住宅空调系统与社会脆弱性对加利福尼亚州因高温导致的住院情况的影响

《Environmental Advances》：The effects of residential air conditioning and social vulnerability on heat-related hospitalizations in California

光伏板缺陷检测中提出轻量级CHS-YOLO模型，通过交叉阶段部分分层增强、组空间卷积优化和内加权IoU损失函数，实现计算量降低25%的同时提升3.4%平均精度。

　　随着全球生活质量和人口的持续增长，能源消耗水平正在以前所未有的速度上升。传统化石燃料的依赖已不再符合可持续发展的原则，其带来的环境污染和温室气体排放已成为全球性挑战。有限的化石燃料资源与不断增长的能源需求之间的矛盾进一步凸显了减少对非可再生能源依赖的重要性，以确保社会的稳定和可持续发展。在此背景下，太阳能作为一种清洁、无排放的绿色能源，正迅速成为全球最具发展潜力的能源领域之一。光伏（PV）发电是利用太阳能的重要方式，而光伏组件作为整个系统的核心部分，通常处于恶劣的户外环境中。自然因素如部分遮挡、积雪、灰尘堆积或鸟类粪便等，都会对光伏组件的性能产生影响。由于光伏系统的安装面积较大且结构紧凑，对电力质量、效率和故障预测提出了更高的要求。特别是考虑到缺乏及时和定期的维护流程，太阳能板可能会出现功能损坏，如裂纹或其他缺陷，从而缩短其使用寿命。此外，研究指出，灰尘的堆积是户外光伏系统发展的一大障碍，对太阳能电池的有效性有显著影响。因此，提高识别太阳能板问题的能力，以防止故障和事故，显得尤为重要。

传统的缺陷检测方法，如依赖人工目视检查，不仅效率低下，而且准确性不足，成本高昂。近年来，随着深度学习技术的发展，越来越多的研究将目光投向了基于深度学习的缺陷检测方法。深度学习模型能够进行端到端训练，通过调整初始学习率、周期学习率、迭代次数和输入图像尺寸等超参数，优化网络权重。这些权重使得模型能够更准确地识别和检测光伏板的缺陷，为表面缺陷检测提供了新的方法。例如，卷积神经网络（CNN）能够提取特定的缺陷特征，增强网络对缺陷信息的表示能力。其他架构如YOLO、ResNet-18、ResNet-150、ResNet-152和随机森林（RF）模型等，也已被证明在进行光伏表面缺陷检测方面具有一定的效果。因此，基于深度学习的缺陷检测方法在处理大规模数据集、稀疏特征和多种缺陷类型方面具有显著优势，能够独立训练以提高检测精度和推理速度。

然而，面对多尺度缺陷（如部分遮挡下的微裂纹和大面积灰尘覆盖），现有方法在处理此类问题时仍面临挑战。一些研究尝试通过分层特征融合和轻量化架构来提高检测效果。例如，Yin等人（2023）提出了一种轻量化的YOLO变体——PV–YOLO，用于光伏故障检测。然而，其单阶段设计在处理尺度差异较大的缺陷时表现不佳。Yin等人（2024）进一步改进了PA–YOLO，引入了金字塔注意力机制，以实现多故障检测。但这种增加的复杂性提高了计算成本，限制了其在资源受限环境中的应用。Wang等人（2024a）则通过动态特征加权方法改进了YOLOX，以提高对多尺度缺陷的敏感度。然而，其在亚毫米级裂纹检测方面的表现仍不够理想。Liu等人（2024a）开发了SOCR–YOLO，用于医学领域的微小物体检测，但其稀疏注意力机制在户外光伏系统常见的多变光照条件下效果不佳。

为了在准确性和效率之间取得平衡，一些研究聚焦于轻量化设计。Korkmaz和Acikgoz（2022）提出了一种基于迁移学习的框架，结合多尺度CNN网络，用于高效分类光伏模块故障。他们的方法利用预训练模型降低训练成本，同时通过多尺度卷积提取缺陷特征。然而，这种方法在处理户外光伏图像中常见的复杂背景时表现不佳。Cao等人（2023）通过深度可分离卷积减少模型复杂度，但过度简化影响了对细微缺陷（如发丝裂纹）的敏感度。Zhang等人（2024）则结合可切换空洞卷积和合成数据增强技术，以提高模型的鲁棒性。然而，合成数据与实际世界退化模式之间的差距导致了在实际应用中的性能下降。Yang等人（2024）通过改进的EfficientNet-V2架构提高在高干扰环境中的噪声容忍度，实现了在沙尘暴或部分遮挡等条件下的优越缺陷识别效果。然而，其模型的计算开销限制了在边缘设备上的部署，尤其是在需要实时无人机（UAV）检测的场景中。对于航空缺陷检测，Di Tommaso等人（2022）将YOLOv3与红外和可见光成像相结合，但动态捕捉中的运动模糊和高延迟问题仍未解决。Xu等人（2023）则用Transformer网络替代YOLOX的主干网络，以实现全局上下文建模。但这种方法导致了内存需求与实时性之间的冲突。Arnaudo等人（2023）的全面评估则指出了在航空图像中分离复杂背景和识别多角度缺陷的持续挑战，强调了自适应空间处理的必要性。

