传统光伏面板缺陷检测任务以人工目视方法为主，存在效率低、精度差、成本高等问题。提出基于深度学习的融合光伏面板可见光图像与红外图像的缺陷检测网络，即多源图像融合网络(Multi-source Fusion Network, MF-Net），实现光伏面板的缺陷检测。 MF-Net以 YOLOv3 tiny为主干结构，并针对光伏面板缺陷特征进行网络结构改进。其中包括：在特征提取模块中增加网络深度并融入密集块结构，使得 MF-Net能够融合更多高层语义信息的同时增强特征的选择；将双尺度检测增加为三尺度检测，以提高网络对不同尺寸缺陷的适用度。此外，提出自适应融合模块，使特征图融合过程中可以根据像素邻域信息自适应分配融合系数。实验结果表明，相比基于 YOLOv3 tiny的融合网络，改进后的融合检测网络 mAP提高 7.41%；自适应融合模块使 mAP进一步提升 2.14%，且自适应融合模块能够有效提高特征的显著性；在与单一图像（仅有可见光图像或红外图像）的检测网络及其他融合图像检测网络的对比实验中，所提出的网络 F1 score最高（F1＝0.86）。

太阳能光伏发电是国家能源结构性调整的重要组成部分, 近几年随着光伏发电产业规模迅速扩张, 光伏电站的日常运维压力日益增加。针对光伏电站面积大、人工检测效率低等问题, 文章对基于无人机的光伏电站智能巡检技术进行研究, 提出了一个基于无人机的光伏电站智能巡检完整技术路线, 实现了光伏面板图像数据自动化采集与分析, 并对基于计算机视觉的缺陷检测方法进行研究, 采用自适应动态阈值法并结合图像增强技术, 基于红外图像实现了鲁棒的光伏面板缺陷检测, 结合可见光数据实现缺陷类型判别, 进一步根据相机POS数据及相机模型解算缺陷坐标, 实现缺陷定位, 并在实际场景中验证了所提出技术路线的有效性。