企业官网建设流程全解析

做了大半年光伏板缺陷检测项目，我最深的体会是：模型结构只是起点，数据和工程化才是决定项目能不能落地的关键。这篇是“光伏板缺陷检测和识别”系列的第三篇，我把用YOLO26神经网络做光伏板缺陷检测和识别的完整方案重新梳理一遍，覆盖数据集构建、训练代码组织、GUI交互界面开发，以及实测中反复踩过的坑。如果你也在做工业缺陷检测，或者想拿目标检测练一个完整实战项目，这篇文章里从零到一的过程可以直接复用。

YOLO26这里指代的是YOLO系列里较新的迭代版本，整体思路延续单阶段检测器路线。项目相关的训练代码、数据集和处理工具我都做了整理归档，整套体系跑下来之后，最值得分享的不是某个指标刷到多少，而是每一步为什么这样做、遇到问题怎么定位。下面直接进入正题。

1. 光伏板缺陷检测的场景真相：不是“黑一块”那么简单

我在动手之前，先把光伏板缺陷检测的场景仔仔细细拆了一遍。很多刚接触这个方向的人以为“缺陷检测”就是“找出板子哪里坏了”，但真正到了现场会发现，这个问题远不止“黑了一块”那么单纯。光伏板从上到下包括玻璃面板、EVA封装层、电池片、背板多个层次，每一层出问题都会在图像上留下不同的痕迹，而不同缺陷又需要在不同成像条件下才能看清，不可能靠一张普通照片全部搞定。

1.1 光伏板缺陷的类型和成像条件

光伏板缺陷从产生机制上看，有电池片内部的隐裂和断栅、封装层的老化与鼓包、表面污染与物理破损，还有运行过程中形成的热斑。不同类型缺陷的对比度、形态、位置差异很大，所以检测方案必须按成像方式拆分，不能混在一起盲目套用同一个模板。

我实际项目里主要用到三种成像方式。第一种是EL（电致发光）图像，给光伏组件通正向电流，电池片本身发光，缺陷位置发光强度发生变化，隐裂、断栅、黑斑在这种图像上非常清晰。但EL设备通常只在产线或者实验室环境使用，现场巡检很难普及，所以这类数据一般数量有限但质量很高。第二种是红外热像图，光伏板工作期间缺陷区域的温度会异常，热斑在红外图上表现为一块亮斑或暗斑。它的优点是能快速扫全场，缺点是分辨率偏低，而且热晕效应让边界非常模糊。第三种是可见光图，用无人机、手机或普通相机就能拍，能直观发现表面脏污、鸟粪、遮挡、玻璃碎裂、EVA黄变等，最贴近人眼直觉，但也最容易受天气、阴影和拍摄视角干扰。

这三种成像方式其实对应着数据集的三个子集，后续模型训练和GUI展示都需要做区分。我把常见缺陷按成像和形态整理成了下面这张表，它也是后期标注规范和损失权重设计的基础。

1.2 检测难点：小目标、密集纹路与类别失衡

光伏板缺陷检测的难点，在第一次跑模型之前我就预判到了，但实际体验比预判更强烈。

第一个难点是小目标。隐裂纹在1280×1280的输入下，往往只有几十个像素那么长的线段，宽度更是只有1到3个像素。模型下采样几次之后，这类特征很容易从特征图上消失。如果使用默认的640输入，情况更糟，很多细小裂纹基本就是“看不见”。这不是模型不够聪明，而是信息在逐层抽象的过程中被物理性丢掉了。

第二个难点是密集规则的背景。光伏电池片上的栅线是互相平行的金属细纹，排列非常密集，边缘、焊带区域也都有明显灰度变化。隐裂纹的形状和栅线天然相似，传统边缘检测算法在这种背景下几乎不可用，经典的分水岭、阈值分割方法处理这种密集纹理图像时也会产生大面积误报。深度学习好的地方在于，它能从大量正负样本中自动学出“哪种纹理组织更像缺陷”，而不是靠人写死规则。

