随着集中式光伏电站和分布式光伏系统的大范围应用,光伏运维需求日益突出。无人机自动化巡检和组件缺陷智能化诊断是当下解决运维难题的两大技术要点。利用快速发展的计算机视觉和深度学习技术,对包含复杂背景的光伏区域航拍图像进行智能分析,是解决光伏组件缺陷诊断的有效手段。本文以实现光伏组件缺陷智能诊断为目标,结合光伏行业运维现状,提出了基于计算机视觉的光伏组件可见光缺陷诊断技术。该技术包括渐进式自动标注方法,基于实例分割的光伏组件分割模型和基于迁移学习的光伏组件缺陷诊断模型三个部分。由于缺少缺陷数据以及目前较高的人工标注成本,人们难以直接使用深度学习技术完成光伏组件航拍图像的分析。本文提出了一种渐进式自动标注方法,可以在较短时间内完成光伏组件和缺陷样本的标注,并构建了光伏组件数据集和缺陷样本数据集。考虑到光伏缺陷的细粒度特性,本文采用两步法构建光伏组件缺陷诊断模型。第一步从复杂背景中分割得到光伏组件,第二步从光伏组件中采样得到缺陷样本,样本通过分类网络得到诊断结果。鉴于采用的数据集与实际情况的偏差,本文采用迁移学习方法训练模型,以此来应对数据分布的偏移和频繁的模型迭代。本文提出的方法在实验平台和某个厂区屋顶光伏系统上进行了实际验证,并进行了大量实验,数值分析结果表明了这些方法的有效性。