基于深度学习的光伏组件红外图像缺陷识别系统设计与实现

计算机毕设指导师

⭐⭐个人介绍：自己非常喜欢研究技术问题！专业做Java、Python、小程序、安卓、大数据、爬虫、Golang、大屏等实战项目。

⛽⛽实战项目：有源码或者技术上的问题欢迎在评论区一起讨论交流！也可以在主页上或文末下与博主交流~~

⚡⚡Java、Python、小程序、大数据实战项目集](https://blog.csdn.net/2301_80395604/category_12487856.html)

⚡⚡文末获取源码

温馨提示：文末有CSDN平台官方免费提供的博客联系方式！

温馨提示：文末有CSDN平台官方免费提供的博客联系方式！

温馨提示：文末有CSDN平台官方免费提供的博客联系方式！

光伏组件红外图像缺陷识别系统-简介

基于深度学习的光伏组件红外图像缺陷识别系统用 Python 语言开发，后端基于 Django 框架搭建，页面部分用 HTML、CSS 和 JavaScript 实现，检测记录存放在 SQLite 数据库中。识别环节采用目标检测思路，把每一块异常发热的组件当作一个待定位的目标，主模型选定 YOLO26m，对比模型选用 RT-DETR-L 与 YOLO11m，三个模型都在 512 的输入尺寸、相同的训练轮数上限与早停规则下完成训练，训练数据来自公开的光伏电站红外热成像图像，共 137 张，含组件 5469 块，其中缺陷组件 90 处。训练好的权重通过接口接入 Django 后端，用户上传红外图像后，后端读取文件、校验格式与大小，再调用推理函数，返回缺陷框坐标、置信度和单张耗时，页面把框直接画在图像上，并给出是否存在缺陷的结论。系统还提供模型切换、视频识别、历史记录检索和统计面板，统计部分按模型维度汇总检测次数、缺陷数量与平均置信度，方便查看不同权重在实际图片上的表现差异。整个流程从上传、推理、入库到展示是一条完整链路，部署只需要一台普通电脑。

光伏组件红外图像缺陷识别系统-背景

选题背景

光伏发电这些年装机规模一直在增长，电站建成之后的运维压力也随之变大。组件长期暴露在户外，热斑、隐裂、旁路二极管失效、接线盒接触不良等问题都会让局部温度异常升高，轻则影响单块组件的发电效率，重则引发安全问题。常规做法是运维人员拿着红外热像仪逐排扫描，再靠经验判断哪块组件有问题，工作量大，判断标准也不统一。无人机和手持热像仪的普及让图像采集变得容易，一套电站巡检下来能得到成百上千张红外图，人工逐张查看已经不太现实。目标检测算法在近几年成熟起来，能够在一张图里同时给出异常目标的位置和类别，把它用到红外巡检图像上是比较自然的选择。目前公开的光伏红外图像数据规模都不大，缺陷样本尤其少，模型在小样本条件下的表现和稳定性还需要验证，这正是本课题想要动手做一遍的部分。

选题意义

从工程实践看，本课题把数据整理、标注转换、模型训练、指标评估和网页部署连成了一条线，每一步都要自己处理，遇到的问题也是真实存在的，比如标注框越界、缺陷样本只有 90 个、相邻帧高度相似不能随便切分。这些处理经验对以后进入相关岗位有一定帮助。从方法层面看，课题尝试在样本量有限的前提下给出可复现的对比结论，三个模型使用相同的数据划分、相同的输入尺寸和相同的早停规则，指标差异按噪声区间谨慎解读，这种克制的评估习惯比单纯追求一个好看的分数更有价值。从应用角度看，系统输出的是缺陷组件的位置框和置信度，运维人员可以据此快速定位需要复查的组件，虽然离实际生产部署还有距离，但提供了一个可以参考的原型思路。从个人成长角度看，从读论文、跑通训练脚本到把模型接到网页上，整个过程让我对深度学习的落地环节有了更具体的认识。

