《Remote Sensing》：An Improved YOLOv8n Method for Small Thermal Defect Detection of Photovoltaic Modules in UAV Infrared Inspection
编辑推荐：
为解决无人机（UAV）红外图像中光伏组件热缺陷检测的漏检、虚警及部署限制问题，研究人员提出了一种基于You Only Look Once version 8 nano（YOLOv8n）的改进检测方法。该方法根据UAV红外光伏巡检的特点（包括小热目标、微弱弥散热
为解决无人机（UAV）红外图像中光伏组件热缺陷检测的漏检、虚警及部署限制问题，研究人员提出了一种基于You Only Look Once version 8 nano（YOLOv8n）的改进检测方法。该方法根据UAV红外光伏巡检的特点（包括小热目标、微弱弥散热响应、复杂背景及轻量化部署需求）进行了优化。具体地，引入了P2浅特征层以增强小热缺陷的细粒度特征感知，同时在骨干网络中融入Ghost卷积（GhostConv）以降低模型复杂度。此外，在颈部嵌入C2f-大分离核注意力（C2f-LSKA）以加强复杂红外背景下的上下文和空间特征建模，并采用Wise-IoU version 3（WIoUv3）来改进边界模糊热异常的边界框回归与定位稳定性。实验在自建UAV红外热成像数据集上进行：从近万张巡检图像中选取3000张代表性图像并人工标注，涵盖小热点、低对比度缺陷、复杂背景干扰及弥散异常温升区域等典型挑战。与基线YOLOv8n相比，所提方法在精确率（Precision）、召回率（Recall）、IoU阈值为0.5时的平均精度均值（mAP@0.5）以及IoU阈值从0.5到0.95的平均精度均值（mAP@0.5:0.95）上分别提升了5.1、11.4、9.6和13.2个百分点，同时参数量和模型大小分别减少了65.8%和61.9%。结果表明，所提方法在保持轻量化特性的同时，在评估的UAV红外巡检场景下提升了检测精度与定位质量。
**研究背景与问题**
随着碳达峰碳中和目标推进及可再生能源产业快速发展，光伏（PV）发电装机容量大幅增长，光伏电站趋向大型化、集中化和智能化运行。光伏组件在长期运行中因制造缺陷、环境退化、热循环、局部遮挡及电失配等因素易产生热缺陷（如局部过热、热斑、异常温升），导致发电效率下降、性能加速劣化，甚至引发封装老化、局部烧毁及火灾风险。传统人工手持热像仪巡检效率低、劳动强度大、覆盖范围有限，难以满足大规模电站的高频高精度巡检需求。无人机（UAV）平台结合红外热成像技术具有高机动性、广覆盖、灵活部署等优势，能够在不停机状态下快速获取光伏组件表面温度场信息，从而识别热斑和局部异常加热区域。然而，现有基于深度学习的检测方法在同时保留浅层小目标特征、抑制重复PV阵列背景和热噪声引起的虚警、提升边界模糊热异常的定位稳定性以及维持模型紧凑性方面仍面临挑战。因此，研究面向UAV红外光伏巡检的任务导向轻量化检测框架具有重要理论与应用价值。
**研究内容与结论**
研究人员提出了一种基于YOLOv8n的改进检测算法，针对UAV红外巡检场景中光伏组件的热缺陷检测进行优化。该算法在网络架构和损失函数层面进行针对性改进：引入P2浅特征层以增强小热缺陷感知，移除P5大目标检测分支以减少冗余计算；在骨干网络中嵌入Ghost卷积（GhostConv）以降低模型复杂度；在颈部用C2f-大分离核注意力（C2f-LSKA）模块替换部分原始C2f模块以增强复杂背景下的上下文建模；采用Wise-IoU version 3（WIoUv3）作为边界框回归损失以提升定位稳定性。实验在自建UAV红外热成像数据集上进行（从约10000张巡检图像中选取3000张代表性图像并人工标注）。与基线YOLOv8n相比，所提方法在精确率、召回率、mAP@0.5和mAP@0.5:0.95上分别提升5.1、11.4、9.6和13.2个百分点，同时参数量和模型大小分别减少65.8%和61.9%。对比实验中，所提方法以1.03M参数、2.4MB模型大小和121 FPS推理速度实现了93.9±0.2%的mAP@0.5和72.3±0.3%的mAP@0.5:0.95，表明其在检测精度、定位质量与轻量化部署之间取得了良好平衡。该研究论文发表在《Remote Sensing》。
