복잡한 환경에서 태양광 패널의 핫스팟 결함에 의한 다중 스케일 대상 검출 어려움 문제를 해결하기 위해 지식 증류와 어텐션 메커니즘을 융합한 검출 알고리즘을 제안한다. 결함 특성 정보의 효율적 추출 및 보존을 위해 고차원 공간 상호작용과 채널 어텐션을 융합한 모듈을 설계하여 네트워크의 결함 특성 정보 표현 능력을 향상시키고; 복잡한 배경에서 대상 정보 표현 능력을 강화하기 위해 채널 및 위치 정보를 결합한 어텐션 모듈을 구축하여 결함 위치 정보 인식 정확도를 높인다; 지식 증류 아이디어를 적용하여 교사 네트워크의 파라미터를 학생 네트워크로 이전함으로써 복잡도 증가 없이 학생 네트워크의 검출 정밀도를 향상시킨다. 핫스팟 대상의 정밀한 위치 지정 향상을 위해 Focal-CIoU 손실 함수를 도입하여 네트워크 수렴 속도를 가속화하고 검출 성능을 향상시킨다. 알고리즘의 유효성 검증을 위해 8가지 고전 알고리즘과 비교한 결과 본 알고리즘이 검출 정밀도 84.8%로 가장 높고 640×512 해상도 이미지에 대해 검출 속도는 142 FPS에 달한다.

딥러닝;태양광 핫스팟 검출;지식 증류;어텐션 메커니즘