基于YOLOv5 LiteX算法的光伏组件缺陷检测

利用无人机载热红外设备对光伏组件进行航拍和缺陷检测。针对无人机存储和算力的局限性,以及现有基于深度学习的缺陷检测模型在大型光伏电站复杂环境下模型参数量大和计算开销大的问题,设计使用YOLOv5 LiteX作为超轻量化的缺陷检测模型。首先,选择加权双向特征金字塔BiFPN替换原来的特征金字塔PANet,使特征有效的跨尺度连接和加权融合;其次,在特征融合的基础上增加更大的检测尺度,以提高模型检测较小缺陷目标的性能;引入focal-EIoU Loss对原有的边界框坐标预测损失加以改善,使网络专注于困难样本的运算。此外,通过数据增强方法来克服数据量过少的问题。改进后网络的平均精确率（mAP）相较于基准网络（Lite-YOLOv5）提高了7.32个百分点,困难样本（异物遮挡）的mAP大幅度提升。     

融合视觉特征的光伏组件语义分割模型研究

针对光伏组件红外图像的分割问题,使用MobileNetv2作为DeepLabv3+的主干特征提取网络并使用位置通道注意力模块减少背景干扰,引入混合条带池化对ASPP模块进行优化,帮助模型进一步捕获全局和上下文信息。针对检测困难的屋顶光伏组件设计DeepLabv3-T网络,在上述改进的基础上融入纹理信息进行选择性背景抑制,实现光伏组件的精确分割。在PV＿large和PV＿roof数据集上进行实验证明该文方法优于现有技术,DeepLabv3-T相较于DeepLabv3+,mIoU值分别提高了2.74%和10.53%。此外,设计消融实验表明各个改进模块的有效性。