TinyViT：面向太阳能电板表面故障与严重程度筛查的现场可部署 Transformer 流水线

可靠运行的太阳能光伏资产取决于准确检测和优先排序跨广阔地理分布模块的表面故障。虽然多模态成像策略流行，但它们为常规农场级部署引入了后勤和经济障碍。本工作证明，深度学习和经典机器学习可以明智地组合，以仅从平面可见波段图像中实现稳健的表面异常分类和严重程度估计。我们引入 TinyViT，这是一个紧凑的管道系统，集成了基于 Transformer 的分割、光谱-空间特征工程和集成回归。该系统接收消费级彩色相机马赛克图像，用于 PV 面板，分类七种细致入微的表面故障，并生成可操作的严重程度等级，以便维护分类。通过消除对电光发光或红外传感器的依赖，我们的方法实现了面向资源受限安装的可负担、可扩展的维护，从而将太阳能健康监测推进至通用现场可访问性。实验在真实公共数据集上验证了分类和回归子模块，准确率和可解释性与专门方法相当。