无人机航拍的“光伏热成像图数据集”，这几年在光伏电站巡检领域几乎成了关键词。低空太阳能光伏板热成像识别、红外光伏板识别，还有光伏热斑与裂缝识别，本身也是光伏运维里绕不开的刚需。这套结合深度学习算法的第10425期数据集，其实解决的就是一个非常实际的问题：无人机飞一圈，红外相机拍下来，然后让模型告诉我们哪块板子坏了、坏在哪儿。这篇文章就围绕这套数据集的构建思路、采集标注细节、模型训练流程，以及我在实际项目里踩过的坑，完整拆一遍。不管你是做光伏运维的工程师，还是刚入坑CV想找工业落地场景的开发者，这份内容应该都能给你一些参考。
1. 数据集设计的核心思路：低空热成像为什么能成为光伏巡检的关键手段
1.1 光伏热斑与裂缝的物理成因，决定了热成像识别的判断依据
光伏热斑的形成，本质上是因为组件内部部分电池片出现失配，比如局部被遮挡、隐裂、焊带老化、旁路二极管失效等，导致该区域不再正常发电，反而作为负载消耗电能，温度就会异常升高。一个组串当中，只要有一块组件出现严重热斑，整个组串的输出电流都会被拖累，长期高温还会加速封装材料老化，甚至引发火灾隐患。红外热成像之所以适合做这个检测，就是因为它能直接捕捉组件表面的温度分布差异，正常发电区域和异常发热区域的热像特征在图上对比非常明显。
裂缝的情况略有不同。隐裂、断栅在可见光下往往很难第一时间发现，尤其是细小的暗裂，肉眼巡检时根本看不出来。但裂缝会改变电池片的电流传输路径，使局部串联电阻增大，从而在热成像图中形成特定的温度梯度。所以，同一样本在红外模态下表现出来的特征往往比可见光更可判别，这也是为什么很多团队选择红外图像作为核心识别模态，而不是完全依赖可见光。
低空太阳能光伏板的角度也有讲究。无人机从正上方或略微侧向的角度拍摄，能够覆盖整块组件的表面，视角统一、几何畸变小，热像图中每块组件的位置和尺寸相对稳定，这对后续的目标检测和故障分类都友好很多。相比手持热像仪在地面仰拍，低空视角的数据一致性更高，模型学到的特征也更聚焦。
在实际做数据集的过程中，光靠单一帧热像图是不够的。热斑的温升是一个动态过程，上午、中午、下午的温度分布都不一样，晴天阴天差距也很大。数据集如果只在一种气象条件下采集，模型就算训练得再好，到了另一个场地或者换了个季节，性能也会明显下滑。所以，采集阶段就要尽量覆盖多云、晴、阴，还有不同辐照度的时间窗口，这样模型学到的才是“温度分布异常”的通用模式，而不是某个特定时段的亮度差异。
1.2 红外与可见光互补的数据采集策略
红外光伏板识别有一个常见误区：认为只要给了红外图，模型就能解决所有问题。实际上，红外热像图的分辨率一般低于可见光，纹理信息相对有限，而且热像的灰度分布容易受环境反射影响，同一个缺陷在不同背景下的表现差异很大。数据采集策略上，比较稳妥的做法是采用红外与可见光同步采集。
同步采集的作用体现在几个方面。一是标注的时候可以互相印证，比如红外图里看到一个亮点，切到可见光去看，如果组件表面有明显灰尘堆积、鸟粪或者遮挡，那这个高温区域大概率不是真正的热斑；如果可见光下没有明显异常，那基本可以判断是电气类故障。二是训练阶段可以做多模态融合，早期的模型可以用红外单通道，后续如果要提升精度，再引入可见光分支，两个模态一起决策，误报率能明显下降。
采集设备方面，我见过一些方案直接用大疆的禅思X7配热成像镜头，也有人用FLIR的定制挂载方案。但说实话，具体用哪一款并不重要，关键是要保证热像图的温度分辨率足够高，至少能分辨出1℃左右的温差，否则细微的热斑特征很容易被噪声吞掉。飞行高度一般控制在20米到40米，根据组件尺寸和地面分辨率灵活调整。飞得太低，单帧覆盖组件数量太少，巡检效率低；飞得太高，热斑细节丢失，小裂缝根本看不出来。
