전기발광(전기발광, EL) 조건에서 태양광 전지의 고정밀 균열 및 파편 결함 검출을 실현하기 위해 다중스케일 YOLOv5(You Only Look Once 버전 5) 모델을 실제 작업 환경에서 태양광 전지 결함 검출에 적용하였다. 먼저, 변형 가능한 합성곱 신경망(Deformable Convolutional Networks 버전 2, DCNv2)과 좌표 주의(Coordinate Attention, CA)를 융합한 개선된 특징 추출 네트워크를 제안하여 작은 목표 결함의 수용 영역을 확장하고, 소규모 결함 특징 추출을 효과적으로 강화하였다. 둘째, CA와 계층 간 연계를 경로 강화 구조에 통합한 CA-PANet(Path Aggregation Network, PANet)이라는 개선된 경로 집합 네트워크를 제안하여 얕은 층 특징을 재사용하고, 깊은 층 특징과 얕은 층 특징을 결합하여 다양한 크기 결함 특징 융합을 강화하고 결함 특징 표현 능력을 높이며 결함 검출 박스의 정확도를 향상시켰다. 경량화된 CA는 계산 비용이 낮아 모델의 실시간성을 보장한다. 실험 결과는 DCNv2 및 CA 주의를 융합한 YOLOv5 모델이 평균 정확도(mean Average Precision, mAP) 값이 95.4%에 달하며, YOLOv5 모델보다 3%, YOLOX 모델보다 1.4% 향상됨을 보여준다. 초당 프레임 수(Frames Per Second, FPS)는 51에 도달하여 산업용 실시간 요구를 충족한다. 다른 알고리즘과 비교할 때 개선된 YOLOv5 모델은 태양광 전지의 미세 균열 및 파편 결함을 정확하게 검출할 수 있어, 실제 광전지 발전소 작업 환경에서 실시간 고정밀 결함 검출 요구를 충족한다.

태양광 전지; 결함 검출; YOLOv5; 변형 합성곱; 주의 네트워크