La détection des défauts sur la surface des panneaux photovoltaïques est essentielle pour garantir l'efficacité de la production d'énergie et la sécurité opérationnelle des systèmes photovoltaïques. Face aux défis tels que la difficulté de détecter de petites cibles dans les images infrarouges aériennes capturées par drones, les fortes interférences du fond thermique extérieur et la grande variété d'échelles des défauts, cette étude propose un modèle de détection des défauts infrarouges photovoltaïques combinant des caractéristiques multi-échelles et des convolutions dynamiques. Premièrement, dans le chemin peu profond, la convolution de l'espace à la profondeur (SPD-Conv) remplace l'échantillonnage conventionnel afin d'éviter la perte de caractéristiques fines et d'informations de bord des petites cibles comme les anomalies des diodes et les points chauds. Deuxièmement, un module de convolution dynamique omnidirectionnelle (CSPOmniKernel) est introduit ; via un mécanisme multi-branches, il adapte le champ réceptif pour renforcer les caractéristiques des défauts à faible contraste et supprimer les interférences complexes du fond thermique. Troisièmement, un module efficace de fusion de caractéristiques multi-échelles (MFM) est construit, utilisant l'interaction d'informations inter-niveaux et l'agrégation adaptative pour améliorer la robustesse du modèle à différentes échelles d'objets. Sur un ensemble de données infrarouges aériens photovoltaïques comprenant 5 types typiques de défauts, 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 exigences d'inspection industrielle en temps réel. Les résultats montrent que cette solution améliore efficacement la précision et la fiabilité de la détection des défauts photovoltaïques dans des environnements extérieurs complexes.

détection des défauts photovoltaïques; images infrarouges aériennes; algorithme RT-DETR; convolution dynamique; détection de petites cibles