航线规划上，建议沿光伏阵列的排布方向设计扫描航线，旁向重叠率设置在70%以上，航向重叠率设置在80%左右。不要觉得重叠率高浪费飞行时间，后期做图像拼接和质量筛选的时候，冗余帧的作用非常大。拼接产生的畸变会导致目标位置偏移，如果单帧检测能够直接输出结果，就不需要依赖全局拼接，这一步可以省下很多麻烦。
1.3 数据集规模与场景标注对模型能力的影响
数据集的容量和场景多样性决定了模型能力的上限。第10425期数据集的值，不只是几千张红外图，还包括了不同区域、不同支架形式、不同地形条件下采集的样本。我知道不少团队喜欢只收集“好识别”的样本，比如正午强光照下的热斑，这种数据训练出来的模型在测试集上成绩很好看，放到真实电站一跑，误报率直接让人崩溃。
我当时做这个数据集的时候，刻意增加了负样本的比例。所谓负样本，就是没有缺陷的正常组件，以及容易混淆的干扰因素，比如组件边缘的高光反射、支架之间的温度差、逆变器或者汇流箱的热辐射。负样本太少的模型，会倾向于把所有高温区域都当成故障，这对实际的运维系统是致命的，因为一线人员没有精力去一个个复核。
另外，数据集的标注单位也要想清楚。如果目标是热斑识别，那标注框应该落到电池片级别或者组件级别的缺陷区域，而不是整块组件的矩形框。热斑的位置、面积、形状，这些信息对运维决策是有价值的。比如热斑面积大且温度高，那需要尽快更换组件；温度只是轻微偏高，可能只需要清洗组件表面。这种细粒度的差异，在标注层面就要体现出来，否则后面不管模型还是运维策略都没法精细下去。
所以，我建议做相关数据集时不要只简单标注“正常/异常”二分类，缺陷类别要拆细。至少包括热斑、隐裂、断栅、遮挡、二极管故障这几类，每一类都要有明确的标注规范。类别粒度越细，训练出来的模型在实际应用中越有解释性，故障工单的自动生成才能更准确。
2. 数据采集与标注的实操要点：决定模型上限的往往不是网络结构
2.1 采集设备选型与飞行方案设计
热成像采集设备选型，核心看三个参数：热灵敏度NETD、空间分辨率、测温范围。NETD小于50mK的设备基本上才能看出细微的热斑轮廓，空间分辨率至少640×512起步，如果只有320×240，那在小目标检测场景下会非常吃力，尤其是裂缝的像素占比很小，分辨率不够根本分不出是裂缝还是噪声。测温范围倒不用追求极端值，光伏组件表面温度一般也就是在零下20℃到150℃之间，主流的热像仪都能覆盖，但温度标定的准确性很重要，如果设备没有定期校准，不同航次之间的温度基准不统一，数据处理起来会很头痛。
飞行平台的选择上，如果是小型屋顶分布式项目，四旋翼无人机就够用，续航时间虽然短，可以分段飞；如果是大型地面电站，最好用续航更长的垂直起降固定翼或者大载重的多旋翼平台。飞行高度不是固定的，要根据热像仪的分辨率、镜头视场角和目标尺寸去估算地面采样距离。简单算一下就知道，640×512分辨率、13mm焦距的镜头，在40米高度拍摄，单像素对应的地面尺寸大概在2厘米左右，识别组件级别的问题足够了；但如果要看细小的裂缝，最好把高度降到25米左右，把单像素地面分辨率推到1厘米以内。
航线的设计要结合光伏阵列的实际布局做网格化覆盖。简单说，就是把整个光伏场区划分成若干航带，每条航带对应一组组串，按固定航向“之”字形飞行。航带宽度不能超过有效成像宽度的80%，保证旁向重叠率。风速大于5级的时候不建议起飞，桨叶的震动会影响图像清晰度，热像仪抖动产生的模糊很难通过后期算法完全恢复。
2.2 红外图像与可见光图像的时空配准
同步采集红外和可见光之后，首先要做的是图像配准。现在的双光云台大多支持红外与可见光的粗略对齐，但像素级对齐往往做不到。空间上，两种镜头的光心位置、视场角都有差异，红外镜头的视场角通常更小，所以需要做一个裁剪和缩放映射；时间上，如果两路视频流之间存在延迟，物体一旦运动，对齐就会出现错位。
在标注阶段，我的做法是先对每对双光图像做一次配准预处理。具体流程是，选取地面上的稳定特征点，比如支架顶点、组件边角、阵列间隙的端点，做仿射变换的参数估计，再用这个变换把可见光图映射到红外图的坐标系下。不建议直接用全局配准的参数应用到所有图像，因为无人机姿态在变化，每帧之间的几何关系都在变，最好分航带、分时段重新估计。
