引言

光伏发电作为实现“双碳”目标的重要支撑，其面板在户外长期运行中易出现裂纹、污点等缺陷，严重影响发电效率与安全。及时、精准地检测缺陷对保障光伏电站稳定运行具有重要意义。

传统的人工目检与机器视觉方法效率低、鲁棒性差，难以满足复杂环境下的检测需求。近年来，基于无人机与深度学习的巡检技术成为主流，能有效降低运维成本。现有检测方法可分为双阶段（如Faster-RCNN）与单阶段（如SSD、YOLO）两类。双阶段方法精度较高但参数量大、速度慢；单阶段方法在效率上有优势，但多存在精度与轻量化难以兼顾的问题。

针对上述问题，本文在YOLOv8s基础上提出改进模型YOLOv8-LMS。首先，设计轻量多尺度卷积模块C2f-LMSC，增强多尺度特征表达并减少参数量；其次，引入双向特征金字塔BiFPN，提升特征融合能力；最后，构建高效多尺度特征融合网络EfficientMSFFN，进一步优化检测性能。实验表明，该模型在提升精度的同时实现了轻量化，具有良好的应用前景。

1 YOLOv8-LMS光伏板缺陷检测模型

针对YOLOv8模型在基于无人机可见光图像的光伏缺陷检测中的不足，本文提出的改进模型如图1所示。骨干网络采用构建的新模块C2f-LMSC，用其替代部分C2f模块，减少模型参数量，提取目标多尺度特征。颈部网络引用双向特征金字塔结构，提升特征融合能力，提高小目标检测精度。在二者基础上，进一步构建高效的多尺度特征融合网络EfficientMSFFN，完全取代原模型的颈部网络，实现不同尺度目标的有效交互与整合。改进后的模型在精简参数量的同时，显著增强了复杂场景下光伏板缺陷的识别能力。

1.1轻量多尺度卷积

针对无人机光伏图像中背景复杂、缺陷易混淆，以及机载平台算力有限导致高精度模型部署难的问题，需在保证检测精度的同时降低计算量。借鉴MobileNet的深度可分离卷积与GhostNet的廉价特征生成思想，提出轻量多尺度卷积模块LMSC，并将其与C2f模块融合为C2f-LMSC，其结构如图2所示，用其替换原YOLOv8部分C2f结构。LMSC首先通过1×1卷积调整通道，再将特征沿通道切分为两分支：仅对一分支进行卷积提取特征，另一分支直接参与后续融合，以减少冗余计算。最后通过拼接与1×1卷积整合特征。该设计在保持特征表达能力的同時，有效降低参数量与计算复杂度，提升了多尺度建模能力与检测效果。

1.2 BiFPN模型

为弥补现有方法在多尺度特征融合方面的不足，并提升网络对不同尺寸目标的感知与表征能力，本文采用加权双向特征金字塔网络（BiFPN），如图3所示，来替换YOLOv8原有的 PANet颈部结构。BiFPN通过对双向连接路径进行精简，去除对特征表达贡献较小的单向输入节点，有效降低了网络冗余度。该结构在保留PANet中自顶向下与自底向上的双向信息流的基础上，引入了基于权重的特征融合机制。与传统的直接相加或特征拼接不同，BiFPN在多尺度特征融合过程中能够根据各层特征的重要性自适应分配融合权重，从而强化对关键特征的关注。此外，BiFPN采用可迭代堆叠的模块化设计，将每条融合路径视为一个特征融合单元，通过多层重复堆叠实现更深层次的特征交互。相比于简单的求和或拼接方式，该结构更有利于突出光伏缺陷检测任务中的关键尺度信息，从而进一步提升模型的检测精度与鲁棒性。

1.3 高效多尺度特征融合网络

在目标检测任务中，特征金字塔网络的设计核心在于如何高效融合不同尺度的语义信息。BiFPN结构以其简洁高效的双向跨尺度连接和加权特征融合机制，能够显著提升模型对多尺度目标的感知能力，但在面对复杂背景下形态各异的缺陷时，其局部特征提取能力仍有优化的空间。为了进一步增强模型对尺寸变化敏感且细节丰富的缺陷特征的表征能力，本文在前期工作的基础上，引入了轻量级多尺度卷积模块C2f-LMSC。该模块通过设计多分支卷积结构，在不显著增加计算开销的前提下，有效增强了网络对局部多尺度特征的提取与复用能力。