第三个难点是类别不均衡。隐裂样本多、热斑中等、脏污遮挡少，模型天然容易被多数类主导，少数类的召回率会明显变低。第四个难点是现场环境变化，阳光角度、云层阴影、拍摄高度不同，都会让同一块板子看起来差异很大，训练集如果太“干净”，部署到现场就会不断误检。

1.3 人工巡检和传统图像算法的局限

在决定上深度学习之前，我先调研过人工巡检和传统视觉方案，越调研越确定这条路必须换。

人工巡检的问题在于效率。一个人一天能检查的板子数量有限，长时间盯着屏幕之后漏检率会显著上升，尤其是隐裂这种细线缺陷，人的视觉系统在单调的栅线背景里很容易把裂纹“看丢”，漏检几乎是必然的。传统图像处理方案的问题在于鲁棒性，靠阈值和滤波器设计规则，对光照变化和纹理差异特别敏感，换个电站、换台相机参数就失效，维护成本非常高。

深度学习目标检测方案的优势在于，模型能从大量标注样本中自动学习特征表达，本质上是在把“什么算缺陷”这件事交给数据去定义。只要数据描述得足够真实，模型的泛化能力就会比人工规则强一个数量级。这就是我选择YOLO系列做光伏板缺陷检测的核心原因。

2. 算法选型复盘：YOLO26为什么适合这个任务

算法选型是项目一开始就要定的话题。我当时没直接上最复杂的两阶段模型，而是把YOLO系列吃透之后做了对比，下面把选型逻辑完整复盘一遍，方便你在类似项目里做判断。

2.1 单阶段与两阶段，走的其实是两条路

目标检测领域绕不开两条技术路线。两阶段检测器先生成候选区域再分类回归，以R-CNN家族为代表，精度上限高、小目标处理能力强，但速度慢、训练流程复杂，部署到边缘设备时体量大、转换麻烦。单阶段检测器以YOLO为代表，把目标检测当成一个回归问题：输入图像，直接输出边界框、类别概率和置信度，没有显式的候选区域生成步骤，因此速度快、结构简单、部署友好。

最初几代单阶段模型在精度上确实不如两阶段，但后续版本通过引入特征金字塔、多尺度预测和anchor-free机制，把精度差距拉到了很小。放到光伏板缺陷检测场景，我的选型逻辑非常直接：巡检会产生大量待检图，必须有足够的推理速度；缺陷类别数量不多，区域语义不复杂；后续要在GUI和边缘设备上部署，模型必须轻、容易导出。综合这几点，单阶段路线是更匹配的。

2.2 YOLO26的核心设计如何对上光伏缺陷

YOLO26作为YOLO系列较新的迭代版本，延续了三个核心设计，而这三点恰好能打中光伏板缺陷检测的痛点。

第一是CSP风格的骨干网络。它把特征提取拆成主分支和残差分支再融合，计算量更小、梯度传递更顺。对于只有一千多张原始样本、不算海量的数据集来说，这种结构训练更稳，不容易把loss训飞，也不容易在小数据集上严重过拟合。

第二是FPN-PAN风格的多尺度特征融合。高层特征保留类别语义，低层特征保留边缘细节，上下路径双向融合后，不同大小的目标都能获得足够的信息。光伏板缺陷恰恰最需要这种能力：隐裂要看细节，热斑要看区域，脏污要看整体。多尺度融合让这三类需求在同一网络里同时得到满足。

第三是anchor-free的解码方式。新版本不再依赖固定anchor，而是直接预测目标的中心点和宽高，配合CIoU这类损失函数。因为光伏板缺陷的形状差异很大——隐裂是细长条、热斑是块状、脏污是任意形状——固定的anchor比例反而会限制回归，anchor-free在形状自由度上友好得多。

