基于YOLOv7+ECA模型的光伏组件热斑检测方法

黄耀; 许鑫; 杜滢

doi:10.26945/j.cnki.1001-9898.2025.05.009

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于YOLOv7+ECA模型的光伏组件热斑检测方法

更新时间：2025-11-18

- 基于YOLOv7+ECA模型的光伏组件热斑检测方法
- Vol. 44, Issue 5, Pages: 19-24+40(2025)
- 作者机构：
  
  1. 江苏国信高邮热电有限责任公司
  2. 高邮市城市建设投资集团有限公司
- 作者简介：
- 基金信息：
- DOI：10.26945/j.cnki.1001-9898.2025.05.009
  CLC： TM615;TP183;TP391.41
- Published：2025
- 稿件说明：
移动端阅览
黄耀, 许鑫, 杜滢. 基于YOLOv7+ECA模型的光伏组件热斑检测方法[J]. 2025, 44(5): 19-24+40.
DOI：

黄耀, 许鑫, 杜滢. 基于YOLOv7+ECA模型的光伏组件热斑检测方法[J]. 2025, 44(5): 19-24+40. DOI： 10.26945/j.cnki.1001-9898.2025.05.009.

摘要

针对户外大型光伏电站无人机巡检时难以及时发现组件热斑缺陷的难题，提出一种改进的YOLOv7目标检测算法，通过添加有效通道注意力模块提取热斑目标检测的轮廓特征，再将原始的回归损失计算策略由CIoU替换为鲁棒性更优秀的inner-CIoU算法，引入缩放因子比控制计算损失的辅助边界框的尺度大小，使得预测框位置更加精准，提高热斑检测精度，提升模型训练效果。最终的识别召回率和精确率分别为95.1%和97.2%

0.5

和m

0.5～0.9

指标数值为97.4%和67.8%

相比原始的YOLOv7检测算法提高了2.0%、3.0%、1.7%、3.9%

最终实验的检测帧率达到62帧/s。试验结果证明，该方法在提升光伏热斑检测模型精确率及召回率的同时，保持了较高的检测帧率，能够满足现实巡检场景中对光伏组件热斑快速识别检测的需求。

Abstract

关键词

Keywords

references

张臻,单立,王磊,吴晋禄,全鹏,姜猛.光伏组件热斑案例失效分析与影响因素研究[J].太阳能学报,2017(01).

程起泽,陈泽华,张雲钦,蒋文杰,刘晓峰,沈亮.基于CNN-LSTM的太阳能光伏组件故障诊断研究[J].电子技术应用,2020(04).

王道累,李超,李明山,张天宇,朱瑞.基于深度卷积神经网络的光伏组件热斑检测[J].太阳能学报,2022(01).

魏卓航,林培杰,陈志聪,吴丽君,卢箫扬,程树英.改进YOLOv5的光伏组件热斑及遮挡物检测[J].福州大学学报(自然科学版),2023(01).

季瑞瑞,梅远,杨思凡,骆丰凯,储小帅,张龙,王朵,李珂明.基于改进Faster R-CNN的光伏组件红外热斑检测算法[J].激光与红外,2024(04).

王道累,姚从荣,李超,王卫军,秦宝星,朱瑞.光伏组件热斑效应智能化检测的综述及展望[J].太阳能学报,2024(05).

牛小育,刘长良,刘卫亮,刘帅,王昕,康佳垚.基于深度学习的光伏红外图像热斑检测方法[J].太阳能学报,2024(11).

郑海超,毛峡,梁晓庚.基于边缘信息的灰度目标跟踪算法[J].北京航空航天大学学报,2015(12).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于改进Unet与图像处理技术的绝缘子自爆识别

基于多特征提取的Attention-BiGRU短期负荷预测方法

基于机器视觉的输电铁塔联结板加工特征测量方法

基于二次分解因果分析和深度学习的短期风电功率预测

Related Author

罗朝丰

沈国平

严峥

李石

王云锋

蔡同尧

曾献辉

高立鹏

Related Institution

国网浙江省电力有限公司湖州供电公司

东华大学信息科学与技术学院

河北省送变电有限公司电力保障分公司

北华航天工业学院机电工程学院

国网河北省电力有限公司衡水供电分公司

AI问答

⁰