Como componente central del sistema de generación de energía solar, los paneles fotovoltaicos presentan defectos en la superficie que afectan gravemente la eficiencia de conversión fotovoltaica y la vida útil. Ante las dificultades para identificar defectos pequeños y el bajo contraste entre los defectos y el fondo en la detección de defectos en paneles fotovoltaicos, este estudio propone el modelo de detección SCA-YOLOv8n. Primero, se diseñó el módulo de acoplamiento cruzado SCConv, que mediante la reconstrucción interactiva de características espaciales y de canal, mejora la capacidad del modelo para extraer características de defectos de múltiples escalas mientras reduce la información redundante; en segundo lugar, se construyó el mecanismo de atención de coordenadas (CoordAtt), que se centra en la región defectuosa desde las dimensiones espacial y de canal, suprimiendo la interferencia del fondo; finalmente, se incorporó el módulo de submuestreo adaptativo ligero (ADown) para reemplazar la convolución con salto tradicional, reduciendo la complejidad computacional y disminuyendo la pérdida de información característica. Los resultados experimentales muestran que el modelo mejorado alcanzó un mAP@0.5 de 94,4%, un aumento del 2,0% en comparación con el modelo original YOLOv8n, con una reducción del 5,0% en parámetros y una disminución del 4,9% en GFLOPs. Estos resultados confirman plenamente que esta mejora puede lograr una reducción del modelo al mismo tiempo que mejora significativamente la precisión y la confiabilidad de la detección de defectos en paneles fotovoltaicos.

detección de defectos en paneles fotovoltaicos;YOLOv8n;SCConv;CoordAtt;ADown