光伏组件红外图像缺陷识别系统-核心功能

图片识别

上传单张红外热成像图，系统校验格式与大小后调用推理接口，页面把缺陷框叠加在原图上，右侧列出检出类别、置信度与推理耗时。

视频识别

上传巡检视频后按设定的帧间隔抽帧检测，右侧实时显示当前帧结果与耗时，下方保留每一帧的缩略图与置信度记录。

摄像头识别

调用设备摄像头做实时检测，适合答辩现场演示实时性。

模型切换

识别页面提供识别模型下拉框，主模型与两个对比模型分组标注，同一张图可以用不同权重分别跑一次，直观对比结果差异。

参数设置

可调置信度阈值、交并比与显示数量，阈值调高检出更严格，调低会保留更多可疑目标。

识别历史

每次识别自动入库，列表展示缩略图、检出类别、平均置信度、来源、识别模型与识别时间，支持按类别与来源组合筛选、分页浏览与删除。

历史详情

详情页展示检出类别、平均置信度、推理耗时、原图尺寸、识别时间，下方提供结果回看图与原始结果数据（类别、置信度、框坐标）。

数据统计大屏

包含各时段识别数量热力图、识别数量时间趋势、识别类别占比环形图、模型版本对比、任务类型分布、置信度分布六个图表，数据由识别记录实时汇总。

用户管理

维护账号、姓名、性别、年龄、手机号与头像，支持新增、修改与删除。

光伏组件红外图像缺陷识别系统-视频

基于深度学习的光伏组件红外图像缺陷识别系统设计与实现

光伏组件红外图像缺陷识别系统-图片展示

光伏组件红外图像缺陷识别系统-代码展示

from pyspark.sql import SparkSession
spark = SparkSession.builder.appName("PvDefectStat").master("local[*]").config("spark.sql.shuffle.partitions", "4").getOrCreate()
# ================= 核心功能一：红外图像上传与缺陷推理 =================
def run_inference(image_path, model_key):
    weights = MODEL_REGISTRY.get(model_key)
    if weights is None:
        return {"code": 400, "msg": "所选模型不存在，请重新选择"}
    model = load_model_cached(model_key, weights)
    started = time.time()
    results = model.predict(source=image_path, imgsz=512, conf=0.25, iou=0.50, device=DEVICE, verbose=False)
    cost_ms = round((time.time() - started) * 1000, 2)
    boxes, max_conf = [], 0.0
    for item in results:
        for box in item.boxes:
            xyxy = [round(float(v), 1) for v in box.xyxy[0].tolist()]
            score = round(float(box.conf[0]), 4)
            max_conf = max(max_conf, score)
            boxes.append({"xyxy": xyxy, "score": score, "cls": int(box.cls[0])})
    verdict = "检出缺陷组件" if boxes else "未检出缺陷组件"
    return {"code": 200, "boxes": boxes, "count": len(boxes), "max_conf": max_conf, "cost_ms": cost_ms, "verdict": verdict, "imgsz": 512}
def detect_view(request):
    if request.method != "POST":
        return JsonResponse({"code": 405, "msg": "请求方式不支持"})
    upload = request.FILES.get("image")
    if upload is None:
        return JsonResponse({"code": 400, "msg": "请先选择一张红外图像"})
    if upload.size > 10 * 1024 * 1024:
        return JsonResponse({"code": 400, "msg": "图像超过 10MB 上限"})
    ext = os.path.splitext(upload.name)[1].lower()
    if ext not in (".jpg", ".jpeg", ".png", ".bmp"):
        return JsonResponse({"code": 400, "msg": "仅支持常见图像格式"})
    model_key = request.POST.get("model", "yolo26m")
    save_name = f"{uuid.uuid4().hex}{ext}"
    save_path = os.path.join(settings.MEDIA_ROOT, "uploads", save_name)
    os.makedirs(os.path.dirname(save_path), exist_ok=True)
    with open(save_path, "wb+") as fh:
        for chunk in upload.chunks():
            fh.write(chunk)
    ret = run_inference(save_path, model_key)
    if ret["code"] != 200:
        return JsonResponse(ret)
    record = DetectRecord.objects.create(image_name=upload.name, image_url=settings.MEDIA_URL + "uploads/" + save_name, model_key=model_key, defect_count=ret["count"], max_conf=ret["max_conf"], cost_ms=ret["cost_ms"], result_json=json.dumps(ret["boxes"]), created_at=timezone.now())
    ret["record_id"] = record.id
