che scansiona in parallelo con finestre di diverse dimensioni e poi cuce con pesatura dell'attenzione spaziale.

Figura 10: Una ripresa aerea di un impianto. I droni catturano a diverse altezze, facendo apparire lo stesso difetto a scale ancora più variabili nell'immagine.

Mossa Tre: Attenzione del Canale, Recuperare i Piccoli Target Quasi Persi

La terza modifica risiede nella rete del collo, costruendo un meccanismo di attenzione multi-scala tra canali, MCI. Risolve il problema più spinoso, la perdita di informazioni sui piccoli target.

Prima, una parola sui canali. Quando una rete elabora un'immagine, suddivide le caratteristiche in molti canali paralleli, ciascuno descrivendo l'immagine da una diversa angolazione. Le caratteristiche dei piccoli target sono già deboli, sparse tra questi canali, e se ogni canale si occupa solo di sé stesso senza scambi, quel prezioso frammento di informazione annega facilmente nel passaggio strato per strato.

L'approccio di MCI è costruire interazione tra i canali, permettendo loro di comunicare tra loro. Ovunque un canale conservi ancora una traccia del piccolo target, la cooperazione tra canali lo amplifica e lo preserva. Ciò rafforza ulteriormente l'estrazione delle informazioni sulle caratteristiche su piccola scala, e quei piccoli punti caldi che stavano per scomparire nel downsampling vengono recuperati.

Anche la posizione di queste tre mosse nella rete è studiata. SIEM pulisce le caratteristiche alla fonte del backbone, SAPPM riassume le informazioni multi-scala alla coda del backbone, e MCI esegue la rifinitura finale al collo che collega il backbone alla testa di rilevamento. Davanti, al centro, dietro, insieme coprono l'intera catena di estrazione, riepilogo e output delle caratteristiche, e ogni passo riceve un rimedio mirato per un punto dolente dei difetti a infrarossi.

Le tre mosse hanno ruoli chiari: SIEM gestisce il contrasto, SAPPM gestisce la scala, MCI gestisce i piccoli target. Non combattono da sole ma si passano il testimone: prima sollevano il difetto dallo sfondo, poi coprono tutte le dimensioni, infine catturano il piccolo target più propenso a scappare. Con questa combinazione, le tre ossa più dure del rilevamento dei difetti a infrarossi vengono spezzate una dopo l'altra.

Figura 11: Punti caldi a infrarossi ordinati per scala in Large, Middle e Mini. Il divario dimensionale è enorme, e i punti caldi più piccoli sono i più facili da perdere.

Figura 12: Un target debole catturato dalla telecamera a infrarossi. Più piccolo e debole è il target, più facile è che venga attenuato durante l'elaborazione.

Applicazione del Prodotto

Il Tabellino: 92,1% di Precisione, 62 Fotogrammi al Secondo

L'effetto delle tre mosse si riduce ai dati. I ricercatori hanno costruito il proprio dataset di difetti a infrarossi di moduli fotovoltaici, etichettando i punti caldi in base alla dimensione in pixel che occupano nell'immagine in tre classi: oltre 64x64 pixel è Large, tra 32x32 e 64x64 è Middle, sotto 32x32 è Mini. La bontà del rilevamento va letta classe per classe, scala per scala.

La precisione si basa su due metriche. Una è il richiamo, R, che risponde a "dei difetti che dovrebbero essere trovati, quanti sono stati recuperati." L'altra è la media della precisione media, PmA, una sintesi della precisione di rilevamento tra le classi, il punteggio totale a cui un rilevatore tiene di più. Aggiungi la velocità di rilevamento, misurata in fotogrammi elaborati al secondo, e questi tre numeri insieme raccontano l'intera storia di un algoritmo.

Inizia con l'ablazione modulo per modulo. Con YOLOv10 standard come baseline, la sua media della precisione media è dell'89,8%. Aggiungi solo SIEM, sale al 90,4%; solo SAPPM, 90,5%; solo MCI, 90,7%. Ogni mossa aiuta. Impila tutti e tre, il SESPNet completo, e la media della precisione media sale al 92,1%. Il punto di forza sono i piccoli bersagli: la precisione Mini della baseline è solo del 86,7%, e con tutti e tre sale al 90,3%, un pieno 3,6 punti, che dimostra il lavoro di MCI nel recuperare piccoli bersagli.

