现有光伏组件缺陷识别方法存在提取特征困难、实时性较差导致了对光伏组件的缺陷故障检测的识别精度不高，本文提出一种基于改进 YOLO v5算法的光伏组件红外热成像缺陷检测方法。改进后的 YOLO v5算法主要是在原来的基础上增添注意机制 SE模块，并且改进损失函数将 GIoU改为 EIoU提高模型收敛效果、最后采用 KG模块平衡特征金字塔结构对模型进行优化，用以提高 YOLOv5算法的识别精度和收敛效果。改进后的网络结构应用在 YOLO v5s模型中，在光伏组件红外图像的检测上的平均检测精度 mAP可以达到 92.8%，比原本的 YOLO v5s算法 88.3%提升了 4.5%，在精确度和召回率上的收敛效果也比原始 YOLO v5算法模型有所提高，改进后的网络结构应用于 l、m、x三种模型中，其检测精度都有所提升，因此改进后的 YOLOv5算法适用于 4种模型。

针对近年来鸟类啄食对农业生产带来的损失，通过实时检测鸟类优化传统驱鸟器开关策略，提出了一种基于YOLOv3检测鸟类的目标检测算法。该方法对YOLOv3网络中特征融合进行改进，将SE模块嵌入进主干网络的Darknet53网络中，关注不同通道特征的重要程度。采用自适应空间特征融合（ASFF）增强网络中特征金字塔网络（FPN）的特征融合，提升各尺度的检测能力。引入CIOU边界框回归损失函数，将预测框和目标框在有重叠甚至包含等情况考虑进去，使目标框回归变得更加准确和稳定。改进后的YOLOv3模型在自制鸟类数据集上的精度均值（AP）达到96.65%，单张图像检测耗时仅为0.058 s，相比于原YOLOv3模型在检测速度变化不大的情况下AP提高了2.54百分点。该改进方法能达到很好的实时性和更佳的检测精度，对农田防治鸟害优化驱鸟器开关策略提供依据。