尽管有诸多创新性的模块设计，现有方法在某些方面仍存在不足。例如，Liu等人（2024b）在U-Net架构中引入了挤压激励块，用于热点检测。但这种设计增加了计算负载，影响了实时监测的可行性。Gong等人（2024）则通过重新参数化的扩张卷积扩展了感受野，为光伏缺陷的方向性特征提取提供了一种有前景的方法。但这种方法在多尺度分支中导致了内存约束的问题。上述研究共同揭示了一个关键的不足：现有方法要么通过计算密集型模块优先考虑准确性，要么通过牺牲缺陷敏感度实现效率，这种权衡在户外光伏环境的动态性和多尺度特性下被进一步放大。因此，我们假设一种集成了分层特征增强和自适应空间处理的轻量化目标检测框架，能够在不牺牲准确性的前提下提高计算效率，从而实现对光伏板缺陷的高效检测。具体而言，优化跨阶段特征交互并减少冗余参数，将有助于在现实场景中实现稳健的缺陷识别，优于当前最先进的方法在推理速度和检测精度方面的表现。因此，本研究旨在提高光伏缺陷检测的准确性和速度，以监测光伏电站及其相关设施的健康状况。

本研究的主要贡献包括以下几点。首先，通过系统分析常规的光伏板缺陷检测任务，我们构建了一个全面的RGBPVW数据集，涵盖了七种光伏板缺陷类别，包括裂纹、灰尘、土壤、鸟类粪便、积雪、阴影和清洁。为了应对数据集中标签不平衡的问题，我们应用了数据增强技术，有效提升了低频类别在数据集中的出现频率。这一方法确保了数据集的平衡性和鲁棒性，从而提高了后续模型训练和评估过程的可靠性。其次，我们提出了一种高效的物体检测算法——CHS–YOLO。CHS–YOLO是YOLOv8的一个改进版本，专门设计用于实现更精确的光伏板缺陷检测效果。CHS–YOLO的改进主要集中在以下几个方面。其一，在主干网络中，我们引入了一种新的结构——跨阶段部分分层增强（CSPHet），以替代YOLOv8中的Concatenate-to-Fuse（C2f）模块。这一改进显著增强了所构建模型的特征提取能力，持续提高了其检测精度，同时减少了所需的计算成本和参数数量。其二，我们采用了一种轻量化的颈部结构（Li et al., 2022），优化了特征融合和处理流程，以提高模型的检测准确性。其三，我们在颈部引入了一种新的轻量化卷积技术——分组空间卷积（GSConv），专门优化了C2f模块。这一技术在减少模型参数和计算负载的同时，未影响其检测精度。其四，考虑到预测边界框与真实边界框之间存在方向性偏差，我们在模型中采用了内加权交并比（WIoU）损失函数。这一函数具有加快模型收敛速度和提高检测精度的特点。

在实验配置方面，我们详细列出了硬件配置、运行环境和相关库，如实验中使用的CUDA和CUDNN库，见表3。输入图像数据由RGB三通道图像组成，尺寸为640×640。对于不符合此尺寸的图像，我们通过填充技术进行调整，以确保图像大小的一致性。我们对模型进行了300次迭代训练，这一选择平衡了充分的训练和计算效率。在训练过程中，我们采用了随机梯度下降（SGD）算法，并对超参数进行了调整，以优化模型的性能。

为了评估所提出的模型，我们将新模型应用于RGBPVW和NEU–DET（Luo et al., 2020）数据集，进行光伏板缺陷检测。初始模型的选择在第4.1节中进行了详细说明。我们还进行了消融实验，以评估所提出的模块对模型性能的影响。在这些实验中，模块A、B、C和D分别代表CSPHet、轻量颈部、GSConv和内加权交并比（WIoU）模块。此外，我们还对模型在不同光照条件和复杂背景下的鲁棒性进行了评估，以验证其在实际应用中的有效性。

实验结果表明，与当前最先进的方法相比，所提出的框架在交并比（IoU）阈值范围0.5至0.95之间，平均精度（mAP）提高了3.4%。同时，模型的计算负载减少了25%。这一改进使得模型能够在保持高精度的同时，显著降低计算成本，提高运行效率。通过引入跨阶段部分分层增强（CSPHet）结构，我们有效提升了模型对多尺度缺陷的识别能力，同时减少了参数数量和计算复杂度。轻量化的颈部结构和分组空间卷积（GSConv）技术进一步优化了特征融合和处理流程，使得模型在保持高精度的前提下更加高效。内加权交并比（WIoU）损失函数的引入，加快了模型的收敛速度，并提高了检测精度。

