改進的YOLOv5s太陽能電池片缺陷檢測算法

彭雪玲， 林珊玲*， 林志賢， 郭太良

（1.福州大學(xué) 先進制造學(xué)院， 福建 泉州 362252；2.中國福建光電信息科學(xué)與技術(shù)實驗室， 福建 福州 350116）

1 引言

隨著太陽能技術(shù)的不斷發(fā)展，太陽能電池片已成為一種廣泛應(yīng)用的清潔能源。然而，隨著生產(chǎn)規(guī)模的不斷擴大，電池片制造過程中可能出現(xiàn)的劃傷、損壞等缺陷問題也越來越嚴重［1］。這些缺陷不僅影響了電池片的性能和壽命，還可能導(dǎo)致設(shè)備故障和安全隱患。因此，快速、準確地檢測太陽能電池片缺陷成為保障太陽能電池片生產(chǎn)質(zhì)量和提高能源利用率的重要問題。許多學(xué)者對太陽能電池片缺陷檢測進行了研究分析。Su等［2］利用電致發(fā)光（Electro Luminescence，EL）方法對太陽能電池片進行自動缺陷檢測。EL方法可以檢測出缺陷的存在，但對于缺陷的具體位置和精確定位能力有限。EL圖像顯示的是整個電池片的發(fā)光情況，很難直接確定缺陷所在具體區(qū)域。Demant等［3］提出了一種基于局部描述符和支持向量機的分類識別方法，實現(xiàn)了對小晶粒硅片光致發(fā)光（Photo Luminescence，PL）圖像和紅外（InfaredRay，IR）圖像的有效檢測。該方法需要人工設(shè)計和選擇適當(dāng)?shù)木植棵枋龇麃硖崛√柲茈姵仄瑘D像的特征，導(dǎo)致特征提取的魯棒性和通用性有限。Tsai等［4］提出一種基于傅里葉圖像重建技術(shù)的多晶硅太陽能電池缺陷檢測方法，通過將帶缺陷的頻率分量設(shè)置為0來去除EL圖像中可能的缺陷。傅立葉圖像重建技術(shù)主要用于圖像重建和頻域分析，對于準確的目標(biāo)定位和位置信息提取能力有限，它更適用于整體圖像的分析和特征提取，而不是具體目標(biāo)的定位和定量分析。Sezen等［5］通過設(shè)計一種基于新型深度卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）的視覺缺陷檢測方法計算太陽能電池片表面質(zhì)量損失，并通過表面檢測對這些損失進行分類。深度CNN方法在目標(biāo)定位精度方面存在一定的限制，它通常更適用于圖像分類和特征提取［6］，而準確的目標(biāo)定位和邊界框回歸能力可能不如目標(biāo)檢測算法。

近年來，深度學(xué)習(xí)技術(shù)在圖像識別領(lǐng)域得到了廣泛應(yīng)用［7］。然而，這些方法仍然存在一些問題和挑戰(zhàn)，首先，電池片圖像數(shù)據(jù)通常非常復(fù)雜和多變，包括不同光照條件、角度、背景等干擾因素。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)在對這些變化進行建模時存在一定的局限性，導(dǎo)致檢測準確率降低。其次，深度學(xué)習(xí)模型的解釋性較差［8］，難以解釋模型對于太陽能電池片缺陷的判別依據(jù)。這對于生產(chǎn)質(zhì)量控制以及對缺陷原因分析等方面的需求帶來了一定困擾。此外，由于深度學(xué)習(xí)模型的訓(xùn)練要求極其苛刻［9］，因此計算資源和耗費的時間會受到一定的影響，從而阻礙了一些實際的應(yīng)用。綜上所述，盡管深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)在太陽能電池片檢測方面取得了一些進展［10］，但仍然存在一些問題和挑戰(zhàn)，包括對復(fù)雜圖像的建模能力、解釋性不足以及計算資源需求較高等方面的限制［11］。YOLOv5是一種高效、精度較高的目標(biāo)檢測算法［12］，已被廣泛應(yīng)用于物體檢測領(lǐng)域，但應(yīng)用于太陽能電池片檢測仍存在準確率不高和檢測速度偏慢等問題。本文旨在解決太陽能電池片缺陷檢測問題，提出了一種改進的太陽能電池片缺陷檢測算法。該算法基于YOLOv5s，通過對太陽能電池片圖像的處理和訓(xùn)練，實現(xiàn)了對太陽能電池片缺陷的檢測。實驗結(jié)果顯示，該算法在缺陷檢測的準確性和速度方面都取得了顯著提升，為太陽能電池片的生產(chǎn)和質(zhì)量控制提供了高效可靠的解決方案。