当然，通用模型直接丢进去跑也有不足。我在YOLO26结构基础上做了一点适配：输入分辨率提升到1280，同时保留更浅层的特征图参与检测，尽量把细小裂纹的特征留住。这个改动对隐裂AP的提升非常明显，后面训练章节会详细展开。

2.3 模型规格选择与部署成本平衡

单阶段检测器有个好处：模型的宽度和深度可以缩放，一个骨架可以演化成从小到大的多个规格，这在部署阶段非常实用。

我在项目里实际测了三种规格，Nano、Small、Medium，对应不同的部署环境和精度需求。测量条件统一为CPU单线程推理、1280输入分辨率，结果如下：

表格里的mAP是同一测试集上的结果，可以看到随着模型容量增大，精度稳步上升。我把模型规格做成了GUI里一个可选项，现场可以根据机器性能自由切换。实际选型时我不建议用Nano做主力，隐裂这种小缺陷很容易因为模型容量不足而被压掉；Medium更适合在后台做批量复核任务，精度最高的同时能接受较慢速度。

3. 数据集构建：模型性能的真正上限在这里

做过几个检测项目后我越来越确信一句话：缺陷检测模型的性能上限由数据决定，模型只是在逼近这个上限。数据集的构建流程我花的时间比训练本身还多，下面把采集、标注、增强、划分四条线完整讲一遍。

3.1 数据采集：三路来源与图像差异

训练模型之前最重要的决定是数据怎么来。我分了三个渠道收集光伏板图像。

EL图像来自实验室的检测设备，质量最稳定，缺陷最清晰，但数量有限，主要作为隐裂类样本的来源。红外热像来自现场巡检，能拍到热斑，但分辨率低、灰阶漂移大，需要做归一化处理。可见光图像通过无人机和手持相机采集，覆盖面最广，脏污、碎裂、遮挡主要靠这部分供给。

三种来源的图片风格和尺寸都不一样。处理时我统一把图像缩放到同一套尺寸体系，灰度图复制成三通道再进网络，以便复用同一套模型。有一点要特别注意：不同设备的图像如果不做归一化就混在一起训练，模型会被“设备外观”带偏，导致推理时对某类设备的图像特别敏感，换一台设备性能就掉。这种设备域偏移在工业质检里特别容易遇到，必须提前预防。

3.2 标注规范：边界、难例与一致性检查

数据集的标注质量直接决定模型学习的上限，尤其是光伏板缺陷这种边界模糊的目标。我给团队定的标注规范有三条硬性要求。

第一，边界框必须紧贴可见缺陷，但要把设备带来的“晕影”排除在外。热斑周围那一圈渐变的温度扩散区，如果标进框里，模型学到的是“亮区加光晕”这个整体，预测框就会偏大，后期很难通过后处理修正。隐裂则按可见线段的最小外接矩形来框，不要故意扩大，也不要刻意缩小。

第二，延伸到图像边缘的不完整缺陷也要标。很多隐裂裂纹是从电池片边缘开始的，标注时不能因为“看不全”就放弃，否则模型会认为缺陷必须有完整闭合边界，最终漏掉大量边缘起始裂纹。这一点在EL图像上尤其重要。

第三，专门整理难负样本。栅线、焊带、玻璃边缘反光这些容易被误检的背景区域，我单独建了一个难负样本目录，标注为background参与训练。让网络自己“悟”哪些是干扰项效率太低，把这些难例人工喂给训练过程，误检率下降非常明显。

标注一致性问题同样要重视。多人标注前，我先挑了20张图让大家试标，再逐张评审对齐，同一缺陷如果不同人框的结果差异很大，模型收到的标签噪声就会很大，学习效果会被显著拖累。

