光伏电站的运维巡检，过去主要依靠无人机航拍、人工巡视和红外热成像等方式。其中，无人机能够快速发现光伏组件表面的热斑、破损等异常，但对于隐藏在组件下方的电缆、连接器、螺栓及支架等部件，往往难以进行全面检查。这些部件一旦出现接触不良、松动、腐蚀或异常发热，可能影响电站运行效率，严重时还会引发电气安全事故。
针对这一问题，澳大利亚联邦科学与工业研究组织（CSIRO）的研究团队开发了一套名为Tricorder的三维视觉与热成像融合巡检系统，尝试将激光雷达、可见光摄像机、红外热成像仪和人工智能算法结合起来，实现光伏组件下方电气设备及结构部件的自动识别、状态检测和空间定位。
技术示意图
2026年10月13日，研究团队在arXiv平台发布了题为《Autonomous 3D Visual-Thermal Inspection for Utility-Scale Solar Farms》（大型光伏电站自主三维视觉与热成像巡检）的研究论文，详细介绍了系统的技术架构、现场数据采集和实验验证情况。研究团队由Lachlan Tychsen-Smith、Mark Cox、Peyman Moghadam等9名研究人员组成。需要说明的是，该论文目前属于公开学术预印本，而非已经完成同行评审的期刊论文。
这套系统最值得关注的地方，是将传统二维图像识别升级为三维空间中的设备识别与缺陷定位。传统红外巡检虽然能够发现异常温升，但通常只能在热成像画面中标记异常区域。当设备排列密集、部件相互遮挡或者拍摄角度发生变化时，运维人员可能难以准确判断异常究竟来自哪个连接器或具体结构部件。
Tricorder通过多传感器融合解决这一问题。其硬件平台集成了激光雷达（LiDAR）、惯性测量单元（IMU）、RGB可见光摄像机、红外热成像仪、实时动态定位系统（RTK-GNSS）以及NVIDIA Jetson Xavier计算平台。其中，激光雷达负责获取周围环境的三维点云数据，惯性测量单元用于感知设备运动状态，GNSS提供地理位置信息，可见光摄像机识别设备外观，红外热成像仪则采集设备温度信息。
在数据处理过程中，系统首先利用激光雷达与惯性测量数据开展同步定位与建图（LiDAR-inertial SLAM），估算设备运动轨迹并重建光伏电站的三维环境。随后，通过摄像机与激光雷达之间的几何标定，将可见光图像和红外图像统一到同一空间坐标系中。人工智能模型识别图像中的电气设备和结构部件，再将识别结果及对应的温度数据映射到三维场景中。
这样一来，系统不仅能够判断某个部件是否存在异常，还能够将异常与具体设备及其空间位置关联起来，为后续检修提供更加准确的定位信息。
研究团队重点验证了两类典型运维场景。
第一类是光伏支架及连接结构巡检。光伏电站长期处于户外环境，支架及连接部件受到温度变化、风荷载和环境腐蚀等因素影响，可能出现螺栓松动、脱落和结构损伤。传统人工巡检需要工作人员逐排检查，工作量较大，而且部分部件位于组件下方，检查不够方便。
Tricorder利用机器学习模型识别螺栓、螺母、螺栓孔、扭矩标记、扭矩管及电缆等目标，并通过不同部件之间的位置关系判断潜在异常。例如，当系统识别到某个螺栓孔，却没有检测到对应螺栓时，可以将其标记为疑似紧固件缺失的位置，供运维人员进一步核实。
为了验证识别能力，研究团队采集了不同建设年代和运行环境下的光伏场站图像数据。其中，部分场站设备较新，表面锈蚀较少；另一些场站运行时间较长，存在较明显的腐蚀和老化现象。研究团队构建了包含约5000张图像、约5.7万个目标标注框的数据集，用于训练和测试目标检测模型。实验还通过人为移除部分紧固件模拟安装缺陷，验证系统对缺失部件的识别能力。
第二类是光伏直流连接器故障检测。MC4连接器是光伏组件之间以及组件与直流电缆之间的重要连接部件。如果连接器安装不到位、接触不良或长期运行后出现性能退化，可能导致接触电阻增大，引发异常发热。
针对这一问题，Tricorder首先利用可见光图像识别和分割MC4连接器，再通过多传感器几何标定，将连接器所在区域映射到红外热成像图像中，提取连接器本身的温度信息。随后，系统将其与相邻、运行条件相近的连接器进行比较，识别可能存在的异常温升。同时，算法还能够区分连接器处于连接或断开状态，为故障判断提供辅助信息。
这种方法的优势在于，红外检测不再只是简单地寻找画面中的高温区域，而是能够将温度异常与具体连接器对应起来，并在三维地图中记录其位置。对于规模较大的光伏电站，这有助于减少后续人工查找故障点的时间。
在现场验证方面，研究团队在CSIRO位于纽卡斯尔的光伏户外研究设施，以及澳大利亚三个商业化大型光伏电站采集了数据。研究覆盖了不同场站结构、设备配置、光照条件和设备老化程度，重点考察系统在复杂背景和不同设备状态下的识别能力。论文同时指出，设备腐蚀、表面老化和复杂背景会对识别精度产生影响，不同场站之间的检测效果也存在差异，算法仍需要进一步优化。
技术示意图
值得注意的是，目前Tricorder已经具备手持和车辆搭载两种操作方式，研究团队尚未将其描述为已经实现完全自主运行的地面巡检机器人。论文提出的下一步研究方向，是将这套感知系统集成到自主移动机器人上，使机器人能够在光伏组件下方自主行走，定期采集设备信息，建立和更新三维地图，并对历次巡检结果进行比较，从而识别逐渐形成的结构、电气和温度异常。
如果这一技术路线进一步成熟，未来大型光伏电站有望形成空中与地面协同的巡检模式：无人机主要负责组件表面及大范围区域检查，地面移动机器人则重点检查组件下方的连接器、电缆和支撑结构。两种方式相互补充，可以弥补单一巡检手段在视野和检测范围方面的不足。
从技术角度看，Tricorder的创新并不在于单独使用某一种传感器，而在于将三维空间重建、可见光识别、红外温度检测和人工智能算法整合到同一套巡检系统中，使设备识别、异常检测和空间定位形成关联。对于光伏电站运维而言，这种技术有望进一步提高隐蔽部件的巡检覆盖率，减少人工逐点排查的工作量，并为设备状态长期跟踪和预测性维护提供数据基础。
目前，该系统仍处于研究验证阶段，距离大规模商业化应用还需要解决自主导航、复杂环境适应、检测稳定性以及长期运行可靠性等问题。不过，利用多传感器融合技术实现光伏电站组件下方设备的精细化巡检，已经展现出较为明确的技术应用方向。
参考资料：
1.CSIRO，2026年3月25日：《Robots take the heat for humans maintaining our biggest solar farms》
2.CSIRO研究团队，2026年10月13日：《Autonomous 3D Visual-Thermal Inspection for Utility-Scale Solar Farms》，arXiv:2610.17762
免责声明：本微信公众号所上传文章仅代表作者观点，版权归原作者所有。如文章来源标注有误或涉及作品版权等问题烦请告知，小编及时予以删除。
初审初校：韩禹文｜复审复校：刘拥军｜终审终校：陈铭亮｜监审：文卉
点击蓝字 关注我们