一、项目介绍
随着光伏产业的快速发展，太阳能板的缺陷检测对保障发电效率和系统安全至关重要。传统检测方法依赖人工巡检，效率低且易漏检。本文提出一种基于深度学习YOLOv11的红外太阳能板缺陷识别检测系统，实现高效、自动化的缺陷分类与定位。系统针对四类常见缺陷（旁路二极管故障、电池片故障、结构缺陷、热斑）进行检测，采用包含1897张训练集、222张验证集和113张测试集的红外图像数据集进行模型训练与评估。结合用户友好的UI界面及登录注册功能。实验结果表明，YOLOv11在太阳能板缺陷检测中具有较高的准确率和实时性，为光伏运维提供了可靠的智能化解决方案。
引言
太阳能作为清洁能源的重要组成部分，其发电效率与设备健康状况密切相关。然而，太阳能板在长期运行中易出现旁路二极管故障（Bypass Diode）、电池片故障（Cell Fault）、结构缺陷（Defects）和热斑（Hotspot）等问题，这些缺陷会显著降低发电性能甚至引发安全隐患。传统的检测方法依赖人工或红外热像仪分析，存在成本高、效率低和主观性强等局限性。
近年来，深度学习技术在目标检测领域取得了显著进展，尤其是YOLO系列算法以其高速度和精度广泛应用于工业检测。本文基于YOLOv11算法，结合红外图像数据集，设计了一套太阳能板缺陷自动识别系统。该系统通过数据增强和迁移学习优化模型性能，实现便捷的交互与数据可视化。实验证明，该系统在四类缺陷检测任务中表现优异，为光伏电站的智能化运维提供了有效工具。
目录
一、项目介绍
二、项目功能展示
2.1 用户登录系统
2.2 检测功能
2.3 检测结果显示
2.4 参数配置
2.5 其他功能
3. 技术特点
4. 系统流程
三、数据集介绍
1. 数据集组成
2. 数据标注
数据集配置文件
四、项目环境配置
创建虚拟环境
安装所需要库
五、模型训练
训练代码
训练结果
六、核心代码
🔐登录注册验证
🎯 多重检测模式
🖼️ 沉浸式可视化
⚙️ 参数配置系统
✨ UI美学设计
🔄 智能工作流
七、项目源码（视频简介）
基于深度学习YOLOv11的红外太阳能板缺陷识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv11的红外太阳能板缺陷识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
二、项目功能展示
✅ 用户登录注册：支持密码检测和安全性验证。
✅ 三种检测模式：基于YOLOv11模型，支持图片、视频和实时摄像头三种检测，精准识别目标。
✅ 双画面对比：同屏显示原始画面与检测结果。
✅ 数据可视化：实时表格展示检测目标的类别、置信度及坐标。
✅智能参数调节：提供置信度滑块，动态优化检测精度，适应不同场景需求。
✅科幻风交互界面：深色主题搭配动态光效，减少视觉疲劳，提升操作体验。
✅多线程高性能架构：独立检测线程保障流畅运行，实时状态提示，响应迅速无卡顿。
2.1 用户登录系统
提供用户登录和注册功能
用户名和密码验证
账户信息本地存储(accounts.json)
密码长度至少6位的安全要求
2.2 检测功能
图片检测：支持JPG/JPEG/PNG/BMP格式图片的火焰烟雾检测
视频检测：支持MP4/AVI/MOV格式视频的逐帧检测
摄像头检测：实时摄像头流检测(默认摄像头0)
检测结果保存到"results"目录
2.3 检测结果显示
显示原始图像和检测结果图像
检测结果表格展示，包含：
检测到的类别
置信度分数
物体位置坐标(x,y)、
2.4 参数配置
模型选择
置信度阈值调节(0-1.0)
IoU(交并比)阈值调节(0-1.0)
实时同步滑块和数值输入框
2.5 其他功能
检测结果保存功能
视频检测时自动保存结果视频
状态栏显示系统状态和最后更新时间
无边框窗口设计，可拖动和调整大小
3. 技术特点
采用多线程处理检测任务，避免界面卡顿
精美的UI设计，具有科技感的视觉效果：
发光边框和按钮
悬停和按下状态效果
自定义滑块、表格和下拉框样式
检测结果保存机制
响应式布局，适应不同窗口大小
4. 系统流程
用户登录/注册
选择检测模式(图片/视频/摄像头)
调整检测参数(可选)
开始检测并查看结果
可选择保存检测结果
停止检测或切换其他模式
三、数据集介绍
本系统采用专门构建的红外太阳能板缺陷检测数据集，用于训练和评估基于YOLOv11的缺陷识别模型。数据集包含四类常见太阳能板缺陷：旁路二极管故障（Bypass Diode）、电池片故障（Cell Fault）、结构缺陷（Defects）和热斑（Hotspot）。所有图像均通过红外热像仪采集，能够清晰反映太阳能板的热分布及异常区域，为缺陷检测提供可靠的数据支持。
1. 数据集组成
训练集（Training Set）：1897 张红外图像，用于模型训练，涵盖不同光照条件、角度和缺陷形态，以提高泛化能力。
验证集（Validation Set）：222 张红外图像，用于调整超参数和防止过拟合。
测试集（Test Set）：113 张红外图像，用于最终评估模型的检测性能。
2. 数据标注
所有图像均采用YOLO格式标注，每张图像对应一个.txt文件，包含目标类别和边界框坐标（归一化后的[class_id, x_center, y_center, width, height]）。标注过程经过严格质量控制，确保缺陷区域标注的准确性。
数据集配置文件
数据集采用标准化YOLO格式组织：
train: F:\红外太阳能板数据集\train val: F:\红外太阳能板数据集\valid test: F:\红外太阳能板数据集\test nc: 4 names: ['Bypass Diode', 'Cell Fault', 'Defects', 'Hotspot']四、项目环境配置
创建虚拟环境
首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。
终端输入
conda create -n yolov11 python==3.9
激活虚拟环境
conda activate yolov11
安装cpu版本pytorch
pip install torch torchvision torchaudio
安装所需要库
pip install -r requirements.txt
pycharm中配置anaconda
五、模型训练
训练代码
from ultralytics import YOLO model_path = 'yolo11s.pt' data_path = 'data.yaml' if __name__ == '__main__': model = YOLO(model_path) results = model.train(data=data_path, epochs=100, batch=8, device='0', workers=0, project='runs', name='exp', )根据实际情况更换模型 # yolov11n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 # yolov11s.yaml (small)：小模型，适合实时任务。 # yolov11m.yaml (medium)：中等大小模型，兼顾速度和精度。 # yolov11b.yaml (base)：基本版模型，适合大部分应用场景。 # yolov11l.yaml (large)：大型模型，适合对精度要求高的任务。
