Die Erkennung von Oberflächenfehlern auf Photovoltaikmodulen ist entscheidend für die Sicherstellung der Energieeffizienz und Betriebssicherheit von Photovoltaikanlagen. Angesichts von Herausforderungen wie der Schwierigkeit der Erkennung kleiner Ziele in von Drohnen aufgenommenen Infrarot-Luftbildern, starken Störungen durch den thermischen Hintergrund im Freien und dem großen Maßstabsbereich der Defekte, schlägt diese Studie ein Modell zur Erkennung infraroter Defekte auf Photovoltaikmodulen vor, das multiskalige Merkmale mit dynamischer Faltung kombiniert. Erstens wird im oberflächennahen Pfad die räumliche zu tiefen Faltung (SPD-Conv) anstelle der herkömmlichen Downsampling verwendet, um den Verlust feinkörniger Merkmale und Kanteninformationen bei kleinen Zielen wie Diodenanomalien und Hotspots zu vermeiden. Zweitens wird ein dynamisches Vollbereichsfaltungsmodul (CSPOmniKernel) eingeführt, das über einen mehrzweigigen Mechanismus das Rezeptivfeld adaptiv anpasst, um Defektmerkmale mit niedrigem Kontrast zu verstärken und komplexe thermische Störgeräusche zu unterdrücken. Drittens wird ein effizientes multiskaliges Merkmalsfusionsmodul (MFM) aufgebaut, das durch informationsübergreifende Interaktion und adaptive Aggregation die Robustheit des Modells bei Objekten unterschiedlicher Skalierung erhöht. In einem photovoltaischen Infrarot-Luftbilddatensatz mit 5 typischen Defektarten erreicht das verbesserte Modell eine mAP@0.5 von 84,12%, was eine Steigerung von 5,16% gegenüber dem Basismodell RT-DETR-r18 darstellt, bei einer Inferenzgeschwindigkeit von 48 FPS, womit die Anforderungen einer industriellen Echtzeitinspektion erfüllt werden. Die Ergebnisse zeigen, dass diese Lösung die Genauigkeit und Zuverlässigkeit der Photovoltaik-Defekterkennung in komplexen Außenumgebungen effektiv verbessert.

Photovoltaik-Defekterkennung; Infrarot-Luftbilder; RT-DETR-Algorithmus; dynamische Faltung; Erkennung kleiner Ziele