聂渲南1. 项目概述
这个双模态无人机光伏缺陷检测数据集是我在2023年参与的一个光伏电站智能巡检项目中的核心成果。当时我们团队需要解决传统人工巡检效率低下、漏检率高的问题，经过半年多的实地测试和数据采集，最终整理出了这套包含650对红外与可见光图像的配对数据集。
在实际应用中，我们发现单纯依靠可见光图像很难检测电池片隐裂(dmjrb)这类微观缺陷，而红外图像虽然能清晰显示热斑(ns)等热异常，却无法识别玻璃破碎(ygfs)等物理损伤。正是这种互补性促使我们开发了这个双模态数据集，目前已在多个光伏电站的日常巡检中得到应用，缺陷检出率比单模态方案提升了37%。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集核心价值
2.1 双模态协同检测优势
光伏板缺陷大致可分为三类：
- 热异常类：如热斑(ns)、二极管故障(dyrb)，在红外图像中表现为明显高温区
- 物理损伤类：如玻璃破碎(ygfs)、遮挡(zw)，在可见光图像更易识别
- 复合缺陷类：如隐裂伴随异常低温(dmjrb_ycdw)，需要双模态交叉验证
我们做过对比实验：单可见光模型对热斑的检出率仅68%，而双模态方案达到92%。特别是在清晨有露水时，可见光图像会出现伪影，此时红外数据就成为了关键补充。
2.2 数据采集细节
- 设备配置：
- 可见光：DJI Mavic 3 Enterprise，2000万像素
- 红外：FLIR Vue Pro R 640，分辨率640×512，热灵敏度<50mK
- 飞行参数：
- 高度：距组件表面5-8米
- 光照条件：晴天10:00-14:00（避免强烈反光）
- 拍摄角度：正射+15°倾斜（兼顾全面性与立体信息）
- 温度校准：
每批次拍摄前用黑体源校准，确保红外数据绝对温度误差<2℃
3. 数据标注规范
3.1 标注流程
我们采用"可见光为主、红外验证"的标注策略：
- 先在可见光图像上标注所有可见缺陷
- 对照红外图像补充热异常标注
- 由3名专业工程师交叉校验
- 最终通过IV级无损检测设备实地验证争议样本
3.2 类别定义细节
以dmjrb_ycdw（隐裂伴异常低温）为例：
- 可见光标准：电池片有细线状裂纹（需放大至200%观察）