模型训练时，如果直接输入双通道组合图，配准误差会被放大。我见过一个方案是让模型分别处理红外图和可见光图，在最后的融合层再做特征级对齐，效果比在像素层面硬对齐要稳定得多。这个思路对标注要求相对低，而且两个模态各自的特征都能保留，误报率有明显下降。
2.3 热斑、裂缝等缺陷的标注规范与质量控制
标注规范的制定，直接影响模型能不能学到有效的判别边界。热斑的标注要区分点状热斑和面状热斑。点状热斑通常对应遮挡物造成的局部阴影，区域面积小，温度峰值高；面状热斑往往是焊带失效或者隐裂扩散，区域面积大但温度梯度平缓。这两种热斑在图像上的分布特征不同，如果归为同一个类别，模型输出的置信度和定位精度都会受影响。
裂缝标注更麻烦，热像图上裂缝的对比度本来就低，而且容易被组件栅格线的温度痕迹干扰。我的经验是采用多边形标注工具，沿着裂缝的温度异常区域精细勾画，而不是用普通的矩形框。矩形框会引入太多背景像素，导致模型学到的特征不纯。标注类别的命名也要统一，比如cell_hotspot、cell_crack、busbar_failure、block_shadow、diode_fail，每个类别配一份样例图片集和判别规则文档，多人协作的时候前后标准才一致。
质量控制环节，建议做两轮标注复核。第一轮是不同标注员之间的交叉校验，第二轮是算法预标注加人工修正。先用一个初步训练好的模型跑出候选框，标注员只需修正漏检和误检，速度能提升一倍以上。但要注意，预标注模型本身有偏差，如果标注员过度信任预标注结果，会引入系统性偏差，所以每人每天最多处理一定数量的图，防止疲劳导致的质量滑坡。
另外，图像去重和筛除也很关键。热像图的对比度低，人眼看起来都差不多的图特别多，如果不做去重，训练集里大量重复样本会放大某些场景的权重，模型的泛化能力反而更差。可以基于图像的感知哈希算一遍相似度，去掉相似度超过阈值的帧，同时也要手动筛掉虚焦、运动模糊、覆盖物遮挡严重、强反射干扰的图像。这个环节看似费时间，但对模型质量的提升比调参大多了。
3. 热成像缺陷识别的建模过程与关键决策
3.1 任务定义：从目标检测到实例分割的路线选择
热斑和裂缝识别，一般有两种技术路线：目标检测和实例分割。目标检测输出的是缺陷的包围盒和类别，优点是模型简单、推理快，适合大规模巡检，但输出的边界不够精细；实例分割输出的是缺陷区域的像素级掩膜，边界精度高，对后续的缺陷面积统计、热斑严重等级评估很有价值，缺点是标注成本高、模型体量更大。
从我的实际经验来看，如果项目目标是快速排查整座电站的组件故障，用目标检测起步是最合理的，先在端侧做候选区域筛选，再对有问题的区域做进一步分析。如果目标是要形成精确的维修工单和热斑面积历史对比，那就直接上实例分割模型，一步到位。还有一条折中路线，就是两阶段检测加ROI精修，检测网络先框出大致位置，分割分支再在每个候选框内细化掩膜，很多开源框架都支持这种结构。
3.2 模型选型与输入预处理细节
模型选型上，工业场景不建议盲目追求大模型。我做过多组对比，如果数据集规模只有几千张，用轻量级的YOLO系列或者RT-DETR系列，效果反而比大参数量模型更好。大模型的过拟合风险更高，同时推理速度也上不去。除非数据集扩充到几万张并且类别分布均衡，否则不要轻易上大网络。更合理的方案是选择一个骨干网络中等、neck结构高效的检测模型，在此基础上加入多尺度训练和注意力机制，比如在backbone的深层特征上叠加通道注意力模块，对增强小目标裂缝的特征响应有帮助。
