摘要
太阳能是新型的能源，它以清洁、储量大、无污染等优点受到世界各地的普遍关注，硅片的质量在太阳能行业中的意义和重要性显得尤为重要。在其生产制造过程中，由于工艺和生产设备等原因，导致硅片存在破损、裂纹、隐裂等缺陷。传统的视觉检测无法检测较小的隐裂，YOLOv3作为目前目标检测算法，检测精度和时效性比较突出。能够在显卡上实时处理数据，并从中检出目标。但是在实际现场的处理中发现YOLOv3神经网络对小目标的敏感度较小。本文围绕如何优化YOLOv3神经网络，使其增加对小目标的敏感度开展研究： (1)对常用的目标识别算法进行了对比，阐述了各类算法的原理，分析了它们各自的优缺点，总结归纳了它们在候选区域选择、特征提取、特征分类这三个问题上的联系与区别。 (2)在研究改进算法部分中，本文借鉴了DenseNet神经网络的密集连接机制，来代替原先的残差模块，同时运用了卷积降维优化神经网络，改进后的网络模型为N-YOLOv3。 (3)在现场测试中，对比了传统的计算视觉检测，未优化的YOLOv3的神经网络和优化后的N-YOLOv3神经网络，通过检测精度，漏检率，误检率等参数来验证优化的YOLOv3算法的可行性。
NETL