Als Kernkomponente eines Solarkraftsystems wirken sich Oberflächendefekte von Photovoltaikmodulen erheblich auf die photoelektrische Umwandlungseffizienz und die Lebensdauer aus. Um die Schwierigkeiten bei der Erkennung kleiner Defekte und den niedrigen Kontrast zwischen Defekten und Hintergrund bei der Defekterkennung von Photovoltaikmodulen zu adressieren, schlägt diese Studie das SCA-YOLOv8n-Erkennungsmodell vor. Zunächst wurde das SCConv-Cross-Coupling-Modul entworfen, das durch räumlich-kanalinteraktive Rekonstruktion redundante Informationen reduziert und die Fähigkeit des Modells zur Extraktion von Defektmerkmalen in mehreren Maßstäben verbessert; zweitens wurde der Koordinaten-Attention-Mechanismus (CoordAtt) entwickelt, der sich aus Kanal- und Raumdimensionen auf Defektbereiche konzentriert und Hintergrundstörungen unterdrückt; schließlich wurde das leichte adaptive Downsampling-Modul (ADown) eingebettet, um herkömmliche strided Convolutions zu ersetzen, wodurch die Rechenkomplexität gesenkt und der Informationsverlust der Merkmale reduziert wird. Die experimentellen Ergebnisse zeigen, dass das verbesserte Modell eine mAP@0.5 von 94,4 % erreicht, was eine Steigerung von 2,0 % gegenüber dem ursprünglichen YOLOv8n-Modell darstellt, zudem wurden die Parameterzahl um 5,0 % und die GFLOPs um 4,9 % reduziert. Die oben genannten Ergebnisse bestätigen eindrucksvoll, dass dieser Verbesserungsplan die Modellkompression ermöglicht und gleichzeitig die Präzision und Zuverlässigkeit der Defekterkennung von Photovoltaikmodulen erheblich verbessert.

Defekterkennung von Photovoltaikmodulen;YOLOv8n;SCConv;CoordAtt;ADown