改进的YOLOv5s太阳能电池片缺陷检测算法.pdf
《改进的YOLOv5s太阳能电池片缺陷检测算法.pdf》由会员分享,可在线阅读,更多相关《改进的YOLOv5s太阳能电池片缺陷检测算法.pdf(11页珍藏版)》请在咨信网上搜索。
1、第 39 卷 第 2 期2024 年 2 月Vol.39 No.2Feb.2024液晶与显示Chinese Journal of Liquid Crystals and Displays改进的 YOLOv5s太阳能电池片缺陷检测算法彭雪玲1,2,林珊玲1,2*,林志贤1,2,郭太良2(1.福州大学 先进制造学院,福建 泉州 362252;2.中国福建光电信息科学与技术实验室,福建 福州 350116)摘要:针对太阳能电池片缺陷检测方法存在精度低的问题,提出一种基于改进的 YOLOv5s太阳能电池片表面缺陷检测算法。首先,为了解决电池片小目标缺陷检测问题,提出了上下文 Transformer网络
2、(CoT),可以为小目标提供全局上下文信息,帮助模型更好地预测小目标。其次,将 CBAM 注意力加入到 Head部分的 C3模块,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,大幅提升了回归的准确性,并且有助于快速实现模型的收敛。实验结果显示,改进后的 YOLOv5s相较于原始算法在 Precision、Recall、mAP0.5三个指标上分别提高了 5.5%、4.1%、3.3%,检测速度达到了 76 FPS,满足太阳能电池片
3、缺陷检测要求。关键词:太阳能电池片;YOLOv5s;上下文 Transformer网络;CARAFE;损失函数中图分类号:TP391 文献标识码:A doi:10.37188/CJLCD.2023-0249Defect detection algorithm of improved YOLOv5s solar cell PENG Xueling 1,2,LIN Shanling1,2*,LIN Zhixian1,2,GUO Tailiang2(1.School of Advanced Manufacturing,Fuzhou University,Quanzhou 362252,China;2
4、.Fujian Science and Technology Innovation Laboratory for Photoelectric Information,Fuzhou 350116,China)Abstract:Aiming at the problem of low accuracy of the method for solar cell defect detection,a surface defect detection algorithm based on the improved YOLOv5s solar cell is proposed.First,in order
5、 to solve the problem of small target defect detection on the cell sheet,the Contextual Transformer Network(CoT)is proposed,which can provide global contextual information for small targets and the model better at predicting small targets.Secondly,by adding CBAM attention to the C3 module in the Hea
6、d part,the important channels and spatial locations of the input feature maps can be better captured to improve the performance and robustness of the model.Next,the integrity of feature information is ensured by using CARAFE,a lightweight generalized up-sampling operator,to reduce the loss of featur
7、e information 文章编号:1007-2780(2024)02-0237-11收稿日期:2023-08-05;修订日期:2023-10-26.基金项目:国家重点研发计划(No.2021YFB3600603);福建省自然科学基金(No.2020J01468);国家自然科学基金青年科学基金(No.62101132)Supported by National Key R&D Program of China(No.2021YFB3600603);Fujian Province Natural Science Foundation of China(No.2020J01468);Youth
8、Science Foundation of National Natural Science Foundation of China(No.62101132)*通信联系人,E-mail:第 39 卷液晶与显示during up-sampling.Finally,by using WIoU as the bounding box loss function,the accuracy of the regression can be greatly improved and the convergence of model can be achieved quickly.The experimen
