一种利用可见光成像技术进行光伏面板缺陷检测的新型深度学习模型

《Engineering Applications of Artificial Intelligence》：A novel deep learning model for defect detection in photovoltaic panels using visible light imaging

基于YOLOv8的太阳能电池板可见光缺陷检测算法研究提出混合注意力Transformer-C2f特征融合模块和高效层聚合网络，结合选择性内核注意力机制，显著提升多尺度缺陷检测精度，在Kaggle数据集上达到88.98% mAP，优于现有方法

　　本文探讨了基于可见光成像技术的光伏板缺陷检测算法的创新设计与实现，旨在提升检测的准确性和效率，同时降低对高数据量的依赖。随着全球能源需求的不断增长，非可再生能源如天然气、石油和煤炭仍是经济发展的关键资源，而可再生能源的开发，特别是太阳能光伏发电，已成为未来能源体系的重要组成部分。根据国际能源署的预测，到2050年，太阳能将成为全球主要的电力来源。在这一背景下，光伏板作为太阳能发电系统的核心部件，其性能直接影响发电效率。研究表明，41%的光伏板故障是由面板本身的损坏引起的，因此，对光伏板进行定期检测和维护至关重要。

在工业检测领域，存在多种检测方法。例如，Zhang等人提出了一种结合小波变换、主成分分析（PCA）、信息熵和符号有向图（SDG）的多尺度检测方法，用于工业过程的监控和故障诊断，确保系统安全运行。Husnain等人则引入了一种基于分布式典型相关分析（CCA）与低频单变量控制图的新型方法，用于工业和制造系统的异常检测。Li等人则提出了一个基于预测CutPaste数据增强的自监督学习框架，适用于需要精确监控和快速响应的工业场景。这些方法虽然在特定领域取得了一定成效，但仍然存在一些局限性，尤其是在面对复杂和多样化的缺陷类型时，难以实现全面且精准的检测。

在光伏板检测方面，研究者将缺陷分为制造缺陷和环境缺陷两大类。制造缺陷通常源于生产过程中技术的不成熟，而环境缺陷则由安装后的外部条件引起。例如，模块玻璃表面的土壤沉积会导致光伏板效率下降，而外部因素如撞击或振动也可能导致面板破损。因此，本文的研究重点聚焦于由外部因素引起的环境缺陷。当前，光伏板检测技术主要分为两类：基于成像的检测技术和基于电气测试的检测技术。其中，基于成像的检测技术因其在实际应用中的灵活性和易操作性，成为研究的重点。该类技术包括红外热成像、电致发光成像、光束诱导电流成像、可见光成像、高光谱成像和激光扫描成像等方法。这些方法通过捕捉光伏板的图像来识别其内部的缺陷。

然而，在过去，由于技术的限制，光伏板的图像检测通常依赖于人工视觉检查，以识别面板表面的可见损伤、划痕、污渍等。这种方法虽然简单直接，但存在遗漏一些细微缺陷的风险。随后，一些基于边缘检测、纹理分析和形态变换的检测方法也显示出一定的效果，但受限于光伏板表面纹理和形状的复杂性以及缺陷的多样性，传统方法在全面和精准检测多种缺陷方面仍存在局限。近年来，随着计算机硬件的发展，目标检测算法被广泛应用于多个检测领域，其中基于深度学习的目标检测算法发展尤为迅速。在光伏板缺陷检测方面，研究者提出了一种适用于光伏电站的检测方法，利用AlexNet从二维比例图像中提取特征，以判断面板是否处于损坏状态。

基于深度学习的目标检测算法通常分为两阶段和一阶段算法。常见的两阶段算法包括具有卷积神经网络特征的区域（R-CNN）系列，如R-CNN、Fast R-CNN和Faster R-CNN。其中，Faster R-CNN引入了区域建议网络，用于生成候选区域，然后使用Fast R-CNN进行目标分类和定位。每一级过滤都会进一步筛选出更可靠的候选区域，从而提升检测精度。为了进一步提高检测精度，研究者提出了多阶段目标检测模型，如全卷积单阶段目标检测器（FCOS）和级联R-CNN（Cascade R-CNN），这些模型在平均精度（mAP）方面取得了显著进展，并在小目标检测方面表现更优。此外，研究者还将迁移学习和图像预处理方法与Faster R-CNN相结合，用于红外图像的故障诊断，但该模型在更复杂场景中的适应性仍有限。

目前，多阶段目标检测模型参数量较大，这增加了其在实际应用中的部署难度。因此，研究者更倾向于使用参数量较少且检测精度较高的单阶段目标检测模型作为研究基准。代表性单阶段算法包括YOLO系列。与传统的两阶段检测算法相比，YOLO避免了生成候选区域的复杂过程，直接从原始图像中提取特征并进行预测，从而提高了检测速度。Han等人提出了一种基于多任务融合的检测方法，用于光伏电站的热红外图像，使用改进的YOLOv3网络模型来识别热点，同时引入残差单元融合网络以提高小目标检测的精度。然而，该模型仅在特定电站进行了测试，因此其通用性和广泛适用性尚无法验证。

