基于改进YOLOv5s网络的光伏组件缺陷检测方法

任喜伟; 余杰; 韩欣; 李兆允; 杨梦璐; 何立风

doi:10.19912/j.0254-0096.tynxb.2023-1934

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于改进YOLOv5s网络的光伏组件缺陷检测方法

更新时间：2025-10-18

- 基于改进YOLOv5s网络的光伏组件缺陷检测方法
- PHOTOVOLTAIC MODULE DEFECT DETECTION METHOD BASED ON IMPROVED YOLOV5S NETWORK
- 太阳能学报 2025年46卷第3期页码：428-434
- 作者机构：
  
  1. 陕西科技大学电子信息与人工智能学院,西安 710021
  2. 陕西省人工智能实验室（陕西科技大学）,西安 710021
- 作者简介：
- 基金信息：
  
  国家自然科学基金（61971272）;陕西科技大学科研启动基金（2020BJ-01）;陕西科技大学2023年大学生创新创业训练计划（S202310708131）
- DOI：10.19912/j.0254-0096.tynxb.2023-1934
  中图分类号： TK511TP391.4
- 网络出版：2025-04-07，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
任喜伟, 余杰, 韩欣, 李兆允, 杨梦璐, 何立风. 基于改进YOLOv5s网络的光伏组件缺陷检测方法[J]. 太阳能学报, 2025, 46(3): 428-434.

Ren Xiwei, Yu Jie, Han Xin, et al. PHOTOVOLTAIC MODULE DEFECT DETECTION METHOD BASED ON IMPROVED YOLOV5S NETWORK[J]. 2025, 46(3): 428-434.
任喜伟, 余杰, 韩欣, 李兆允, 杨梦璐, 何立风. 基于改进YOLOv5s网络的光伏组件缺陷检测方法[J]. 太阳能学报, 2025, 46(3): 428-434. DOI： 10.19912/j.0254-0096.tynxb.2023-1934.

Ren Xiwei, Yu Jie, Han Xin, et al. PHOTOVOLTAIC MODULE DEFECT DETECTION METHOD BASED ON IMPROVED YOLOV5S NETWORK[J]. 2025, 46(3): 428-434. DOI： 10.19912/j.0254-0096.tynxb.2023-1934.

摘要

鉴于光伏组件排列密集

缺陷目标较小

难以检测维护

直接影响光伏组件发电效率

提出一种改进YOLOv5s网络的光伏组件缺陷检测方法。首先

针对光伏组件红外图像中缺陷尺寸特性

使用K-均值++算法对缺陷目标重新聚类

确定合适的锚框大小

使其聚类锚框更符合小目标特征;然后

使用简化BiFPN融合更多的特征

在融合之前添加一个多通路残差连接模块

提高对小目标光伏缺陷的敏感度;其次

将YOLOv5s骨干网络进行融合

简化网络结构

减少下采样次数

提高图像分辨率以及丰富小目标特征信息;之后

将S

IoU

损失函数引入到YOLOv5s架构中

提高网络性能

让网络部署到小型、轻量化设备;最后

将改进的YOLOv5s网络在自建的光伏组件红外图像缺陷数据集进行测试。实验结果表明

改进的YOLOv5s网络光伏组件缺陷检测方法优于对比方法

相比于原始网络

改进网络的m

AP@0.5

提高1.7%

每秒帧率达到46.3

完全满足光伏组件缺陷检测过程中的实际需求。

Abstract

Given the dense arrangement and small target size of photovoltaic modules

which make defect detection and maintenance challenging and directly impact the power generation efficiency of photovoltaic modules

an improved method for detecting defects in photovoltaic modules using the YOLOv5s network is proposed. Firstly

considering the size charact eristics of defects in infrared images of photovoltaic modules

the K-means++ algorithm is used to re-cluster defect targets

determining appropriate anchor box sizes to ensure that the clustered anchor boxes better fit the characteristics of small targets. Then

a simplified BiFPN is employed to fuse more feat

ures

with a multi-path residual connection module added before fusion to enhance sensitivity to small target photovoltaic defects. Furthermore

the YOLOv5s backbone network is merged

simplifying the network structure

reducing the number of downsampling operations

increasing image resolution

and enriching information on small target features. Subsequently

the S

IoU

loss function is introduced into the YOLOv5s architecture to improve network performance

enabling deployment on small

lightweight devices. Finally

the improved YOLOv5s network is tested on a self-built dataset of infrared images of photovoltaic module defects. Experimental results demonstrate that the improved YOLOv5s network for photovoltaic module defect detection outperforms the baseline methods. Compared to the original network

the improved network’s m

AP@0.5

increased by 1.7%

reaching an FPS of 46.3

fully meeting the practical requirements of photovoltaic module defect detection.

