融合空间与通道感知的光伏阵列表面缺陷检测模型OA

针对轻量化无人机在多形态光伏阵列表面缺陷检测中存在的检测精度低、适配性差等问题,基于YOLOv8提出了一种兼顾高精度与轻量化的改进模型QW-YOLO。提出QWC2f模块,将可变形卷积与通道-空间注意力机制融合,增强模型对不同形态目标的感知能力;改进BiFPN结构,提出WAdd-FPN颈部结构,通过跨尺度连接与加权特征融合,提升多尺度信息的整合效果;提出TowC-Triple注意力机制,结合Triplet Attention与ECA模块优势,增强模型对空间位置与通道信息的表达能力,减少冗余信息的干扰;使用DWConv模块构建轻量化检测头DWDetect,进一步轻量化网络;采用优化后的InnerCIoU损失函数,提高模型对目标定位精度的同时,加速回归过程。实验结果表明:QW-YOLO模型检测精度mAP0.5和mAP0.95分别提升至92.8%和58.7%,与YOLOv8模型相比,分别提高了1.7和1.1个百分点,参数量与计算量分别减少了33.29%和33.33%,满足在轻量化无人机上对光伏阵列表面缺陷进行高精度检测的要求。