2 YOLOv5s目標(biāo)檢測模型

YOLOv5的發(fā)布引起了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注，并且在實踐中取得了顯著的成就。YOLOv5s是一種輕量級的目標(biāo)檢測網(wǎng)絡(luò)模型［13］，擁有最少的參數(shù)和計算量，使其在資源受限的環(huán)境下表現(xiàn)出色，可以滿足太陽能電池片缺陷檢測的實際需求。此外，該模型占用的內(nèi)存較少，方便移植到移動設(shè)備中。基于上述原因，本研究采取YOLOv5s作為基礎(chǔ)模型。YOLOv5的架構(gòu)由3個關(guān)鍵組件組成：主干特征提取網(wǎng)絡(luò)（Backbone）、增強特征融合網(wǎng)絡(luò)（Neck）和檢測頭（Head）。主干特征提取網(wǎng)絡(luò)由4個模塊構(gòu)成：Focus、CBS、C3和SPP［14］。首先，采用Focus模塊，使用快速下采樣技術(shù)對輸入數(shù)據(jù)進行處理。隨后，經(jīng)過卷積層的疊加，CBS模塊和C3模塊提取不同尺度的特征信息。最后，SPP模塊不僅規(guī)范了特征的尺度，還擴大了特征的感受范圍。

增強特征融合網(wǎng)絡(luò)結(jié)合了特征金字塔網(wǎng)絡(luò)（Feature Pyramid Network，F(xiàn)PN）和路徑聚合網(wǎng)絡(luò)（Path Aggregation Network，PANet）。FPN結(jié)構(gòu)將深層特征圖中的粗粒度語義信息傳遞給淺層特征圖。PANet結(jié)構(gòu)將淺層特征圖中的細粒度位置信息傳遞給深層特征圖。這兩種結(jié)構(gòu)的聯(lián)合應(yīng)用實現(xiàn)了多尺度特征融合，使網(wǎng)絡(luò)能夠同時融合不同尺度的特征圖，從而充分利用豐富的位置信息和語義信息。這樣的設(shè)計顯著增強了網(wǎng)絡(luò)的特征融合能力，提高了目標(biāo)檢測的精度和魯棒性。

檢測層包含了3個尺度的預(yù)測頭，分別對應(yīng)對原始圖像進行不同倍數(shù)下采樣后提取的特征圖。不同尺度的預(yù)測頭基于預(yù)先設(shè)定的錨框在相應(yīng)的特征圖上進行目標(biāo)檢測。

盡管YOLOv5s目標(biāo)檢測算法在通用目標(biāo)檢測數(shù)據(jù)集MSCOCO和VOC上已經(jīng)達到了很高的檢測精度，但它并非專門針對太陽能電池片缺陷檢測而設(shè)計。因此，對于有劃痕、輕微損壞等小目標(biāo)的電池片缺陷檢測精度仍有待提升。為此，本文以YOLOv5s-6.0版本為基準模型，通過相應(yīng)的改進和優(yōu)化，最終得到更適用于太陽能電池片缺陷檢測的檢測模型。

3 改進的YOLOv5s模型

3.1 主干網(wǎng)絡(luò)的改進

YOLOv5s在小目標(biāo)檢測方面存在效率低下的問題，主要原因是其過大的下采樣倍數(shù)以及一些池化操作導(dǎo)致高層次特征圖的分辨率過低。這導(dǎo)致在高層次特征圖上僅有極少像素用于表示具有劃痕和損壞等小缺陷的電池片，從而影響了模型的檢測能力。

