基于改进YOLOv5的光伏组件缺陷检测
电致发光(EL)检测技术作为太阳电池和组件缺陷检测的重要手段被广泛运用,但是EL检查中的缺陷筛查仍然需要持续完善.为了克服以往研究中可识别缺陷的种类少、无法对缺陷进行定位、模型参数多体积大及检测速度慢的局限性,使用改进的YOLOv5网络对电致发光图片中常见的隐裂、断栅、裂片和黑斑 4类主要缺陷进行检测和分类.使用Ghost模块代替YOLOv5骨干提取网络中的普通卷积模块,减少网络模型的参数量;为了保证良好的检测性能,在骨干网络尾端加入Squeeze-and-Excitation(SE)注意力模块,提升算法的目标检测能力;在特征融合网络中引入双向特征金字塔网络(BiFPN)结构,进一步加强网络的特征融合能力.结果表明,所提模型成功地识别和定位了 4类常见的缺陷,与YOLOv5算法相比,模型体积减小了21%,在没有GPU加速的情况下,单张图片的检测速度提升了17.4%.
缺陷检测、电致发光、YOLOv5、Ghost模块、注意力机制、特征融合
60
TP391.4(计算技术、计算机技术)
临近空间科学实验系统鸿鹄专项XDA17020403
2023-11-16(万方平台首次上网日期,不代表论文的发表时间)
共9页
140-148