--batch 8：每批次8张图像。--epochs 100：训练100轮。--datasets/data.yaml：数据集配置文件。--weights yolov11s.pt：初始化模型权重，yolov11s.pt是预训练的轻量级YOLO模型。
训练结果
六、核心代码
import sys import cv2 import numpy as np from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLO from UiMain import UiMainWindow import time import os from PyQt5.QtWidgets import QDialog from LoginWindow import LoginWindow class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 原始帧, 检测帧, 检测结果 finished_signal = pyqtSignal() # 线程完成信号 def __init__(self, model, source, conf, iou, parent=None): super().__init__(parent) self.model = model self.source = source self.conf = conf self.iou = iou self.running = True def run(self): try: if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')): # 视频或摄像头 cap = cv2.VideoCapture(self.source) while self.running and cap.isOpened(): ret, frame = cap.read() if not ret: break # 保存原始帧 original_frame = frame.copy() # 检测 results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) # 发送信号 self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) # 控制帧率 time.sleep(0.03) # 约30fps cap.release() else: # 图片 frame = cv2.imread(self.source) if frame is not None: original_frame = frame.copy() results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) except Exception as e: print(f"Detection error: {e}") finally: self.finished_signal.emit() def stop(self): self.running = False class MainWindow(UiMainWindow): def __init__(self): super().__init__() # 初始化模型 self.model = None self.detection_thread = None self.current_image = None self.current_result = None self.video_writer = None self.is_camera_running = False self.is_video_running = False self.last_detection_result = None # 新增：保存最后一次检测结果 # 连接按钮信号 self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) # 初始化模型 self.load_model() def load_model(self): try: model_name = self.model_combo.currentText() self.model = YOLO(f"{model_name}.pt") # 自动下载或加载本地模型 self.update_status(f"模型 {model_name} 加载成功") except Exception as e: QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}") self.update_status("模型加载失败") def detect_image(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.clear_results() self.current_image = cv2.imread(file_path) self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB) self.display_image(self.original_image_label, self.current_image) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测图片: {os.path.basename(file_path)}") def detect_video(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.clear_results() self.is_video_running = True # 初始化视频写入器 cap = cv2.VideoCapture(file_path) frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps = cap.get(cv2.CAP_PROP_FPS) cap.release() # 创建保存路径 save_dir = "results" os.makedirs(save_dir, exist_ok=True) timestamp = time.strftime("%Y%m%d_%H%M%S") save_path = os.path.join(save_dir, f"result_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height)) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测视频: {os.path.basename(file_path)}") def detect_camera(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return self.clear_results() self.is_camera_running = True # 创建检测线程 (默认使用摄像头0) conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, 0, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status("正在从摄像头检测...")🔐登录注册验证