針對上述問題，本文引入了上下文轉(zhuǎn)換模塊（Contextual Transformer Block，CoT）［15］（圖1）。引入上下文編碼和動態(tài)多頭注意力機制的CoT模塊，可以有效收集相鄰像素之間的豐富上下文信息，進而提升了對小缺陷的檢測精度。相比傳統(tǒng)的C3模塊，CoT模塊能夠更細致地感知和利用局部鄰域鍵之間的靜態(tài)上下文信息，使模型能夠更準確地定位和分類劃痕和損壞等類型的小缺陷。

圖1 上下文轉(zhuǎn)換模塊Fig.1 Contextual Transformer （CoT） block

CoT模塊在處理太陽能電池片數(shù)據(jù)集中的目標(biāo)時，能夠有效建模目標(biāo)與相鄰區(qū)域的物體、背景以及遠距離目標(biāo)之間的復(fù)雜關(guān)聯(lián)。相較于傳統(tǒng)的自注意力機制（圖2），CoT模塊結(jié)合了靜態(tài)和動態(tài)上下文表示，充分利用輸入鍵間的上下文信息，從而提升了模型對背景復(fù)雜的電池片的全局信息檢測能力。這一特性使模型能夠更好地理解整體背景和目標(biāo)之間的關(guān)系，為小缺陷的檢測提供更準確的上下文支持。

圖2 傳統(tǒng)自注意模塊Fig.2 Conventional self-attention block

此外，CoT模塊的計算復(fù)雜性較低，在實際應(yīng)用中具備了優(yōu)勢。CoT模塊不僅提升了模型的性能，還減少了計算資源的使用，提高了算法的效率，使CoT模塊成為在太陽能電池片缺陷工業(yè)檢測中的理想選擇。

綜上所述，CoT模塊在太陽能電池片缺陷檢測中展現(xiàn)了明顯的優(yōu)勢。它通過充分利用上下文信息和動態(tài)多頭注意力機制，提高了對小缺陷的檢測精度。同時，它具備較低的計算復(fù)雜性，適用于實際的工業(yè)檢測場景。這一改進為太陽能電池片缺陷工業(yè)檢測提供了更可靠、高效的解決方案。

3.2 CBAM注意力機制

在進行太陽能電池片缺陷檢測時往往會受到光照、污染物、溫度變化等因素的影響，造成識別率低和誤報率高的問題。為了提高檢測的準確性并降低干擾，本文將卷積注意力模塊［16］（Convolutional Block Attention Module，CBAM）引入Head部分以增強模型的特征表達能力。

CBAM（圖3）是一種將通道注意力（圖4）與空間注意力（圖5）有機結(jié)合的技術(shù)，它可以有效提升注意力的效率，從而實現(xiàn)更高效的學(xué)習(xí)。這些模塊的作用是自適應(yīng)地調(diào)整特征圖的通道權(quán)重和空間分布，以提取更具區(qū)分性的特征。在太陽能電池片缺陷檢測中，CBAM注意力機制能夠?qū)﹃P(guān)鍵特征進行加強，同時抑制背景信息等干擾因素的影響。這種注意力機制能夠?qū)W習(xí)到太陽能電池片缺陷的上下文信息，使模型更加關(guān)注缺陷區(qū)域，并提高模型對不同類型缺陷的識別能力。

圖3 卷積注意力模塊Fig.3 Convolution attention module

圖4 通道注意力模塊Fig.4 Channel attention module

圖5 空間注意力模塊Fig.5 Spatial attention module

引入CBAM注意力機制可以提升太陽能電池片缺陷檢測的準確性，并降低環(huán)境干擾因素對檢測結(jié)果的影響。通過增強關(guān)鍵特征的表達能力，CBAM注意力機制將有助于提高缺陷的識別率和減少漏檢率，從而為太陽能電池片生產(chǎn)過程中的質(zhì)量控制提供更可靠的支持。

