基于YOLOv5的无人机航拍红外图像的微弱光伏阵列热斑检测

彭自然; 王思远; 张颖清; 肖伸平

doi:doi:10.19912/j.0254-0096.tynxb.2024-1304

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YOLOv5的无人机航拍红外图像的微弱光伏阵列热斑检测

更新时间：2026-01-08

- 基于YOLOv5的无人机航拍红外图像的微弱光伏阵列热斑检测
- 基于YOLOv5的无人机航拍红外图像的微弱光伏阵列热斑检测
- 太阳能学报 2025年46卷第12期页码：315-323
- 作者机构：
- 作者简介：
- 基金信息：
  
  国家重点研发计划（2019YFE0122600）;湖南省教育厅重点科研项目（22A0423）;湖南省自科科学基金（2023JJ60267;2022JJ50073）
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1304
  中图分类号： TP391
- 网络出版：2026-01-07，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
彭自然, 王思远, 张颖清, 等. 基于YOLOv5的无人机航拍红外图像的微弱光伏阵列热斑检测[J]. 太阳能学报, 2025,46(12):315-323.

彭自然, 王思远, 张颖清, et al. 基于YOLOv5的无人机航拍红外图像的微弱光伏阵列热斑检测[J]. 2025, 46(12): 315-323.
彭自然, 王思远, 张颖清, 等. 基于YOLOv5的无人机航拍红外图像的微弱光伏阵列热斑检测[J]. 太阳能学报, 2025,46(12):315-323. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1304.

彭自然, 王思远, 张颖清, et al. 基于YOLOv5的无人机航拍红外图像的微弱光伏阵列热斑检测[J]. 2025, 46(12): 315-323. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1304.

摘要

针对无人机航拍光伏组件红外热图像中热斑信号微弱、特征模糊以及自动化巡检存在较高漏检率和误检率的问题

该文基于深度学习模型YOLOv5进行优化改进

以提升其对微弱红外热斑的检测能力。首先

通过添加混合特征模块（HFM）

进一步增强网络的特征提取能力

有效提高检测精度。其次

在YOLOv5的主干网络后使用层级聚合注入网络（HAI）

使卷积核能得到全局特征信息

从而提高检测精度。最后

引入WIoU损失函数优化原有的边界框损失

提高了困难样本的检测速度。实验结果显示

改进后的模型mAP达到80.3%

相比原模型提升了5个百分点。

Abstract

To address the challenges of weak hotspot signals and blurred features in infrared images of photovoltaic modules captured by drones

as well as the high miss and false detection rates in automated inspections

this paper presents an optimized version of the YOLOv5 deep learning model to enhance its ability to detect faint infrared hotspots. First

by incorporating a hybrid feature module （HFM）

the network's feature extraction capability is further enhanced

leading to a significant improvement in detection accuracy. Additionally

a hierarchical aggregation Injection （HAI） network is employed after the backbone of YOLOv5

enabling the convolutional kernels to capture global feature information

thereby enforcing high detection precision. Finally

the WIoU loss function is introduced to improve the original bounding box loss and increase the detection speed of difficult samples. The experimental results show that the mAP of the improved model reaches 80.3%

which is an improvement of 5 percentage points compared to the original model.

关键词

Keywords

references

刘喜梅, 崔阳, 董建明, 等. 基于风电机组可靠性的风电场平准化成本模型研究[J]. 太阳能学报, 2022, 43(10): 304-311.

周亚男. 光伏电站运维现状分析[J]. 太阳能, 2024(1): 12-19.

卢和平, 陈昊, 白静芬, 等. 新型电力系统动态电能测量技术及其标准化研究[J]. 电网技术, 2024, 48(4): 1383-1395.

孙海蓉, 周映杰, 张镇韬, 等. 基于改进自私羊群算法的光伏红外热图像热斑识别方法[J]. 中国电机工程学报, 2022, 42(24): 8942-8950.

WANG Y D, ITAKO K, KUDOH T, et al.Voltage-based hot-spot detection method for PV string using projector[C]//2016 IEEE International Conference on Power and Renewable Energy (ICPRE). Shanghai, China, 2016: 570-574.

彭自然, 许怀顺, 肖伸平. 一种基于CatBoost优化的光伏阵列故障诊断模型[J]. 电子学报, 2024, 52(7): 2418-2428.

LI Y L, DING K, ZHANG J W, et al.A fault diagnosis method for photovoltaic arrays based on fault parameters identification[J]. Renewable energy, 2019, 143: 52-63.

吕艳玲, 钟晨, 刘志鹏. 基于光伏组件参数辨识的故障诊断分析[J]. 上海交通大学学报, 2025, 59(9): 1383-1396.

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.

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.

王道累, 李超, 李明山, 等. 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, 43(1): 412-417.

彭自然, 张颖清, 肖伸平. 基于YOLOv5的太阳电池表面缺陷检测[J]. 太阳能学报, 2024, 45(6): 368-375.

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.

王昊, 丁国斌, 杨家慧. 基于无人机机载AI模块的电力巡检技术[J]. 沈阳工业大学学报, 2024, 46(1): 49-53.

王道累, 姚从荣, 李超, 等. 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, 45(5): 527-536.

刘熹, 陈晨, 双丰. 基于改进YOLOv7-tiny的多种类绝缘子检测算法[J]. 仪器仪表学报, 2024, 45(9): 101-110.

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YOLOv5 LiteX算法的光伏组件缺陷检测

基于YOLOv5的太阳电池表面缺陷检测

基于多尺度特征融合SSDLite的光伏组件缺陷检测

YOLO-DSBF：一种新的太阳电池缺陷识别方法

基于改进YOLOv5的光伏组件EL图像缺陷检测方法