引言

在全球能源绿色转型背景下，光伏发电已成为实现“双碳”目标的核心路径之一。然而，光伏组件长期户外运行易产生热斑、裂纹、断栅等缺陷，导致功率衰减甚至引发安全事故，亟需高效精准的缺陷检测技术保障电站安全运行。

深度学习目标检测算法为光伏缺陷检测带来突破，主要分为双阶段（如Faster-RCNN）和单阶段（如SSD、YOLO）两类。双阶段方法精度较高，伊欣同等引入残差通道注意力机制，陈海永等提出多尺度Faster-RCNN模型，均提升了缺陷检测精度，但存在参数量大、速度慢的问题。单阶段方法在效率上具有优势：王道累等改进SSD实现97.9%检测精度；郭岚等、孔松涛等分别优化YOLOv5模型，在轻量化和精度上取得进展；涂俊博等提升小目标检测能力；Cao等提出YOLOv8-GD模型兼顾精度与速度；刘闯闯等实现91.8%平均精度。然而，现有研究普遍难以在提升精度的同时实现模型轻量化。

针对上述问题，本文提出基于YOLOv8改进的DEL-Net模型。该模型在C2f结构中引入细节增强卷积（DEConv）增强边缘感知；采用EfficientRepBiPAN颈部网络实现高效跨尺度特征融合；并设计集成GroupNorm与共享卷积的轻量化检测头，在保持较高检测精度的同时显著降低计算量。

1 改进模型DEL-Net

DEL-Net的结构如图1所示。为了提高光伏板缺陷检测精度、实时性和细小缺陷的识别能力，本文对YOLOv8的所有三个部分进行了改进：主干网络、颈部和头部。在主干中引入细节增强卷积C2f-DEConv，有效提升模型对缺陷边缘信息的感知能力；在颈部采用了EfficientRepBiPAN结构，实现了更加高效且轻量的多尺度特征融合，显著提高检测效率；同时设计了一个轻量共享卷积检测头LSCDH，该模块强化了对小目标的缺陷的敏感力和判别力，在保持精度的同时减少计算量。实验结果表明，该模型在保持高精度的同时显着降低了计算成本，实现了轻量级设计，且鲁棒性强，适合在多尺度环境中进行检测任务。

1.1细节增强卷积

为增强模型捕捉细粒度特征的能力、提升其在复杂场景下的性能，同时保持计算效率，本文在 C2f结构中引入了细节增强卷积（DEConv）。传统卷积操作往往难以充分捕捉图像边缘和纹理等精细细节，尤其是在复杂背景下，检测性能容易下降。如图2所示，DEConv结构由五个并行的卷积层组成：四个差分卷积层——中心差分卷积（CDC）、角度差分卷积（ADC）、水平差分卷积（HDC）和垂直差分卷积（VDC），它们通过计算像素差异来增强梯度特征提取。此外，还融入了一个标准卷积层（VC），用于提取强度信息并补充细节特征。部署五个并行卷积层会增加参数量和推理时间。然而，由于卷积具有可加性，这些并行卷积可以简化为一个标准卷积核，从而在保持性能的同时最大限度地降低计算成本。DEConv 的公式如式（1）所示（为简洁起见，省略了偏置项）。给定输入特征，令（其中 i=1:5）分别表示 VC、CDC、ADC、HDC 和 VDC 的卷积核，并让表示整合了这些并行卷积的变换后卷积核。

1.2轻量级网络——EfficientRepBiPAN

在实际应用中，多尺度特征融合已被证明是目标检测中一个关键且有效的要素。原始的 YOLOv8 框架集成了金字塔注意力网络（PANet）。PANet在传统的特征金字塔网络（FPN）中引入了自底向上的路径，缩短了低级特征和高级特征之间的距离，并增强了来自低级特征的精确信号的传递。然而，在小目标检测中，这种线性方法可能会限制鲁棒的多尺度交互，从而降低低级特征与高级特征融合的效果。双向特征金字塔网络（BiFPN）为不同的输入特征引入了可学习的权重，并对PAN进行了优化，同时提升了性能和效率。

受上述研究的启发，本文采用了一种高效的PAN作为检测颈部，称为 EfficientRepBiPAN，结构如图3所示。为减少计算开销的同时增强定位信号，本文设计了一种双向融合（BiFusion）模块，如图4所示。该BiFusion模块在下采样过程中集成了一个3×3卷积层，以缩小并对齐特征尺寸，从而显著提高定位信号的准确性。此外，该模块融合了三个相邻层的特征图，并将来自 backbone的额外低级特征C_i−1整合到P_i中，以实现多层双向特征交换。在此过程中，特征图内的信息流和特征表示得到增强，保留了更精确的定位信号，提高了光伏板表面小缺陷的检测精度。再者，为增强模型对小目标检测的适用性，结构中融入了RepBlock，并对宽度和深度进行了相应调整，以捕捉光伏板表面丰富的缺陷信息，进而提高目标缺陷的检测准确率。RepBlock结构如图5所示。