3.3 上采樣方式的改進

YOLOv5s在其特征融合網(wǎng)絡(luò)中使用了最近鄰插值來進行上采樣。然而，這種簡單的方式僅根據(jù)像素點的位置來確定上采樣核，未充分利用特征圖中的豐富語義信息。最近鄰插值上采樣所有特征點，忽略了周圍特征對結(jié)果的影響，導(dǎo)致上采樣后特征圖質(zhì)量降低。這可能對太陽能電池片缺陷檢測的準確性和魯棒性產(chǎn)生負面影響，增加檢測結(jié)果的誤判和漏檢的可能性。

為了解決該問題，本文采用CARAFE［17］這一輕量級通用上采樣算子，具體示意圖見圖6。CARAFE算子主要包括兩部分：上采樣核心預(yù)測模塊和特征重組模塊。上采樣核預(yù)測模塊分析編碼輸入特征圖，以推斷不同位置的特征點所需的上采樣核。特征重組模塊充分利用上采樣核預(yù)測模塊生成的上采樣核，實現(xiàn)高效的上采樣操作。相對于最近鄰插值上采樣，CARAFE算子在目標(biāo)檢測任務(wù)中顯示出更好的性能，并在太陽能電池片缺陷檢測方面具有明顯優(yōu)勢。通過利用語義信息和周圍特征點的影響，CARAFE算子在上采樣過程中能夠?qū)崿F(xiàn)更精確的特征重建，從而提高上采樣后特征圖的質(zhì)量和表達能力。

圖6 CARAFE模塊結(jié)構(gòu)Fig.6 CARAFE module structure

與傳統(tǒng)的最近鄰插值上采樣相比［18］，CARAFE算子在整合背景語義信息時，考慮了更大的感受野范圍，能夠更好地融合局部和全局的語義信息。此外，CARAFE算子利用自適應(yīng)生成的上采樣核，實現(xiàn)了對不同特征點的精細上采樣操作，減少了特征信息的丟失，確保了特征信息的完整性。

CARAFE算子中的特征重組模塊起到至關(guān)重要的作用，它專注于提取相關(guān)特征點在局部區(qū)域內(nèi)的信息，并使得通過重組后的特征圖更加豐富，蘊含更多的語義信息。在太陽能電池片數(shù)據(jù)集上的實驗結(jié)果表明，使用CARAFE算子進行上采樣可以提高特征圖質(zhì)量，實現(xiàn)更準確的缺陷檢測和識別。尤其在太陽能電池片中存在微小且復(fù)雜的缺陷紋理和形態(tài)特征，CARAFE算子能夠更好地捕捉這些細節(jié)信息，為定位和分類提供更可靠的結(jié)果。

此外，CARAFE算子作為一種輕量級的通用上采樣算子，具有較低的計算復(fù)雜度和參數(shù)量。相比于其他復(fù)雜的上采樣方法，如雙線性插值或反卷積，CARAFE算子在保持模型輕巧和高效的同時，能夠有效提升特征融合性能。對于太陽能電池片缺陷檢測任務(wù)而言，尤其在資源受限的環(huán)境下，CARAFE算子能夠滿足實際應(yīng)用的需求，保證檢測模型的準確性和實用性。

綜上所述，CARAFE算子相對于最近鄰插值上采樣在目標(biāo)檢測任務(wù)中的優(yōu)勢顯而易見。通過更好地利用語義信息和周圍特征點的影響，CARAFE算子改進了特征圖的質(zhì)量，為太陽能電池片缺陷檢測帶來更準確的結(jié)果。同時，CARAFE算子具有輕量級、高效性和實用性的特點，適用于資源受限環(huán)境下的應(yīng)用。因此，CARAFE算子在目標(biāo)檢測任務(wù)和太陽能電池片缺陷檢測中具備廣闊的應(yīng)用前景。

3.4 損失函數(shù)的改進

在太陽能電池片缺陷檢測任務(wù)中，YOLOv5s的損失函數(shù)包含3個部分，分別是分類損失、置信度損失和回歸損失［19］。傳統(tǒng)的完整交并比（Complete Intersection over Union，CIoU）損失函數(shù)僅考慮了重疊區(qū)域的大小，未充分考慮邊界框的位置和形狀信息。然而，邊界框的位置和形狀信息對于太陽能電池片缺陷檢測是至關(guān)重要的，它們能夠準確描述缺陷的位置和形狀，并評估缺陷的嚴重程度。為解決這一問題，本文采用了一種改進的損失函數(shù)，即加權(quán)交并比［20］（Weighted Intersection over Union，WIoU）損失函數(shù)。

