La détection des défauts de surface des panneaux photovoltaïques est essentielle pour garantir l'efficacité de la production d'énergie et la sécurité de fonctionnement des systèmes photovoltaïques. Face aux défis de la détection de petits objets sur des images infrarouges aériennes par drone, à l'interférence forte du fond thermique en extérieur et à la large variation d'échelle des défauts, cette étude propose un modèle de détection de défauts infrarouges photovoltaïques combinant des caractéristiques multi-échelles et des convolutions dynamiques. Premièrement, dans le chemin à faible profondeur, la convolution de l'espace à la profondeur (SPD-Conv) remplace le sous-échantillonnage traditionnel, évitant la perte de caractéristiques fines et d'informations de bord pour des petits objets comme les anomalies de diode et les points chauds. Deuxièmement, un module de convolution dynamique à pleine dimension (CSPOmniKernel) est introduit, ajustant adaptativement le champ réceptif via un mécanisme multi-branches, renforçant les caractéristiques des défauts à faible contraste et supprimant l'interférence complexe du fond thermique. Enfin, un module efficace de fusion de caractéristiques multi-échelles (MFM) est construit, utilisant l'interaction inter-niveaux et l'agrégation adaptative pour améliorer la robustesse du modèle face à différentes échelles cibles. Sur un jeu de données infrarouges aériennes photovoltaïques contenant 5 types de défauts typiques, le modèle amélioré atteint un mAP@0.5 de 84,12 %, soit une amélioration de 5,16 % par rapport au RT-DETR-r18 de référence, avec une vitesse d'inférence de 48 FPS, répondant aux besoins d'inspection industrielle en temps réel. Les résultats montrent que cette approche améliore efficacement la précision et la fiabilité de la détection des défauts photovoltaïques en environnements extérieurs complexes.

Détection des défauts photovoltaïques;Images infrarouges aériennes;Algorithme RT-DETR;Convolution dynamique;Détection de petits objets