深度学习框架YOLOV5模型 光伏板热斑检测方法研究 光伏板热斑检测 无人机搭载红外热像仪对光伏板进行全面扫描收集到的红外热图像数据集进行实验验证

数据集情况：

无人机光伏板红外图像热斑缺陷数据集，类别为两种 0为热斑；1为热点；2为遮挡。训练+验证+测试共2w多张图片，标签已打好，可直接用于训练。

光伏板热斑检测方法研究（YoloV5)】围绕光伏板热斑检测问题，利用无人机搭载红外热像仪对光伏板进行全面扫描收集到的红外热图像数据集进行实验验证，利用深度学习模型YOLOv5对图像数据进行处理，实现热斑的自动检测和精确定位（显示坐标）。

1

基于YOLOv5的光伏板热斑检测系统，利用红外热成像数据进行目标检测。下面我将围绕“光伏板热斑检测方法研究（YOLOv5）”这一主题，

🌞 一、项目背景与目标

1. 背景

• 光伏电站运行中，由于电池片老化、阴影遮挡、焊接不良等原因，可能出现局部过热现象，称为“热斑”。
• 热斑会降低发电效率，甚至引发火灾。
• 传统人工巡检耗时费力，且难以发现微小热斑。
• 利用无人机搭载红外热像仪采集图像，结合深度学习模型自动识别热斑，是当前主流解决方案。

2. 目标

• 构建一个基于 YOLOv5 的热斑检测系统；
• 实现对红外图像中“golden-spots”（即热斑）的自动检测与定位；
• 输出检测框、类别、置信度及坐标信息；
• 提供 Web 界面上传图片并实时检测。

🧠 二、整体架构设计

[无人机] → [红外热像仪] → [红外图像数据集] ↓ [YOLOv5 模型训练] ↓ [检测模型部署 + Web UI] ↓ [上传图片 → 检测 → 显示结果]

🔧 三、环境准备

1. 安装依赖

# 创建虚拟环境（可选）python -m venvenvsourceenv/bin/activate# Linux/Mac# env\Scripts\activate # Windows# 安装依赖pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pipinstallopencv-python numpy pillow flask

2. 下载 YOLOv5 框架

gitclone https://github.com/ultralytics/yolov5.gitcdyolov5

注意：你图中的yolov5s.pt是预训练权重文件，建议使用官方版本。

📁 四、目录结构说明（根据你的截图）

project_root/ ├── models/ │ └── yolov5s.pt # 预训练模型 ├── pretrained/ ├── run_model/ ├── runs/ ├── test/ ├── utils/ │ ├── data_gen.py # 数据生成脚本 │ ├── detect.py # 推理主程序 │ ├── export.py │ ├── hubconf.py │ ├── requirements.txt │ ├── setup.cfg │ ├── train.py # 训练脚本 │ ├── val.py # 验证脚本 │ └── window.py # GUI 或 Web 界面逻辑 ├── data/ │ └── labels/ # 标注文件（YOLO格式） └── images/ └── input/ └── thermal.jpg # 输入红外图像

🎯 五、数据标注与格式

1. 数据集格式要求

• 图像：.jpg,.png红外热图（如 FLIR 设备输出）
• 标注：YOLO 格式.txt文件，每行：

  class_id x_center y_center width height (归一化)

示例标注文件（thermal_001.txt）：

0 0.45 0.32 0.08 0.06

其中：

• 0表示 “golden-spot” 类别
• 坐标为归一化值（0~1），对应图像中心点和宽高

2. 类别定义（data.yaml）

train:./data/images/trainval:./data/images/valnc:1names:['golden-spots']