Figura 13: L'ablazione modulo per modulo. Con i tre moduli impilati, la precisione per i piccoli bersagli più difficile sale dal 86,7% al 90,3%.

Figura 14: Un enorme impianto a terra infinito. Le sue migliaia e migliaia di moduli sono esattamente ciò che questo algoritmo deve controllare uno per uno.

Testa a Testa: Nove Algoritmi su un Palco

Confrontarsi con sé stessi non basta. Lo studio mette SESPNet sullo stesso palco di altri otto algoritmi mainstream, li addestra sullo stesso dataset e misura precisione e velocità fianco a fianco.

Il risultato parla da sé. Algoritmi classici a due stadi come Faster R-CNN e Cascade R-CNN hanno un'estrazione delle caratteristiche limitata e sono lenti, attestandosi su una media della precisione media tra l'86% e l'88%, non adatti a scene che richiedono elevate prestazioni in tempo reale. SSD è il più veloce ma la sua precisione è solo del 74,3%, chiaramente bassa. La serie YOLO è più equilibrata nel complesso: da YOLOv7 con 88,1%, attraverso YOLOX, YOLOv8, YOLOv10 e YOLOv11, la precisione sale al range 89%-90% con velocità tutte intorno ai cinquanta-sessanta fotogrammi al secondo.

SESPNet spinge ulteriormente quella curva verso l'angolo in alto a destra: 92,1% di media della precisione media, circa 2 punti sopra il secondo classificato, e 62,4 fotogrammi al secondo, in linea con i velocisti YOLO. Non sacrifica la velocità per aumentare la precisione; mantiene la posizione in alto a destra di veloce e preciso che altri non possono raggiungere. Questo è il suo più grande valore. In una scena con un numero enorme di moduli dove giudichi mentre pattugli, ogni piccolo rallentamento è un costo.

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

Queste due righe sono le definizioni di base delle metriche di accuratezza. R (recall) misura la quota di difetti reali recuperati, P (precision) misura quanti dei difetti segnalati sono reali, e PmA è il punteggio totale calcolato tra le classi e tra i livelli di precisione. La logica non è complessa: mancare il meno possibile (alta recall) e generare il minor numero possibile di falsi allarmi (alta precision), tenere sotto controllo entrambi gli estremi, e si ottiene un rilevatore affidabile.

Figura 15: Il confronto accuratezza-velocità di nove algoritmi. SESPNet occupa l'angolo in alto a destra con il 92,1% di accuratezza e 62,4 FPS.

Figura 16: Un test nel mondo reale su una piattaforma embedded. Il più accurato SESPNet mantiene comunque una stabilità a 12,6 FPS.

Compresso in una scatola grande come un palmo e ancora in tempo reale

Funzionare bene in laboratorio non significa che sia utilizzabile sul campo. Gli impianti fotovoltaici sono per lo più all'aperto, dove le apparecchiature di ispezione hanno potenza di calcolo e alimentazione limitate. Che l'algoritmo possa essere inserito in una piccola scatola a basso consumo e funzionare in tempo reale è l'ultimo ostacolo per una vera implementazione.

I ricercatori lo hanno portato su una piattaforma embedded chiamata Jetson Nano per verificarlo. Il suo processore è un chip ARM quad-core abbinato a una GPU entry-level a 128 core, ben al di sotto della workstation da laboratorio con la sua scheda dedicata sia in termini di potenza di calcolo che di consumo. SESPNet è stato implementato alla stessa scala di input, quindi messo in competizione con gli altri algoritmi su questa piccola scheda.

