電気発光（Electroluminescent、EL）条件下での太陽電池の高精度な亀裂および破片欠陥検出を実現するために、多尺度YOLOv5（You Only Look Once version 5）モデルを実際の作業環境における太陽電池欠陥検出に適用した。まず、変形可能畳み込み（Deformable Convolutional Networks version 2、DCNv2）と座標注意機構（Coordinate Attention、CA）を融合した改良特徴抽出ネットワークを提案し、小さな欠陥の受容野を拡大し、小スケール欠陥特徴の抽出を効果的に強化した。次に、CAと層間結合をパス強化構造に統合したCA-PANetという改良経路集約ネットワーク（Path Aggregation Network、PANet）を提案し、浅層特徴の再利用を実現し、深層特徴と浅層特徴の結合により異なるスケールの欠陥特徴融合を強化し、欠陥特徴表現能力を向上させ、欠陥検出ボックスの精度を高めた。軽量なCAは計算コストが低く、モデルのリアルタイム性を保証する。実験結果は、DCNv2とCA注意を融合したYOLOv5モデルが平均適合率（Mean Average Precision、mAP）値95.4％に達し、YOLOv5モデルより3％、YOLOXモデルより1.4％向上したことを示す。毎秒フレーム数（Frames Per Second、FPS）は51に達し、産業用リアルタイム要件を満たす。他のアルゴリズムと比較して、改良YOLOv5モデルは太陽電池の微細な亀裂や破片欠陥を正確に検出でき、太陽光発電所の実際の作業環境におけるリアルタイム高精度欠陥検出の要件を満たす。

太陽電池;欠陥検出;YOLOv5;変形畳み込み;注意ネットワーク