基于上述分析，本文并非简单地将C2f-LMSC与BiFPN进行堆叠，而是通过巧妙的架构设计将二者进行深度融合，提出了一种名为EfficientMSFFN的高效多尺度特征融合网络，其具体结构如图4所示。在这一融合结构中，C2f-LMSC模块作为核心的语义增强单元，嵌入至BiFPN的特征流动路径中，负责在特征融合前后进行精细的局部上下文建模；而BiFPN则通过其双向通道对经过增强的特征进行高效的跨尺度加权融合，使高层语义信息与底层空间细节能够充分交互与互补。二者的有机结合，充分发挥了C2f-LMSC在局部细节刻画上的优势与BiFPN在全局多尺度融合上的特长，形成了一种精细提取和高效融合的协同工作机制，有效缓解了多尺度特征融合过程中容易出现的信息丢失问题。

2 实验与结果

2.1 实验数据集

本研究基于大疆无人机DJI M300 RTK搭载禅思镜头采集样本数据，构建了一个基于无人机可见光图像的光伏板缺陷检测数据集。该数据包含1236张图像，按照8:1:1的比例划分为988张训练集、123张验证集和125张测试集。每张图片包含多块光伏板，使用Labelimg工具进行标注，确保每个缺陷都被准确记录。如图5所示，数据集含有六种缺陷类型：污点(Spot)、鸟粪(Bird_drop)、遮挡(Cover)、裂纹(Crack)、缺失(Missing)和灰尘(Dust)。

2.2 实验设置

本文采用YOLOv8s作为基线模型，在相同的环境配置下进行所有实验。实验设置如下：操作系统为Windows11，CPU为Intel Core i9-14900HX，GPU为8GB显存的GeForce RTX4060。软件环境包括Python3.8.20、Cuda11.6和PyTorch1.13.0。在训练过程中，模型使用预训练权重进行初始化。优化器采用随机梯度下降（SGD），学习率设置为0.01，批量大小为4，总训练轮数为150轮。输入图像尺寸固定为640×640，其他超参数均保持系统提供的默认值。

2.3评价指标

为了评估模型的性能，本文使用准确率(Precision)、召回率(Recall)、参数量(Params)、计算量(GFLOPs)和平均精度（mAP）作为评估指标。准确率的定义是准确分类的正样本数量与预测为正的样本总数之比。同时，召回率指的是正确分类的正样本在所有实际正样本中所占的比例。AP表示模型对每个类别的平均识别精度，mAP是所有类别AP的平均值。作为在不同阈值下检测性能的评估指标。其中，mAP@0.5表示IoU阈值为0.5时的平均精度；mAP@0.5:0.95则指IoU在0.5至0.95区间内（步长0.05）的平均精度。评价指标的公式如下：

式中，TP、FP、FN分别为正确检测次数、误检测次数、漏检次数；p(r)为p-r曲线；n是缺陷的类别。

2.4结果与分析

2.4.1 消融实验

为验证所提出的改进方案的有效性，本文设计了消融实验。同时为了确保公平，所有模型的训练参数和数据集均保持一致。通过逐步集成各改进模块并分析其对检测性能的影响，系统地验证了各模块在光伏板缺陷检测任务中的作用。如表1所示，C2f-LMSC、BiFPN和EfficientMSFFN模块对模型检测精度提升各有贡献。Case1是在主干网络加入所提出的C2f-LMSC模块，有效捕获目标的多尺度特征，检测精度Map@0.5和mAP@0.5:0.95相比基线模型YOLOv8s分别提高了3.9和3.5个百分点；Case2是在颈部网络引入BiFPN模块，融合目标多尺度特征，检测精度Map@0.5和mAP@0.5:0.95相比YOLOv8模型分别提高了2.3和1.5个百分点；Case3则是将C2f-LMSC和BiFPN模块有机结合成的高效多尺度特征融合网络EfficientMSFFN，用其替代原模型部分结构，检测精度Map@0.5和mAP@0.5:0.95相比YOLOv8模型分别提高了4.3和3.7个百分点，且高于Case2的检测精度，证明这种结合是有效的。最后，将三个模块全部集成在YOLOv8s中，平均精度得到进一步提升，证明了改进策略的有效性。

Case	C2f-LMSC	BiFPN	EfficientMSFFN	mAP@0.5	mAP@0.5:0.95
Baseline	×	×	×	0.781	0.447
1	√	×	×	0.820	0.482
2	×	√	×	0.804	0.462
3	×	×	√	0.824	0.484
Ours	√	√	√	0.829	0.490

2.4.2 对比试验

为评估所提出算法的优越性，本文在相同实验条件下将所提出的模型YOLOv8-LMS与现有主流目标检测模型进行对比。主要根据精度、召回率、mAP@0.5、mAP@0.5：0.95、参数数量和模型计算量进行比较，结果如表2所示。从表中可明显得出，所提出的模型取得了显著的改进效果，Map@0.5和mAP@0.5:0.95达到了0.829和0.490，相比于基线模型，分别提高了4.8和4.3个百分点，同时也优于其他所有对比模型。此外，该模型的参数量和计算复杂度也都低于YOLOv8s，分别降低了10.8和6.3个百分点。实验结果表明，本文提出的模型YOLOv8-LMS无论在检测精度上还是模型轻量化上均优于基线模型，实现了提升检测精度的同时降低模型参数量，为基于无人机可见光图像的光伏缺陷检测提供了一种高效可靠的解决方案。

