基于深度学习的太阳能电池板表面缺陷检测及分类
摘要
针对目前太阳能电池板缺陷检测中对小目标缺陷检测精度不高、分类不准的问题，提出一种适用于小目标检测的改进轻量型YOLOv5s太阳能电池板缺陷检测模型。首先用SiLU激活函数替换原激活函数，优化模型收敛速度，增强其泛化性能；其次使用C3TR模块和卷积块注意力模块重新优化主干特征采样结构，提高模型对不同类型缺陷尤其是小目标缺陷的识别能力；接着将内容感知特征重组引入到特征提取网络，在不增加模型权重的同时提高检测精度和检测速率；最后加入动态非单调损失函数WIoUv3来动态匹配预测框和真实框，增强小目标数据集和噪声的鲁棒性。实验结果显示，改进模型的平均精度均值（mAP@0.5）为95.9%，对大面积裂缝、星形缺陷的分类精度达到98.0%，检测速度达到75.133 frame/s，模型轻量化且检测快捷，满足工业生产的需要。
引用本文（GB/T 7714）
涂俊博 Tu Junbo, 曾佳林 Zeng Jialin, 唐越新 Tang Yuexin, 等. 基于深度学习的太阳能电池板表面缺陷检测及分类[J]. Laser & Optoelectronics Progress, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。