随着太阳能资源利用力度的加大,全球太阳能光伏系统的总量迅猛增加。对光伏系统进行检测计数可以更有效监管和维护光伏板,实现用电区域的合理规划。同时,统计光伏电站已安装光伏组件的数目,可以方便企业进行资产盘点、项目收购、内部考核等,有利于合理规划光伏板组件安装计划,具有实际应用价值。目前,专门针对光伏板快速检测和计数的研究尚不充分,仍然以人工对航拍图像处理为主,耗时耗力,图像目标检测技术可以很好缓解这一问题。但传统图像检测方法受拍摄角度和光线影响大,需要人工参与设置特征,自动化程度较低。近年来,应用深度学习技术的目标检测方法发展迅速,其优越性已在多个应用领域获得证明。本论文面向无人机航拍的工业区光伏板数据,研究基于卷积神经网络的检测方法,完成光伏单元的定位和计数。论文的主要工作包括以下内容:（1）构建数据集,提出适用于光伏单元目标检测的卷积神经网络模型。首先,针对航拍光伏图像训练数据不足的问题,构建光伏板航拍数据集并对该数据集进行了人工标注和预处理操作。其次,分析不同目标检测网络的模型和特点,比较其对光伏单元的检测性能。再次,分析不同特征提取网络的结构特点,测试其在光伏单元特征提取方面的优劣。最后,利用ResNet-50改善Faster RCNN的特征提取结构,提出了适用于光伏图像特点和光伏单元目标特性的检测网络模型。（2）提出结合滑窗法的光伏板检测算法。航拍光伏板图像受拍摄高度和拍摄视角的影响,图像尺寸较大而目标相对较小,易因降采样输入方式造成特征丢失。论文引入滑窗检测和裁剪输入,最后使用非极大值抑制机制对所有预测框进行筛选,减小特征丢失,且避免目标重复检测。（3）提出基于注意力机制的光伏板检测算法。针对光伏板检测中图像特征提取不充分而存在漏检的问题,采用通道注意力机制,对特征通道关系进行建模,利用通道重要性对特征值加权,实现基于通道维度的有效特征增强,以达到降低漏检数目,提高光伏板检测精度的效果。最后,利用工业区航拍光伏板数据集,对所提出的光伏板检测方法进行测试。实验结果表明,本文提出的结合滑窗法和注意力机制的检测算法,相对原始检测算法和基于机器学习的检测算法,检测精度得到了较大提升。