基于改进YOLOv8的红外光伏组件缺陷检测方法

孙廨尧; 孙俊海; 朱先远; 李春秋

doi:doi:10.19912/j.0254-0096.tynxb.2024-1871

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YOLOv8的红外光伏组件缺陷检测方法

更新时间：2026-03-06

- 基于改进YOLOv8的红外光伏组件缺陷检测方法
- 基于改进YOLOv8的红外光伏组件缺陷检测方法
- 太阳能学报 2026年47卷第2期页码：148-154
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1871
  中图分类号： TM615
- 网络首发：2026-03-05，
  
  纸质出版：2026-03-05
- 稿件说明：
移动端阅览
孙廨尧, 孙俊海, 朱先远, 等. 基于改进YOLOv8的红外光伏组件缺陷检测方法[J]. 太阳能学报, 2026,47(2):148-154.

孙廨尧, 孙俊海, 朱先远, et al. 基于改进YOLOv8的红外光伏组件缺陷检测方法[J]. 2026, 47(2): 148-154.
孙廨尧, 孙俊海, 朱先远, 等. 基于改进YOLOv8的红外光伏组件缺陷检测方法[J]. 太阳能学报, 2026,47(2):148-154. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1871.

孙廨尧, 孙俊海, 朱先远, et al. 基于改进YOLOv8的红外光伏组件缺陷检测方法[J]. 2026, 47(2): 148-154. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1871.

摘要

针对传统红外光伏组件缺陷检测精确低、速度慢问题

提出一种基于改进YOLOv8的红外光伏组件缺陷检测方法WD_YOLOv8。首先引入Wise-IoU v2损失函数替换原算法中的CIoU损失

提升检测精确率

同时提高精确率P和召回率R之间的平衡;其次

在特征融合网络Neck中采用DySample上采样

保持较好的检测帧率。实验表明

改进后模型在红外伪彩色光伏组件缺陷检测场景下指标P、mAP@0.5和F1-score分别提高0.3、1.5和2.6个百分点;在红外灰度光伏组件缺陷检测场景下指标P、mAP@0.5和F1-score分别提高18.6、7.7和5.1个百分点。改进后算法在红外场景下具有良好的鲁棒性和适应性。

Abstract

Traditional infrared photovoltaic module defect detection methods often suffer from low accuracy and slow processing speeds. To address these limitations

we propose WD_YOLOv8

an improved infrared photovoltaic module defect detection method based on YOLOv8. First

we introduced the Wise Intersection over Union v2 loss function to replace the Complete-IoU loss function used in the original algorithm

thereby enhancing detection precision. Additionally

the v2 loss function improved the balance between precision （） and recall （）

optimizing overall detection performance. Second

DySample up-sampling was incorporated into the feature fusion network （Neck） to maintain a high detection frame rate. Experimental results show that the improved model increases metrics

mAP@0.5

and F1-score by 0.3

1.5

and 2.6 percentage points

respectively

in the infrared pseudo-color photovoltaic module defect detection scenarios. Moreover

in infrared grayscale photovoltaic module defect detection scenarios

these metrics improve by 18.6

7.7

and 5.1 percentage points

respectively. These findings indicate that the proposed algorithm exhibits strong robustness and adaptability in infrared imaging applications.

关键词

Keywords

references

LIU W, ANGUELOV D, ERHAN D, et al.SSD: single shot MultiBox detector[C]//Computer Vision-ECCV 2016. Cham: Springer, 2016: 21-37.

REDMON J, DIVVALA S, GIRSHICK R, et al.You only look once: unified, real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA, 2016: 779-788.

HE K M, GKIOXARI G, DOLLÁR P, et al. Mask R-CNN[C]//2017 IEEE International Conference on Computer Vision (ICCV). Venice, Italy, 2017: 2980-2988.

REN S Q, HE K M, GIRSHICK R, et al.Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE transactions on pattern analysis and machine intelligence, 2017, 39(6): 1137-1149.

张上, 黄俊锋, 王恒涛, 等. 低空轻量级红外弱小目标检测算法[J]. 激光与红外, 2024, 54(1): 122-129.

沈凌云, 郎百和, 宋正勋, 等. 基于DCS-YOLOv8模型的红外图像目标检测方法[J]. 红外技术, 2024, 46(5): 565-575.

李玉娟, 周界龙, 麦耀华, 等. YOLOv5用于太阳电池缺陷检测优化研究[J]. 太阳能学报, 2024, 45(11): 162-169.

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.

徐威, 李为相, 方志, 等. 基于改进YOLOv7-tiny的光伏电池缺陷检测算法[J]. 计算机工程与应用, 2024, 60(15): 336-343.

廖力达, 罗晓, 黄斌, 等. 复杂背景下的多晶硅太阳电池缺陷检测[J]. 太阳能学报, 2024, 45(9): 295-303.

陶志勇, 易廷军, 林森, 等. 轻量化M-CNN的太阳电池表面缺陷识别[J]. 太阳能学报, 2024, 45(6): 341-348.

LIU W Z, LU H, FU H T, et al.Learning to upsample by learning to sample[C]//2023 IEEE/CVF International Conference on Computer Vision (ICCV). Paris, France, 2024: 6004-6014.

WANG J Q, CHEN K, XU R, et al.CARAFE: content-aware ReAssembly of FEatures[C]//2019 IEEE/CVF International Conference on Computer Vision (ICCV). Seoul, Korea, 2019: 3007-3016.

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的无人机航拍红外图像的微弱光伏阵列热斑检测

基于典型气象数据的太阳能汽车年性能分析

YOLO-DSBF：一种新的太阳电池缺陷识别方法

基于改进YOLOv8的光伏缺陷快速检测

大型风电机组满发段功率与载荷协同模糊控制方法