WIoU損失函數(shù)在計算邊界框之間的重疊度時，考慮了邊界框的尺寸和位置信息，不僅關(guān)注重疊區(qū)域的大小，還考慮了邊界框的相對位置和形狀。這使得WIoU對邊界框的完整性更加敏感，能夠更準確地衡量預(yù)測框和真實框之間的匹配程度。此外，WIoU引入了一個權(quán)重因子，根據(jù)不同區(qū)域的重要性進行調(diào)整。對于重要區(qū)域，如太陽能電池片缺陷的關(guān)鍵部位，WIoU會賦予更高的權(quán)重，以提高對關(guān)鍵區(qū)域的檢測準確性，減少對次要區(qū)域的過度關(guān)注。

相較于傳統(tǒng)的CIoU損失函數(shù)，WIoU具有以下優(yōu)勢。首先，WIoU能夠更好地適應(yīng)太陽能電池片缺陷檢測任務(wù)的需求。通過考慮不同區(qū)域的重要性和邊界框的完整性，WIoU能夠更準確地評估預(yù)測框和真實框之間的匹配程度，從而提高檢測的準確性和魯棒性。其次，WIoU在處理小目標(biāo)時表現(xiàn)更好。小目標(biāo)的邊界框通常具有較小的重疊區(qū)域［21］，傳統(tǒng)的CIoU在計算時容易受到邊界框尺寸的影響，可能導(dǎo)致誤判。而WIoU通過引入權(quán)重因子，能夠更好地平衡小目標(biāo)的重疊度計算，提高對小目標(biāo)的檢測精度。

綜上所述，WIoU損失函數(shù)相比于CIoU在太陽能電池片缺陷檢測中具有更好的適應(yīng)性和準確性。它考慮了不同區(qū)域的重要性、對邊界框的完整性更敏感，并在處理小目標(biāo)時表現(xiàn)更好，能夠提高缺陷檢測的精度和魯棒性。

3.5 改進后的網(wǎng)絡(luò)模型

基于以上描述，改進后的YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 改進的YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.7 Improved YOLOv5s network structure

4 實驗結(jié)果與分析

4.1 實驗配置

所有實驗的環(huán)境配置如表1所示。訓(xùn)練過程中使用PVdatasets數(shù)據(jù)集初始化參數(shù)，涵蓋了類別初始設(shè)定、類別名稱定義以及訓(xùn)練路徑等要素。同時，圖像輸入尺寸被設(shè)定為640×640，迭代輪次設(shè)置為300，學(xué)習(xí)率設(shè)置為0.001。這樣的配置旨在優(yōu)化模型性能并提高目標(biāo)檢測的準確率。

表1 實驗環(huán)境配置Tab.1 Experimental environment configuration

4.2 數(shù)據(jù)集介紹

PVdatasets數(shù)據(jù)集［22］是包含5個類別的開放性數(shù)據(jù)集，包括損壞（broken）、亮點（hot-spot）、黑邊（black_border）、劃痕（scratch）、斷電（no_electricity）5種類型的缺陷，如圖8所示，共分為3列對缺陷類型進行描述，左邊圖是含有缺陷的PV數(shù)據(jù)集圖片；右邊是對這個缺陷細節(jié)放大的圖片，共標(biāo)注3 981個感興趣目標(biāo)區(qū)域。數(shù)據(jù)集中的圖像大小為600像素×600像素，本文按照訓(xùn)練集與驗證集9∶1的比例進行拆分。

圖8 數(shù)據(jù)集缺陷類型。 （a） 有破損區(qū)域的電池片； （b） 有明顯的亮點區(qū)域的電池片； （c） 具有黑色或灰色邊界區(qū)域的電池片； （d） 有劃痕的電池片 ； （e）不導(dǎo)電，顯示黑色區(qū)域的電池片。Fig.8 Dataset defect type. （a） Cell with broken areas； （b） Cell with obvious bright areas； （c） Cell with black or gray border areas； （d） Scratchy cell； （e） No-electricity， showing the black area of the cell.

