輕量級注意力模型HOTSPOT-YOLO：無人機光伏熱異常檢測新SOTA，mAP高達90.8%

【導讀】

無人機光伏巡檢如何更智能、更高效？HOTSPOT-YOLO模型給出了亮眼答案！給AI裝上“熱成像鷹眼”，能精準鎖定光伏板上的細微熱斑缺陷。它不僅將檢測精度（mAP）提升至90.8%，更在保持實時性的前提下大幅“瘦身”，參數減少超200萬，輕松部署于無人機平臺。實驗證明，其在亮度變化、噪聲干擾等復雜場景下表現依然魯棒，為大規模光伏電站的自動化巡檢提供了可靠、高效的解決方案。

一、引言

二、方法

HOTSPOT-YOLO模型

三、訓練結果

多組件熱點檢測（場景1：單熱點）

多組件熱點檢測（場景2：多熱點）

多組件熱點檢測（場景3：對圖像變化的魯棒性）

多組件熱點檢測（場景4：地面熱成像）

基準分析

四、結論與未來工作

太陽能光伏（PV）系統中的熱異常檢測對于確保運行效率和降低維護成本至關重要。在本研究中，開發并命名為HOTSPOT-YOLO，這是一種輕量級人工智能（AI）模型，它集成了高效的卷積神經網絡主干和注意力機制以改進目標檢測。該模型專為基于無人機的光伏系統熱檢測而設計，解決了檢測小型和細微熱異常（如熱點和有缺陷的組件）的獨特挑戰，同時保持實時性能。實驗結果表明，平均精度均值（mAP）達到 90.8%，相較于基線目標檢測模型有顯著提升。憑借降低的計算負荷和在不同環境條件下的魯棒性，HOTSPOT-YOLO 為大規模光伏檢測提供了一個可擴展且可靠的解決方案。這項工作突出了先進人工智能技術與實際工程應用的結合，徹底改變了可再生能源系統中的自動化故障檢測。

一、引言

HOTSPOT-YOLO，這是YOLOv11 的一種輕量級且注意力驅動的適應版本，專門為檢測光伏系統中的熱異常而定制。通過加入 EfficientNet 主干網絡，該模型優化了特征提取，在檢測準確性和計算效率之間實現了顯著的平衡。這種適應對于處理基于無人機的檢查至關重要，因為實時處理是必需的。此外，SE注意力機制的集成使 HOTSPOT-YOLO 能夠聚焦于熱學上顯著的區域，顯著增強了其精確檢測細微異常（如小熱點）的能力。所提出的模型實現了90.8% 的平均精度均值（mAP），相較于基線YOLOv11 模型顯著提高了5.9%。此外，HOTSPOT-YOLO 減少了212 萬個參數，在保持跨不同成像條件（包括亮度、對比度和熱噪聲的變化）的魯棒性能的同時，減少了計算開銷。這種減少不僅使其非常有效，而且可部署在資源受限的平臺（如無人機）上。該架構適應高噪聲環境并隔離有意義異常的潛力展示了其在大規模光伏檢測中可擴展應用的潛力，使其成為滿足自動化太陽能監控系統日益增長需求的實用且高效的解決方案。

論文標題：

HOTSPOT-YOLO: A Lightweight Deep Learning Attention-Driven Model for Detecting Thermal Anomalies in Drone-Based Solar Photovoltaic Inspections

論文鏈接：

https://arxiv.org/pdf/2508.18912

二、方法

HOTSPOT-YOLO模型

YOLOv11在通用目標檢測任務中表現出色，但將其適應于專業領域，如太陽能光伏系統中的熱異常檢測，需要仔細的架構增強和領域特定的優化。

為了滿足這一需求，我們提出了HOTSPOT-YOLO 模型（如圖 1 所示），這是 YOLOv11 的增強版本，專為基于無人機的熱成像技術而定制。HOTSPOT-YOLO 采用輕量級的 EfficientNet 主干網絡來優化特征提取，提供了準確性和計算效率之間的卓越平衡，這對于實時處理熱圖像至關重要。此外，我們將 SE 注意力機制集成到架構中，使模型能夠聚焦于圖像中最熱學上顯著的區域，如熱點或缺陷，同時抑制不相關的背景信息。引入這些修改是為了提高模型對小型和細微熱異常的檢測準確性，這些異常通常難以用常規方法檢測到。另外，通過保持 YOLOv11 的核心實時能力并優化其計算需求，HOTSPOT-YOLO 被設計為可部署在無人機上進行大規模太陽能光伏檢測。這些增強確保模型不僅實現高檢測性能，而且對于實際應用保持實用和高效。

提出的HOTSPOT-YOLO?架構（如圖?2?所示）通過系統地將輸入熱圖像轉換為邊界框預測和類別標簽來運行，以識別太陽能光伏系統中的熱異常。該過程結構化為多個計算階段，這些階段被無縫集成以最大化效率和準確性。

為了優化HOTSPOT-YOLO 模型的性能，采用了嚴格的訓練程序，使用了來自 Roboflow 的公開熱圖像數據集。這些數據集是專門為太陽能光伏系統中的熱異常檢測而策劃的，所有圖像注釋（邊界框和類別標簽）均使用 Roboflow 提供的注釋工具執行。訓練過程利用了最先進的數據增強技術、先進的優化策略和仔細的參數調優組合，以確保穩健的模型性能，詳見表 2。參數調優過程涉及對關鍵超參數進行系統實驗，包括學習率、批量大小、epoch 數量以及優化器的動量。

