文献类型：期刊文章

作　　者：陈亚芳[1] 廖飞[1] 黄新宇[1] 杨静[2] 龚恒翔[1]

CHEN Yafang;LIAO Fei;HUANY Xinyu;YANG Jing;GONG Hengxiang(College of Science,Chongqing University of Technology,Chongqing 400054,China;Sichuan YC Garden Technology Co.,Ltd,Yibin 644000,China)

机构地区：[1]重庆理工大学理学院,重庆400054 [2]四川云辰园林科技有限公司,四川宜宾644000

出　　处：《光学精密工程》

基　　金：四川省科技计划重点研发项目资助(No.2020YFN0004);重庆理工大学研究生创新项目资助(No.CLGYCX20203149)。

年　　份：2023

卷　　号：31

期　　号：12

起止页码：1804-1815

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了实现电致发光(Electroluminescent,EL)条件下太阳能电池的高精度裂纹和碎片缺陷检测,将多尺度YOLOv5(You Only Look Once version 5)模型用于真实工况下的太阳能电池缺陷检测。首先,提出一种融合可变形卷积(Deformable Convolutional Networks Version 2,DCNv2)和坐标注意力(Coordinate Attention,CA)的改进特征提取网络,拓宽小目标缺陷的感受野,有效增强小尺度缺陷特征的提取。其次,提出一种名为CA-PANet的改进路径聚合网络(Path Aggregation Network,PANet),将CA与跨层级联整合在路径增强结构中,实现浅层特征的复用,使深层特征和浅层特征结合,增强不同尺度缺陷的特征融合,提高缺陷的特征表达能力,提升缺陷检测框的准确度。轻量级CA的计算成本低,保证了模型的实时性。实验结果表明,融合DCNv2与CA注意力的YOLOv5模型平均精度均值(Mean Average Precision,mAP)值可达95.4%,较YOLOv5模型提高3%,较YOLOX模型提高1.4%。每秒帧数(Frames Per Second,FPS)可达51,满足工业实时性需求。对比其它算法,改进YOLOv5模型能精确检测到太阳能电池的微裂纹和碎片缺陷,能满足光伏电站真实工况下的实时高精度缺陷检测需求。

关 键 词：太阳能电池 缺陷检测  YOLOv5  可变形卷积  注意力网络  

分 类 号：TP394.1] TH691.9[计算机类]