3.3 数据清洗与增强：让有限样本物尽其用

初始数据大约2000张，去掉重复、模糊、严重过曝和虚焦的样本后，剩下1500张左右可用。这个量级对工业缺陷检测来说不算充裕，必须靠数据增强把有效信息榨干。

我的增强策略不是简单随机翻转，而是针对缺陷特点有侧重地设计。几何变换方面：随机旋转30度以内、水平垂直翻转、随机裁剪。注意角度不是越大越好，光伏板本身是规则矩形，角度过大会引入不真实视角，反而伤害泛化。颜色光照方面：亮度抖动、对比度抖动、HSV偏移，这部分对可见光图尤其重要，因为现场光线变化极大，模型必须在不同亮度条件下都能稳定识别。模糊噪声方面：高斯模糊、运动模糊、椒盐噪声，用来模拟设备抖动、传感器老化、表面灰尘导致的画质下降。

组合增强方面，我用了Mosaic四图拼接和MixUp两图混合，能显著提升鲁棒性，但有一个关键细节：这类组合增强需要在训练后期关闭。原因是Mosaic拼接会裁掉或切碎小目标，如果全程开启，训练loss虽然能降得很低，验证集的隐裂AP反而会往下掉。增强处理后，实际参与训练的有效图像数量大约是原始数据的三到四倍。这里也要强调，增强只是“尽用现有数据”的手段，不能替代真实数据采集，越到后期增强带来的收益越少，最有效的做法始终是采集更多现场真实缺陷图像。

3.4 划分策略：防止验证集“剧透”

数据划分我是吃过亏的。第一版直接随机划分，验证指标虚高得离谱，排查之后才发现，是同一块光伏板在不同角度、不同时刻拍摄的图像被同时分到了训练集和验证集。模型等于提前“见过”验证图像，指标再好看也没有参考价值，这是一个很隐蔽的数据泄漏问题。

正确定方法是按光伏板实例或拍摄批次划分。同一块板的所有照片只能出现在训练集、验证集、测试集中的一个集合里，这样验证集反映的才是模型面对“没见过的板子”时的真实表现。我最终采用的划分比例是训练70%、验证15%、测试15%，测试集只在最后一轮评估时拿出来，训练全程不碰。后续做增量训练时，也要沿用这一套按批次隔离的原则，否则现场难例很容易又造成泄漏。

4. 训练代码结构与调参记录：让网络学会“挑毛病”

训练部分我从项目代码组织、训练主流程、三轮调参、评估结果分析四个角度来讲，尽量把“为什么这么做”说透。

4.1 代码目录与配置文件怎么组织

训练代码的组织方式决定了后续迭代效率。我的项目结构大致如下：

project/ ├── configs/ │ ├── dataset.yaml │ └── model.yaml ├── data/ │ ├── train/ │ │ ├── images/ │ │ └── labels/ │ └── val/ ├── models/ │ └── yolo26.py ├── scripts/ │ ├── train.py │ ├── val.py │ └── export.py └── utils/ ├── dataloader.py └── metrics.py

我习惯把类别定义、路径、增强开关都放进配置文件，不散落在代码各处。比如dataset.yaml里记录路径和类别名：

path: ./data train: train/images val: val/images test: test/images names: 0: crack # 隐裂 1: hotspot # 热斑 2: dirt # 脏污遮挡 3: fragment # 碎裂

模型配置也单独放model.yaml，这样想从Small切到Medium，只用改配置，不用动训练主逻辑。这个习惯在实验多版本并行时能省下大量时间，避免改代码改出不可控的副作用。

4.2 训练主流程中的两个关键细节

训练脚本本身不复杂，无非是加载配置、构建数据、初始化模型、循环训练、周期性验证。核心流程可以浓缩成下面这段示意代码：

def main(): cfg = load_config("configs/dataset.yaml", "configs/model.yaml") train_loader = build_dataloader( cfg.train_path, image_size=cfg.img_size, batch_size=cfg.batch_size, augments=cfg.augments, ) model = YOLO26(cfg.model).to(device) optimizer = torch.optim.AdamW(model.parameters(), lr=cfg.lr0) scheduler = CosineAnnealingLR(optimizer, T_max=cfg.epochs) for epoch in range(cfg.epochs): if epoch >= cfg.no_mosaic_epoch: train_loader.dataset.disable_mosaic() for images, targets in train_loader: loss, loss_items = model.train_step(images, targets) optimizer.zero_grad() loss.backward() optimizer.step() if epoch % 10 == 0: val_metrics = validate(model, val_loader) print(f"epoch {epoch}: {val_metrics}")

