面向无人机巡检的光伏工程进度智能识别：一种改进YOLO v8算法

杨宇; 张军波; 何天乐; 曹政农; 孙琦

doi:10.3724/j.gyjzG26012002

面向无人机巡检的光伏工程进度智能识别：一种改进YOLO v8算法

doi: 10.3724/j.gyjzG26012002

杨宇^1,2,
张军波^1,2,
何天乐^1,2, ,,
曹政农^1,2,
孙琦^1,2

1. 中国电建集团华东勘测设计研究院有限公司, 杭州 311122;
2. 浙江华东工程咨询有限公司, 杭州 310014

基金项目:

中国电建集团华东勘测设计研究院有限公司科技创新项目（KY2024-2X-03-06）。

详细信息

作者简介:
杨宇,硕士,工程师,主要从事工程数字化方向研究。

通讯作者:
何天乐,201700708@stu.ncwu.edu.cn。

计量
- 文章访问数: 6
- HTML全文浏览量: 1
- PDF下载量: 0
- 被引次数: 0
出版历程
- 收稿日期: 2026-01-20
- 网络出版日期: 2026-06-06

Intelligent Progress Recognition for PV Project Inspection via UAV: an Improved YOLO v8 Approach

YANG Yu^1,2,
ZHANG Junbo^1,2,
HE Tianle^{1,2
, ,},
CAO Zhengnong^1,2,
SUN Qi^1,2

1. Power China Huadong Engineering Co., Ltd., Hangzhou 311122, China;
2. Zhejiang Huadong Engineering Consulting Co., Ltd., Hangzhou 310014, China

摘要

摘要: 为提升光伏工程进度监管的智能化水平，解决复杂场景下光伏组件遮挡导致的识别精度不足问题，融合无人机影像与改进的目标检测算法，研究了光伏工程关键部件的自动化识别方法。针对无人机影像中常见的小尺度目标与遮挡干扰，提出了一种优化的非极大值抑制机制，并设计了基于目标尺寸与类别特征的动态筛选算法。试验结果显示：改进模型的损失函数在训练过程中稳定收敛；关键性能指标（包括检测精度、召回率、mAP50和mAP50-95）分别达到94.8%、93.2%、94.8%和96.5%。在西藏那曲安多光伏工程的实际应用中，桩基础、光伏支架、光伏组件等核心部件的平均识别准确率超过95%，显著优于传统人工巡检方法。结果表明，所提方法通过动态优化检测机制，有效缓解了遮挡干扰下的目标漏检问题，为复杂施工环境下的光伏工程进度智能监管提供了可行的技术方案，具有重要的工程应用价值。
- 光伏工程 /
- YOLO v8 /
- 无人机图像 /
- 目标检测 /
- 进度识别
Abstract: To enhance the intelligent supervision of photovoltaic （PV） project progress and address the issue of low recognition accuracy caused by component occlusion in complex scenarios， this study proposed an automated recognition approach for key PV components that integrates UAV images with an improved object detection algorithm. In response to common challenges such as small-scale targets and occlusion interference in UAV images， this study developed an optimized non-maximum suppression mechanism and a dynamic screening strategy based on target size and category features. Experimental results showed that the improved model achieved stable convergence of the loss function during training. Its key performance indicators， including detection precision， recall， mAP50， and mAP50-95， reached 94.8%， 93.2%， 94.8%， and 96.5%， respectively. In the practical application of the Anduo PV project in Nagqu， Tibet， the average recognition accuracy for core components such as pile foundations， PV supports， and PV modules exceeded 95%， significantly outperforming traditional manual inspection methods. These findings demonstrated that the proposed approach effectively reduces target omission under occlusion through dynamic detection optimization， providing a feasible technical solution for intelligent progress monitoring in complex PV construction environments and possessing considerable practical engineering value.
- PV projects /
- YOLO v8 /
- UAV image /
- target detection /
- progress recognition

HTML全文

参考文献(23)