Tan等人开发了一种基于YOLOv5的新型YOLO模型，用于光伏板遮挡异常的检测，在一个包含遮挡异常的光伏板数据集上取得了92.02%的准确率。随后，研究者将MobileNetV2集成到基于YOLOv5的Deeplabv3+模型中，改进了空洞空间金字塔池化（ASPP）结构的空洞卷积，并结合卷积块注意力模块（CBAM），提出了Deeplab-YOLO算法，实现了光伏板的快速和精准分割。然而，该算法在特定特征上的增强可能会导致过拟合，并且对输入红外图像的质量有较高依赖。Acikgoz等人开发了一种基于YOLOv7的优化模型，通过引入“幽灵模块”和全局注意力机制，提升了网络的学习能力，从而实现了对光伏板微小裂纹的高效检测。然而，由于其数据集规模较小，该模型可能存在过拟合的风险，并且对图像质量也有较高依赖。

最近，研究者提出了一种基于改进YOLOv7的光伏板多故障检测算法，旨在解决太阳能光伏发电系统维护中的快速部署问题。该算法基于YOLO框架，专门设计用于检测安装在建筑外墙上的光伏板缺陷，提供了一种新的方法用于检测建筑外的光伏板缺陷。然而，这些算法在特定环境下的适应性仍存在局限，并且对图像质量有较高要求。针对工业光伏板图像识别中的问题，研究者进一步提出了一种适用于工业表面检测的YOLO算法。通过连续实验，他们提出了一种基于空间金字塔池化（SPP）模块的新模块，提升了特征表示能力并扩大了网络的感受野，从而提高了工业检测场景中光伏板缺陷检测的精度。

本文的研究目标是解决当前检测算法对数据集的高依赖性、图像采集条件的复杂性以及光学成像检测技术的低精度问题，利用可见光成像的优势，提供一种高精度、更具泛化能力的检测算法。因此，本文主要关注可见光成像检测。可见光成像检测利用可见光范围内的高分辨率相机捕捉光伏板的图像，旨在识别和记录光伏板的外观缺陷、污染程度、损坏或遮挡问题。可见光成像具有设备成本低、易于集成、部署灵活等优势，有利于构建自动化系统，实现对光伏板表面缺陷的快速识别，并能高效覆盖大面积的光伏阵列。与红外成像和电致发光检测相比，可见光成像无需昂贵的专业设备，因此更具实际应用价值。

尽管可见光成像检测具有诸多优势，但在复杂场景下的应用仍面临一些挑战，如检测目标较小、检测精度较低等。为了解决这些问题，本文提出了一种基于YOLOv8的创新目标检测算法，专门用于光伏板的可见光图像检测。该算法通过引入新的模块，结合了跨阶段部分瓶颈（C2f）和混合注意力变压器（HAT），提升了图像的超分辨率能力。此外，在模型的颈部部分，研究者引入了高效的层聚合网络，以增强模型对光伏板缺陷图像特征的提取能力。在检测头部分，研究者结合了选择性核注意力（SKAttention）机制，进一步优化了模型的检测性能。

本文的研究成果包括以下几个方面：首先，提出了一种基于跨阶段部分瓶颈和混合注意力变压器的新神经网络模块，用于重构模型的主干部分，从而提升模型对光伏板缺陷图像的超分辨率能力。其次，在模型的颈部部分，引入了高效的层聚合网络，以增强模型对缺陷图像特征的提取能力。最后，在检测头部分，结合了选择性核注意力机制，以提升模型的检测性能。通过这些改进，本文提出的算法在检测精度、效率和鲁棒性方面均优于以往的模型。

在实验数据方面，本文使用了Kaggle平台上的公开数据集，具体为Solar Panel Images数据集。该数据集包含大量日常太阳能光伏板的图像，使用普通相机拍摄，模拟了通过监控设备和智能手机收集的光伏板缺陷图像。数据集分为四个类别：“Cracked”（裂纹）、“Clean”（清洁）、“Dust”（灰尘）和“Drop”（掉落）。实验数据集的规模较大，能够充分反映光伏板在不同环境下的缺陷情况。通过对这些数据的处理和分析，本文验证了所提出算法的有效性。

在实验设计方面，首先对原始数据集进行了筛选，排除了未标记的图像，最终得到6500张标记图像。这些图像按照8:2的比例划分为训练集和验证集，其中5200张用于训练，1300张用于验证。随后，进行了消融实验，以验证各个模块对检测性能的影响。通过逐步替换原始特征提取网络并引入新的模块，研究者评估了模型在不同条件下的表现。实验结果表明，所提出的算法在多个性能指标上均优于现有模型，尤其是在平均精度（mAP）方面取得了显著提升。

尽管本文提出的YOLO-HRS模型在基于可见光成像的光伏板缺陷检测中表现出色，但仍存在一些局限性。首先，该模型主要针对可见光成像场景设计，可能不适用于其他类型的光伏板缺陷图像数据集，如红外成像或电致发光成像的数据集。其次，该模型在实际部署中的适应性仍需进一步验证，特别是在不同环境和条件下。因此，未来的研究方向可能包括提升模型的泛化能力，使其能够适应更多类型的图像数据，并增强其在复杂环境下的鲁棒性。

综上所述，本文通过创新设计和实现，提出了基于YOLO的高精度、更具泛化能力的光伏板缺陷检测算法。该算法在可见光成像检测中表现出色，能够有效识别光伏板的多种缺陷，提升检测的准确性和效率。通过引入新的模块和机制，该算法克服了传统方法在复杂场景和多样缺陷类型上的局限性，为光伏板的自动化检测和监控提供了新的解决方案。未来的研究将进一步探索如何提升模型的泛化能力和鲁棒性，以适应更多实际应用场景。