En tant que composant central du système de production d'énergie solaire, les panneaux photovoltaïques présentent des défauts de surface qui impactent sérieusement l'efficacité de conversion photovoltaïque et la durée de vie. Pour répondre aux difficultés de détection des petits défauts et au faible contraste entre les défauts et le fond dans la détection des défauts des panneaux photovoltaïques, cette étude propose le modèle de détection SCA-YOLOv8n. Tout d'abord, un module SCConv de couplage croisé a été conçu, permettant une reconstruction interactive des caractéristiques spatiales et canaux, réduisant les informations redondantes tout en améliorant la capacité du modèle à extraire des caractéristiques de défauts multi-échelles ; ensuite, un mécanisme d'attention par coordonnées (CoordAtt) a été construit pour focaliser sur les régions à défaut selon les dimensions canal et espace, réprimant les interférences de fond ; enfin, un module d’échantillonnage adaptatif léger (ADown) a été intégré en remplacement des convolutions à pas traditionnelles, réduisant ainsi la complexité computationnelle et la perte d’information sur les caractéristiques. Les résultats expérimentaux montrent que la mAP@0.5 du modèle amélioré atteint 94,4 %, soit une amélioration de 2,0 % par rapport au modèle YOLOv8n d'origine, avec une réduction des paramètres de 5,0 % et des GFLOPs de 4,9 %. Ces résultats prouvent pleinement que cette amélioration permet de réaliser un allègement du modèle tout en améliorant significativement la précision et la fiabilité de détection des défauts des panneaux photovoltaïques.

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