Model	Precision	Recall	mAP@0.5	mAP@0.5:0.95	Para (M)	GFLOPs
Yolov3-tiny	0.667	0.622	0.668	0.348	12.1	18.9
Yolov5s	0.778	0.779	0.794	0.429	9.1	23.8
Yolov6s	0.671	0.657	0.674	0.384	16.3	44.0
Yolov8s	0.744	0.731	0.781	0.447	11.1	28.4
Yolov9s	0.793	0.770	0.789	0.451	7.2	26.7
Yolov10s	0.658	0.650	0.710	0.377	7.2	21.4
Yolov11s	0.757	0.727	0.767	0.427	9.4	21.3
Yolov12s	0.740	0.694	0.759	0.409	9.2	21.2
Rtdetr	0.602	0.636	0.615	0.327	28.4	100.6
Ours	0.779	0.769	0.829	0.490	9.9	26.6

2.4.3 可视化分析

为了更加直观感受改进模型的有效性，使用YOLOv8s模型和YOLOv8-LMS模型分别对测试集进行预测，部分预测效果如图6所示。图6中第一行的原始图片中存在一个污点，YOLOv8s模型存在漏检情况，改进后的模型能够检测到该小目标缺陷；第二行的原始图片中存在鸟粪，YOLOv8s模型将其错误地预测为两个部分，而改进后的模型能够较为完整地定位稍大尺度的缺陷；第三行的原始图片则是存在灰尘，YOLOv8s模型虽然能够将其检测出来，但其置信度低于改进后的模型。通过增强模型多尺度特征融合能力，减轻背景因素干扰，改进后的模型能够更准确地定位和识别缺陷，提高检测的准确性。

3结语

针对无人机可见光图像中光伏板缺陷尺度差异大、背景复杂以及模型精度与轻量化难以兼顾的问题，本文在YOLOv8s框架基础上提出了一种改进的光伏板缺陷检测模型YOLOv8-LMS。通过设计轻量多尺度卷积模块C2f-LMSC、引入双向特征金字塔结构BiFPN和构建高效多尺度特征融合结构EfficientMSFFN，增强了模型对不同尺度缺陷特征的表达能力。该模型在提高检测精度的同时减少了模型参数量，显著提升了检测性能，为无人机光伏电站智能巡检提供了参考方案。未来研究工作将探索把该模型部署到无人机或其他载体上，以监测光伏电站，这有助于提高发电质量。

参考文献：

1. [1] Aboagye S, Gyamfi E A, Djordjevic S. Investigation into the impacts of design, installation, operation and maintenance issues on performance and degradation of installed solar photovoltaic (PV) systems[J].Energy sustain,2022,66:165-176.
2. [2] 王元章,李智华,吴春华.光伏系统故障诊断方法综述[J].电源技术,2013,37(09):1700-1705.
3. [3] Tsanakas J A, Ha L, Buerhop C. Faults and infrared thermographic diagnosis in operating c-Si photovoltaic modules: A review of research and future challenges[J], Renewable and sustainable energy reviews,2016,62:695-709.
4. [4] Demirci M Y, Beşli N, Gümüşçü A. Efficient deep feature extraction and classification for identifying defective photovoltaic module cells in Electroluminescence images[J],Expert systems with applications,2021,175:114810.
5. [5] 李昊,贾华宇,罗飚,等.基于改进Faster RCNN的芯片表面缺陷检测方法研究[J].激光杂志,2024,45(11):48-54.
6. [6] 谭建辉,张峰.基于生成式数据增强与Faster-RCNN改进的发动机打刻面缺陷检测[J].计算机科学,2025,52(S2):292-298.
7. [7] 项新建,汤卉,肖家乐,等.基于多尺度特征融合SSDLite的光伏组件缺陷检测[J].太阳能学报,2025,46(01):669-675.
8. [8] 王道累,李明山,姚勇,等.改进SSD的光伏组件热斑缺陷检测方法[J].太阳能学报,2023,44(04):420-425.
9. [9] 崔建伟,王月明.基于改进YOLOv8的光伏组件缺陷检测研究[J].太阳能学报,2025,46(10):189-196.
10. [10] Cao Y, Pang D, Yan Y, et al. A photovoltaic surface defect detection method for building based on deep learning[J].Journal of building engineering,2023,70:106375.
11. [11] Tan M, Pang R, Le Q V. Efficientdet: Scalable and efficient object detection[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition.2020.