9、tal results show that compared with the original algorithm,the improved YOLOv5s improves the three indicators of Precision,Recall,and mAP0.5 by 5.5%,4.1%,and 3.3%respectively,and the detection speed reaches 76 FPS,which meets the requirements of solar cell defect detection.Key words:solar cell;YOLOv
10、5s;contextual transformer network;CARAFE;loss function1 引言随着太阳能技术的不断发展,太阳能电池片已成为一种广泛应用的清洁能源。然而,随着生产规模的不断扩大,电池片制造过程中可能出现的划伤、损坏等缺陷问题也越来越严重1。这些缺陷不仅影响了电池片的性能和寿命,还可能导致设备故障和安全隐患。因此,快速、准确地检测太阳能电池片缺陷成为保障太阳能电池片生产质量和提高能源利用率的重要问题。许多学者对太阳能电池片缺陷检测进行了研究分析。Su等2利用电致发光(Electro Luminescence,EL)方法对太阳能电池片进行自动缺陷检测。EL 方法
11、可以检测出缺陷的存在,但对于缺陷的具体位置和精确定位能力有限。EL 图像显示的是整个电池片的发光情况,很难直接确定缺陷所在具体区域。Demant 等3提出了一种基于局部描述符和支持向量机的分类识别方法,实现了对小晶粒硅片光致发光(Photo Luminescence,PL)图像和红外(InfaredRay,IR)图像的有效检测。该方法需要人工设计和选择适当的局部描述符来提取太阳能电池片图像的特征,导致特征提取的鲁棒性和通用性有限。Tsai等4提出一种基于傅里叶图像重建技术的多晶硅太阳能电池缺陷检测方法,通过将带缺陷的频率分量设置为 0来去除 EL图像中可能的缺陷。傅立叶图像重建技术主要用于图像
12、重建和频域分析,对于准确的目标定位和位置信息提取能力有限,它更适用于整体图像的分析和特征提取,而不是具体目标的定位和定量分析。Sezen 等5通过设计一种基于新型深度卷积神经网络(Convolution Neural Network,CNN)的视觉缺陷检测方法计算太阳能电池片表面质量损失,并通过表面检测对这些损失进行分类。深度 CNN 方法在目标定位精度方面存在一定的限制,它通常更适用于图像分类和特征提取6,而准确的目标定位和边界框回归能力可能不如目标检测算法。近年来,深度学习技术在图像识别领域得到了广泛应用7。然而,这些方法仍然存在一些问题和挑战,首先,电池片图像数据通常非常复杂和多变,包括
13、不同光照条件、角度、背景等干扰因素。传统的卷积神经网络在对这些变化进行建模时存在一定的局限性,导致检测准确率降低。其次,深度学习模型的解释性较差8,难以解释模型对于太阳能电池片缺陷的判别依据。这对于生产质量控制以及对缺陷原因分析等方面的需求带来了一定困扰。此外,由于深度学习模型的训练要求极其苛刻9,因此计算资源和耗费的时间会受到一定的影响,从而阻碍了一些实际的应用。综上所述,尽管深度学习和卷积神经网络在太阳能电池片检测方面取得了一些进展10,但仍然存在一些问题和挑战,包括对复杂图像的建模能力、解释性不足以及计算资源需求较高等方面的限制11。YOLOv5是一种高效、精度较高的目标检测算法12,已
14、被广泛应用于物体检测领域,但应用于太阳能电池片检测仍存在准确率不高和检测速度偏慢等问题。本文旨在解决太阳能电池片缺陷检测问题,提出了一种改进的太阳能电池片缺陷检测算法。该算法基于 YOLOv5s,通过对太阳能电池片图像的处理和训练,实现了对太阳能电池片缺陷的检测。实验结果显示,该算法在缺陷检测的准确性和速度方面都取得了显著提升,为太阳能电池片的生产和质量控制提供了高效可靠的解决方案。2 YOLOv5s目标检测模型YOLOv5 的发布引起了学术界和工业界的广泛关注,并且在实践中取得了显著的成就。YOLOv5s 是 一 种 轻 量 级 的 目 标 检 测 网 络 模238第 2 期彭雪玲,等:改进
15、的 YOLOv5s太阳能电池片缺陷检测算法型13,拥有最少的参数和计算量,使其在资源受限的环境下表现出色,可以满足太阳能电池片缺陷检测的实际需求。此外,该模型占用的内存较少,方便移植到移动设备中。基于上述原因,本研究采取 YOLOv5s作为基础模型。YOLOv5的架构由 3 个关键组件组成:主干特征提取网络(Backbone)、增强特征融合网络(Neck)和检测头(Head)。主干特征提取网络由 4 个模块构成:Focus、CBS、C3 和 SPP14。首先,采用 Focus 模块,使用快速下采样技术对输入数据进行处理。随后,经过卷积层的叠加,CBS 模块和 C3模块提取不同尺度的特征信息。最
16、后,SPP 模块不仅规范了特征的尺度,还扩大了特征的感受范围。增强特征融合网络结合了特征金字塔网络(Feature Pyramid Network,FPN)和路径聚合网络(Path Aggregation Network,PANet)。FPN 结构将深层特征图中的粗粒度语义信息传递给浅层特征图。PANet 结构将浅层特征图中的细粒度位置信息传递给深层特征图。这两种结构的联合应用实现了多尺度特征融合,使网络能够同时融合不同尺度的特征图,从而充分利用丰富的位置信息和语义信息。这样的设计显著增强了网络的特征融合能力,提高了目标检测的精度和鲁棒性。检测层包含了 3 个尺度的预测头,分别对应对原始图像进
