Como componente central del sistema de generación de energía solar, la superficie de los paneles fotovoltaicos con defectos afecta gravemente la eficiencia de conversión fotovoltaica y la vida útil. Para abordar los problemas de dificultad en el reconocimiento de defectos pequeños y bajo contraste entre defectos y fondo en la detección de defectos del panel fotovoltaico, 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 reduce la información redundante y mejora 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 las áreas defectuosas desde las dimensiones de canal y espacio, suprimiendo las interferencias de fondo; finalmente, se incorporó el módulo ligero de submuestreo adaptativo (ADown) para reemplazar las convoluciones tradicionales con paso, reduciendo la complejidad computacional y la pérdida de información característica. Los resultados experimentales muestran que el mAP@0.5 del modelo mejorado alcanza un 94,4%, mejorando en un 2,0% con respecto al modelo original YOLOv8n, con una reducción del 5,0% en la cantidad de parámetros y del 4,9% en GFLOPs. Estos resultados demuestran que esta mejora puede lograr un modelo ligero mientras mejora significativamente la precisión y fiabilidad en la detección de defectos de los paneles fotovoltaicos.

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