Il risultato dimostra ancora una volta il suo equilibrio. Gli algoritmi classici a due stadi mostrano le loro vere capacità in ambiente embedded: Faster R-CNN scende a 1,9 fotogrammi al secondo, a malapena in tempo reale; Cascade R-CNN solo 3,7. La serie YOLO generalmente scende a circa undici o dodici fotogrammi, mentre SESPNet mantiene 12,6 fotogrammi al secondo mantenendo la massima accuratezza del 92,1%, proprio accanto agli YOLO leggeri, addirittura un po' più avanti. Con il calcolo drasticamente ridotto, rimane accurato e stabile, mostrando quanto bene il design si adatti a scenari con risorse limitate.

Ciò significa che un drone o un ispettore portatile dotato di questo algoritmo non dovrà inviare immagini al cloud per elaborarle lentamente. Sul posto, in tempo reale, può dire quale pannello ha un punto caldo. Sia l'efficienza dell'ispezione che la velocità di risposta fanno un ulteriore passo avanti.

Il valore di giudicare al volo è più che risparmiare un viaggio di andata e ritorno. Mettere il calcolo al limite significa che l'ispezione può ancora funzionare in impianti remoti con segnale scarso; individuare un sospetto punto caldo e puoi segnarlo sul posto e tornare a volare per confermare subito, senza aspettare che i dati tornino e una revisione manuale prima di una seconda uscita. Per grandi impianti misurati in centinaia di megawatt con moduli contati a milioni, questa capacità in tempo reale in loco decide direttamente se un'ispezione completa richiede ore o giorni.

Conclusione: Nessun Posto dove Nascondersi per Ogni Pannello Surriscaldato

Guardando indietro, l'ingegnosità di SESPNet non sta nell'impilare una struttura elaborata ma nel trattare i sintomi giusti. Il contrasto infrarosso è basso, quindi il potenziamento semantico sopprime lo sfondo. La scala dei difetti è un pasticcio, quindi il pyramid pooling copre tutte le dimensioni. I piccoli target sono facilmente persi, quindi l'attenzione del canale li ripesca. Tre mosse, ciascuna al suo compito, e passaggio del testimone.

Ciò che è più raro è che non ha ingrassato il modello per amore della precisione. Molti algoritmi inseguono ciecamente l'accuratezza, finiscono per essere gonfi, rallentano la velocità e non riescono nemmeno a stare su un dispositivo embedded. SESPNet mantiene la sua velocità mentre raggiunge la massima precisione, e ha superato il test di un calcolo drasticamente ridotto. Questo equilibrio di accuratezza, velocità e leggerezza è esattamente la qualità che il campo apprezza di più. Se una tecnologia è buona o no dipende dal fatto che possa fare un lavoro reale in un impianto reale.

92,1% di precisione media, 62,4 fotogrammi al secondo e abbastanza piccolo da funzionare in tempo reale in una scatola delle dimensioni di un palmo. Questi tre numeri insieme delineano uno strumento che può davvero scendere in campo e mettersi al lavoro. Trasforma un'immagine infrarossa grigia e opaca, una volta difficile persino per l'occhio umano, in un rapporto sanitario in cui i difetti non hanno dove nascondersi.

Quando un drone che trasporta un algoritmo come questo sorvola campo dopo campo di array blu, ogni pannello che si surriscalda silenziosamente viene individuato e gestito nel primo momento. I punti caldi nascosti diventano visibili e i rischi apparentemente minuscoli vengono spenti. Ciò che rimane è esattamente un impianto che trasforma la luce solare in energia, a lungo, in sicurezza e a pieno carico.

Il punto di vista di Ooitech

Ciò che ci colpisce di più qui è come il rilevamento e la produzione siano due facce della stessa medaglia dell'affidabilità. Un punto caldo segnalato sul campo spesso risale a una microfrattura o a una saldatura fredda nata sulla linea, motivo per cui la saldatura dei fili, l'allineamento del layup e il controllo della laminazione contano così tanto su una linea di produzione di moduli. Se si eseguono correttamente questi passaggi, si immettono meno punti caldi sul campo in primo luogo. Se vuoi vedere come viene costruita e messa a punto una vera linea di moduli, i nostri tour della fabbrica sul canale YouTube di Ooitech (www.youtube.com/ooitech) meritano un'occhiata e un abbonamento.