 **基于 YOLOv11 红外光伏面板损伤检测系统   无人机航拍红外光伏组件故障检测数据集**![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/eebdad7f88c9776db7754ad9c982115c.png)
，7339张，yolo、voc、coco标注方式
图像尺寸:640*640
类别数量:8类![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/c4aae4867c447fe10174c0bc53a316d3.png)

训练集图像数量:6924; 验证集图像数量:400； 测试集图像数量:15
类别名称: 每一类图像数 ，每一类标注数
MultiDiode - 多二极管故障：553, 1041
MultiHotSpot - 多点热斑：3082, 5237
SingleDiode - 单二极管故障：1137, 1979
SingleHotSpot - 单点热斑：2519, 7576
SingleByPassed - 单旁路激活：1882, 3231
MultiByPassed - 多旁路激活：338, 391
StringOpenCircuit - 组串开路：620, 1260
StringReversedPolarity - 组串极性反接：110, 124
image num: 7339![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/3480093711263b2ee18d91adad166486.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/4e877e814ecadd28b4a191cd103707a9.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/b5a7359c3adb3f665e11356a3f477e98.png)



模型代码
采用 YOLOv11n 网络训练
训练轮次：80 个 epoch
提供全部训练 + 测试源代码
训练精度 mAP 效果如图所示![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/c8861ea686ea11b78f59fd4c1b52c3d4.png)

PyQt5 界面功能
界面使用 PyQt5 开发![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/b2da1c5f9183d92df17388e3a8daacda.png)
# 基于YOLOv11红外光伏面板损伤检测系统完整代码
## 1、数据集yaml配置 `pv_fault.yaml`
```yaml
path: ./pv_dataset
train: images/train
val: images/val
test: images/test

names:
  0: MultiByPassed
  1: MultiDiode
  2: MultiHotSpot
  3: SingleByPassed
  4: SingleDiode
  5: SingleHotSpot
  6: StringOpenCircuit
  7: StringReversedPolarity
```
>中文标签对照：
MultiByPassed：多片旁路故障；MultiDiode：多二极管故障；MultiHotSpot：多热点；SingleByPassed：单片旁路故障；SingleDiode：单二极管故障；SingleHotSpot：单热点；StringOpenCircuit：串开路；StringReversedPolarity：串反极性

## 2、模型训练代码 train.py![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/cd4f6e5390585b5c60598591df59c6b9.png)

```python
from ultralytics import YOLO

if __name__ == "__main__":
    model = YOLO("yolov11n.pt")
    results = model.train(
        data="pv_fault.yaml",
        epochs=100,
        imgsz=640,
        batch=8,
        device=0,
        project="pv_result",
        name="yolov11_pv_fault",
        save=True,
        val=True
    )
    print("训练完成，最佳权重路径：pv_result/yolov11_pv_fault/weights/best.pt")
```

## 3、图像/视频推理代码 predict.py![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/d4df1bb28192750a655430eaa3cd58d6.png)

```python
from ultralytics import YOLO
import cv2

model = YOLO("pv_result/yolov11_pv_fault/weights/best.pt")

def detect_image(img_path, save_path="pv_detect_result.jpg"):
    res = model.predict(img_path, conf=0.4)
    draw_img = res[0].plot()
    cv2.imwrite(save_path, draw_img)
    return draw_img

def detect_video(video_path):
    model.predict(source=video_path, save=True, conf=0.4)

if __name__ == "__main__":
    detect_image("test_pv.jpg")
```

