COMPUTER VISION / 个人视觉训练实践

光伏组件识别与诊断

第一轮训练后标注：区分光伏组件与玻璃，并将材质不明确的区域留给人工复核。保留前后两版，记录每一步判断。

YOLOv8 训练实践第一轮训练后标注易混材质复核标注版本对照

红框：光伏板 · 蓝框：玻璃 · 黄虚线：材质待确认

ROUND 01 / 标注复盘

把不确定的判断，留在画面里。

本轮用黄色虚线标出屋面采光区与左侧雨棚，注明“疑似玻璃 / 采光板”。其中，屋面采光区在上一版直接标为玻璃，本轮保留为材质待确认。

补充近距离图像或现场材质信息，复核玻璃、采光板及易混屋面材料，再确认标注是否需要调整。

阶段性标注展示 · 不代表独立测试集评估结论

01 / VISUAL EVIDENCE

把局部细节与建筑上下文放在一起看。

光伏组件常呈现规则的电池片分区、片间缝隙和边框；窗户与玻璃顶更常见大块玻璃及支撑龙骨。纹理是重要线索，仍需结合分辨率和遮挡情况。

观察：电池片排列 / 分缝 / 边框

可见的室内结构、天空映像和表面色调可以辅助区分。玻璃也可能深色不透，光伏也会有明显镜面反射；半透明光伏与 BIPV 需要专门样本。

观察：可见内部 / 高光 / 材料差异

成片阵列、安装支架、屋面与立面的位置关系能提供上下文。安装朝向、坡度或所在楼层都不能单独决定类别，应与局部视觉证据交叉确认。

观察：阵列 / 支架 / 建筑位置

02 / TRAINING & ENGINEERING

以 YOLOv8 为训练主线，扩展技术按实际需求接入。

训练主线

采集与标注
整理光伏组件、立面窗户、采光玻璃三类样本。增加反光玻璃、幕墙、金属屋顶和遮挡场景，重点补充误检与漏检样本。
划分数据，控制泄漏
先按站点、建筑或采集批次划分训练、验证与测试集，再进行切片。避免同一建筑的相邻画面同时出现在训练和测试中。
选择任务与训练策略
框标注用于检测；贴合透视后的实际轮廓应选实例分割；需要方向信息可考虑旋转矩形框（OBB）。基于预训练权重微调，并验证尺度、光照与旋转增强的效果。
回看错误，迭代样本
按类别检查混淆和困难场景，把低置信度、漏检与错误分类送回人工复核。用独立站点检验泛化，而不是只挑选效果好的图片。

03 / DIAGNOSIS SCOPE

不同异常，需要匹配的图像与验证方式。

RGB 可见光

可检查遮挡、积污、明显破损与安装外观。受距离、角度和分辨率影响，视觉线索需要现场或其他数据复核。

红外 / EL / 电气数据

热点通常需要合适采集条件下的红外热成像；隐裂等问题常需 EL 等专门检测。单张普通航拍图不能证明组件内部或发电性能正常。

当前样例展示类别识别，不构成缺陷检测报告；未给出热成像、EL 或电气诊断结论。

04 / VALIDATION

本页未公开模型权重与独立测试报告，因此不展示未经验证的准确率或推理耗时。