Als Kernkomponente von Solarenergiesystemen wirken sich Oberflächendefekte von Photovoltaikmodulen erheblich auf die photoelektrische Umwandlungseffizienz und Lebensdauer aus. Zur Bewältigung der Herausforderungen bei der Erkennung kleiner Defekte und des niedrigen Kontrasts zwischen Defekten und Hintergrund bei der Defekterkennung von Photovoltaikmodulen schlägt diese Studie das SCA-YOLOv8n-Detektionsmodell vor. Zunächst wurde das SCConv-Cross-Coupling-Modul entwickelt, das durch interaktive Rekonstruktion raum- und kanalbezogener Merkmale die Redundanz reduziert und gleichzeitig die Fähigkeit des Modells zur Extraktion von Defektmerkmalen in mehreren Skalen verbessert; zweitens wurde der Koordinatenaufmerksamkeitsmechanismus (CoordAtt) implementiert, der sich auf Defektbereiche in Kanal- und Raumdimensionen konzentriert und Hintergrundstörungen unterdrückt; schließlich wurde das leichte adaptive Downsampling-Modul (ADown) integriert, das herkömmliche gestufte Faltungen ersetzt, um die Rechenkomplexität zu reduzieren und Informationsverluste zu minimieren. Experimentelle 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 bedeutet, während die Parametermenge um 5,0 % und die GFLOPs um 4,9 % reduziert wurden. Diese Ergebnisse bestätigen, dass die vorgeschlagene Verbesserung eine Modellvereinfachung ermöglicht und gleichzeitig die Erkennungsgenauigkeit und Zuverlässigkeit bei der Defekterkennung von Photovoltaikmodulen erheblich steigert.

Photovoltaik-Defekterkennung;YOLOv8n;SCConv;CoordAtt;ADown