SolarFCD：面向光伏系统的太阳能故障分类的大规模数据集与基准
计算机视觉与模式识别
2026-04-28 v1
摘要
全球光伏（PV）系统部署的日益增长，迫切需要具备稳健、可扩展且自动化的检查技术，能够在多种运行情况下检测到广泛范围内的面板缺陷。缺乏大规模、多模态且公开可获取的标注数据集，是阻碍该领域发展的主要障碍。我们引入了SolarFCD数据集，通过系统性地整合和调和三个公开数据集，涵盖两种成像模态：RGB/无人机图像和热红外图像。该数据集包含4,435张图片，涵盖四个统一的缺陷类别，如：健康图片、表面遮挡、结构故障和电气故障。通过系统性的标签映射、近重复删除以及针对少数类的有针对性数据增强，数据集被划分为80:10:10的训练、验证和测试比例。我们训练并评估了16种来自5种设计家族的分类架构，以提供可重复的基准结果。ResNet101V2在准确率为86.68%、精确率为88.65%、召回率为88.62%，F1分数达到88.17%时表现最佳。各类别结果显示，在狭窄的1.2个百分点性能差距内，实现了所有四个缺陷类别的均衡检测。为促进自动化PV检查和太阳能能源运营维护领域的开放且可重复的研究，数据集、标注文件以及基线代码已公开提供。
引用
@article{arxiv.2604.23662,
title = {SolarFCD: A Large-Scale Dataset and Benchmark for Solar Fault Classification in Photovoltaic Systems},
author = {Misbah Ijaz and Saif Ur Rehman Khan and Abd Ur Rehman and Arooj Zaib and Sebastian Vollmer and Andreas Dengel and Muhammad Nabeel Asim},
journal= {arXiv preprint arXiv:2604.23662},
year = {2026}
}