摘要随着光伏电站规模的不断扩大太阳能板的缺陷检测成为保障发电效率与运行安全的关键环节。传统的人工巡检方式效率低、主观性强难以满足大规模电站的实时监测需求。本文基于YOLO26目标检测算法构建了一套针对红外图像中太阳能板典型缺陷的自动识别系统。系统可识别四类缺陷Bypass Diode旁路二极管异常、Cell Fault电池片故障、Defects其他缺陷和 Hotspot热斑。实验采用自建红外图像数据集其中训练集1897张、验证集222张、测试集113张。详细功能展示视频https://www.bilibili.com/video/BV1Tyd1BjEiB/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1Tyd1BjEiB/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1Tyd1BjEiB/引言太阳能作为一种清洁、可再生的能源在全球能源结构中占比不断提升。光伏电站的安全稳定运行依赖于太阳能板组件的健康状况。然而太阳能板在长期运行中容易受到环境、老化、制造缺陷等因素影响产生各类故障如电池片隐裂、热斑效应、旁路二极管失效等。这些缺陷若不及时发现不仅会降低发电效率还可能引发火灾等严重安全事故。目前光伏电站的缺陷检测主要依赖人工巡检或无人机拍摄后的肉眼判读存在效率低、漏检率高、受天气和光照影响大等问题。红外热成像技术能够反映组件表面的温度分布是识别热斑、旁路二极管异常等温度相关缺陷的有效手段。结合深度学习目标检测算法可实现自动化、智能化的缺陷识别。YOLOYou Only Look Once系列算法因其检测速度快、精度高、易于部署等优势在工业缺陷检测领域得到广泛应用。本文基于YOLO26框架针对红外图像中太阳能板的四类典型缺陷构建了一套自动识别检测系统并对模型的检测性能进行了全面分析以期为光伏智能运维提供技术支撑。目录摘要引言功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块背景数据集介绍1. 缺陷类别2. 数据集划分训练结果1、总体评价​编辑2、各类别性能分析基于 PR 曲线​编辑3、混淆矩阵分析归一化​编辑4、训练曲线分析results.png​编辑5、其他曲线辅助判断Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查背景光伏发电作为一种清洁、低碳的能源形式在全球范围内得到了快速推广。截至2025年底全球光伏累计装机容量已超过1500GW且仍在以每年超过200GW的速度增长。随着光伏电站的大规模建设与长期运行太阳能板的健康状态监测成为运维管理的核心任务之一。太阳能板长期暴露在户外环境中承受高温、强紫外线、风沙、积雪等自然因素的侵蚀加之制造过程中可能存在的隐性缺陷极易出现电池片隐裂、热斑效应、接线盒故障、旁路二极管失效等问题。这些缺陷若未能及时发现与处理不仅会直接降低光伏组件的发电效率还可能因局部过热引发火灾造成严重的安全事故和经济损失。传统的光伏缺陷检测方法主要依赖人工巡检与手持热成像仪检测。运维人员定期对电站进行巡查利用红外热成像仪拍摄组件图像再通过肉眼判断是否存在异常。这种检测方式存在明显局限性一是效率低下面对数千甚至数万块组件人工方式难以实现高频次、全覆盖的检测二是主观性强检测结果依赖于人员的经验水平不同人员之间判断标准不一漏检率与误检率较高三是受环境条件影响大如光照、温度、时间等因素都会影响红外成像质量。此外随着光伏电站向沙漠、戈壁、山地等偏远地区布局人工巡检的成本与难度进一步增加。近年来无人机搭载红外热成像设备的巡检方式逐渐普及极大地提升了数据采集效率。然而随之而来的海量图像数据仍需依赖人工判读成为新的瓶颈。因此如何从红外图像中自动、准确地识别太阳能板缺陷成为智能运维领域的研究热点。深度学习技术的快速发展特别是卷积神经网络在目标检测任务中的成功应用为光伏缺陷自动识别提供了新的技术路径。YOLO系列算法作为单阶段目标检测的代表具有检测速度快、精度高、模型轻量化的特点非常适合于嵌入式设备与实时检测场景。在光伏缺陷检测领域已有研究尝试将YOLO应用于电致发光EL图像和可见光图像中的缺陷识别但针对红外图像中的热斑、旁路二极管异常等温度相关缺陷的研究仍相对较少。红外图像与可见光图像在成像原理、特征表达上存在显著差异红外图像分辨率较低、纹理细节少、背景与目标对比度不高对检测模型提出了更高的要求。因此构建一套面向红外太阳能板图像的YOLO缺陷识别检测系统不仅能够填补该领域应用研究的空白也为光伏电站实现智能化、自动化运维提供了可行方案。数据集介绍1. 缺陷类别本数据集共包含四类太阳能板缺陷具体如下类别名称说明Bypass Diode旁路二极管异常通常表现为局部温度异常升高或失效Cell Fault电池片故障如隐裂、碎片、老化等导致的性能下降Defects其他类型缺陷包括表面污损、接线盒异常等Hotspot热斑效应由局部遮挡或电池片失配引起的过热区域2. 数据集划分数据集共计2232张红外图像按如下方式划分数据集图像数量用途训练集1897张模型训练验证集222张超参数调优与模型选择测试集113张最终性能评估训练结果1、总体评价模型在Bypass Diode和Cell Fault两类缺陷上表现较好但在Hotspot类别上表现明显偏弱整体 mAP0.5 为0.651属于中等水平仍有优化空间。2、各类别性能分析基于 PR 曲线类别AP0.5评价Bypass Diode0.780表现良好识别较准确Cell Fault0.759表现良好略低于 Bypass DiodeHotspot0.414表现较差存在明显漏检或误检all classes0.651整体平均精度一般3、混淆矩阵分析归一化从confusion_matrix_normalized.png可以看出Bypass Diode正确分类率77%主要误检为Hotspot16%和Background19%Cell Fault正确分类率80%误检主要集中在Hotspot32%说明这两类在红外图像中特征相似Hotspot正确分类率仅65%大量被误判为Cell Fault52%说明类别间边界模糊Background正确率低仅 31%大量背景被误判为各类缺陷说明模型对背景与缺陷的区分能力不足4、训练曲线分析results.png从训练过程来看损失曲线train/box_loss、train/cls_loss持续下降说明模型在收敛val/box_loss和val/cls_loss在后期趋于平稳未见明显过拟合精度与召回率metrics/precision(B)和metrics/recall(B)稳定在0.70 左右5、其他曲线辅助判断F1-Confidence Curve最佳 F1 值为0.68对应置信度约0.32说明模型在低置信度下综合表现更优Recall-Confidence Curve在置信度为 0 时 Recall 为 0.79Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集​成残差对数似然估计​(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频https://www.bilibili.com/video/BV1Tyd1BjEiB/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1Tyd1BjEiB/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1Tyd1BjEiB/