AG体育液晶与显示改进的YOLOv5s太阳能电池片缺陷检测算法

　　AG体育作为一种可再生能源，具有储量大、永久性、清洁无污染、可再生、就地取材等特点，在推动新能源领域特别是光伏行业的发展方面，成为了世界各国的共识。因此，快速、准确地检测

　　近日，福州大学、闽都创新实验室林志贤教授团队在《液晶与显示》（ESCI、Scopus收录、中文核心期刊）2024年第2期发表了题为“改进的YOLOv5s太阳能电池片缺陷检测算法”的研究文章，并被选作当期封面文章。该文章基于YOLOv5s网络对太阳能电池片进行小目标缺陷信息的提取和训练，实现了对太阳能电池片小目标缺陷的检测。

　　YOLOv5s在小目标检测方面存在效率低下的问题，主要原因是其过大的下采样倍数以及一些池化操作导致高层次特征图的分辨率过低。这导致在高层次特征图上仅有极少像素用于表示具有划痕和损坏等小缺陷的电池片，从而影响了模型的检测能力。

　　针对上述问题，引入了上下文转换模块（Contextual Transformer block，CoT）（如图2所示）。引入上下文编码和动态多头注意力机制的CoT模块，可以有效地收集相邻像素之间的丰富上下文信息，进而提升了对小缺陷的检测精度。相比传统的C3模块，CoT模块能够更细致地感知和利用局部邻域键之间的静态上下文信息，使模型能够更准确地定位和分类划痕和损坏等类型的小缺陷。

　　在进行太阳能电池片缺陷检测时往往会受到光照、污染物、温度变化等因素的影响，造成识别率低和误报率高的问题。为了提高检测的准确性并降低干扰，本文将卷积注意力模块（Convolutional Block Attention Module，CBAM）引入到Head部分，以增强模型的特征表达能力。CBAM（如图3所示）是一种将通道注意力（如图4所示）与空间注意力（如图5所示）有机结合的技术，它可以有效地提升注意力的效率，从而实现更高效的学习。

　　YOLOv5s在其特征融合网络中使用了最近邻插值来进行上采样。然而，这种简单的方式仅仅根据像素点的位置来确定上采样核，未充分利用特征图中的丰富语义信息。通过引入了CARAFE这一轻量级通用上采样算子，具体示意图见图6。CARAFE算子主要包括两个部分：上采样核预测模块和特征重组模块。上采样核预测模块分析编码输入特征图，以推断不同位置的特征点所需的上采样核。特征重组模块充分利用了上采样核预测模块生成的上采样核，实现高效的上采样操作。相对于最近邻插值上采样，CARAFE算子在目标检测任务中显示出更好的性能，并在太阳能电池片缺陷检测方面具有明显优势。通过利用语义信息和周围特征点的影响，CARAFE算子在上采样过程中能够实现更精确的特征重建，从而提高上采样后特征图的质量和表达能力。

　　在太阳能电池片缺陷检测任务中，YOLOv5s的损失函数包含三个部分，分别是分类损失、置信度损失和回归损失。传统的完整交并比(Complete Intersection over Union，CIoU)损失函数仅考虑了重叠区域的大小，未充分考虑边界框的位置和形状信息。然而，边界框的位置和形状信息对于太阳能电池片缺陷检测是至关重要的。它们能够准确描述缺陷的位置和形状，并评估缺陷的严重程度。为了解决这一问题，采用了一种改进的损失函数，即加权交并比(Weighted Intersection over Union，WIoU)损失函数。WIoU损失函数在计算边界框之间的重叠度时，考虑了边界框的尺寸和位置信息，不仅关注重叠区域的大小，还考虑了边界框的相对位置和形状。这使得WIoU对边界框的完整性更加敏感，能够更准确地衡量预测框和真实框之间的匹配程度。

　　总之，本研究提出的改进版YOLOv5s算法具有最佳的检测精度和显著的整体表现，从而论证了该算法的优势。为了更直观地评估改进效果，在图8中对比了改进前后的检测结果AG体育。在图8(a)中的第二张图中，原始的YOLOv5s算法误将原始标注为“scratch”的区域识别为“broken”，导致误检现象的存在。而在图8(a)的第四张图中，原始的YOLOv5s算法在最初标注为三个“scratch”的情况下，仅检测到了其中两个。通过观察图8(c)，可以清晰地看到，改进后的YOLOv5s算法不再存在漏检和误检的问题。在PV-Multi-Defect数据集检测任务中，本研究对YOLOv5s算法进行了改进，有效解决了原算法的漏检和误检问题，同时显著提高了对太阳能电池片表面缺陷的平均识别精度。这些结果表明，改进版YOLOv5s算法在太阳能电池片缺陷检测领域具有极大的潜力和实际应用价值。

　　图8：改进前后检测效果对比。(a)原图；(b)YOLOv5s检测效果图；(c)改进后的YOLOv5s检测效果图

　　太阳能电池片在生产过程中难免会出现缺陷，这些缺陷在不同程度上影响太阳能电池片的寿命和发光效率，故太阳能电池片在生产过程中要进行缺陷检测。该文以此作为切入点，基于YOLOv5s算法，在主干部分引入CoT模块，以增强特征的表达能力和感受野范围，从而更准确地捕捉太阳能电池片缺陷的细节和上下文信息。其次，将CBAM注意力加入到Head部分的C3模块之后，能够更好地捕捉输入特征图的重要通道和空间位置，提高模型的性能和鲁棒性。接着，使用轻量级的通用上采样算子CARAFE，减少上采样过程中特征信息的损失，保证了特征信息的完整性。最后，使用WIoU作为边界框损失函数，可以大幅提升回归的准确性，并且有助于快速实现模型的收敛。实验结果表明，改进后的模型在太阳能电池片缺陷检测任务上表现出很高的性能提升，为太阳能电池片缺陷检测提供了一种可靠且高效的解决方案。

　　林珊玲，博士，硕士研究生导师，2020年于福州大学获得博士学位，主要从事显示驱动、图像处理等方面的研究。

　　本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。