摘要
太阳能电池片表面缺陷是影响光伏发电效率的重要因素之一，因此，对工业生产中的太阳能电池片进行表面质量检测是非常有必要的。然而，传统的缺陷检测方法已逐渐不适用于光伏产业的发展，并且现有的基于卷积神经网络的缺陷检测方法虽能有效提升缺陷检测的工作效率，但仍然存在缺陷检测种类少，缺乏较高的检测精度和实时性的问题，为提升太阳能电池片表面缺陷检测的各方面性能，本文主要进行了以下研究： （1）为解决目前开源太阳能电池片数据集匮乏的问题，本文采集了大量真实生产的各种规格的太阳能电池片图像，由于采集的太阳能电池片缺陷图像较少，故采取图像预处理操作，扩充各缺陷类型数量，构建符合检测标准的数据集，并进行缺陷标注。在此基础上，运用多种基于卷积神经网络的模型进行太阳能电池片表面缺陷检测，通过实验证明，YOLOv5s对太阳能电池片表面缺陷检测性能较优，但模型的检测速度以及对小尺度缺陷的识别精度还有待提升。 （2）为进一步提升YOLOv5s对太阳能电池片表面多种缺陷的检测精度，提出一种基于改进YOLOv5的太阳能电池片表面缺陷检测方法。首先在模型输入端改进了一种动态反馈多尺度训练的数据增强方法以提高特征训练精度；然后采用ELU激活函数替换YOLOv5s主要构建块的激活函数，加快训练速度；最后通过一种聚焦的高效交叉联合损失函数优化边界框损失。实验结果表明，改进的模型能对太阳能电池片的多种表面缺陷进行有效识别，检测精度较高，鲁棒性较强。 （3）为保证工业生产中太阳能电池片表面缺陷有较高检测精度的同时，提升模型的检测速度及轻便性，提出一种基于改进YOLOv5-MobileNetV3的太阳能电池片表面缺陷检测方法。首先采用本文改进的YOLOv5作为检测模型；然后运用MobileNetV3特征提取网络替换YOLOv5s的主干网络，加快模型的训练速度；最后，采用多方向协调注意力模块替换MobileNetV3中的挤压和激励注意力模块，提升特征定位精度；并利用软池化方式优化MobileNetV3的末端结构，以在简化后的激活映射中保留更多的特征信息。实验结果表明，最终的改进模型更加轻便，在提高太阳能电池片表面缺陷检测速度的同时，保证了各类缺陷的识别精度，综合性能较强，满足工业生产中太阳能电池片表面缺陷检测的高效性。
NETL