近年来随着煤炭、石油、天然气等化石能源的大量消耗,可再生能源受到越来越多的关注。太阳能在可再生能源中扮演着至关重要的角色,但是户外安装的太阳能电池板常因为积灰和鸟粪等环境因素造成发电效率的降低和经济损失甚至引起安全事故。现有的太阳能电池板缺陷检测方法存在易受环境因素影响,泛化能力较弱,难以准确判断每个故障的类型等问题。同时稳定、高效、准确已经成为太阳能电池板缺陷检测的基本要求,因此本论文基于无人机拍摄的可见光图像提出了一种改进的Faster R-CNN的太阳能电池板健康状态诊断方法。本文主要研究内容如下:1.无人机拍摄的可见光图像分辨率达到5472×3648,无法直接送入模型进行检测,并且积灰和鸟粪缺陷在拍摄的图像中占比较小,不利于检测。针对以上问题,本论文采用了形态学方法对图像进行预处理,先将RGB原图像转为HSV格式后采用自适应阈值将拍摄图像转为二值图后用高斯滤波和边缘增强滤波处理。最后将处理后的图像送入边缘检测算子得到单个太阳能电池板的边框,并将其从原图像中截取后矫正为长方形图像供模型使用。2.为解决训练数据不足的问题,本论文首先将制作的600张数据集通过翻转、降低亮度以及饱和度的方法扩增至2400张,再采用色域变换、旋转和Mosaic数据增强方式提高了数据的泛化性。本论文对Faster R-CNN模型采取了一系列改进策略,首先将骨干网络修改为当前检测效果最好的ResNeSt-50。由于积灰和鸟粪尺寸差异较大,Max IoU策略会使积灰产生更多正样本框,不利于每个目标平等地参与训练,将Max IoU策略修改为每个目标产生相同数量正样本框的N-IoU策略。由于目标分类和坐标回归任务存在竞争关系,对模型头部进行参数解耦让每个任务更好地学习对应参数。并且将指数衰减学习率修改为更容易跳出局部最优值的Cosine学习率。通过采用这些改进策略检测模型的mAP值从78.91%提升至94.05%,F1值从0.77提升至0.805。3.将模型部署于边缘计算卡中以实现实时监测。为了提高模型的推理速度,降低模型参数量,采用深度可分离卷积的思想对模型进行轻量化处理。轻量化模型单张图像计算时间减少了 21.7%,单张图像计算所占显存降低了 20%。轻量化后的模型可以成功部署于NVIDIA Jetson Xavier NX边缘计算卡中,并准确实现缺陷检测。