智慧光伏航拍检测-光伏板缺陷数据集 - 可见光数据集切割后 共 55200 张 大疆 m300 拍摄 原始高度 45 米 无角度 共21GB缺陷包含脏污异物遮挡或阴影遮挡鸟粪阳光反射组件变形面板破碎积雪共 12 类 类别如下xml 格式和 txt 格式都有可直接用于 yolo模型 训练光伏板可见光缺陷航拍检测数据集完整说明文档一、数据集基础信息总表项目参数详情数据集名称大疆M300航拍光伏组件可见光缺陷检测数据集总样本数量55200张大图切割后子图采集设备大疆M300 RTK行业无人机航拍参数垂直正射拍摄飞行高度45m无倾斜角度俯视光伏电站阵列图像模态可见光实拍图像标注格式VOC.xml、YOLO.txt双格式标注可无缝切换训练总缺陷类别基础缺陷7大类复合叠加缺陷共22类细分标签适用算法YOLOv8/v9/v10/v11系列轻量化/常规目标检测模型二、22类缺陷标签对照表英文缩写—中文释义序号类别编码中文缺陷名称缺陷类型划分1dmjrb大面积热斑发热类缺陷2dmjrb_ycdw大面积热斑异常低温发热温度异常复合缺陷3dyrb单一热斑发热类缺陷4dyrb_ejgdl单一热斑二极管短路发热电路故障复合缺陷5dyrb_ycdw单一热斑异常低温发热温度异常复合缺陷6ejgdl二极管短路电路电气故障7ejgdl_ycdw二极管短路异常低温电路故障温度异常8gfbqs光伏板缺失硬件缺失破损9gfbzjbx光伏板组件变形硬件形变破损10mbsl面板碎裂硬件碎裂破损11ns鸟粪表面污渍附着12ns_zw鸟粪脏污多重污渍复合13snow积雪覆盖环境遮挡14ycdw异常低温温度异常工况15ygfs阳光反射光学干扰16ygfs_yyzd阳光反射遮挡光学干扰遮挡复合17yyzd阴影/异物遮挡物理遮挡18yyzd_ns遮挡鸟粪遮挡污渍复合19yyzd_zw遮挡脏污遮挡污渍复合20zw脏污表面污渍21zw_ns脏污鸟粪多重污渍复合缺陷大类归纳7大基础故障热斑故障单一热斑、大面积热斑光伏内部损耗、老化引发发热发电量衰减根源电气故障二极管短路旁路二极管失效阵列发电失衡物理破损故障面板碎裂、组件变形、光伏板缺失外力撞击、风霜老化损坏表面附着污染脏污、鸟粪、脏污鸟粪遮挡光照降低光电转换效率环境遮挡积雪、异物/阴影遮挡光学干扰阳光镜面反射极易和热斑混淆模型需区分干扰与真实缺陷温度工况异常异常低温低温环境下光伏运行工况异常判定三、数据集特点与关键指标1. 数据集优势航拍实景贴合工程45米正射俯视采集完全复刻光伏电站无人机巡检作业视角落地性极强包含复合缺陷样本大量两种缺陷叠加场景鸟粪遮挡、热斑低温等贴合电站真实复杂故障场景模型泛化能力更强双标注格式兼容VOC用于数据集可视化校验、YOLO txt直接适配ultralytics框架训练无需格式转换样本体量充足55200张大规模样本足够训练轻量化模型不易过拟合。2. 适用关键评价指标mAP0.5整体缺陷识别精度核心指标Precision精确率降低误检把阳光反射、积雪误判成热斑Recall召回率降低漏检微小鸟粪、细碎碎裂面板不漏检FPS推理速度适配无人机机载边缘设备实时巡检需求四、行业落地应用场景光伏电站无人机全自动巡检大疆M300搭载机载边缘计算模块航拍回传画面实时推理自动框选光伏阵列各类缺陷替代人工肉眼逐块排查巡检效率提升数十倍电站运维台账数字化AI识别结果自动归档缺陷位置、缺陷类型、数量生成巡检报告运维人员针对性安排清洗、更换、检修作业光伏资产健康评估统计全站热斑、碎裂、缺失面板占比评估电站老化程度、发电损耗用于发电量预估与资产运维规划山区/荒漠偏远光伏场站无人值守监测偏远无运维站点定期航拍AI自动预警大面积热斑、面板破损等严重故障杜绝故障扩大引发火灾风险剔除光学干扰区分阳光反射与真实热斑大幅减少传统人工巡检的误判问题。五、YOLOv11 简易训练完整代码可直接复制运行步骤1数据集yaml配置文件pv_defect.yaml# 数据集路径自行修改为本地路径path:./pv_datasettrain:images/trainval:images/valtest:images/test# 类别数量顺序严格对应txt标签序号nc:22names:0:dmjrb1:dmjrb_ycdw2:dyrb3:dyrb_ejgdl4:dyrb_ycdw5:ejgdl6:ejgdl_ycdw7:gfbqs8:gfbzjbx9:mbsl10:ns11:ns_zw12:snow13:ycdw14:ygfs15:ygfs_yyzd16:yyzd17:yyzd_ns18:yyzd_zw19:zw20:zw_ns步骤2一键训练Python脚本train_pv.pyfromultralyticsimportYOLO# 加载轻量化模型 yolov11n 适合无人机边缘部署modelYOLO(yolov11n.yaml)# 也可加载预训练权重model YOLO(yolov11n.pt)# 训练超参数配置resultsmodel.train(datapv_defect.yaml,# 数据集配置文件epochs50,# 训练轮次imgsz640,# 输入图像尺寸batch16,# 批次大小显存小可改为8/4device0,# 使用GPU训练无GPU填cpuworkers4,patience10,# 早停策略10轮精度不上升停止conf0.25,iou0.45,mosaic1.0,# 数据增强mixup0.1)# 训练完成后验证模型metricsmodel.val()print(f整体mAP0.5{metrics.box.map50:.3f})# 单张图片推理测试model.predict(test_pv.jpg,saveTrue,conf0.4)步骤3环境依赖安装pipinstallultralytics torch torchvision opencv-python numpy六、补充优化建议小样本缺陷二极管短路、面板缺失可使用复制粘贴增强、随机裁剪提升召回率阳光反射和热斑极易混淆可增加亮度、对比度随机扰动增强模型区分能力训练完成后可导出ONNX格式部署至大疆无人机机载边缘终端实现离线实时巡检。