输入预处理有几个关键点。热像图的原始数据是14位或者16位的温度数据，直接保存成8位的JPG会损失很多温度细节。我在训练时读取原始数据格式，然后通过线性拉伸将温度范围映射到0到255，但这个拉伸区间不能全局统一，要根据当天气温变化动态调整。更稳妥的做法是同时生成“原始温度归一化”和“局部对比度增强”两种输入，作为两个通道输入模型，能明显提升对低温差缺陷的检出能力。很多开源数据集的灰度图只做了简单的类型转换，这一点会造成模型性能瓶颈。
尺寸归一化方面，输入分辨率推荐1280×1280或者640×640。分辨率太低，小裂缝的特征丢失严重；分辨率太高，显存占用和推理耗时都会成倍增长，而且中小型光伏组件缺陷的尺度变化不大，不需要原始4K分辨率全量保留。训练时用随机缩放、随机的灰度扰动、随机遮挡来增强模型对不同气候条件的适应能力，但不要用水平翻转增强裂缝类缺陷，因为裂缝的朝向分布有物理意义，翻转后模型会混淆方向性特征。
3.3 训练配置、损失函数设计与数据不均衡
训练配置中，损失函数的设计值得单独说。热斑和裂缝属于典型的小目标，而且正负样本比例严重不均衡，如果直接用普通的交叉熵损失，模型会倾向于把所有区域预测为背景。解决方案是采用Focal Loss这类能自动降低易分样本权重的损失函数，同时配合CIoU或者SIoU损失做定位回归，整体收敛速度和最终精度都有改善。
学习率策略上，推荐带线性预热和余弦退火的调度器。前几个epoch用很小的学习率让模型稳定，然后逐步升到峰值，后期自然衰减，避免模型在训练后期还大幅震荡。Batch size根据显存来定，至少要在16以上，否则BN层的统计量不稳定。优化器用AdamW比SGD更适合这类小目标任务，权重衰减设为5e-4。
数据不均衡的问题，除了用损失函数拉权重，还有一种操作是场景级重采样。比如热斑样本比裂缝样本多很多，就按比例对裂缝样本做重复采样，让每个batch里的类别分布相对均衡。注意不要在标签层面直接做插值增强，那会造成缺陷纹理失真。更稳妥的增强策略是只在图像层面随机裁剪、翻转、旋转，保持缺陷原有的物理特征。
3.4 评估指标怎么定：从mAP到误报率的一整套逻辑
光伏缺陷检测的评估指标，不能只看mAP。mAP是一个综合指标，但如果目标是对接了运维工单系统，每张误报图都会产生一次现场复核成本，所以误报率、漏报率、单张推理耗时、单瓦巡检成本这些指标都重要。我在项目里采用的核心指标有三个：F1-score、平均单帧处理耗时、以及缺陷面积估测误差。
F1-score能在正负样本不均衡的情况下综合衡量查准和查全能力。缺陷面积估测误差则是为热斑严重程度分级服务的，同样的热斑类别，面积差5%和差50%对应的运维策略完全不一样，所以分割模型的等宽交并比和面积交并比都有必要单独统计。
训练完成后的评估策略，建议按电站分组做留一法验证。同一座电站的组件朝向、倾角、背景环境相似，模型容易记住这种场地特有的特征。按电站分组做验证，可以测试模型能不能在未见过的场地泛化。如果分组验证的效果和随机切分的差异非常大，说明模型过拟合了场地特征，要进一步增加场地多样性或者做归一化处理。这种评估视角比单纯看测试集得分有意义得多。
4. 训练中遇到的典型问题与排查实录
4.1 红外样本太少时，怎么把有效数据从几千变成几万
真实项目里，数据集并不是一开始就充足的。第10425期数据集这类开源资源虽然能作为基础训练集，但换了机场、换了季节、换了设备型号之后，直接应用效果往往不够理想。最常见的补数据方案有三种。
第一种是构建“伪红外数据”。用可见光图像配合语义标签，通过热扩散模拟生成合成热像图。这种做法的优点是能快速扩充样本数量，但合成数据的纹理和真实热像差距较大，只能用于预热模型或者做辅助分支。
第二种是使用真实采集数据做Patch级别的扩充。采集到的原始红外大图里，每张图可以切出若干块组件区域，每块组件区域就是独立样本。同时，可以通过不同曝光参数、不同裁剪窗口、不同缩放尺度，把同一区域的图像生成多个训练样本。切patch的时候要保证缺陷像素被完整保留，不要让热斑正好被切断在patch边缘。
