基于改进YOLOv5的光伏组件缺陷检测

Abstract

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%。