Como componente central del sistema de generación de energía solar, las placas fotovoltaicas con defectos en la superficie afectan gravemente la eficiencia de conversión fotovoltaica y la vida útil. Para abordar las dificultades de identificación de defectos pequeños y el bajo contraste entre defectos y fondo en la detección de defectos de las placas fotovoltaicas, este estudio propone el modelo de detección SCA-YOLOv8n. En primer lugar, se diseñó el módulo SCConv de acoplamiento cruzado, que reconstrue interactivamente las características espaciales y de canal, reduciendo la información redundante y mejorando la capacidad del modelo para extraer características de defectos a múltiples escalas; en segundo lugar, se construyó el mecanismo de atención de coordenadas (CoordAtt) para enfocar la atención en las regiones defectuosas desde las dimensiones de canal y espacio, suprimiendo las interferencias de fondo; finalmente, se integró un módulo de submuestreo adaptativo liviano (ADown) para reemplazar las convoluciones con paso tradicional, disminuyendo la complejidad computacional y reduciendo la pérdida de información de características. Los resultados experimentales muestran que el mAP@0.5 del modelo mejorado alcanzó el 94.4%, lo que representa una mejora del 2.0% respecto al modelo YOLOv8n original, con una reducción del 5.0% en el número de parámetros y del 4.9% en GFLOPs. Estos resultados confirman plenamente que esta mejora puede lograr una ligera reducción del modelo al tiempo que mejora significativamente la precisión y confiabilidad en la detección de defectos de placas fotovoltaicas.

Detección de defectos de placas fotovoltaicas;YOLOv8n;SCConv;CoordAtt;ADown