⚙️ 六、模型训练（可选）

如果你有标注数据，可以训练自己的模型：

# 训练命令python train.py\--img640\--batch16\--epochs100\--data data.yaml\--weights yolov5s.pt\--name golden_spots_train

若仅用于推理，可跳过此步，直接加载预训练模型。

🧪 七、图像检测核心代码（detect.py）

# detect.pyimportcv2importtorchfromPILimportImagefromyolov5.models.experimentalimportattempt_loadfromyolov5.utils.datasetsimportLoadImagesfromyolov5.utils.generalimportcheck_img_size,non_max_suppression,scale_coordsfromyolov5.utils.torch_utilsimportselect_device,time_synchronizeddefdetect_image(image_path,weights='yolov5s.pt',device='cuda'):# 加载模型model=attempt_load(weights,map_location=device)model.eval()# 图像加载img=cv2.imread(image_path)img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)img=Image.fromarray(img)# 预处理img=img.resize((640,640))# 改为你的输入尺寸img_tensor=torch.from_numpy(np.array(img)).permute(2,0,1).float()/255.0img_tensor=img_tensor.unsqueeze(0).to(device)# 推理withtorch.no_grad():pred=model(img_tensor)[0]# NMSpred=non_max_suppression(pred,conf_thres=0.5,iou=0.45)results=[]fordetinpred:iflen(det):# 将检测框还原到原始图像大小det[:,:4]=scale_coords(img_tensor.shape[2:],det[:,:4],img.size)for*xyxy,conf,clsinreversed(det):x1,y1,x2,y2=map(int,xyxy)label=f'golden-spots{conf:.2f}'results.append({'bbox':(x1,y1,x2,y2),'label':label,'confidence':float(conf),'center':((x1+x2)/2,(y1+y2)/2)})returnresults# 使用示例if__name__=="__main__":results=detect_image("images/input/thermal.jpg")forrinresults:print(f"检测到热斑:{r['label']}@ ({r['center'][0]:.1f},{r['center'][1]:.1f})")

💻 八、Web 界面实现（Flask + OpenCV）

# app.pyfromflaskimportFlask,render_template,request,jsonifyimportcv2importnumpyasnpimportosfromdetectimportdetect_image# 导入上面的函数app=Flask(__name__)UPLOAD_FOLDER='static/uploads'os.makedirs(UPLOAD_FOLDER,exist_ok=True)@app.route('/')defindex():returnrender_template('index.html')@app.route('/upload',methods=['POST'])defupload_file():if'file'notinrequest.files:returnjsonify({'error':'No file uploaded'})file=request.files['file']iffile.filename=='':returnjsonify({'error':'No file selected'})filepath=os.path.join(UPLOAD_FOLDER,file.filename)file.save(filepath)# 检测results=detect_image(filepath)# 可视化结果img=cv2.imread(filepath)forrinresults:x1,y1,x2,y2=r['bbox']cv2.rectangle(img,(x1,y1),(x2,y2),(0,255,0),2)cv2.putText(img,r['label'],(x1,y1-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)cv2.circle(img,(int(r['center'][0]),int(r['center'][1])),5,(0,0,255),-1)result_path=os.path.join(UPLOAD_FOLDER,'result_'+file.filename)cv2.imwrite(result_path,img)returnjsonify({'success':True,'image_url':'/static/uploads/result_'+file.filename,'detections':results})if__name__=='__main__':app.run(debug=True)

🖼️ 九、前端界面（index.html）

<!DOCTYPEhtml><htmllang="zh"><head><metacharset="UTF-8"><title>光伏板热斑检测</title><style>body{font-family:Arial;padding:20px;}.container{max-width:800px;margin:auto;}.upload-btn{padding:10px;background:#007bff;color:white;cursor:pointer;}.result{margin-top:20px;}.box{border:1px solid #ccc;padding:10px;}</style></head><body><divclass="container"><h1>光伏板热斑检测系统</h1><inputtype="file"id="fileInput"accept=".jpg,.jpeg,.png"><buttonclass="upload-btn"onclick="upload()">上传并检测</button><divid="result"class="result"></div></div><script>functionupload(){constfile=document.getElementById('fileInput').files[0];if(!file)return;constformData=newFormData();formData.append('file',file);fetch('/upload',{method:'POST',body:formData}).then(res=>res.json()).then(data=>{if(data.success){constresultDiv=document.getElementById('result');resultDiv.innerHTML=`<img src="${data.image_url}" style="max-width: 100%;">`;console.log(data.detections);}else{alert('检测失败');}});}</script></body></html>

✅ 十、运行流程总结

1. 准备红外图像数据；
2. 手动标注或使用 LabelImg 标注；
3. 使用train.py训练模型（可选）；
4. 使用detect.py进行推理；
5. 启动 Flask 服务：

   python app.py

6. 访问http://localhost:5000，上传图片即可看到检测结果。

📊 十一、检测效果展示（如图）

如，右图显示了热斑位置，并标注了(305.0, 130.5)的像素坐标和置信度0.82。