光伏电池的高效发电在推动绿色低碳循环发展中发挥着重要作用,针对光伏电池缺陷图像中存在背景复杂与目标尺寸较小等问题,提出一种改进YOLO11n的缺陷检测模型———CCMW-YOLO11n。首先,在YOLO11n的骨干网络中提出跨阶段部分改进模块(cro...光伏电池的高效发电在推动绿色低碳循环发展中发挥着重要作用,针对光伏电池缺陷图像中存在背景复杂与目标尺寸较小等问题,提出一种改进YOLO11n的缺陷检测模型———CCMW-YOLO11n。首先,在YOLO11n的骨干网络中提出跨阶段部分改进模块(cross stage partial improvement,CSP-I),该模块通过设计多头自注意力机制(multi-head self attention,MHSA)、卷积门控线性单元(convolutional gated linear uint,CGLU)与传统卷积(convolution,Conv)相结合,兼顾全局信息感知与局部特征提取,增强了多尺度特征的提取效果;其次,在特征融合阶段采用内容感知特征重组上采用技术(content-aware reassembly of features,CARAFE),该方法实现了对特征图自适应重组和细节增强,有效保留了细节特征,提升了模型对复杂目标的感知能力;然后,在颈部网络中融入混合聚合网络改进模块(mixed aggregation net enhancement,MAN-E),进一步增强了特征表达能力;最后,针对基础模型中CIoU损失函数的不足,结合WIoUv3、Inner-IoU和SIoU,提出一种新的边界框回归损失函数Wise-Inner-SIoU,以优化模型的回归效果。实验结果表明,改进后的CCMW-YOLO11n模型召回率提升了9.6%,mAP@0.5和mAP@0.5:0.95分别达到91.0%和61.1%,较基础模型分别提高了3.1%和2.0%,实现了对光伏电池缺陷的高效检测。展开更多
文摘光伏电池的高效发电在推动绿色低碳循环发展中发挥着重要作用,针对光伏电池缺陷图像中存在背景复杂与目标尺寸较小等问题,提出一种改进YOLO11n的缺陷检测模型———CCMW-YOLO11n。首先,在YOLO11n的骨干网络中提出跨阶段部分改进模块(cross stage partial improvement,CSP-I),该模块通过设计多头自注意力机制(multi-head self attention,MHSA)、卷积门控线性单元(convolutional gated linear uint,CGLU)与传统卷积(convolution,Conv)相结合,兼顾全局信息感知与局部特征提取,增强了多尺度特征的提取效果;其次,在特征融合阶段采用内容感知特征重组上采用技术(content-aware reassembly of features,CARAFE),该方法实现了对特征图自适应重组和细节增强,有效保留了细节特征,提升了模型对复杂目标的感知能力;然后,在颈部网络中融入混合聚合网络改进模块(mixed aggregation net enhancement,MAN-E),进一步增强了特征表达能力;最后,针对基础模型中CIoU损失函数的不足,结合WIoUv3、Inner-IoU和SIoU,提出一种新的边界框回归损失函数Wise-Inner-SIoU,以优化模型的回归效果。实验结果表明,改进后的CCMW-YOLO11n模型召回率提升了9.6%,mAP@0.5和mAP@0.5:0.95分别达到91.0%和61.1%,较基础模型分别提高了3.1%和2.0%,实现了对光伏电池缺陷的高效检测。
