KD-PH-YOLO：面向可持续光伏边缘巡检的低功耗红外缺陷检测

《Sustainability》：KD-PH-YOLO: Low-Power Infrared Defect Detection for Sustainable Photovoltaic Edge Inspection

　　

光伏组件在无人机巡检中采集的红外缺陷通常目标小、对比度低，而机载边缘平台在内存、逻辑资源和功耗方面受到限制。为解决上述挑战，论文提出KD-PH-YOLO用于光伏红外缺陷检测，并部署到Zynq-7020平台。在YOLOv8基础上，PH-YOLO移除冗余的深层计算，引入P2检测头以保留针对小缺陷的细粒度信息；加入硬件友好的加权特征融合（Hardware-friendly Weighted Feature Fusion，HWFF）和轻量化注意力模块（Lightweight Attention-CBAM，LA-CBAM）以增强多尺度特征融合与缺陷响应；采用软标签蒸馏和多尺度特征蒸馏提升轻量学生模型的表达能力，且不增加推理复杂度。边缘部署方面，应用INT8量化和硬件感知加速将模型映射到Zynq-7020。实验结果表明，KD-PH-YOLO在仅1.48M参数和6.9GFLOPs的条件下达到92.4%的mAP@0.5；硬件部署后模型仍保持91.8%的mAP@0.5。Zynq-7020实现每帧平均延迟为184.3ms，吞吐率为5.43FPS，功耗3.2W，能效比1.7FPS/W。因此，所提方法在资源受限的光伏边缘巡检中提供了良好的精度-复杂度-能效折衷。

### 论文解读：KD-PH-YOLO——面向可持续光伏边缘巡检的低功耗红外缺陷检测

光伏红外缺陷检测是实现光伏电站可持续运维的关键环节。红外热成像技术凭借非接触、高效率的优势被广泛应用于光伏组件状态监测，但无人机航拍所获取的红外图像中的缺陷普遍存在目标尺寸小、边界模糊、对比度低等特点。现有主流检测网络如YOLO系列在下采样过程中容易丢失小尺度热斑的细节信息；常规的多尺度融合操作无法区分不同层级特征的贡献；轻量化网络在低参数与高分辨率特征之间难以兼顾；同时，边缘部署平台在存储、逻辑资源和功耗上受限，算法结构与FPGA硬件映射之间往往存在冲突。上述问题严重制约了光伏红外缺陷检测在无人机等低功耗边缘设备上的落地应用。为此，研究人员提出KD-PH-YOLO，并在Zynq-7020平台上完成软硬件协同部署验证，实现了检测精度、模型复杂度与能效比的较好折衷。

该研究围绕算法设计和硬件部署两条主线展开。研究结果表明，KD-PH-YOLO在仅1.48M参数、6.9GFLOPs的条件下mAP@0.5达到92.4%，部署于Zynq-7020后精度仍保持91.8%，平均延迟184.3ms、吞吐率5.43FPS，功耗仅3.2W，能效比达1.7FPS/W，为资源受限场景下的光伏边缘智能检测提供了一套可行方案。论文发表在《Sustainability》。

**主要关键技术方法：** 研究人员采用截断式轻量骨干网络去除P5深层冗余计算，引入P2检测层保留精细空间信息；提出硬件友好的加权特征融合（HWFF），用可学习权重区分不同尺度特征贡献；提出轻量化注意力模块（LA-CBAM），以3×3卷积替代7×7卷积降低空间注意力开销；采用教师网络YOLOv8l对学生网络进行多尺度特征蒸馏和软标签蒸馏；部署阶段使用INT8量化、移位近似HWFF权重，设计支持1×1与3×3统一计算的通用卷积IP核及三级流水线。数据基于Roboflow公开光伏红外数据集构建，人工校准后形成单电池片热点、轻度热点、串级过热三类缺陷，按8:1:1划分训练集、验证集与测试集。

**KD-PH-YOLO算法性能对比实验：** 与YOLOv5n、YOLOv6n、YOLOv8n在相同数据划分和训练参数下进行比较。PH-YOLO较YOLOv8n在单电池片热点和轻度热点的AP@0.5上分别提升4.4和4.3个百分点，串级过热AP@0.5因P5移除略有下降；KD-PH-YOLO的mAP@0.5达到92.4%，优于PV-YOLO-S和ST-YOLO各2.2和1.5个百分点，同时参数和FLOPs大幅降低。五次随机种子重复实验显示mAP@0.5均值92.3%、标准差不超过0.22个百分点，证实性能提升具有统计稳定性。

**模块消融实验：** 以YOLOv8n为基线，逐步加入各改进模块。轻量骨干将参数从3.15M降至1.36M但mAP下降至87.4%；加入P2头后提升至88.9%；HWFF模块使mAP升至90.4%；进一步加入LA-CBAM后完整PH-YOLO达到91.1%，较加入标准CBAM的90.9%高0.2个百分点，验证了各模块对轻量化精度损失的逐级补偿作用。

**知识蒸馏及其消融实验：** 以预训练YOLOv8l为教师网络。单独引入软标签蒸馏损失L_logit使mAP@0.5从91.1%提升至91.6%；单独引入多尺度特征蒸馏损失L_feat使mAP@0.5达到91.8%；两者联合使用时达到92.4%，提升1.3个百分点，说明两种蒸馏机制具有互补性。特征热图显示，KD-PH-YOLO对缺陷区域的响应更集中，背景响应更低，总体特征分布更接近教师模型。

**测试结果可视化分析：** 对三类缺陷进行直观对比。KD-PH-YOLO对单电池片热点的定位更全面，检测框与标注框的重合度更高；对边界模糊的轻度热点表现出更强的低对比度特征提取能力；对串级过热缺陷有效抑制了误检并更完整地覆盖过热区域，整体上减少了漏检、定位偏差和误报。

**Zynq-7020部署性能与能效分析：** FP32模型mAP@0.5为92.4%，INT8量化后降为92.1%，在量化基础上以移位实现HWFF后为91.9%，实际部署在Zynq-7020后为91.8%，相对FP32仅损失0.6个百分点。PL加速器资源利用率分别为LUT 78.8%、FF 50.1%、BRAM 80.0%、DSP 87.2%，其中HWFF IP核利用移位代替乘法，不占用DSP资源。在640×640输入和150MHz工作频率下，实现5.43FPS、单帧延迟184.3ms，Vivado估算功耗3.2W、能效比1.7FPS/W，高于Jetson Nano的1.3FPS/W和树莓派5的0.42FPS/W，验证了该硬件软件协同设计在边缘部署中的低功耗优势。

**讨论与结论：** 知识蒸馏仅在训练阶段引入教师网络，推理时不增加参数与计算负担；INT8量化和移位近似造成的精度损失处于可接受范围，换取显著硬件资源节省；HWFF IP核通过移位实现权重缩放，避免了DSP资源消耗。当前5.43FPS的吞吐率适用于低速巡检或周期性采样场景，高速连续视频检测仍需提升数据吞吐和处理器并行度。研究尚未开展真实无人机飞行条件下的系统级验证，也未量化长期运维中的经济效益与碳减排收益，数据集各来源场景信息不一致，跨电站、跨环境、跨设备的泛化能力有待进一步验证。总体而言，KD-PH-YOLO在检测精度、模型复杂度、边缘部署可行性与硬件成本之间取得了良好的平衡，为可持续光伏运维提供了低功耗边缘智能检测的技术方案。