Als Kernkomponente eines Solarenergiesystems haben Oberflächenfehler von Photovoltaikmodulen erhebliche Auswirkungen auf die photoelektrische Umwandlungseffizienz und die Lebensdauer. Angesichts der Herausforderungen bei der Erkennung kleiner Fehler und des geringen Kontrasts zwischen Fehlern und Hintergrund bei der Fehlererkennung von Photovoltaikmodulen schlägt diese Studie das SCA-YOLOv8n-Erkennungsmodell vor. Erstens wurde das SCConv-Cross-Coupling-Modul entworfen, das durch interaktive Rekonstruktion von Raum- und Kanalmerkmalen die Fähigkeit des Modells zur Extraktion von Mehrskalendefektmerkmalen verbessert und gleichzeitig redundante Informationen reduziert; zweitens wurde der Koordinaten-Attention-Mechanismus (CoordAtt) entwickelt, der sich auf den Defektbereich in den Kanal- und Raumdimensionen konzentriert und Hintergrundstörungen unterdrückt; schließlich wurde das leichte adaptive Downsampling-Modul (ADown) eingebettet, das herkömmliche Stride-Convolution ersetzt und dabei die Rechenkomplexität reduziert sowie den Verlust von Merkmalinformationen minimiert. Experimentelle Ergebnisse zeigen, dass das verbesserte Modell eine mAP@0.5 von 94,4 % erreicht, was eine Steigerung um 2,0 % gegenüber dem ursprünglichen YOLOv8n-Modell darstellt, bei einer Reduzierung der Parameter um 5,0 % und einem Rückgang der GFLOPs um 4,9 %. Die Ergebnisse bestätigen, dass diese verbesserte Lösung eine Modellvereinfachung ermöglicht und gleichzeitig die Genauigkeit und Zuverlässigkeit der Fehlererkennung von Photovoltaikmodulen signifikant verbessert.

Photovoltaikmodul-Fehlererkennung;YOLOv8n;SCConv;CoordAtt;ADown