代码本身没有多特别，但有两个细节我强烈建议你注意。

第一个是Mosaic增强的开关时机。我设置前80个epoch开启Mosaic，之后关闭，用纯原始图像继续微调。原因前面说过，Mosaic会拼接多张图，小目标很容易被裁掉或切碎，后期继续让模型“吃”这种残缺样本，隐裂AP不升反降。

第二个是训练过程中要定期跑验证集，不能只等最后一次。尤其类别不均衡的工业数据集，每10个epoch看一次各类别AP，能尽早发现模型是不是已经放弃某个少样本类。我遇到过网络把脏污类彻底“摆烂”的情况，就因为前中期只看整体mAP，完全没注意到脏污类的单类AP一直在下跌。

4.3 三轮调参：从0.78到0.87的过程

我的调参过程可以压缩成三轮，每轮有一个明确的焦点。

第一轮是跑通基线，用默认策略：输入640、SGD优化器、120个epoch。此时mAP@0.5只有0.78，隐裂类AP只有0.70，漏检集中在小裂纹上。这个结果不算差，但明显还有上升空间。

第二轮聚焦小目标，把输入分辨率从640提升到1280，隐裂AP直接上涨4个点以上，原因是小目标的特征在更高分辨率下得到保留。分辨率提升带来了显存压力，batch从32降到16。优化器同时换成AdamW，学习率从0.01降到0.001，配合余弦衰减，整体收敛更稳，mAP到了0.85。

第三轮针对类别不均衡，做损失权重调整：隐裂1.0、热斑1.2、脏污1.5。样本少的类别在loss中占比被放大，脏污类召回率从0.55提升到0.68。最终mAP@0.5稳定在0.87附近。三轮的关键参数变化如下：

4.4 类别AP差距说明了什么

最终测试集评估结果大致如下：

这几组数字透露出一个规律：目标越小、边界越模糊，AP越低；目标越是块状、边界相对明显的，AP越高。碎裂和热斑这类区域型缺陷AP明显高于隐裂和脏污，这说明系统的瓶颈仍然在小目标特征保留和难负样本区分上。模型结构层面能压榨的空间已经压得差不多了，下一步要提升必须靠数据，也就是补充更多现场真实细裂纹样本。得出这个结论后，我的工作重心就从调模型结构转到了数据采集和难例回流。

5. GUI交互界面：从模型到现场工具

模型训练好只完成了一半工作。如果交付给现场的是一堆训练脚本和命令行指令，工人不会用、也不敢用，项目最终只能在报告里打转。GUI交互界面把“检测能力”变成“点击一下就出结果”的工具，是落地的最后一块拼图。

5.1 为什么GUI是落地的最后一块拼图

我做GUI之前先想清楚了使用对象。整个系统要服务三类人：检测操作员希望看图直观、结果清晰；质检审核员需要导出统计报告；维护工程师需要能切换模型、查看推理日志。所以界面不能只是一个“打开图片、显示框”的简单Demo，而是要把检测、浏览、汇报、巡检四个职能串起来。

很多做算法的同学不重视界面，觉得它是“锦上添花”。但实际项目里，现场人员对界面稳定性的要求远高于对模型精度的要求。一个处理大图卡死、偶尔闪退的界面，哪怕检测再准也不会被信任。反过来，一个界面清爽、交互顺畅、报表一键导出的工具，即便精度稍低一点点，现场接受度也会高很多。这是我做这个项目非常重要的体会。