4.3 模型性能評估指標(biāo)

為了驗證所提方法的性能，采用平均值精度（mean Averrage Precision，mAP）指標(biāo)驗證多類別的檢測精度，mAP是所有類別平均精度（Averrage Precision，AP）的平均值，其計算公式如式（1）～（3）所示：

其中：AP表示平均精度，TP表示真正例，F(xiàn)P表示假正例，F(xiàn)N表示假反例，TN表示真反例。

4.4 消融實驗和對比實驗

4.4.1 消融實驗

為了分析各模塊改動以及模塊組合對算法性能優(yōu)化的影響程度，進行了一系列消融實驗，共設(shè)計了8個實驗方案，這些實驗在所述實驗環(huán)境中按序進行訓(xùn)練，并取各訓(xùn)練輸出的最佳權(quán)重文件在驗證集上進行實驗，實驗的epoch都設(shè)置為300，所得的實驗數(shù)據(jù)如表2所示。其中√表示加入該模塊，×表示沒有加入該模塊，檢測耗時是在batchsize設(shè)置成1的情況下單張圖片預(yù)測所需要的時間。由表2可知，主干網(wǎng)絡(luò)使用CoT后，mAP值提升了2.7%，而檢測耗時僅增加了1.2 ms；加入CBAM注意力機制后，可以更好地進行特征融合，總體性能都有提升；上采樣方式采用CARAFE后，提升了特征提取能力，mAP值提升了1.7%；損失函數(shù)采用WIoU后，解決了原損失函數(shù)出現(xiàn)的問題，使得Recall和mAP值分別提升了2.5%和0.5%。綜合多種改進，相比于原模型，檢測耗時雖然增加了1.2%，但Precision、Recall、mAP@0.5分別提高了5.5%、4.1%、3.3%。可見，本文改進算法滿足改進需求，優(yōu)于原算法。為了能更加清楚地觀測到改進后的有效性，根據(jù)訓(xùn)練過程保存的結(jié)果，繪制如圖9所示的改進前后兩個模型訓(xùn)練的mAP@0.5對比曲線。

表2 消融實驗Tab.2 Ablation experiments

圖9 mAP@0.5的對比Fig.9 Comparison of mAP@0.5

4.4.2 對比實驗

在特征提取網(wǎng)絡(luò)中引入不同類型的注意力機制對性能進行評估，結(jié)果見表3。評估指標(biāo)包括mAP@0.5、Precision、Recall和參數(shù)量。更高的mAP@0.5、Precision、Recall數(shù)值代表更出色的檢測性能，而更小的模型參數(shù)對于輕量化檢測更為有利。對比表3的數(shù)據(jù)可以看出，在原始網(wǎng)絡(luò)的基礎(chǔ)上引入CBAM注意力機制后，mAP@0.5提高了1.7%。此外，CBAM注意力機制具有最小的模型尺寸。盡管引入NWD注意力機制后，mAP@0.5有所提升，但其他性能指標(biāo)表現(xiàn)不夠理想。綜合來看，CBAM注意力機制更適合于輕量化太陽能電池片缺陷檢測任務(wù)。

表3 不同注意力機制檢測性能對比Tab.3 Comparison of detection performance of different attention mechanisms

為了進一步驗證本文算法改進的有效性，并驗證改進算法在精度、檢測速度和參數(shù)量方面的提升，進行了一系列實驗對比。在PV-Multi-Defect數(shù)據(jù)集上對比了經(jīng)典目標(biāo)檢測算法，如Faster RCNN、SSD和YOLOv3的檢測效果，并對比了YOLOv7、YOLOv7_tiny，和本文算法的檢測效果，實驗結(jié)果見表4。

