基准测试无人机太阳能板检查中的 CNN 和 Transformer 基于对象检测器
计算机视觉与模式识别
2026-01-07 v2
摘要
及时和准确地检测太阳能板中的缺陷和污染物对于维护光伏系统的效率和可靠性至关重要。虽然最近的研究已将深度学习应用于光伏检查，但跨检测器架构的公平基准测试以及对类别不平衡的无偏处理仍有限。本工作对在无人机拍摄的太阳能板 RGB 影像上对卷积和变换器基于对象检测器进行全面基准测试。引入的类别针对性数据增强策略仅应用于训练分割，以缓解不平衡而不损害评估完整性。评估了基于 ResNet50 和 MobileNetV3 的 Faster R-CNN，基于 ResNet50 的 RetinaNet，YOLOv5，YOLOv8，以及集成到 Faster R-CNN 中的 Swin Transformer backbone（Tiny、Small 和 Base 变体）。使用平均平均精度（mAP）、多个 IoU 阈值、精确率、召回率、F1 分数和推理吞吐量进行性能评估，以实现与无人机部署相关的准确性-吞吐量权衡分析。实验结果表明，基于 ResNet50 的 Faster R-CNN 实现了最高的局部化准确度，[email protected] 为 0.893，[email protected]:0.95 为 0.759；而 MobileNetV3 变体提供了最佳的整体可靠性平衡，在测试集上召回率为 0.745，F1 分数为 0.809，准确率为 0.679。该数据集和代码将在论文接受后公开。
引用
@article{arxiv.2509.05348,
title = {Benchmarking CNN and Transformer-Based Object Detectors for UAV Solar Panel Inspection},
author = {Ashen Rodrigo and Isuru Munasinghe and Pubudu Sanjeewani and Asanka Perera},
journal= {arXiv preprint arXiv:2509.05348},
year = {2026}
}