对应文件：LoginWindow.py
# 账户验证核心逻辑 def handle_login(self): username = self.username_input.text().strip() password = self.password_input.text().strip() if not username or not password: QMessageBox.warning(self, "警告", "用户名和密码不能为空！") return if username in self.accounts and self.accounts[username] == password: self.accept() # 验证通过 else: QMessageBox.warning(self, "错误", "用户名或密码错误！") # 密码强度检查（注册时） def handle_register(self): if len(password) < 6: # 密码长度≥6位 QMessageBox.warning(self, "警告", "密码长度至少为6位！")🎯多重检测模式
对应文件：main.py
图片检测
def detect_image(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.start() # 启动检测线程视频检测
def detect_video(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.video_writer = cv2.VideoWriter() # 初始化视频写入器 self.detection_thread = DetectionThread(self.model, file_path, conf, iou)实时摄像头
def detect_camera(self): self.detection_thread = DetectionThread(self.model, 0, conf, iou) # 摄像头设备号0 self.detection_thread.start()🖼️沉浸式可视化
对应文件：UiMain.py
双画面显示
def display_image(self, label, image): q_img = QImage(image.data, w, h, bytes_per_line, QImage.Format_RGB888) pixmap = QPixmap.fromImage(q_img) label.setPixmap(pixmap.scaled(label.size(), Qt.KeepAspectRatio)) # 自适应缩放结果表格
def add_detection_result(self, class_name, confidence, x, y): self.results_table.insertRow(row) items = [ QTableWidgetItem(class_name), # 类别列 QTableWidgetItem(f"{confidence:.2f}"), # 置信度 QTableWidgetItem(f"{x:.1f}"), # X坐标 QTableWidgetItem(f"{y:.1f}") # Y坐标 ]⚙️参数配置系统
对应文件：UiMain.py
双阈值联动控制
# 置信度阈值同步 def update_confidence(self, value): confidence = value / 100.0 self.confidence_spinbox.setValue(confidence) # 滑块→数值框 self.confidence_label.setText(f"置信度阈值: {confidence:.2f}") # IoU阈值同步 def update_iou(self, value): iou = value / 100.0 self.iou_spinbox.setValue(iou)✨UI美学设计
对应文件：UiMain.py
科幻风格按钮
def create_button(self, text, color): return f""" QPushButton {{ border: 1px solid {color}; color: {color}; border-radius: 6px; }} QPushButton:hover {{ background-color: {self.lighten_color(color, 10)}; box-shadow: 0 0 10px {color}; # 悬停发光效果 }} """动态状态栏
def update_status(self, message): self.status_bar.showMessage( f"状态: {message} | 最后更新: {time.strftime('%H:%M:%S')}" # 实时时间戳 )🔄智能工作流
对应文件：main.py
线程管理
class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 信号量通信 def run(self): while self.running: # 多线程检测循环 results = self.model(frame, conf=self.conf, iou=self.iou) self.frame_received.emit(original_frame, result_frame, detections)七、项目源码（视频简介）
基于深度学习YOLOv11的红外太阳能板缺陷识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv11的红外太阳能板缺陷识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
