En tant que composant central des systèmes de production d'énergie solaire, les panneaux photovoltaïques présentent des défauts de surface qui affectent considérablement l'efficacité de la conversion photovoltaïque et la durée de vie. Pour répondre aux problèmes de difficulté de détection des petits défauts et de faible contraste entre les défauts et le fond dans la détection des défauts des panneaux photovoltaïques, cette étude propose un modèle de détection SCA-YOLOv8n. Premièrement, un module de couplage croisé SCConv a été conçu pour une reconstruction interactive des caractéristiques spatiales et canalaires, réduisant les informations redondantes tout en améliorant la capacité du modèle à extraire des caractéristiques de défauts multi-échelles; deuxièmement, un mécanisme d'attention coordonnée (CoordAtt) a été construit pour focaliser la région défectueuse selon les dimensions spatiales et canales, supprimant les interférences de fond; enfin, un module d’échantillonnage adaptatif léger (ADown) a été intégré pour remplacer la convolution par pas traditionnelle, réduisant la complexité de calcul tout en limitant la perte d'informations caractéristiques. Les résultats expérimentaux montrent que le mAP@0.5 du modèle amélioré atteint 94,4%, soit une amélioration de 2,0% par rapport au modèle YOLOv8n original, avec une réduction de 5,0% du nombre de paramètres et de 4,9% des GFLOPs. Ces résultats confirment que cette amélioration permet de réaliser un modèle léger tout en améliorant significativement la précision et la fiabilité de la détection des défauts des panneaux photovoltaïques.

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