5.2 技术选型与界面模块

我用的技术栈是PySide6加OpenCV加ONNX Runtime。选PySide6一方面是因为它跨平台、控件成熟，另一方面是和PyTorch训练代码同属Python生态，开发衔接最顺畅。选ONNX Runtime做推理，是因为模型从PyTorch导出成ONNX后，CPU和GPU都能跑，部署时也不依赖训练框架，现场机器不用装一堆Python包。

界面的功能模块我分成六块：

• 图像导入区：支持单张图片、整个文件夹、视频文件、摄像头实时画面
• 检测结果区：左侧显示原图，右侧显示检测结果，框上标注类别和置信度
• 参数调节区：置信度阈值、NMS IoU阈值、模型规格切换
• 统计报表区：按类别统计缺陷数量，支持导出CSV和JSON报表
• 日志区：记录每张图处理耗时、模型推理耗时和检测日志
• 模型管理区：加载不同规格的ONNX模型，显示模型基本信息

布局上我把图像区域放中间，左侧是导入和数据列表，右侧是参数和统计面板，整体避免复杂操作层级，让第一次使用的人也能在三分钟内上手。这类工具的UI设计原则就一条：需要现场人员操作的功能尽量浅，需要工程师调参的功能藏得深一点也没关系。

5.3 推理管线：letterbox、解码与坐标映射

GUI中调用模型的核心推理流程可以概括为四步：读图、letterbox预处理、ONNX推理、NMS后处理并映射回原图坐标。

letterbox这步特别容易写错。它的作用是保持图像长宽比缩放，不足部分用灰色填充，切忌直接把图拉伸到模型输入尺寸。如果直接resize，目标的比例会被破坏，检测框偏移和召回率下降几乎是必然的。核心推理代码如下示意：

def run_inference(model, image, conf_thres=0.25, iou_thres=0.45): # 1. letterbox预处理 img, ratio, (dw, dh) = letterbox(image, size=1280) img = img[:, :, ::-1].transpose(2, 0, 1) # BGR转RGB，HWC转CHW img = np.ascontiguousarray(img) # 2. ONNX推理 out = model.run(None, {model.get_inputs()[0].name: img[None]})[0] # 3. 后处理：解码得到框、置信度和类别 boxes, scores, cls_ids = decode_outputs(out, conf_thres, iou_thres) # 4. 映射坐标回原图 for box in boxes: box[:4] = (box[:4] - [dw, dh, dw, dh]) / ratio return boxes, scores, cls_ids

这里要特别提醒解码顺序的问题。我第一次写后处理时把中心点和宽高的顺序搞反了，结果所有检测框全部错位，调试了很久才发现。碰到这类张量维度问题，最稳的定位方式就是打印一组输出张量的shape，再和源码里的decode逻辑逐行比对，不要靠肉眼猜。

5.4 模型导出与加速实测

训练用PyTorch，部署推理我强烈推荐导出成ONNX。ONNX Runtime在CPU上的推理速度通常比PyTorch默认模式快15%到20%，而且部署体积更小，现场机器不需要安装训练环境。

导出代码很简单：

model.eval() dummy_input = torch.randn(1, 3, 1280, 1280) torch.onnx.export( model, dummy_input, "yolo26_1280.onnx", opset_version=12, input_names=["images"], output_names=["output"], dynamic_axes={"images": {0: "batch"}, "output": {0: "batch"}}, )

加上dynamic_axes后，batch维度可变，GUI里既能单张推理也能做小批次推理。实测一张1280×1280的图像，ONNX Runtime在CPU推理约160ms（Small规格），GPU环境下降到了10ms级别。需要提醒的是，很多情况下性能瓶颈反而在预处理和后处理环节，代码里要尽量用NumPy批量操作，避免逐像素写Python循环，否则GPU再快也救不回来。

6. 实测问题复盘：小目标漏检、热斑误检与现场泛化

训练和GUI都做完，项目才算真正进入最磨人的阶段：实测。这里记录几个最典型的现场问题，以及我整个排查和解决的思路。

6.1 隐裂小目标漏检的定位与缓解

现场反馈最多的问题就是细小隐裂漏检。我定位到的原因是：隐裂纹本质上是一条细线，模型下采样多次后，特征会在深层特征图中被抹平，检测头很难找回。单纯提升分辨率能缓解，但推理速度会明显下降。