## 4、PyQt5可视化界面代码
```python
import sys
import cv2
from PyQt5.QtWidgets import (QApplication, QMainWindow, QPushButton, QLabel, QFileDialog,
                             QTableWidget, QTableWidgetItem, QComboBox, QTextEdit)
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import Qt, QTimer
from ultralytics import YOLO

class PvDetectWindow(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("基于YOLOv11的红外光伏面板损伤检测系统")
        self.setGeometry(50, 50, 1280, 900)
        self.model = YOLO("pv_result/yolov11_pv_fault/weights/best.pt")
        self.result_img = None
        self.img_path = ""

        # 图片显示区域
        self.img_label = QLabel(self)
        self.img_label.setGeometry(30, 80, 720, 520)
        self.img_label.setStyleSheet("border:1px solid #333;")

        # 右侧控件
        label_file = QLabel("文件导入", self)
        label_file.setGeometry(780,80,120,30)

        self.btn_img = QPushButton("选择图片", self)
        self.btn_img.setGeometry(780,110,180,35)
        self.btn_img.clicked.connect(self.load_image)

        self.btn_video = QPushButton("选择视频文件", self)
        self.btn_video.setGeometry(780,150,180,35)

        self.btn_cam = QPushButton("开启摄像头", self)
        self.btn_cam.setGeometry(780,190,180,35)

        label_conf = QLabel("置信度", self)
        label_conf.setGeometry(780,240,80,30)
        self.combo_conf = QComboBox(self)
        self.combo_conf.addItems(["0.3","0.4","0.5","0.6","0.7"])
        self.combo_conf.setGeometry(830,240,80,30)

        label_target = QLabel("目标选择", self)
        label_target.setGeometry(780,280,80,30)
        self.combo_target = QComboBox(self)
        self.combo_target.addItems(["全部"])
        self.combo_target.setGeometry(830,280,80,30)

        label_pos = QLabel("目标位置", self)
        label_pos.setGeometry(780,330,120,30)
        self.text_pos = QTextEdit(self)
        self.text_pos.setGeometry(780,360,220,120)

        self.btn_save = QPushButton("保存", self)
        self.btn_save.setGeometry(780,500,100,40)
        self.btn_save.clicked.connect(self.save_result)

        self.btn_exit = QPushButton("退出", self)
        self.btn_exit.setGeometry(900,500,100,40)
        self.btn_exit.clicked.connect(self.close)

        # 底部结果表格
        self.table = QTableWidget(self)
        self.table.setGeometry(30,630,1020,180)
        self.table.setColumnCount(5)
        self.table.setHorizontalHeaderLabels(["序号","文件路径","类别","置信度","坐标位置"])

    def load_image(self):
        fname, _ = QFileDialog.getOpenFileName(self, "打开图片", "", "Image Files(*.jpg *.png *.jpeg)")
        if not fname:
            return
        self.img_path = fname
        conf_thresh = float(self.combo_conf.currentText())
        results = self.model.predict(fname, conf=conf_thresh)
        self.table.setRowCount(0)
        for r in results:
            for box in r.boxes:
                cls_name = self.model.names[int(box.cls[0])]
                conf = float(box.conf[0])
                x1,y1,x2,y2 = box.xyxy[0].cpu().numpy()
                row = self.table.rowCount()
                self.table.insertRow(row)
                self.table.setItem(row,0,QTableWidgetItem(str(row+1)))
                self.table.setItem(row,1,QTableWidgetItem(fname))
                self.table.setItem(row,2,QTableWidgetItem(cls_name))
                self.table.setItem(row,3,QTableWidgetItem(f"{conf:.2f}"))
                coord_str = f"[{int(x1)},{int(y1)},{int(x2)},{int(y2)}]"
                self.table.setItem(row,4,QTableWidgetItem(coord_str))
                self.text_pos.setText(f"xmin:{int(x1)}\nymin:{int(y1)}\nxmax:{int(x2)}\nymax:{int(y2)}")
        img_draw = results[0].plot()
        self.result_img = img_draw
        img_rgb = cv2.cvtColor(img_draw, cv2.COLOR_BGR2RGB)
        h,w,c = img_rgb.shape
        qimg = QImage(img_rgb.data, w, h, c*w, QImage.Format_RGB888)
        self.img_label.setPixmap(QPixmap.fromImage(qimg).scaled(self.img_label.size(), Qt.KeepAspectRatio))

    def save_result(self):
        if self.result_img is not None:
            cv2.imwrite("pv_detect_save.jpg", self.result_img)

if __name__ == "__main__":
    app = QApplication(sys.argv)
    win = PvDetectWindow()
    win.show()
    sys.exit(app.exec_())
```

## 环境安装命令
```bash
pip install ultralytics opencv-python pyqt5
```

## PR曲线绘图代码
```python
from ultralytics import YOLO
import matplotlib.pyplot as plt

model = YOLO("pv_result/yolov11_pv_fault/weights/best.pt")
res = model.val()
pr_data = res.plots["PR_curve"]
plt.figure(figsize=(10,7))
plt.plot(pr_data[0],pr_data[1],label=f"all classes {res.box.map50:.3f} mAP@0.5",linewidth=2)
plt.xlabel("Recall")
plt.ylabel("Precision")
plt.title("Precision-Recall Curve")
plt.legend()
plt.grid(alpha=0.3)
plt.savefig("pv_pr_curve.png",dpi=300)
plt.show()
```

## 应用场景
1. 无人机红外航拍光伏电站巡检，自动识别光伏板各类热缺陷与电路故障
2. 光伏电站运维检测，批量筛查光伏组件热斑、旁路、二极管、串开路等损伤
3. 毕业设计、目标检测算法研究、光伏组件红外图像智能检测项目
4. 光伏工厂组件出厂红外质检



基于 YOLOv11 红外光伏面板损伤检测系统   无人机航拍红外光伏组件故障检测数据集，7339张，yolo、voc、coco标注方式图像尺寸:640*640类别数量:8类

基于 YOLOv11 红外光伏面板损伤检测系统   无人机航拍红外光伏组件故障检测数据集

人工智能

开发工具

物联网

基于YOLOv11的红外光伏面板损伤检测系统，提供7339张无人机航拍红外图像数据集，涵盖8类光伏故障（热斑、二极管故障、旁路激活、串开路等）。支持YOLO/VOC/COCO三种标注格式，包含完整训练、推理及PyQt5可视化界面代码，实现光伏电站智能巡检与组件故障自动识别。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

基于 YOLOv11 红外光伏面板损伤检测系统   无人机航拍红外光伏组件故障检测数据集-腾讯云开发者社区-腾讯云

基于 YOLOv11 红外光伏面板损伤检测系统无人机航拍红外光伏组件故障检测数据集

基于 YOLOv11 红外光伏面板损伤检测系统无人机航拍红外光伏组件故障检测数据集

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

基于 YOLOv11 红外光伏面板损伤检测系统 无人机航拍红外光伏组件故障检测数据集

基于 YOLOv11 红外光伏面板损伤检测系统 无人机航拍红外光伏组件故障检测数据集

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

基于 YOLOv11 红外光伏面板损伤检测系统无人机航拍红外光伏组件故障检测数据集

基于 YOLOv11 红外光伏面板损伤检测系统无人机航拍红外光伏组件故障检测数据集