En tant que composant central du système de production d'énergie solaire, les panneaux photovoltaïques sont soumis à des défauts de surface qui affectent gravement l'efficacité de conversion photovoltaïque et la durée de vie. Face aux difficultés de reconnaissance des petits défauts et au faible contraste entre défauts et arrière-plan dans la détection des défauts des panneaux photovoltaïques, cette étude propose un modèle de détection SCA-YOLOv8n. Tout d'abord, un module de couplage croisé SCConv a été conçu, permettant une reconstruction interactive des caractéristiques spatiales et canaux, renforçant la capacité du modèle à extraire des caractéristiques multi-échelles des défauts tout en réduisant les informations redondantes ; ensuite, un mécanisme d'attention coordonnée (CoordAtt) a été construit, se concentrant sur la zone de défauts à partir des dimensions canaux et spatiales pour supprimer les interférences de fond ; enfin, un module de sous-échantillonnage adaptatif léger (ADown) a été intégré pour remplacer la convolution par pas traditionnel, réduisant la complexité de calcul tout en limitant la perte d'information caractéristique. Les résultats expérimentaux montrent que le modèle amélioré atteint un mAP@0.5 de 94,4 %, soit une augmentation de 2,0 % par rapport au modèle YOLOv8n original, avec une réduction des paramètres de 5,0 % et une diminution des GFLOPs de 4,9 %. Ces résultats confirment pleinement que cette amélioration permet de légèreté du modèle tout en augmentant significativement la précision et la fiabilité de la détection des défauts des panneaux photovoltaïques.

détection des défauts des panneaux photovoltaïques;YOLOv8n;SCConv;CoordAtt;ADown