光伏产业在今后的发展中所发挥的作用将愈发重要。从目前来看,光伏领域的发电量增长正逐渐从建设型增长向运维型增长转变。针对光伏电站巡检与缺陷诊断受制于复杂地形的问题,应用旋翼无人机和机器视觉相配合的光伏电站智能巡检与缺陷诊断策略已成为当前较为有效的解决方案。本文将围绕上述整体方案进行展开,对该方案在实际应用中所面临的几个关键问题分别提供解决思路:首先本文回顾了在图像增广、任务规划等领域的国内外研究现状,为课题后续的展开提供思路。同时介绍了本文所涉及的六类光伏组件可见光缺陷的成因及纹理结构,基于实验室已有研究,搭建卷积神经网络(CNN)模型对上述组件缺陷图像进行分类。然后针对分类模型训练所涉及的训练数据不足的问题,分别搭建基于深度学习的瓦瑟斯坦对抗生成网络(WGAN)、循环对抗生成网络(CycleGAN)以及提出基于色彩空间分析和图层叠加的图像增广法分别对光伏组件缺陷图像数据进行增广,增广结果结合原数据构建新数据库来训练分类模型,对比说明各个方法的优劣及适应场景。最后为了简化任务规划和缺陷诊断的步骤,本文基于光伏电站任务点模型,提出适用于移动端的模拟退火算法进行任务点间转移路径的优化,同时将任务规划算法和增广数据集所训练的模型移植到移动端,使移动端在仅有对无人机状态监控和紧急控制功能的基础上,集成初步的整体方案。