基于多尺度融合和改进YOLOv8n的光伏缺陷检测方法

光伏发电在新型能源系统中扮演着重要的角色,其稳定运行对于保障能源供应至关重要。然而,光伏板在实际应用中面临着复杂的外部环境,如紫外线辐射、腐蚀、受潮等,可能会导致光伏板组件出现裂纹、断栅等问题,进而影响其功能。针对目前光伏板缺陷检测算法存在的模型复杂度较高、小目标缺陷检测的精度不高等问题,提出了一种基于改进YOLOv8n的光伏缺陷检测算法。重新设计了一种新的主干网络,减少模型的参数量,提出C2f高效局部注意力(C2f-Efficient Local Attention,C2f-ELA)模块,提高模型对细微特征的定位能力,提出加权双向特征金字塔网络(Weight-Bidirectional Feature Pyramid Network,W-BiFPN)更换原有的网络结构并融合P2小目标检测层,有效提高了模型捕获多尺度特征的能力,同时利用浅层网络的信息来加强局部特征感知,对小目标的识别精度得到显著提升。试验结果表明:该方法相较于基础YOLOv8算法,参数量下降了16.7%,平均精度提升了3.1百分点,验证了改进算法在检测性能上的提升。