[1]	MORANDUZZO T，MELGANI F. Detecting cars in UAV images with a catalog-based approach［J］. IEEE Transactions on Geoscience and Remote Sensing，2014，52（10）：6356- 6367.
[2]	SHEN Q，JIANG L，XIONG H. Person tracking and frontal face capture with UAV［C］// 2018 IEEE 18th International Conference on Communication Technology（ICCT）. IEEE. Chongqing：2018：1412- 1416.
[3]	XIE X，YANG W，CAO G，et al. Real-time vehicle detection from UAV imagery［C］// 2018 IEEE Fourth International Conference on Multimedia Big Data（BigMM）. IEEE. Xi’an：2018：1- 5.
[4]	DENG S，LI S，XIE K，et al. A global-local self-adaptive network for drone-view object detection［J］. IEEE Transactions on Image Processing，2020，30：1556- 1569.
[5]	REN S，HE K，GIRSHICK R，et al. Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，39（6）：1137- 1149.
[6]	ROSS T Y，DOLLÁR G. Focal loss for dense object detection［C］// proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu，Hawaii，USA：2017：2980- 2988.
[7]	REDMON J. You only look once：unified，real-time object detection［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas，NV，USA：2016.
[8]	VAN ETTEN A. You only look twice：rapid multi-scale object detection in satellite imagery［PP/OL］.（2018-05-24）［2026-01-20］. https://arxiv.org/abs/1805.09512. arXiv：1805.09512.
[9]	REDMON J. Yolo v3：an incremental improvement［PP/OL］.（2018-04-08）［2026-01-20］. https://arxiv.org/abs/1804.02767. arXiv：1804.02767.
[10]	陈伟，江志成，田子建，等. 基于 YOLO v8 的煤矿井下人员不安全动作检测算法［J］. 煤炭科学技术，2024，52（增刊2）：267- 283.
[11]	赵金环. 基于卫星遥感与YOLT车辆检测的NO₂浓度时空分析算法研究［D］. 郑州：河南大学，2021.
[12]	江松，李研博，何旭乾，等. 基于无人机影像深度学习的滑坡灾害智能识别［J］. 中国安全科学学报，2024，34（7）：229- 238.
[13]	陈金林，吴一全，苑玉彬. 无人机视角下目标检测的YOLO系列算法研究进展［J/OL］．北京航空航天大学学报，2024［2026-01-20］. https://doi.org/10.13700/j.bh.1001-5965.2024.0420.
[14]	张润梅，肖钰霏，贾振楠，等. 改进YOLOv7的无人机视角下复杂环境目标检测算法［J］. 光电工程，2024，51（5）：92- 103.
[15]	胡惠娟，秦一锋，徐鹤，等. 面向无人机航拍图像的YOLOv8目标检测改进算法［J］. 计算机科学，2025，52（4）：202- 211.
[16]	梁燕，何孝武，邵凯，等. 改进YOLO v8的无人机航拍图像目标检测算法［J］. 计算机工程与应用，2025，61（1）：121- 130.
[17]	程换新，乔庆元，骆晓玲，等. 基于改进YOLOv8的无人机航拍图像目标检测算法［J］. 无线电工程，2024，54（4）：871- 881.
[18]	奚能业. 光伏电站无人机巡检路径优化［D］. 杭州：浙江大学，2022.
[19]	向罗巧. 光伏电站缺陷组件定位若干关键技术研究和系统设计［D］. 杭州：杭州电子科技大学，2023.
[20]	于祥跃. 基于红外图像处理的无人机光伏组件故障检测［D］. 长春：吉林大学，2023.
[21]	WANG A，CHEN H，LIU L，et al. Yolov10：real-time end-to-end object detection［J］. Advances in Neural Information Processing Systems，2024，37：107984- 108011.
[22]	ZHENG Z，WANG P，LIU W，et al. Distance-IoU loss:Faster and better learning for bounding box regression［C］// Proceedings of the AAAI Conference on Artificial Intelligence. New York，USA：2020：12993- 13000.
[23]	LI X，WANG W，WU L，et al. Generalized focal loss:learning qualified and distributed bounding boxes for dense object detection［J］. Advances in Neural Information Processing Systems，2020，33：21002- 21012.