**主要关键技术方法**（不超过250字）
研究人员采用如下关键技术：①引入P2浅特征检测头（160×160分辨率）替代原始P5大目标分支，构建基于P2/P3/P4的三尺度检测结构，以增强小热缺陷的细粒度特征感知并减少冗余计算；②在骨干网络中嵌入Ghost卷积（GhostConv），通过标准卷积生成部分特征图后使用廉价线性变换产生剩余特征图，降低参数量和计算量；③在颈部网络中设计C2f-大分离核注意力（C2f-LSKA）模块，通过分解大核卷积为深度可分离卷积与空洞卷积的级联，结合残差连接与通道降维/恢复，替换部分原始C2f模块，以增强复杂红外背景下的上下文和空间特征建模；④采用Wise-IoU version 3（WIoUv3）作为边界框回归损失，通过动态非单调聚焦机制，对边界模糊的小热缺陷赋予更稳定的定位优化。数据集来源为自建UAV红外热成像数据集，使用大疆Mavic 3T无人机（搭载红外热像仪）在约100 m飞行高度采集近万张图像，从中选取3000张代表性图像并人工标注，涵盖小热点、低对比度缺陷、复杂背景干扰及弥散异常温升区域。
**研究结果**
**4.3.1. 消融实验**：通过逐步引入各改进模块（P2检测头、移除P5分支、GhostConv、C2f-LSKA、WIoUv3）构建8种变体进行定量分析。结果表明：（1）单独引入P2检测头（Model 2）相比基线（Model 1）使精确率、召回率、mAP@0.5和mAP@0.5:0.95分别提升2.0%、9.0%、7.9%和9.9%；（2）在保留P5分支前提下加入GhostConv（Model 3）进一步降低参数量30.7%、模型大小29.7%、GFLOPs 26.2%，同时检测性能略有提升；（3）移除P5分支（Model 4）使参数量和模型大小分别减少40.7%和39.7%，且检测性能未下降，表明在当前UAV巡检高度（约100 m）下该任务特定简化有效；（4）同时引入GhostConv和C2f-LSKA（Model 8）相比Model 4使mAP@0.5和mAP@0.5:0.95分别提升1.9%和3.9%，参数量和模型大小分别减少42.3%和36.8%；（5）最终模型（Model 9）进一步采用WIoUv3，使mAP@0.5和mAP@0.5:0.95分别达到93.9±0.2%和72.3±0.3%，相比Model 8分别提升1.1和1.8个百分点。最终模型参数量仅1.03M，模型大小2.4 MB，GFLOPs为7.1，推理速度121 FPS。
**4.3.2. 对比实验**：将所提方法与YOLOv8n、YOLOv10n、YOLO11n、Faster R-CNN、YOLOS-PV等近期轻量级检测器进行比较。所提方法以1,029,853个参数和2.4 MB模型大小实现了93.9±0.2%的mAP@0.5和72.3±0.3%的mAP@0.5:0.95，在检测精度与定位质量上优于大多数对比模型，且参数量和模型大小显著低于多数对比模型。定性结果可视化显示，在小热点、弥散异常温升、复杂背景干扰和低对比度热缺陷四类典型场景中，所提方法提供了更稳定、置信度更高的检测响应，尤其对边界模糊和小尺度热异常具有更好的敏感性。
**总结讨论与结论**
讨论部分：研究人员指出当前实验基于单一UAV平台和红外相机在相对一致飞行高度下采集的数据，结果主要反映该特定巡检配置下的有效性，跨平台、跨传感器、跨高度和跨场景的泛化能力仍需进一步验证。运行时评估在GPU实验平台上进行，而非专用机载边缘设备，实际部署速度可能受机载边缘设备、功耗、内存、图像传输管线及推理引擎优化影响。未来工作将聚焦多站点数据采集、兼容公开数据集验证、边缘平台部署测试以及在弱低对比度缺陷、弥散异常温升区域和复杂热背景干扰下的鲁棒性提升，并探索提示学习与基础模型遥感解译方法以融合缺陷位置先验、热异常描述和专家指导，提高跨场景适应能力。
研究结论翻译：本文提出了一种改进的YOLOv8n目标检测算法用于光伏组件表面热缺陷检测。首先，在原始三尺度检测框架中引入新的极小目标检测层，同时移除最大尺度检测层，从而提升小尺度热缺陷目标的检测精度并降低模型复杂度。其次，融入轻量级Ghost卷积模块以进一步减少模型参数并压缩模型大小。随后，在颈部网络中设计新的C2f-LSKA模块替换部分原始C2f模块，增强模型捕获上下文语义信息和建模空间结构特征的能力。最后，采用WIoUv3作为边界框回归损失，以提升训练过程中的回归稳定性和定位精度。在扩大的自建UAV红外热成像数据集上的实验结果表明，与基线YOLOv8n相比，所提方法在精确率、召回率、mAP@0.5和mAP@0.5:0.95上分别提升5.1、11.4、9.6和13.2个百分点，同时参数量和模型大小分别减少65.8%和61.9%。在对比实验中，所提方法在检测器中取得了具有竞争力的mAP@0.5（93.9±0.2%）和mAP@0.5:0.95（72.3±0.3%）。这些结果表明，在评估的UAV红外巡检场景下，所提方法在保持轻量化特性的同时，提升了检测精度和定位质量。
