源码交付!光伏AI算法训练平台:打通可见光与红外缺陷模型训练全流程

截至2026年9月底，全国光伏发电装机容量达到13.1亿千瓦，其中集中式光伏7.12亿千瓦、分布式光伏5.99亿千瓦。装机规模持续扩大，巡检影像也在快速累积。无人机一次作业可以带回成百上千张可见光和红外图片，但图片多，并不等于算法就能直接使用。

真正耗时的工作发生在飞行之后：哪些图片可以进入数据集？鸟粪、积灰、破损和热异常如何定义？标注边界由谁审核？训练结果是否稳定？候选模型怎样进入巡检系统？如果这些环节依赖文件夹、脚本和人工传递，模型很难追溯，现场误报也无法有效回流。

光伏AI算法平台处理的正是这段流程。它将数据集、人工标注、训练任务、指标评估、模型产物、版本发布和HTTP推理接入放进一套工作台，让每个模型都能说明样本来源、训练过程、评估结果和当前使用版本。

平台首页没有堆叠复杂图表，而是把光伏模型工作划分为准备图片、标注审核、训练评估和发布模型四个阶段。可见光与红外分别显示数据和推理状态，待办区继续承接尚未完成的工作，近期训练区则展示任务状态和候选模型入口。

光伏算法中心工作台

这种设计解决了算法项目最常见的管理问题：数据人员关注样本是否齐全，标注人员关注审核进度，算法人员关注训练与指标，运维人员只关心当前发布版本是否可用。平台以同一条链路连接不同角色，减少在网盘、表格、标注工具和服务器之间反复确认。

工作台中的“未就绪”“训练完成”“推理可用”等状态应由实际流程产生。它们不是装饰性标签，而是后续操作的准入条件：未审核的数据不能冻结，未冻结的版本不能作为正式训练输入，未经测试的模型不能直接切换到生产接口。

数据集页面按名称、图像类型、状态和创建时间进行检索，列表同时显示图片数量、已审核数量、冻结版本和创建时间。可见光与红外数据分开管理，可以避免两种成像方式混在同一标签体系里，也便于后续选择不同基础模型和输入策略。

可见光与红外数据集统一管理

同一批图片在持续修订过程中会产生多个数据版本。平台通过冻结机制固定某次训练所使用的图片、标签和划分结果。此后即使标注继续调整，历史训练仍然能够回到原始版本，不会出现“配置相同但结果无法复现”的情况。

创建可见光数据集时，可以预先定义鸟粪、积灰、遮挡和可见破损等类别，并为每个类别设置固定编号与颜色。类别不是随手填写的备注，而是模型输出、评估报表和巡检结果之间共同使用的字典。

可见光缺陷类别配置

红外数据集采用另一套类别，例如局部热点、条带状温度异常和区域温度异常。红外画面反映温度分布，可见光画面反映表面外观，两者的识别目标和判断条件不同。分别建模后，平台仍可在巡检业务中把双光结果关联到同一组件或同一次任务。

红外热异常类别配置

正式项目还需要为数据集补充场站、设备批次、采集时间、天气、载荷和数据来源等属性。IEC TS 62446-3对运行中光伏组件与电站的户外红外检查提出了测量设备、环境条件、检查流程、报告和人员资格方面的要求。红外样本如果脱离辐照、反射、阴影和拍摄角度等背景，很容易把环境因素误当成设备故障。

数据集详情支持图片预览、标注、审核和冻结。预览页面同时显示原图、检测框、缺陷名称、来源分组、标注版本与审核状态。下图中的鸟粪污染样本已经形成标注区域，但它仍然是一条训练标签，不代表现场维修结论。

鸟粪污染样本预览

可见光标注工作台由图片队列、画布、缺陷类别、标注对象和审核区域组成。人员先选择类别，再在缺陷周围绘制边界框；平台记录对象尺寸，并提供选择、缩放、撤销、重做、删除、保存和切换下一张等操作。队列中的“已通过”“已确认正常”可以把有效缺陷样本与无缺陷样本分别管理。

可见光缺陷图像标注工作台

标注审核不能只检查“有没有框”。边界过大，会让模型学习无关背景；边界过小，可能丢失缺陷纹理；同一现象被不同人员归入不同类别，则会造成标签冲突。平台需要保留标注版本和审核记录，抽查类别一致性、漏标率与边界质量。必要时可采用双人复核或争议样本回审。

红外标注面对的是温度异常区域。标注人员在热图中框选疑似异常，同时保留原始图像、对象编号、尺寸和审核状态。对同一组件上出现的多个异常区域，可以分别建立标注对象，避免将局部热点与较大范围的条带异常混为一类。

