太阳电池传统的缺陷检测方法主要依赖人工目检或离线检测技术,存在效率低、主观性强且难以满足规模化生产需求的问题。针对这一问题,将人工智能和太阳电池缺陷识别结合,利用深度学习将缺陷识别的工作智能化,提出了一种基于YOLOv5(You On...太阳电池传统的缺陷检测方法主要依赖人工目检或离线检测技术,存在效率低、主观性强且难以满足规模化生产需求的问题。针对这一问题,将人工智能和太阳电池缺陷识别结合,利用深度学习将缺陷识别的工作智能化,提出了一种基于YOLOv5(You Only Look Once version 5)架构的太阳电池片缺陷智能识别方法。首先,鉴于通道的特征信息和图像中的位置信息提出了卷积块注意力模块(Convolutional Block Attention Module,CBAM),用于抑制噪声,通过通道和空间维度的整合提升模型效果。其次,将交并比(IOU)改为距离交并比(Distance-IOU,DIOU),提高了缺陷检测率。最后,添加归一化高斯距离度量(NWD)提高了小目标的检测稳定性。实验结果表明,方案在太阳电池缺陷检测任务中展现出优越的性能,mAP50达到了95.5%的准确率,为人工智能在缺陷检测方向提供了技术支撑。展开更多
文摘太阳电池传统的缺陷检测方法主要依赖人工目检或离线检测技术,存在效率低、主观性强且难以满足规模化生产需求的问题。针对这一问题,将人工智能和太阳电池缺陷识别结合,利用深度学习将缺陷识别的工作智能化,提出了一种基于YOLOv5(You Only Look Once version 5)架构的太阳电池片缺陷智能识别方法。首先,鉴于通道的特征信息和图像中的位置信息提出了卷积块注意力模块(Convolutional Block Attention Module,CBAM),用于抑制噪声,通过通道和空间维度的整合提升模型效果。其次,将交并比(IOU)改为距离交并比(Distance-IOU,DIOU),提高了缺陷检测率。最后,添加归一化高斯距离度量(NWD)提高了小目标的检测稳定性。实验结果表明,方案在太阳电池缺陷检测任务中展现出优越的性能,mAP50达到了95.5%的准确率,为人工智能在缺陷检测方向提供了技术支撑。