1.3轻量共享卷积检测头

YOLOv8的原始检测头有一定的局限性，三个检测头都需要分别通过两次3×3卷积和一次1×1卷积提取图像信息，这种结构导致了算法参数量的显著增加。其次，原算法采用传统的单尺度预测结构，不能很好地处理多尺度目标，它只从特征映射的一个尺度进行预测，忽略了其他尺度特征对检测的贡献。

为了解决以上两个问题，本文构建了一种基于群归一化GroupNorm和共享卷积的轻量化检测头，命名为LSCDH（Lightweight Shared Convolutional Detection head）。在这个检测头中引入了GroupNorm卷积，该卷积的操作方法如图6所示，其中N表示数据的批次轴，C作为通道轴，H，W作为空间轴。GroupNorm对输入大小为[N, C, H, W]的图像，首先将通道设定成若干组(如图6蓝色部分)，在每个组内计算方差和平均值，然后根据计算结果对这组内的所有数据进行归一化。GroupNorm的计算区域与输入的通道数C有关，而不是批次大小N。因此，它不依赖批量大小，在目标检测等计算机视觉应用中，当计算机内存受到限制或者必须设置较小的样本数量的情况下，群归一化会非常有效。它具有更好的适应性、能够保持通道之间的相对关系、提高模型的鲁棒性、在一些场景下性能更佳，从而大幅提高目标检测定位和分类性能，且在FCOS论文中得到了证明。

检测头的结构如图7所示。这种结构设计的核心思想就是用一个共享的GroupNorm卷积（如图7中绿色和蓝色部分所示）代替三个检测头使用的两个普通卷积。同时，为了解决各个检测头所检测目标尺度不一致的问题，采用尺度层对特征进行缩放。通过上述结构可以有效地减少参数量，同时使检测头具有更强的多尺度感知能力，以便部署在资源受限的设备上。

实验与结果

1 实验数据集

Panel-2数据集可以在https://aistudio.baidu.com/上获得，该数据集包含许多不明显的小缺陷，总共有2400张缺陷图像，按照8:1:1的比例分为1920张训练集、240张验证集和240张测试集。如图8所示，该数据集包含三种类型的缺陷：裂纹、断栅和污点。信息如表1所示。

Classes	Crack	Grid	Spot
Instances	712	704	684

2 实验环境和参数设置

本文选择YOLOv8s作为基线模型，且所有实验都在相同的环境配置中进行。由于篇幅限制，表2仅列出主要配置，如GPU、CPU、操作系统、Python、PyTorch、Cuda版本等。模型使用初始权值进行训练，部分训练超参数如表3所示，其余未列出的超参数均采用YOLOv8官方项目推荐的默认值。

Item	Configuration
配置项	Operation System: Windows11 CPU: Intel(R) Core(TM) i9-14900HX GPU: GeForce RTX40608G Python:3.8.20 Cuda:11.6 PyTorch:1.13.0

Hyperparameter	Value
设置	Epochs:150 Batch Size:4 Image Size:640×640 Optimizer: SGD Mosaic:1.0 Momentum:0.973 lr0:0.01 lrf:0.01 Weight-Decay:0.0005

3评价指标

为了评估模型的性能，本文使用精度(P)、召回率(R)、参数量和平均精度（mAP）作为评估指标。精确率（Precision）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（Recall）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，mAP0.5为IoU =0.5时计算的mAP， mAP0.5:0.95为IoU（0.5,0.95）范围内的平均mAP，步长为0.05。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。

4结果与分析

4.1 对比实验

为了评估所提出的算法相对于现有先进的目标检测方法的优越性，本文在相同的实验条件下将改进的模型（DEL-Net）与当前主流检测模型进行了对比。主要根据精度、召回率、mAP@0.5、mAP@0.5：0.95、参数数量和模型大小进行比较，结果如表4所示。从表中可以明显看出，所提出的DEL-Net模型取得了显著的改进效果，实现了0.911的mAP@0.5和0.481的mAP@0.5：0.95，分别超过了YOLOv8s的0.889和0.454，同时也优于其他所有对比模型。虽然改进模型的精度为0.880略低于YOLOv8s的0.881，但其召回率为0.878远远高于YOLOv8s的0.828，漏检率显著降低。此外，该模型的参数量和计算复杂度也都低于YOLOv8s，这使得DEL-Net更适合在资源受限的环境中部署，且同时保持卓越的检测能力。

Model	Precision	Recall	mAP0.5	mAP0.5:0.95	Para (M)	GFLOPs
Yolov5s	0.904	0.790	0.886	0.457	9.1	23.8
Yolov6s	0.871	0.849	0.889	0.456	16.3	44.0
Yolov8s	0.881	0.828	0.889	0.454	11.1	28.4
Yolov8m	0.876	0.819	0.871	0.468	25.8	78.7
Yolov9c	0.874	0.806	0.892	0.471	25.3	102.3
Yolov10s	0.819	0.801	0.857	0.444	7.2	21.4
Yolov11s	0.830	0.838	0.893	0.460	9.4	21.3
Yolov12s	0.823	0.845	0.874	0.463	9.2	21.2
Rtdetr	0.782	0.812	0.842	0.423	28.4	100.6
DEL-Net	0.880	0.878	0.911	0.481	9.7	27.9

