多尺度YOLOv5的太阳能电池缺陷检测
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(De-formable 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 Pre-cision,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.
太阳能电池、缺陷检测、YOLOv5、可变形卷积、注意力网络
31
TP394.1;TH691.9(计算技术、计算机技术)
四川省科技计划重点研发项目;重庆理工大学研究生创新项目
2023-07-26（万方平台首次上网日期，不代表论文的发表时间）
共12页
1804-1815