在实际应用中，所提出的CHS–YOLO模型表现出色，能够有效识别光伏板上的各种缺陷，包括微裂纹、灰尘堆积、鸟类粪便等。此外，该模型在处理不同光照条件和复杂背景时，表现出良好的鲁棒性，能够适应户外环境的多变性。通过引入自适应空间处理机制，我们进一步提升了模型在复杂场景下的检测能力，使其能够更准确地识别多种类型的缺陷。这种轻量化和高效的模型设计，不仅适用于大规模数据集，也能够在资源受限的边缘设备上进行部署，满足实时检测的需求。

本研究的实验结果表明，所提出的框架在多个方面均优于现有方法。首先，通过引入跨阶段部分分层增强（CSPHet）结构，我们显著提升了模型的特征提取能力，使其能够更有效地识别多尺度缺陷。其次，轻量化的颈部结构和分组空间卷积（GSConv）技术进一步优化了模型的效率，减少了计算资源的需求。第三，内加权交并比（WIoU）损失函数的引入，加快了模型的收敛速度，并提高了检测精度。这些改进使得模型在保持高精度的同时，显著降低了计算成本，提高了运行效率。通过实验评估，我们发现所提出的框架在多个数据集上均表现出良好的性能，能够有效识别各种类型的光伏板缺陷。

在实际应用中，所提出的CHS–YOLO模型能够适应不同的光照条件和复杂背景，为户外光伏系统的健康监测提供了可靠的技术支持。该模型在处理微裂纹、灰尘堆积等细微缺陷时，表现出较高的敏感度，而在处理大面积缺陷如积雪或阴影时，也能够保持较高的识别能力。此外，该模型在处理不同尺度的缺陷时，表现出良好的适应性，能够同时检测微小和较大的缺陷。这种能力使得模型在实际应用中更加实用，能够满足多种检测需求。

通过引入自适应空间处理机制，我们进一步提升了模型在复杂场景下的检测能力。这一机制使得模型能够更好地适应户外环境的多变性，提高对不同光照条件和复杂背景的识别能力。此外，该模型在处理不同类型的缺陷时，表现出良好的泛化能力，能够适应多种检测任务。这种泛化能力使得模型在实际应用中更加灵活，能够应对不同的检测需求。

本研究的实验结果表明，所提出的框架在多个方面均优于现有方法。首先，通过引入跨阶段部分分层增强（CSPHet）结构，我们显著提升了模型的特征提取能力，使其能够更有效地识别多尺度缺陷。其次，轻量化的颈部结构和分组空间卷积（GSConv）技术进一步优化了模型的效率，减少了计算资源的需求。第三，内加权交并比（WIoU）损失函数的引入，加快了模型的收敛速度，并提高了检测精度。这些改进使得模型在保持高精度的同时，显著降低了计算成本，提高了运行效率。通过实验评估，我们发现所提出的框架在多个数据集上均表现出良好的性能，能够有效识别各种类型的光伏板缺陷。

在实际应用中，所提出的CHS–YOLO模型能够适应不同的光照条件和复杂背景，为户外光伏系统的健康监测提供了可靠的技术支持。该模型在处理微裂纹、灰尘堆积等细微缺陷时，表现出较高的敏感度，而在处理大面积缺陷如积雪或阴影时，也能够保持较高的识别能力。此外，该模型在处理不同尺度的缺陷时，表现出良好的适应性，能够同时检测微小和较大的缺陷。这种能力使得模型在实际应用中更加实用，能够满足多种检测需求。

通过引入自适应空间处理机制，我们进一步提升了模型在复杂场景下的检测能力。这一机制使得模型能够更好地适应户外环境的多变性，提高对不同光照条件和复杂背景的识别能力。此外，该模型在处理不同类型的缺陷时，表现出良好的泛化能力，能够适应多种检测任务。这种泛化能力使得模型在实际应用中更加灵活，能够应对不同的检测需求。

综上所述，本研究提出了一种轻量化且高效的光伏板缺陷检测框架——CHS–YOLO。该框架通过优化网络结构，显著提升了模型的特征提取能力和检测精度，同时降低了计算成本和参数数量。在实际应用中，该模型能够有效识别各种类型的光伏板缺陷，包括微裂纹、灰尘堆积、鸟类粪便等，并在不同光照条件和复杂背景下表现出良好的鲁棒性。通过引入自适应空间处理机制，我们进一步提升了模型在复杂场景下的检测能力，使其能够更好地适应户外环境的多变性。这些改进使得CHS–YOLO在保持高精度的同时，显著提高了计算效率，能够满足实时检测的需求。因此，该模型为光伏板缺陷检测提供了一种新的解决方案，具有重要的应用价值。