关键词

Keywords

references

姚俊, 陈彦涛, 阮晓娜, 等. “双碳” 目标下我国光伏发电的装机容量预测[J]. 节能, 2023, 42(10): 36-38.

魏晨晨, 王超, 李想, 等. 光伏组件发电效率影响因素分析[J]. 建设科技, 2023(1): 79-81.

SONG X Y, YANG L, XIA X H, et al.Defect detection method for solar cells based on human visual characteristics[C]//2020 5th International Conference on Mechanical, Control and Computer Engineering (ICMCCE). Harbin, China, 2020: 515-518.

邓枭, 叶蔚, 谢睿, 等. 基于深度学习的源代码缺陷检测研究综述[J]. 软件学报, 2023, 34(2): 625-654.

周颖, 叶红, 王彤, 等. 基于多尺度CNN的光伏组件缺陷识别[J]. 太阳能学报, 2022, 43(2): 211-216.

ALI M U, KHAN H F, MASUD M, et al.A machine learning framework to identify the hotspot in photovoltaic module using infrared thermography[J]. Solar energy, 2020, 208: 643-651.

钟泳松, 徐凌桦, 周克. 基于改进SSD算法的光伏组件缺陷检测研究[J]. 微处理机, 2022, 43(1): 22-25.

王淑青, 张鹏飞, 要若天, 等. 基于改进YOLOv5的太阳能电池片表面缺陷检测[J]. 仪表技术与传感器, 2022(5): 111-116.

郭岚, 刘正新. 基于改进YOLOv5的光伏组件缺陷检测[J]. 激光与光电子学进展, 2023, 60(20): 148-156.

TAN M X, PANG R M, LE Q V.EfficientDet: scalable and efficient object detection[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle, WA, USA, 2020: 10778-10787.

WANG K X, LIEW J H, ZOU Y T, et al.PANet: few-shot image semantic segmentation with prototype alignment[C]//2019 IEEE/CVF International Conference on Computer Vision (ICCV). Seoul, Korea (South), 2019: 9196-9205.

SRIVASTAVA A, CHANDA S, JHA D, et al.PAANet: progressive alternating attention for automatic medical image segmentation[C]//2021 4th International Conference on Bio-Engineering for Smart Technologies (BioSMART). Paris, France, 2021: 1-4.

王银, 高瑞泽, 李茂环, 等. 基于YOLOv5 LiteX算法的光伏组件缺陷检测[J]. 太阳能学报, 2023, 44(9): 101-108.

蒋兴群, 刘波, 宋力, 等. 基于改进YOLO-v3的风力机叶片表面损伤检测识别[J]. 太阳能学报, 2023, 44(3): 212-217.

孔松涛, 徐甄泽, 林星宇, 等. 基于改进YOLOv5算法的光伏组件红外热成像缺陷检测[J]. 红外技术, 2023, 45(9): 974-981.

GEVORGYAN Z. SIoU loss: more powerful learning for bounding box regression[J]. arXiv preprint arXiv:2205. 12740, 2022.

刘雄彪, 杨贤昭, 陈洋, 等. 基于CIoU改进边界框损失函数的目标检测方法[J]. 液晶与显示, 2023, 38(5): 656-665.

麻斯亮, 许勇. 最小点距离的边界框回归损失函数及其应用[J]. 小型微型计算机系统, 2024, 45(11):2695-2701.

叶翔, 孙嘉兴, 甘永叶, 等. 改进YOLOv3模型在无人机巡检输电线路部件缺陷检测中的应用研究[J]. 电测与仪表, 2023, 60(5): 85-91.

任喜伟, 韩欣, 钟弋, 等. 基于改进U-Net网络的光伏板图像分割方法[J]. 陕西科技大学学报, 2023, 41(2): 155-161.

LIU W, ANGUELOV D, ERHAN D, et al.SSD: single shot MultiBox detector[M].Lecture Notes in Computer Science. Cham: Springer International Publishing, 2016: 21-37.

REDMON J, FARHADI A. YOLOv3: an incremental improvement[J]. ArXiv preprint arXiv:1804.02767, 2018.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于知识蒸馏的红外光伏组件缺陷检测模型

基于损失函数改进和补丁时序Transformer网络的风功率超短期多步预测

基于迁移学习的光伏组件鸟粪覆盖检测