獲取的高質量圖像數據可無縫接入Coovally平臺進行自動化處理。平臺提供從數據管理、標注到模型訓練的全流程支持，內置YOLO系列、Transformer等多種主流模型，支持分布式訓練加速和自動化超參調優，顯著提升損傷檢測模型的開發效率。

Coovally操作動圖.gif

！！點擊下方鏈接，立即體驗Coovally！！

平臺鏈接：https://www.coovally.com

三、訓練結果

多組件熱點檢測（場景1：單熱點）

HOTSPOT-YOLO模型在包含多個組件的光伏陣列熱圖像上進行了測試，展示了其在復雜場景中檢測和定位熱點的魯棒性。如圖 4 所示的結果證明了模型以高置信度識別熱異常的能力。

多組件熱點檢測（場景2：多熱點）

檢測光伏陣列中的多個熱點是確保大規模太陽能裝置運行效率和安全性的一個關鍵方面。圖5 中的熱圖像是在非常高的輻照度條件下捕獲的，HOTSPOT-YOLO 模型準確地檢測到四個具有顯著更高熱異常的組件，這些異常偏離了均勻模式。檢測到的組件其置信度分數范圍在 91% 到 94% 之間，展示了模型聚焦于關鍵感興趣區域的能力。

多組件熱點檢測（場景3：對圖像變化的魯棒性）

確保對圖像變化（如亮度、對比度和配色方案的變化）的魯棒性對于目標檢測模型的實際部署至關重要。HOTSPOT-YOLO模型在這些具有挑戰性的場景下進行了評估，其性能如圖 7 所示，該圖展示了其在應用于原始圖像的各種變換下保持一致性熱點檢測的能力。

圖8(a) 和圖 8(b) 說明了模型在遭受圖像模糊時的性能，展示了其在 degraded（降質）視覺環境中識別熱點的魯棒性。圖像表現出明顯的模糊，模塊邊緣不清晰，整體對比度大幅降低。盡管存在這些挑戰，HOTSPOT-YOLO 模型成功檢測到分布在多個組件的多個熱點，置信度分數范圍從 53% 到 71%。

多組件熱點檢測（場景4：地面熱成像）

雖然HOTSPOT-YOLO 模型僅使用無人機捕獲的熱圖像進行訓練和驗證，但其魯棒性還通過使用靜止的地面熱像儀拍攝的熱圖像進行了進一步評估。在圖 9(a) 中，熱圖像從地面視角捕獲了多個光伏組件，引入了諸如不平整角度和部分遮擋等挑戰。盡管存在這些復雜性，HOTSPOT-YOLO 成功檢測了整個光伏陣列中的大部分熱點，置信度分數范圍從 63% 到 82%。圖 9(b) 中的特寫地面圖像顯示了光伏陣列的一小部分，具有變化的焦距和旋轉。模型成功檢測到兩個顯著的熱點，置信度分數分別為 83% 和 85%，展示了其適應局部熱異常的能力。

基準分析

將提出的HOTSPOT-YOLO 模型與幾種最先進的目標檢測算法進行了基準測試，以突出其在檢測太陽能光伏系統中熱異常的性能。這些模型，包括 Cascade RCNN、CenterNet、Faster RCNN、YOLOv5m、YOLOv9m和 YOLOv11m，因其在各種領域的目標檢測任務中的有效性而廣受認可。表 3 中呈現的基準測試結果評估了每個模型的檢測準確性、計算效率（FLOPs）、模型復雜度（參數數量）和推理速度（ms），提供了全面的比較分析。

表4 提供了對現有光伏熱點檢測技術的進一步全面比較，突出了關鍵方法、特點、優勢和局限性。這些方法范圍從傳統方法（如結合局部陰影分析的紅外成像）到高級解決方案（包括 CNN 和修改的 YOLO 框架）。

四、結論與未來工作

本研究通過引入HOTSPOT-YOLO（一種為基于無人機的檢測優化的增強型深度學習模型），滿足了太陽能光伏系統中高效準確的熱異常檢測的關鍵需求。該研究通過架構創新展示了對該領域的重大貢獻，包括集成 EfficientNet 主干網絡以優化特征提取，以及集成 SE 注意力機制以精確聚焦熱異常。這些增強使模型能夠以卓越的準確性檢測細微缺陷（如熱點），同時保持計算效率。

HOTSPOT-YOLO實現了90.8%的mAP，比YOLOv11 基線提高了5.9%，同時減少了212萬個參數，使其在計算上輕量且適用于實時部署。魯棒性測試突出了模型對具有挑戰性條件（包括亮度變化、噪聲和低對比度圖像）的適應性，確認了其對于大規模太陽能光伏檢測的效用。與領先目標檢測模型的基準測試進一步強調了 HOTSPOT-YOLO 的卓越性能，在準確性、速度和資源效率之間實現了顯著的平衡。這項工作的意義超出了在光伏系統中的直接應用，為輕量級、注意力增強架構在更廣泛的熱成像挑戰中的潛力提供了見解。通過有效解決可擴展性和資源限制，HOTSPOT-YOLO 代表了在自動化故障檢測和增強可再生能源技術可靠性方面向前邁進的一步。