arXiv cs.AI· Lachlan Tychsen-Smith, Mark Cox, Brett Wood, David Haddon, Kenrick Anderson, Benjamin Duck, Jim O'Malley, Noel W Duffy, Peyman Moghadam·· 3 天前AI 评分22
Tricorder：面向公用事业规模光伏电站的自主 3D 视觉-热成像巡检系统
Autonomous 3D Visual-Thermal Inspection for Utility-Scale Solar Farms
AI 导读
研究团队提出自动化 3D 视觉-热成像巡检系统 Tricorder，用于光伏面板下方资产检测，结合 LiDAR-惯性 SLAM 与几何标定的 RGB、热成像及机器学习目标检测与分割，将多视角视觉与热成像观测在重建的 3D 环境中空间融合与定位。
正文 · AI 翻译
摘要：公用事业规模的光伏（PV）检测主要依靠航空勘测，这种方法能有效识别组件级的热斑，但对位于阵列下方的关键部件（包括连接器、线缆、紧固件和结构件）的可见性有限。这些资产难以在规模化条件下进行一致的检测，其缺陷往往在空间上很小、部分被遮挡，且难以从孤立图像中定位。我们提出了一种用于面板下方光伏资产检测的自动化 3D 视觉-热成像检测系统（Tricorder）。该方法将激光雷达-惯性同步定位与建图（SLAM）与几何标定的 RGB 和热成像图像以及基于机器学习的物体检测与分割相结合。检测到的资产与重建的 3D 环境相关联，使来自多个视角的视觉和热成像观测能够在空间上融合并定位。我们在公用事业规模的光伏数据上演示了该方法，用于 MC4 连接器检测和连接状态识别、热异常识别，以及包括螺栓、螺母和扭矩管在内的结构件检测。结果展示了一条从基于图像的检测迈向空间锚定自主检测的路径，其中缺陷被检测到并与特定资产及其在太阳能电站内的 3D 位置相关联。
| 评论： | 已被 2026 年亚太太阳能研究会议（APSRC 2026）接收，澳大利亚堪培拉，2026 年 12 月 1-3 日 |
| 主题： | 人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；机器人学（cs.RO） |
| 引用为： | arXiv:2610.17762 [cs.AI] |
| （或 arXiv:2610.17762v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17762 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Peyman Moghadam [查看电子邮件]
[v1]
2026 年 10 月 13 日星期二 05:43:11 UTC（11,057 KB）
来源：arXiv cs.AI · arxiv.org