基于YOLOv5 LiteX算法的光伏组件缺陷检测

利用无人机载热红外设备对光伏组件进行航拍和缺陷检测。针对无人机存储和算力的局限性，以及现有基于深度学习的缺陷检测模型在大型光伏电站复杂环境下模型参数量大和计算开销大的问题，设计使用YOLOv5 LiteX作为超轻量化的缺陷检测模型。首先，选择加权双向特征金字塔BiFPN替换原来的特征金字塔PANet，使特征有效的跨尺度连接和加权融合；其次，在特征融合的基础上增加更大的检测尺度，以提高模型检测较小缺陷目标的性能；引入focal-EIoU Loss对原有的边界框坐标预测损失加以改善，使网络专注于困难样本的运算。此外，通过数据增强方法来克服数据量过少的问题。改进后网络的平均精确率（mAP）相较于基准网络（Lite-YOLOv5）提高了7.32个百分点，困难样本（异物遮挡）的mAP大幅度提升。