Para alcançar a detecção de alta precisão de rachaduras e defeitos por fragmentos em células solares sob condições eletroluminescentes (Electroluminescent, EL), o modelo YOLOv5 multiescala (You Only Look Once versão 5) foi utilizado para detectar defeitos em células solares em condições reais de operação. Primeiro, foi proposta uma rede aprimorada de extração de características que mescla convoluções deformáveis (Deformable Convolutional Networks versão 2, DCNv2) e atenção coordenada (Coordinate Attention, CA), ampliando o campo receptivo para defeitos de pequeno porte e reforçando efetivamente a extração de características para defeitos em pequena escala. Em segundo lugar, foi proposta uma rede de agregação de caminhos aprimorada chamada CA-PANet (Path Aggregation Network, PANet), que integra CA e conexões intercamadas na estrutura de aprimoramento de caminhos, reutilizando características rasas e combinando características profundas e rasas para fortalecer a fusão de características de defeitos em diferentes escalas, melhorando a capacidade de expressão das características de defeitos e aumentando a precisão das caixas de detecção de defeitos. O custo computacional leve da CA garante a operacionalidade em tempo real do modelo. Os resultados experimentais mostram que o modelo YOLOv5 com DCNv2 e atenção CA alcança uma média de precisão média (Mean Average Precision, mAP) de 95,4%, um aumento de 3% em relação ao modelo YOLOv5 e de 1,4% em relação ao YOLOX. A taxa de quadros por segundo (Frames Per Second, FPS) pode chegar a 51, atendendo às necessidades de tempo real da indústria. Em comparação com outros algoritmos, o modelo YOLOv5 aprimorado pode detectar com precisão microfissuras e defeitos por fragmentos em células solares, atendendo às demandas de detecção de defeitos em alta precisão e tempo real nas condições reais das usinas fotovoltaicas.

células solares; detecção de defeitos; YOLOv5; convolução deformável; rede de atenção