    return JsonResponse(ret)
# ================= 核心功能二：检测记录检索与统计汇总 =================
def build_record_frame(queryset):
    rows = list(queryset.values("model_key", "defect_count", "max_conf", "cost_ms", "created_at"))
    if not rows:
        return None
    normalized = [{"model_key": row["model_key"], "defect_count": int(row["defect_count"] or 0), "max_conf": float(row["max_conf"] or 0), "cost_ms": float(row["cost_ms"] or 0), "day": row["created_at"].strftime("%Y-%m-%d")} for row in rows]
    return spark.createDataFrame(normalized)
def stat_summary(request):
    days = int(request.GET.get("days", 7))
    model_filter = request.GET.get("model", "")
    start = timezone.now() - timedelta(days=days)
    queryset = DetectRecord.objects.filter(created_at__gte=start)
    if model_filter:
        queryset = queryset.filter(model_key=model_filter)
    frame = build_record_frame(queryset)
    if frame is None:
        return JsonResponse({"code": 200, "items": [], "daily": [], "note": "所选范围内没有检测记录"})
    grouped = frame.groupBy("model_key").agg(F.count("*").alias("total"), F.sum("defect_count").alias("defect_total"), F.round(F.avg("max_conf"), 4).alias("avg_conf"), F.round(F.avg("cost_ms"), 2).alias("avg_cost"))
    items = [{"model_key": row["model_key"], "total": row["total"], "defect_total": int(row["defect_total"] or 0), "avg_conf": float(row["avg_conf"] or 0), "avg_cost": float(row["avg_cost"] or 0)} for row in grouped.collect()]
    daily = frame.groupBy("day").agg(F.count("*").alias("cnt")).orderBy("day").collect()
    items.sort(key=lambda x: -x["total"])
    return JsonResponse({"code": 200, "items": items, "daily": [{"day": d["day"], "count": d["cnt"]} for d in daily], "days": days})
# ================= 核心功能三：模型对比评估与噪声区间判定 =================
def compare_models(request):
    metrics = load_compare_report()
    if not metrics:
        return JsonResponse({"code": 404, "msg": "尚未生成评估结果文件"})
    main_key = "yolo26m"
    main_map = float(metrics[main_key]["map50_95"])
    rows = []
    for key, item in metrics.items():
        gap = round((main_map - float(item["map50_95"])) * 100, 2)
        if key == main_key:
            verdict = "主模型"
        elif abs(gap) <= 1.0:
            verdict = "与主模型基本持平"
        elif gap > 0:
            verdict = "主模型领先"
        else:
            verdict = "主模型落后"
        rows.append({"model_key": key, "map50_95": round(float(item["map50_95"]), 4), "map50": round(float(item["map50"]), 4), "precision": round(float(item["precision"]), 4), "recall": round(float(item["recall"]), 4), "fps": round(float(item["fps"]), 2), "gap_point": gap, "verdict": verdict})
    rows.sort(key=lambda r: -r["map50_95"])
    return JsonResponse({"code": 200, "protocol": "conf=0.001 iou=0.70 imgsz=512", "noise_band": 1.0, "items": rows})

光伏组件红外图像缺陷识别系统-结语

如果这期分享对你准备计算机毕设有帮助，别忘了顺手点赞、收藏、关注支持一下，你的支持就是我持续更新的动力。

也欢迎大家在评论区多交流技术和选题想法，你踩过的坑、卡住的地方，都可以拿出来说说，互相参考，争取计算机毕设顺顺利利通过、答辩稳稳过关！

实战项目：有源码或者技术上的问题欢迎在评论区一起讨论交流！

如果遇到具体的技术问题或其他需求，你也可以问我，我会尽力帮你分析和解决问题所在，支持我记得点赞、收藏，再点个关注，学习不迷路！~~