17、行不同倍数下采样后提取的特征图。不同尺度的预测头基于预先设定的锚框在相应的特征图上进行目标检测。尽管 YOLOv5s目标检测算法在通用目标检测数据集 MSCOCO 和 VOC 上已经达到了很高的检测精度,但它并非专门针对太阳能电池片缺陷检测而设计。因此,对于有划痕、轻微损坏等小目标的电池片缺陷检测精度仍有待提升。为此,本文以YOLOv5s-6.0版本为基准模型,通过相应的改进和优化,最终得到更适用于太阳能电池片缺陷检测的检测模型。3 改进的 YOLOv5s模型3.1主干网络的改进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
18、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,本文引入了上下文转换模块(Contextual Transformer Block,CoT)15(图 1)。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。CoT 模块在处理太阳能电池片数据集中的目标时,能够有效建模目标与相邻区域的物体、背景以及远距离目标之间
19、的复杂关联。相较于传统的自注意力机制(图 2),CoT 模块结合了静态和动态上下文表示,充分利用输入键间的上下文信息,从而提升了模型对背景复杂的电池片的全局信息检测能力。这一特性使模型能够更好地理解整体背景和目标之间的关系,为小缺陷的检测提供更准确的上下文支持。此外,CoT 模块的计算复杂性较低,在实际应用中具备了优势。CoT 模块不仅提升了模型的性能,还减少了计算资源的使用,提高了算法的效率,使 CoT 模块成为在太阳能电池片缺陷工业检测中的理想选择。综上所述,CoT 模块在太阳能电池片缺陷检测中展现了明显的优势。它通过充分利用上下文信息和动态多头注意力机制,提高了对小缺陷图 1上下文转换模
20、块Fig.1Contextual Transformer(CoT)block239第 39 卷液晶与显示的检测精度。同时,它具备较低的计算复杂性,适用于实际的工业检测场景。这一改进为太阳能电池片缺陷工业检测提供了更可靠、高效的解决方案。3.2CBAM 注意力机制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16(Convolutional Block Attention Module,CBAM)引入Head部分以增强模型的特征表达能力。CBAM(图 3)是一种将通道注意力(图 4)与空
21、间注意力(图 5)有机结合的技术,它可以有效提升注意力的效率,从而实现更高效的学习。这些模块的作用是自适应地调整特征图的通道权重和空间分布,以提取更具区分性的特征。在太阳能电池片缺陷检测中,CBAM 注意力机制能够对关键特征进行加强,同时抑制背景信息等干扰因素的影响。这种注意力机制能够学习到太阳能电池片缺陷的上下文信息,使模型更加关注缺陷区域,并提高模型对不同类型缺陷的识别能力。引入 CBAM 注意力机制可以提升太阳能电池片缺陷检测的准确性,并降低环境干扰因素对检测结果的影响。通过增强关键特征的表达能力,CBAM 注意力机制将有助于提高缺陷的识别率和减少漏检率,从而为太阳能电池片生产过程中的质
22、量控制提供更可靠的支持。3.3上采样方式的改进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。最近邻插值上采样所有特征点,忽略了周围特征对结果的影响,导致上采样后特征图质量降低。这可能对太阳能电池片缺陷检测的准确性和鲁棒性产生负面影响,增加检测结果的误判和漏检的可能性。为了解决该问题,本文采用 CARAFE17这一轻量级通用上采样算子,具体示意图见图 6。CARAFE 算子主要包括两部分:上采样核心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
23、。特征重组模块充分利用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。图 4通道注意力模块Fig.4Channel attention module图 5空间注意力模块Fig.5Spatial attention module图 3卷积注意力模块Fig.3Convolution attention module图 2传统自注意模块Fig.2Co
24、nventional self-attention block240第 2 期彭雪玲,等:改进的 YOLOv5s太阳能电池片缺陷检测算法与传统的最近邻插值上采样相比18,CARAFE算子在整合背景语义信息时,考虑了更大的感受野范围,能够更好地融合局部和全局的语义信息。此外,CARAFE算子利用自适应生成的上采样核,实现了对不同特征点的精细上采样操作,减少了特征信息的丢失,确保了特征信息的完整性。CARAFE 算子中的特征重组模块起到至关重要的作用,它专注于提取相关特征点在局部区域内的信息,并使得通过重组后的特征图更加丰富,蕴含更多的语义信息。在太阳能电池片数据集上的实验结果表明,使用 CARA
25、FE 算子进行上采样可以提高特征图质量,实现更准确的缺陷检测和识别。尤其在太阳能电池片中存在微小且复杂的缺陷纹理和形态特征,CARAFE 算子能够更好地捕捉这些细节信息,为定位和分类提供更可靠的结果。此外,CARAFE 算子作为一种轻量级的通用上采样算子,具有较低的计算复杂度和参数量。相比于其他复杂的上采样方法,如双线性插值或反卷积,CARAFE 算子在保持模型轻巧和高效的同时,能够有效提升特征融合性能。对于太阳能电池片缺陷检测任务而言,尤其在资源受限的环境下,CARAFE 算子能够满足实际应用的需求,保证检测模型的准确性和实用性。综上所述,CARAFE 算子相对于最近邻插值上采样在目标检测任
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 改进 YOLOv5s 太阳能电池 缺陷 检测 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。