Die Oberflächendefekterkennung von Photovoltaikmodulen ist entscheidend für die Gewährleistung der Energieerzeugungseffizienz und Betriebssicherheit von Photovoltaiksystemen. Um den Herausforderungen der Erkennung kleiner Ziele in Infrarot-Luftbildern von Drohnen, den starken Störungen durch den thermischen Außenhintergrund und der großen Skala der Defektziele zu begegnen, schlägt diese Studie ein Modell zur Infrarot-Defekterkennung von Photovoltaik vor, das mehrskalige Merkmale mit dynamischer Faltung kombiniert. Zuerst wird im flachen Pfad statt der herkömmlichen Downsampling-Methode die räumlich-tiefe Faltung (SPD-Conv) verwendet, um den Verlust feinkörniger Merkmale und Randinformationen kleiner Ziele wie Diodenanomalien und Hotspots zu vermeiden. Zweitens wird ein dynamisches Voll-Dimension-Faltungsmodul (CSPOmniKernel) eingeführt, das durch ein Mehrzweig-Mechanismus adaptiv den Rezeptionsbereich anpasst, kontrastarme Defektmerkmale verstärkt und komplexe thermische Hintergrundstörungen unterdrückt. Drittens wird ein effizientes mehrskaliges Merkmalsfusionmodul (MFM) aufgebaut, welches dank Schichtebenen-Interaktion und adaptiver Aggregation die Robustheit des Modells gegenüber Zielen unterschiedlicher Skalen verbessert. Auf einem Infrarot-Luftbild-Datensatz mit 5 typischen Defekttypen erreichte das verbesserte Modell ein mAP@0.5 von 84,12 %, was eine Steigerung um 5,16 % gegenüber dem Basismodell RT-DETR-r18 darstellt, und eine Inferenzgeschwindigkeit von 48 FPS, womit es den Anforderungen der industriellen Echtzeitinspektion entspricht. Die Ergebnisse zeigen, dass diese Lösung die Genauigkeit und Zuverlässigkeit der Photovoltaikdefekterkennung in komplexen Außenumgebungen effektiv verbessert.

Photovoltaikdefekterkennung;Infrarot-Luftbilder;RT-DETR-Algorithmus;Dynamische Faltung;Erkennung kleiner Ziele