周全民，杜玉杰，叶征灯，占太晏

（国家电投集团江西电力有限分公司高新清洁能源分公司，江西 南昌 330077）

0 引言

随着科学技术的不断进步，人类自然生活中对能源的需求越来越大。由于传统能源的日益枯竭、不可再生和环境污染的特性，以太阳能光伏发电为代表的新能源日渐引起人们的关注[1]。太阳能光伏发电具备非常多的优势，如：不会枯竭、不受地域的影响与制约、使用寿命延长、维修简单[2]。步入21世纪后，在我国可持续资源战略的推广下[3]，太阳能光伏发电技术日益成熟，对于服役运行中的光伏组件的缺陷巡检方式，可分为基于热红外图像的传统人工巡检和通过无人机等技术实现的自动化巡检。热红外图像上可检测判断的光伏组件缺陷，主要可分为点斑、多斑、条斑和空载四大类别。本文主要引入基于深度学习的目标检测的YOLO系列主流算法，具体为YOLO v2、YOLOv3及YOLOv4对热红外图像的光伏组件缺陷进行检测识别，通过对比分析，最终选定在光伏组件缺陷检测中最优的算法模型进行AI落地应用。

1 YOLO系列算法简介

YOLO算法作为一阶段深度学习目标检测算法，于2016年由Joseph Redmon等人提出，其核心思想是将物体的位置和物体的类别统一为如公式（1）所表达的回归问题[4]。

预测过程如图1所示，是将一张输入的图像划分为S*S的网格，每个网格负责预测中心落在其内部的检测对象。

图1 YOLO目标检测方法

在YOLOv1算法的基础上，Redom团队于2017年在CVPR上提出了YOLO9000[5]，习惯上称为YOLOv2目标检测算法模型。在该目标检测算法模型中，主要提出了一种联合训练算法的新型训练方法，该方法在训练模型的时候可以将检测数据集与分类数据集进行融合，检测数据集主要负责学习物体的准确位置，分类数据集主要学习物体对象的类别预测。……