面向太阳能板完整性的自动化：基于混合深度特征提取的先进表面缺陷识别
计算机视觉与模式识别
2026-04-14 v1 人工智能
摘要
为确保能源效率和可靠运行，必须监控发电厂中的太阳能板以检测缺陷。大规模太阳能电站以及安置在偏远地区的太阳能板的手动监测既费力又耗时且成本高昂。人工检查也可能受人为错误的影响。因此，有必要创建一个自动化、智能的缺陷检测系统，确保持续监控、早期故障检测以及最大化功率输出。我们提出了一种用于SOLAR板缺陷检测的新型混合方法，通过结合手工特征和深度学习特征来实现。使用Local Binary Pattern(LBP)、Histogram of Gradients(HoG)和Gabor滤波器提取手工特征。通过DenseNet-169提取深度特征。将手工特征和深度特征拼接后输入三个不同的分类器，包括支持向量机(SVM)、Extreme Gradient Boost(XGBoost)和Light Gradient-Boosting Machine(LGBM)。在增强数据集上的实验结果表明，性能优异，尤其是DenseNet-169 + Gabor(SVM)获得最高分数，准确率达99.17%，高于所有其他系统。总体而言，所提出的混合框架在缺陷检测方面具有更好的检测精度、抗干扰性和灵活性，具有扎实的实用基础，可用于自动化光伏板监控系统。
关键词
引用
@article{arxiv.2604.10969,
title = {Towards Automated Solar Panel Integrity: Hybrid Deep Feature Extraction for Advanced Surface Defect Identification},
author = {Muhammad Junaid Asif and Muhammad Saad Rafaqat and Usman Nazakat and Uzair Khan and Rana Fayyaz Ahmad},
journal= {arXiv preprint arXiv:2604.10969},
year = {2026}
}