基于改进YOLOv5模型的光伏组件积灰量检测

李乐; 刘逸飞; 李浩义; 吴欣玥; 尹晓萱; 吴皓月

doi:10.19912/j.0254-0096.tynxb.2025-0807

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于改进YOLOv5模型的光伏组件积灰量检测

更新时间：2026-10-15

- 基于改进YOLOv5模型的光伏组件积灰量检测
- 基于改进YOLOv5模型的光伏组件积灰量检测
- 太阳能学报 2026年47卷第9期页码：352-361
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：10.19912/j.0254-0096.tynxb.2025-0807
  中图分类号： TM615
- 网络首发：2026-10-10，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
李乐, 刘逸飞, 李浩义, 等. 基于改进YOLOv5模型的光伏组件积灰量检测[J]. 太阳能学报, 2026,47(9):352-361.

李乐, 刘逸飞, 李浩义, et al. 基于改进YOLOv5模型的光伏组件积灰量检测[J]. 2026, 47(9): 352-361.
李乐, 刘逸飞, 李浩义, 等. 基于改进YOLOv5模型的光伏组件积灰量检测[J]. 太阳能学报, 2026,47(9):352-361. DOI： 10.19912/j.0254-0096.tynxb.2025-0807.

李乐, 刘逸飞, 李浩义, et al. 基于改进YOLOv5模型的光伏组件积灰量检测[J]. 2026, 47(9): 352-361. DOI： 10.19912/j.0254-0096.tynxb.2025-0807.

摘要

为解决光伏组件表面积灰引起的发电效率下降、运行寿命降低的问题

该文提出一种用于积灰检测的改进YOLOv5模型

通过引入基于多尺度的GS卷积模块与VoVGSCSP模块

添加CBAM注意力机制并改进SPPF模块

实现检测精度与速度双重提升。在获取充足数据集基础上

对部分数据集采用限制对比度的自适应直方图均衡化（CLAHE）、锐化与Gamma参数调节协同处理

并采用PyCharm搭建基于改进YOLOv5模型的实验平台

实现光伏组件表面积灰位置和区域积灰量的高效率检测验证。结果表明

改进YOLOv5模型能使区域积灰量检测的mAP@0.5∶0.95较传统YOLOv5模型提升3.3个百分点

检测速度由65.2帧/s提升至68.32帧/s

具备精度和速度双重优势。该研究建立了一种适用于不同光照条件下的光伏组件表面积灰检测模型

可为光伏电站运维管理与清洁决策提供参考。

Abstract

To address the decline in power generation efficiency and the shortened operational lifespan of photovoltaic （PV） modules caused by surface dust accumulation

this paper proposes an improved YOLOv5-based model for dust detection. The proposed model enhances the original YOLOv5 architecture by introducing multi-scale GS convolution modules and VoVGSCSP structures

incorporating the CBAM attention mechanism

and modifying the SPPF module to improve both accuracy and speed. Based on a sufficiently large and representative dataset

CLAHE

sharpening

and Gamma parameter adjustment are collaboratively applied to part of the dataset. An experimental platform was developed in PyCharm to implement and verify the improved model

enabling efficient detection of dust locations and regional dust accumulation on PV module surfaces. Experimental results show that the improved YOLOv5 model achieves 3.3 percentage points increase in @0.5∶0.95 over the baseline YOLOv5

while the FPS improves from 65.2 FPS to 68.3 FPS

demonstrating advantages in both accuracy and speed. This study develops a surface dust detection model for photovoltaic modules under varying illumination conditions

providing methodological support for operation and maintenance management and cleaning decision-making in photovoltaic power plants.

关键词

Keywords

references

李浩义, 刘云鹏, 李乐, 等. 基于静电吸附机理的光伏组件无水化除尘方法研究[J]. 太阳能学报, 2025, 46(7): 606-613.

闫群民, 屈晨光, 王磊, 等. 考虑双碳目标的新型电力系统源-网-荷-储评价体系研究[J]. 太阳能学报, 2025, 46(12): 469-482.

Li W Y, Dong F G, Shi M X, et al.Multi-attribute decision-making research on investment suitability assessment of hydropower-wind-photovoltaic-storage complementary system based on dynamic social network[J]. Energy Conversion and Management, 2024, 307: 118358.

