
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于无人机热成像与YOLOv8s One-vs-Rest策略的光伏组件故障检测
《Scientific Reports》:Deep learning-driven fault detection in photovoltaic modules using UAV assistance
【字体: 大 中 小 】 时间:2026年10月22日 来源:Scientific Reports 4.9
编辑推荐:
摘要 对于大规模太阳能发电场而言,光伏(PV)组件的自动化检测变得越来越重要,因为手动热检测不仅耗时,而且还容易遗漏故障。本研究介绍了一种基于无人机(UAV)的光伏故障检测器(PVFD),该检测器将辐射热成像技术与轻量级的基于YOLOv8s的检测框架相结合。研
对于大规模太阳能发电场而言,光伏(PV)组件的自动化检测变得越来越重要,因为手动热检测不仅耗时,而且还容易遗漏故障。本研究介绍了一种基于无人机(UAV)的光伏故障检测器(PVFD),该检测器将辐射热成像技术与轻量级的基于YOLOv8s的检测框架相结合。研究团队使用安装在DJI Phantom 4无人机上的FLIR One Pro热像仪,在一年内从三个光伏发电场所收集了1,251张辐射热图像。该框架通过采用一种特定于故障的“一对其余”(One-vs-Rest, OvR)策略来检测三种类型的故障:热点、二极管故障和受影响的电池单元。在独立测试集上,该框架的准确率为0.85,精确度为0.89,召回率为0.86,mAP@0.5值为0.77。相应95%的Wilson置信区间为0.764–0.908。与传统的多类别YOLOv8模型进行对比后发现,OvR策略将整体准确率从0.82提升到了0.85,平均召回率从0.83提升到了0.86。具体来说,热点类的mAP从0.70提高到了0.73,二极管故障类从0.66提高到了0.71,受影响电池单元类从0.62提高到了0.66,不过推理吞吐量从48帧每秒(FPS)降到了43 FPS。这些结果表明,OvR策略在灵敏度和效率之间实现了可量化的平衡,并且能够更好地检测那些较少出现的光伏故障类型,从而支持其在无人机辅助热检测中的应用。