红外热异常标注样例

红外图像多目标异常标注

红外标签尤其需要业务复核。异常亮区可能来自热斑，也可能来自反射、遮挡、接线状态或拍摄条件。AI适合承担批量初筛，最终缺陷结论仍应结合可见光、电气数据和现场检查确认。

训练任务页面把任务名称、冻结版本、图像类型、状态、进度、创建时间和基础权重集中展示。使用冻结数据集启动任务后，平台记录训练轮次、图像尺寸、批量大小、开始与结束时间，并允许查看详情或复用已有配置。

光伏模型训练任务管理

截图中同时存在训练完成、已取消和不同进度的任务，说明平台把训练视为可追踪的计算过程，而不是后台执行的一条命令。演示环境提示“暂不开放训练”，文章中的界面用于说明业务设计，不代表当前演示账号可以随时启动算力任务。

训练配置需要与目标场景匹配。可见光缺陷关注纹理、颜色与形态，红外异常更关注温度分布和区域边界；基础权重、输入尺寸、批量大小、训练轮次、数据增强和类别权重都可能影响结果。平台保存这些参数，便于失败复盘和候选模型复现。

训练详情提供精确率、召回率、mAP50和mAP50-95等指标，并按类别展示支持实例数量及对应结果。精确率侧重“报出的异常有多少是真的”，召回率侧重“真实异常有多少被找到”；mAP用于综合观察不同置信度或IoU条件下的检测表现。

模型训练评估指标

截图中的数值来自特定演示任务，只能作为功能样例，不能作为平台固定性能承诺。某类样本数量少，即使指标较高也可能缺乏稳定性；总体指标正常，也可能掩盖少数关键类别的低召回。正式验收应使用与训练集隔离的本地测试集，并分别检查集中式电站、屋顶光伏、山地、强反光、积尘和不同季节条件下的效果。

业务阈值也要根据风险设置。漏掉高风险热异常的代价通常高于多产生一次人工复核，因此可以适当提高召回要求；对于数量庞大的低风险污迹，过高误报会显著增加审核负担，需要在精确率和召回率之间寻找适合项目的平衡。

一次训练会形成模型权重、ONNX文件、混淆矩阵、训练曲线、JSON报告和CSV结果。平台把这些内容作为训练产物统一归档，并提供预览或下载。模型文件负责推理，曲线和混淆矩阵用于解释训练过程，结构化报告则便于自动比较或进入验收材料。

模型训练产物归档

产物应与数据集版本、标签字典、基础权重、训练参数和代码环境绑定。只保存一个model.onnx文件，后续很难判断它为什么优于上一版，也无法确认出现问题时该回到哪个版本。完整的模型资产记录可以支撑审计、迁移和复现。

模型发布页面区分可见光与红外版本，并展示候选、历史版本、测试集mAP和创建时间。算法人员可以先用图片试跑查看输出，再比较多个候选模型；验证通过后切换当前版本，原版本转入历史记录并保留回退入口。

模型版本比较与发布管理

版本切换的对象不是文件名，而是一组完整配置：模型文件、标签字典、输入尺寸、置信度阈值、适用图像类型、发布时间和限制条件。可见光与红外分别维护当前版本，巡检平台通过HTTP接口提交图片，接收类别、置信度、检测框和耗时等结果。

生产接入还需要记录调用模型、请求时间、返回状态和异常信息。新版本先在测试或灰度环境运行，观察误报、漏报和计算资源占用；发现异常时可以回到上一稳定版本。模型上线由此从“替换一个文件”变成可控制、可审计的发布过程。

集中式光伏电站可以把无人机双光影像批量送入推理服务，分布式屋顶项目可按站点和组件分组处理，山地光伏则需要重点补充地形阴影、角度变化和复杂背景样本。不同场景不宜共用一套未经验证的阈值。

巡检系统中的人工复核结果是下一轮训练的重要来源。误报样本用于补充难负样本，漏报样本补齐缺陷形态，类别修正反映标签字典是否合理。只有经过审核的数据才能回流正式数据集，随后形成新冻结版本、训练新候选模型，并再次通过独立测试集验证。

项目验收不应只检查菜单是否齐全。建议选取一批真实可见光和红外影像，完整走通数据导入、类别建立、标注审核、版本冻结、训练配置、指标查看、产物归档、模型试跑、版本发布、HTTP调用和回滚。每一步都能找到输入、负责人、状态和结果，平台才具备长期运营基础。

光伏缺陷识别不是一次训练结束的项目。组件型号、巡检设备、季节、地形和缺陷形态都在变化，模型必须跟随生产数据持续校正。

一套可用的算法平台，核心不在于训练任务数量，而在于能否让样本来源清楚、标注质量受控、指标解释可信、版本切换稳妥、现场反馈可回流。当这些环节连成一条链，可见光与红外影像才会从巡检资料转变为可持续迭代的识别能力。