表4 對比實驗Tab.4 Comparison experiments

通過比較表4中不同算法模型的實驗結(jié)果，可以明顯觀察到本文提出的改進版YOLOv5s算法在檢測精度、召回率以及mAP值方面明顯優(yōu)于其他算法。與檢測精度最接近的EfficientDet相比，本文所提算法的參數(shù)量減少了62.8M，mAP@0.5提升了18.7%。YOLOv7_tiny的精度和參數(shù)量相較于YOLOv5s略好，但是相較于FPS，YOLOv5s有明顯優(yōu)勢。YOLO旨在實現(xiàn)實時目標(biāo)檢測，因此FPS是一個關(guān)鍵的性能指標(biāo)。更高的FPS意味著網(wǎng)絡(luò)能夠在更短的時間內(nèi)處理更多的圖像幀，從而提供更快的實時檢測能力。因此，本文選擇原始YOLOv5s作為基準網(wǎng)絡(luò)進行改進，表4清晰地顯示出原始YOLOv5s在參數(shù)量和檢測精度方面的顯著優(yōu)勢。

總之，本研究提出的改進版YOLOv5s算法具有最佳的檢測精度和顯著的整體表現(xiàn)，從而論證了該算法的優(yōu)勢。為了更直觀地評估改進效果，在圖10中對比了改進前后的檢測結(jié)果。在圖10（a）中的第二張圖中，原始的YOLOv5s算法誤將原始標(biāo)注為“scratch”的區(qū)域識別為“broken”，導(dǎo)致存在誤檢現(xiàn)象。而在圖10（a）的第4張圖中，原始的YOLOv5s算法在最初標(biāo)注為3個“sc5ratch”的情況下，僅檢測到了其中兩個。通過觀察圖10（c）可以清晰地看到，改進后的YOLOv5s算法不再存在漏檢和誤檢的問題。在PV-Multi-Defect數(shù)據(jù)集檢測任務(wù)中，本研究對YOLOv5s算法進行了改進，有效解決了原算法的漏檢和誤檢問題，同時顯著提高了對太陽能電池片表面缺陷的平均識別精度。這些結(jié)果表明，改進版YOLOv5s算法在太陽能電池片缺陷檢測領(lǐng)域具有極大的潛力和實際應(yīng)用價值。

圖10 改進前后的檢測效果對比。 （a） 原圖； （b） YOLOv5s檢測效果圖； （c） 改進后的YOLOv5s檢測效果圖。Fig.10 Comparison of detection results before and after improvement. （a） Original drawing； （b） YOLOv5s detection effect drawing； （c） Improved YOLOv5s detection effect drawing.

5 結(jié)論

本文提出了一種改進的YOLOv5s太陽能電池片缺陷檢測算法。通過一系列改進，提高了模型的檢測精度、輕量化和實時性能。首先，在主干部分引入CoT模塊以增強特征的表達能力和感受野范圍，從而更準確地捕捉太陽能電池片缺陷的細節(jié)和上下文信息。其次，使用CARAFE算子作為輕量級的通用上采樣方法代替了原本的最近鄰插值方式。這樣的變化不僅提高了上采樣后特征圖的質(zhì)量和表達能力，還為目標(biāo)檢測任務(wù)帶來了更精確的結(jié)果。另外，在模型的Head部分還引入了CBAM注意力機制。CBAM的應(yīng)用使模型能夠自動調(diào)整特征圖的通道和空間維度，從而提高了對關(guān)鍵信息的關(guān)注能力，進而提高了缺陷檢測的準確性。采用WIoU作為邊界框的損失函數(shù)也是一種改進方法。WIoU考慮了邊界框的位置和形狀信息，使預(yù)測框和真實框能夠更好地匹配，從而提高了缺陷檢測的精度和魯棒性。實驗結(jié)果表明，改進后的模型在太陽能電池片缺陷檢測任務(wù)中性能有很高的提升，平均精度達到了90.1%，模型的參數(shù)量僅為7.8M，檢測速度達到了76 FPS。實驗結(jié)果充分展示了改進方法的有效性和實際可行性，為太陽能電池片缺陷檢測提供了一種可靠且高效的解決方案。