第三种是真实场景补充采集。发现模型在某个场地上性能下滑，就带着设备去该场地补采两个小时数据，不需要专门跑完整航测，只针对问题区域补拍。这个过程如果配合半自动标注，能快速覆盖模型的盲区。补齐数据之后重新训练，我做过统计，某些类别的F1分数可以提升10个百分点以上，这比折腾网络结构有效得多。
4.2 误检和漏检的常见成因与针对性优化
误检常见成因集中在三个方面。
第一是热像图对比度太低，模型容易把高亮的逆变器、汇流箱、金属支架误判为热斑。优化策略是使用多阶段推理，第一阶段先做全图的组件检测，把非光伏区域过滤掉，第二阶段才在组件区域内做细粒度缺陷识别。这一步能直接砍掉大部分背景误检。
第二是热斑类别和阴影遮挡类别的特征接近，模型分不清楚。解决方式是引入可见光分支辅助判断，可见光下阴影和灰尘形貌清晰，热像图下两者都表现为低温差区域，数据融合模型能很自然地区分这两类。
第三是训练数据中负样本代表不足，背景干扰信息样本量太小。我后来在负样本里增加了大量不同材质地面、杂草、积水、不同光照方向下的组件表面，误检率下降非常明显。
漏检常见成因主要是小目标裂缝被下采样过程覆盖。分辨率降低时，细长的裂缝区域经过stride=32的下采样之后特征几乎消失，必须在网络结构层面加强浅层特征融合。实现上可以给backbone增加一层P2输出，叠加到FPN结构中，小目标检测的召回率能有可感知的提升。同时推理时采用TTA多尺度测试，可以有效捕获那些在特定尺度下对比度最高的缺陷，但会增加一到两倍推理耗时，可以根据实际巡检效率要求来取舍。
4.3 温度标定与跨场景泛化的几个细节
跨场景泛化最难的一关是不同时段、不同天气下热像图整体灰度分布差异大。早晨组件温度低，整体画面偏暗；中午温度高，整体明亮，如果把整张图做全局归一化，模型的输入分布会随天气漂移。解决办法是做局部归一化或者规范化，以每块组件为单位计算相对温差，把绝对温度转换成相对温度分布，这样一来模型对整体气温波动不敏感，而只关注组件内部的温度梯度异常。
温度标定方面，建议每次飞行前在场地内找一个已知温度的地物作为参考点。光伏组件的表面温度大多在50℃到80℃，可以用接触式温度计实测几块组件，然后调整热像仪的发射率和环境参数，让红外读数与实测尽量一致。这样即使不同批次的图整体灰度有偏差，缺陷区域的相对特征也能保持稳定。
还有一点容易被忽略，就是季节变化引起的太阳高度角变化。冬天的太阳高度角低，前排组件阴影投射到后排，组件表面温度分布特征和夏天完全不同。数据采集时最好把全年不同季节的数据都纳入训练集，或者至少保证每个季节都有一定比例，否则换季的时候模型精度会明显下滑。对这个问题，我和团队专门分开统计了几个季节的验证结果，发现只做夏季数据训练出来的模型，在冬季的F1分数平均掉了8个点左右，加了春季和秋季数据之后才恢复。
5. 落地部署与效率优化
5.1 边缘设备推理部署与模型压缩
光伏巡检用的算力平台多为嵌入式设备，比如带GPU的工业计算机或者机载AI计算盒。模型部署之前一般要做两步优化：量化与剪枝。INT8量化的推理速度通常比FP16快一倍以上，显存占用也小很多，但对检测精度有一定影响，需要在量化训练阶段就有意识地补偿精度损失。剪枝可以去掉那些对输出贡献极小的通道，减少计算量。我测试过YOLO系列模型剪掉30%的通道，mAP基本不掉，速度能提升40%左右。
部署时的推理框架选择也很重要。TensorRT在这类任务上表现稳定，支持较好的插件机制；OpenVINO对Intel平台的优化更好。无论选哪个，都要在目标设备上用真实巡检数据做一次完整跑测，不能只看供应商提供的基准测试数据。这里有个容易被忽视的问题：某些加速框架会改变输出张量的存储顺序，导致解码逻辑不一致，跑测时容易出现“训练正常、部署不正常”的情况，排查方向应该先确认预处理和后处理的一致性。