进一步优化有三个方向，按使用场景取舍。一是在更浅层的特征图上增加检测头，让特征下采样到1/8或1/16时就参与预测，小目标有更多机会被感知。二是推理时用TTA，把原图、旋转图、翻转图各跑一遍再融合结果，隐裂AP提升明显，但耗时增加三到四倍。三是滑窗裁剪，大图切块重叠推理，拼接结果后再做全图NMS，适合离线批量分析，不适合实时场景。我把这三种方式都做成了GUI里的可选项，现场按实时还是离线模式来选。

6.2 热斑框偏大：从标注到后处理的修正

热斑检测框偏大的根源是红外热像的热晕效应。热斑中心温度最高，向外逐步扩散，边界很难界定。模型学出来的“目标范围”会系统性偏大，预测框整体外扩一圈。

一轮修正之后我发现只改模型没用，必须从源头下手。第一轮在标注阶段就把热晕排除掉，只标核心高温区，不把渐变扩散区算进框里。第二轮在后处理阶段增加宽高比过滤，框的形态如果明显偏离正常热斑形态，就降低置信度或直接过滤。两轮下来热斑的mAP@0.5从0.81提到0.87。这个案例也再次说明，很多看似是“模型问题”的情况，根子其实在数据标注上。

6.3 类别失衡下的置信度校准

样本天然不均等时，模型对不同类别的置信度输出会有系统性偏移：多数类置信度偏高，少数类偏低。如果GUI里只设一个全局阈值，现场会出现“微小隐裂报得很自信，严重热斑只有很低置信度”的奇怪现象，这种体验会让一线人员彻底失去对系统的信任。

我最后给不同类别设置了独立的置信度阈值，而不是一刀切。隐裂阈值设为0.30，让模型更宽容地报出疑似裂纹；热斑阈值设为0.40，宁可漏掉一些不确定的小热斑，也不能让误报淹没真正风险；脏污阈值设为0.15，因为脏污检测的代价低，多报一点可以接受，换取高召回率。这种多阈值策略更符合光伏质检业务的实际诉求：不同缺陷带来的失效模式完全不同，用同一个分数去卡所有类别是不合理的。

6.4 现场难例反哺训练集

模型在训练测试集上表现不错，但到现场拍回来的新图里仍然会出现两类典型误检：太阳阴影被识别成脏污，玻璃边缘反光被识别成碎裂。这类问题靠调模型结构收益很低，最快的办法是定向采集现场难例回到训练集，做一轮增量训练。

增量训练不需要从头开始。在原有权重基础上，用现场新增的几百张难例继续训练10到20个epoch，学习率降为原来的千分之一左右。这个操作让现场误检明显减少，而且没有破坏原来已经学到的隐裂和热斑识别能力。我的经验是，缺陷检测项目如果要在某个电站长期部署，一定要建立“现场数据反哺”机制，否则模型会随着季节更替、天气变化和组件老化逐步失效，不可能一劳永逸。

做光伏板缺陷检测这个项目，我最大的收获不是把哪个指标刷到多高，而是完整建立了一条“场景理解、数据构建、模型训练、界面落地、现场迭代”的工作流。先想清楚缺陷长什么样，再做数据，然后通过训练和调参逼近模型上限，最后用GUI把能力交给一线人员，每一个环节都会踩坑，但这些坑反过来成了后续项目里最值钱的经验。

如果继续扩展，这套方案可以接入目标跟踪模块，做巡检视频的连续缺陷分析，模型也可以导出成更轻量的格式部署到移动巡检终端。我下一步比较关注红外与可见光的多模态融合，多源信息互补大概率是提升光伏板缺陷检测现场表现的关键方向。