4.2 消融实验

为了验证改进模型各改进模块的有效性，本文进行了一系列消融实验。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。C2f-DEConv、EfficientRepBiPAN和LSCDH三个改进模块被逐步集成到YOLOv8s模型中，每个生成的模型经过单独的训练和评估，比较结果如表5所示。从表中可以看出，每个模块单独插入YOLOv8s模型中时，在mAP@0.5和mAP@0.5：0.95上均取得不同程度上的提升。而在两两组合上除了Case4的mAP@0.5较YOLOv8s有所下降，但其mAP@0.5：0.95还是有所提升的，Case5和Case6在mAP@0.5和mAP@0.5：0.95上均有提升，且均优于其单独插入的情况。最后将这三个模块全部集成到YOLOv8s中，此时的mAP@0.5和mAP@0.5：0.95分别为0.911和0.481，优于以上所有情况。这表明三个改进模块在模型中均发挥了各自的作用。最终，DEL-Net在光伏板缺陷检测任务中表现出了鲁棒性和适应性，验证了所提出的改进的有效性。

Case	C2f-DEConv	EfficientRepBiPAN	LSCDH	mAP0.5	mAP0.5:0.95
Baseline	×	×	×	0.889	0.454
1	√	×	×	0.892	0.464
2	×	√	×	0.891	0.458
3	×	×	√	0.889	0.467
4	√	√	×	0.878	0.460
5	√	×	√	0.907	0.474
6	×	√	√	0.899	0.479
Ours	√	√	√	0.911	0.481

4.3 可视化分析

为了进一步直观评估本文提出的DEL-Net模型在光伏板缺陷检测任务中的实际性能，我们从测试集中随机选取了16幅具有代表性的图像进行推理对比实验，结果如图9所示。原始YOLOv8s模型在多处关键缺陷上出现漏检：在第二行第二列的图像中，两个尺寸较小、对比度较低的污点缺陷未被识别；第二行第四列的图像中，一个细微的断栅缺陷以及一处裂纹缺陷均被遗漏；此外，第三行第一列的图像中还存在一个污点缺陷未被检出。上述漏检现象表明，基线模型在面对小目标、弱纹理或与背景相似度高的缺陷时，特征提取能力有限，难以有效捕捉关键信息。相比之下，图9(b)展示了本文DEL-Net模型的检测结果。改进后的模型成功识别出所有上述缺陷，包括YOLOv8s遗漏的细小污点、断栅和裂纹等。尤其是在小目标检测方面，DEL-Net表现出显著的性能优势。

结语

本文针对传统光伏板缺陷检测在精度、实时性及小目标识别方面的不足，提出了一种基于改进YOLOv8s的轻量化检测模型——DEL-Net。该模型在主干网络中引入C2f-DEConv结构以增强细节特征提取能力，在颈部采用EfficientRepBiPAN实现高效多尺度特征融合，并设计了轻量共享卷积检测头LSCDH以提升小目标检测性能和降低计算成本。该模型在保持较高检测精度的同时显著提升了召回率与模型效率，具备良好的鲁棒性与工程应用价值。

尽管如此，DEL-Net仍存在一定局限，例如在极端条件或更复杂的真实场景中，其泛化能力和适应性仍需进一步验证。未来研究可从以下几个方面展开：一是结合多模态数据（如红外、热成像与RGB融合），进一步提升对微小缺陷的检测能力；二是探索更高效的轻量化注意力机制与知识蒸馏方法，以适应边缘计算设备的部署需求；三是构建更大规模、更多样化的光伏板缺陷数据集，以增强模型的泛化性和实用性。

参考文献：

1. [1] 伊欣同, 单亚峰. 基于改进Faster R-CNN的光伏电池内部缺陷检测[J].电子测量与仪器学报,2021,35(01):40-47.
2. [2] 陈海永,赵鹏, 闫皓炜. 融合注意力的多尺度Faster RCNN的裂纹检测[J]. 光电工程,2021,48(01):64-74.
3. [3] 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.
4. [4] 郭岚, 刘正新. 基于改进YOLOv5的光伏组件缺陷检测[J]. 激光与光电子学进展,2023,60(20):2015005.
5. [5] 孔松涛, 徐甄泽, 林星宇, 等. 基于改进YOLOv5算法的光伏组件红外热成像缺陷检测[J]. 红外技术,2023,45(09):974-981.
6. [6] 涂俊博, 曾佳林, 唐越新, 等. 基于深度学习的太阳能电池板表面缺陷检测及分类[J]. 激光与光电子学进展,2025,62(02):0237013.
7. [7] Cao Y K, Pang D D, Zhao Q C, et al. Improved YOLOv8-GD deep learning model for defect detection in electroluminescence images of solar photovoltaic modules[J]. Engineering applications of artificial intelligence,2024,131:107866.
8. [8] 刘闯闯, 袁金丽, 郑美曼, 等. 基于改进YOLOv8的光伏电池缺陷检测[J].电子测量技术,2025,48(21):139-147.