5.2 航线规划与识别结果联动的完整巡检闭环
航线规划和识别结果联动，是这类巡检系统能达到实用程度的关键。航线模块负责自动生成覆盖光伏组串的飞行路径，飞行过程中实时下发热像数据流，边缘端推理模块会按帧检测缺陷并将结果与当前无人机GPS坐标和云台姿态关联起来，实时写入故障数据库。每一处缺陷都会被记录成一条结构化信息，包括经纬度、组串编号、缺陷类型、置信度、热斑峰值温度。地面站软件可以随时查看整站的缺陷分布热力图，按组串排序派发工单。
这个流程里有两个核心工程难点。一是缺陷定位精度，也就是实际物理位置和算法输出的位置坐标的匹配误差，正常需要控制在组件级，否则运维人员在现场找不到对应组件，这就失去了意义。另一个是巡检数据的统一管理，每天采集的数据量不小，如果按原始帧存储，检索和回看效率都很低，更好的方式是按故障事件存储关键帧和对应的温度统计信息，正常帧只保存缩略图用于追溯。
还有一件事是关于推流和网络传输。边缘端算力如果不能承受整帧实时推理，可以在本地缓存部分帧，批量推断后统一上报，不需要把每一帧都上传到云端，这样对弱网环境的适应性更强。
5.3 基于热斑温度特征的缺陷严重等级评估
识别出缺陷只是第一步，实际运维还需要对缺陷严重程度做分级。热斑的严重等级不能只看温度绝对高低，还要结合环境温度、辐照度、缺陷面积来判断。我在设计分级规则时，用电站当前环境温度作为基准，把组件表面温度和正常组件的平均温度做差得到温差，再把温差和缺陷面积联合起来分成三级。
一级缺陷，温差低于10℃，缺陷面积小于组件面积的2%，可以安排计划性处理，不一定影响当前输出功率。二级缺陷，温差在10℃到20℃之间，或者缺陷面积占组件面积2%到10%，建议近期处理并持续跟踪。三级缺陷，温差超过20℃，或者缺陷面积占比超过10%，需要尽快停机更换，否则可能引发更大面积的损坏。这套分级标准要和电站运维团队沟通确认，数据里的温度统计特征在报表输出时直接标明等级，现场人员的工作量能降低不少。
有一点要注意，无人机热像测得的组件表面温度并不是电池片的真实结温，红外图像反映的是表面封装层的热辐射温度，和电池片的实际结温存在一定的温度差和延时。光伏热成像识别追求的是快速高效的异常筛查，不是精密仪器测温。分级规则里的温度阈值，最好用电站实际故障历史的统计分布来标定，别直接套用理论参数。
6. 我在实际项目中反复确认的几个经验
说了这么多，最后分享几条我在反复做光伏热成像项目之后总结出来的经验，应该能让你少走一些弯路。
第一，不要为模型的F1分数着迷，重点关注模型在真实新场地上的表现。开源的“无人机航拍光伏热成像图数据集”确实节省了前期收集时间，但每个电站的光伏组件型号、排列方式、地形环境都不一样，即使模型在开源测试集上效果不错，到了部署场地也要用当地数据做微调。微调至少要采集几百张该场地的代表性红外图像，否则系统上线第一周就会被打回原形。
第二，模型的检测结果一定要和后端的工单系统做数据联动，不要停留在展示识别框的层面。光伏巡检的价值是让业主知道“哪块板子坏了、坏到什么程度、该换还是该洗”，光有检测框和置信度是不够的。缺陷类别、位置坐标、严重等级、现场照片一起推送到底层系统，自动生成待处理工单，巡检这件事才算真正闭环。
第三，采集数据时一定要控制热像图的标准化流程。热像设备在出厂之后基本每年都会有不同程度的漂移，隔一段时间就要做一次黑体和环境温度校正。如果有个别批次拍的图像偏暗或者偏亮，数据标注和模型训练前最好先做一个统一的灰度分布校正，不然模型的输入分布会随着时间漂移，精度下降得悄无声息。
这套基于低空热成像和深度学习的识别系统，发展到今天已经比较成熟了。热斑、裂缝、遮挡、二极管失效这些常见问题，结合好的数据集和合理的训练策略，基本都能达到可用的巡检精度。如果后续能进一步把光伏组件的功率数据和气象数据也引入进来，做多源数据联合判断，光伏巡检会更加智能和前瞻。
