隨著太陽能作為清潔能源的重要性日益凸顯，太陽能板作為能量轉換的核心設備，其高效運行直接影響著太陽能發電的質量與效率。傳統的太陽能板損壞污染檢測方式效率低、成本高，難以滿足行業快速發展的需求。而深度學習技術在圖像識別領域的蓬勃發展，為太陽能板表面損壞污染檢測帶來了新方向。諸多研究嘗試利用不同算法提升檢測效果，但針對太陽能板缺陷和污染的智能化檢測，仍存在進一步優化的空間。

  一、太陽能板表面損壞污染檢測的數據採集與預處理

  《2025-2030年全球及中國太陽能板行業市場現狀調研及發展前景分析報告》指出，為實現太陽能板表面損壞污染的智能化分類檢測，數據採集是首要環節。此次在青島市膠州市膠西街道大行新村光伏發電廠進行現場圖像採集，同時藉助網絡爬蟲技術搜索相關圖像，現場採集到 1045 張圖像，網絡爬蟲收集到 1454 張圖像。採集完成後，將所有圖像尺寸統一調整為 640*640 像素。為增強數據集的多樣性，通過隨機旋轉、翻轉、平移等方式對圖像進行擴充，最終得到 4320 張圖像。這些圖像被細緻地分為鳥屎太陽能板圖像、清潔太陽能板圖像、灰塵太陽能板圖像、電氣灼傷太陽能板圖像、損壞太陽能板圖像以及積覆蓋太陽能板圖像，並分別編號為 0、1、2、3、4、5 ，為後續模型訓練奠定了堅實基礎。

  二、太陽能板檢測的 FasterNet 網絡基礎與改進

  FasterNet 是一種運算速度快的輕量級網絡，其採用 PConv 模塊減少計算冗餘和內存訪問。PConv 模塊在輸入通道部分進行空間特徵提取，其餘通道保持不變，並將連續通道視為代表計算。同時，為充分利用通道信息，還附加了 PWConv，形成 P-shaped Conv 卷積。FasterNet 網絡由 4 層 FasterNet Block 組成，每層前有嵌入層或合併層用於空間下採樣和通道擴展，每個 FasterNet 塊包含一個 PConv 層和兩個 PWConv 層，構成倒置殘差塊。

  為提升 FasterNet 網絡對太陽能板表面損壞污染的檢測性能，對其進行了改進。改進後的網絡由三層 FasterNet Block 組成，在第一層和第三層 FasterNet Block 後添加 SimAM 無參注意力機制。SimAM 基於人腦注意力機制設計，通過獨特能量函數計算神經元權重，無需額外參數，能使模型聚焦關鍵信息。此外，選用 Adam 作為優化函數，它結合了 Momentum 和 RMSprop 的優點，可自適應調整學習率，加速模型收斂並提高性能。

  三、太陽能板檢測試驗的環境、指標與結果分析

  本次試驗硬體配置強大，採用 Intel Xeon Gold 系列多核處理器，配備 128GB DDR4 ECC REG 內存，1TB NVMe SSD 主存儲，NVIDIA RTX 3060 顯卡提供深度學習計算能力。軟體環境選用 Ubuntu 20.04 LTS 作業系統，安裝 Pytorch1.8 深度學習框架，使用 Python 3.8 程式語言開發模型。

  試驗選用準確率、F1 值和混淆矩陣對模型可靠性進行評價。準確率反映模型正確預測的比例，F1 值綜合精確率和召回率衡量模型性能，混淆矩陣則直觀展示模型分類情況。

  在結果分析中，添加 SimAM 無參注意力機制後，FasterNet 網絡在相同數據集和訓練條件下，準確率從 76.24% 提升至 78.28%，F1 值從 75.84% 提升至 77.45%，有效提升了網絡分類性能。對比 SGD、RMSprop 和 Adam 三種優化函數，Adam 優化函數收斂速度快，在訓練初期損失值下降迅速，整體穩定性好，使用其訓練的 FasterNet 網絡準確率和 F1 值均高於其他兩種優化函數。與 ResNet-50、VGGNet-16 和 MobileNet-small 等流行分類模型對比，改進後的 FasterNet 網絡在測試集總準確率和 F1 值上表現更優，且模型參數僅 4.0MB，存儲需求和計算複雜度低。通過混淆矩陣對比改進前後的 FasterNet 網絡，改進後的網絡誤分類情況減少，在易混淆類別上分類準確率顯著提高。

  四、研究總結與展望

  通過對 FasterNet 網絡的改進並應用於太陽能板表面損壞污染檢測，引入 SimAM 無參注意力機制顯著提升了網絡分類性能，採用 Adam 優化函數加速了訓練過程，使模型能更快收斂到最優解。最終改進後的模型在測試集中總準確率為 78.28%，F1 值為 77.45%，模型大小為 4.0MB，滿足實際應用要求。不過，太陽能板智能巡檢技術仍有提升空間，未來將繼續探索更有效的網絡結構和優化方法，推動深度學習在該領域的應用，助力太陽能板行業高效發展。