李乐, 尹晓萱, 武文华, 等. 适用于光伏板静电除尘的纳米银线-环氧树脂透明导电薄膜研究[J]. 中国电机工程学报, 2024, 44(23): 9463-9474.

曲宏伟, 王靖雯. 积灰对光伏板输出特性影响理论和试验研究[J]. 太阳能学报, 2018, 39(8): 2335-2340.

徐志明, 曲宏伟, 王靖雯, 等. 太阳能光伏板积灰的最佳清扫周期[J]. 中国电机工程学报, 2018, 38(6): 1738-1742.

殷孝雎, 于金池, 郝志鹏, 等. 基于光伏组件图像特征的故障检测方法[J]. 太阳能学报, 2025, 46(4): 273-279.

Ghahremani A, Adams S D, Norton M, et al.Advancements in AI-Driven detection and localization of solar panel defects[J]. Advanced Engineering Informatics, 2025, 64: 103104.

杨瑞珍, 杜博伦, 何赟泽, 等. 晶体硅光伏电池电磁感应激励红外热辐射缺陷检测与成像技术[J]. 电工技术学报, 2018, 33(S2): 321-330.

王道累, 姚勇, 张世恒, 等. 基于红外热图像的光伏组件热斑深度学习检测方法[J]. 中国电机工程学报, 2023, 43(24): 9608-9616.

Huang J, Zeng K Y, Zhang Z J, et al.Solar panel defect detection design based on YOLOv5 algorithm[J]. Heliyon, 2023, 9(8): e18826.

Sun T Y, Xing H S, Cao S X, et al.A novel detection method for hot spots of photovoltaic (PV) panels using improved anchors and prediction heads of YOLOv5 network[J]. Energy Reports, 2022, 8: 1219-1229.

Pan W W, Sun X F, Wang Y L, et al.Enhanced photovoltaic panel defect detection via adaptive complementary fusion in YOLO-ACF[J]. Scientific Reports, 2024, 14: 26425.

陈海永, 袁乐, 王世杰, 等. 基于多尺度编码互补注意力网络的光伏缺陷检测[J]. 太阳能学报, 2023, 44(10): 191-197.

赵波, 廖坤, 邓春宇, 等. 基于卷积神经学习的光伏板积灰状态识别与分析[J]. 中国电机工程学报, 2019, 39(23): 6981-6989.

孙鹏翔, 毕利, 王俊杰. 基于改进深度残差网络的光伏板积灰程度识别[J]. 计算机应用, 2022, 42(12): 3733-3739.

Yang Y H, Miao Z L, Zhang H, et al.Lightweight attention-guided YOLO with level set layer for landslide detection from optical satellite images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024, 17: 3543-3559.

王育欣, 张志, 张家亮, 等. 基于改进YOLOv5算法的光伏缺陷检测[J]. 太阳能学报, 2024, 45(12): 139-145.

项新建, 汤卉, 肖家乐, 等. 基于多尺度特征融合SSDLite的光伏组件缺陷检测[J]. 太阳能学报, 2025, 46(1): 669-675.

崔沛然, 崔明建, 汪清, 等. 基于张量分解个性化联邦学习的网络-光伏爬坡协同攻击辨识[J]. 电工技术学报, 2025, 40(23): 7677-7693.

梁远升, 程康, 王钢, 等. 基于概率预测与随机响应面法的新能源孤岛配电网实时风险评估与调控策略[J]. 电网技术, 2023, 47(12): 4948-4957.

李毅, 徐慧英, 朱信忠, 等. 基于YOLOv5n模型改进的口罩检测算法: Mask-YOLO[J]. 计算机工程, 2025, 51(6): 297-310.

Jia Y F, Chen G D, Zhao L Q.Defect detection of photovoltaic modules based on improved VarifocalNet[J]. Scientific Reports, 2024, 14: 15170.

米增, 连哲. 面向通用目标检测的YOLO方法研究综述[J]. 计算机工程与应用, 2024, 60(21): 38-54.

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

基于光伏组件图像特征的故障检测方法

改进SSD的光伏组件热斑缺陷检测方法

YOLO-DSBF：一种新的太阳电池缺陷识别方法

基于HCF-YOLO的光伏组件红外图像热斑故障检测

考虑规模风电机组调频特性的多区域系统优化调度