多尺度YOLOv5的太阳能电池缺陷检测 Multi-scale YOLOv5 for solar cell defect detection 1 first-author 陈亚芳（1998-），女，河南洛阳人，硕士研究生，2020年于重庆工商大学获得学士学位，主要从事机器视觉及目标检测方面的研究。E-mail： yafangchen@2020.cqut.edu.cn http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45717913&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45717920&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45717906&type= 22.01332855 32.00400543 陈亚芳 （1998-），女，河南洛阳人，硕士研究生，2020年于重庆工商大学获得学士学位，主要从事机器视觉及目标检测方面的研究。E-mail： yafangchen@2020.cqut.edu.cn yafangchen@2020.cqut.edu.cn 1 corresp E-mail： liaofei@cqut.edu.cn E-mail： liaofei@cqut.edu.cn 廖 飞（1982-），男，湖北利川人，实验师，硕士生导师， 2009年于重庆大学获得硕士学位，主要从事智能光电子器件及系统、宽禁带半导体材料与器件的研究。Email：liaofei@cqut.edu.cn http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45717921&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45717945&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45717922&type= 22.01332855 32.00400162 廖 飞 （1982-），男，湖北利川人，实验师，硕士生导师， 2009年于重庆大学获得硕士学位，主要从事智能光电子器件及系统、宽禁带半导体材料与器件的研究。Email： liaofei@cqut.edu.cn liaofei@cqut.edu.cn 1 2 1 龚恒翔（1971-），男，甘肃兰州人，理学博士，副高，硕士生导师， 2002年于兰州大学获得博士学位，主要研究方向金属氧化物薄膜材料制备设备、工艺与特性研究，分布式光伏新能源系统应用开发。E-mail：gonghx@cqut.edu.cn http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45717946&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45717952&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45717949&type= 22.01332474 32.00399780 龚恒翔 （1971-），男，甘肃兰州人，理学博士，副高，硕士生导师， 2002年于兰州大学获得博士学位，主要研究方向金属氧化物薄膜材料制备设备、工艺与特性研究，分布式光伏新能源系统应用开发。E-mail： gonghx@cqut.edu.cn gonghx@cqut.edu.cn 重庆理工大学 理学院，重庆 400054 重庆理工大学 理学院，重庆 400054 College of Science， Chongqing University of Technology， Chongqing 400054， China College of Science， Chongqing University of Technology， Chongqing 400054， China 四川云辰园林科技有限公司，四川 宜宾 644000 四川云辰园林科技有限公司，四川 宜宾 644000 Sichuan YC Garden Technology Co.， Ltd， Yibin 644000， China Sichuan YC Garden Technology Co.， Ltd， Yibin 644000， China 为了实现电致发光（Electroluminescent，EL）条件下太阳能电池的高精度裂纹和碎片缺陷检测，将多尺度YOLOv5（You Only Look Once version 5）模型用于真实工况下的太阳能电池缺陷检测。首先，提出一种融合可变形卷积（Deformable Convolutional Networks Version 2，DCNv2）和坐标注意力（Coordinate Attention，CA）的改进特征提取网络，拓宽小目标缺陷的感受野，有效增强小尺度缺陷特征的提取。其次，提出一种名为CA-PANet的改进路径聚合网络（Path Aggregation Network，PANet），将CA与跨层级联整合在路径增强结构中，实现浅层特征的复用，使深层特征和浅层特征结合，增强不同尺度缺陷的特征融合，提高缺陷的特征表达能力，提升缺陷检测框的准确度。轻量级CA的计算成本低，保证了模型的实时性。实验结果表明，融合DCNv2与CA注意力的YOLOv5模型平均精度均值（Mean Average Precision， mAP）值可达95.4%，较YOLOv5模型提高3%，较YOLOX模型提高1.4%。每秒帧数（Frames Per Second， FPS）可达51，满足工业实时性需求。对比其它算法，改进YOLOv5模型能精确检测到太阳能电池的微裂纹和碎片缺陷，能满足光伏电站真实工况下的实时高精度缺陷检测需求。 Herein， to realize high-precision crack and break defect detection in solar cells under electroluminescent （EL） conditions， the multi-scale You Only Look Once version 5（YOLOv5） model is used for solar-cell defect detection under real industrial conditions. First， an improved feature-extraction network combining deformable convolution version 2 （DCNv2） and coordinate attention （CA） is proposed to widen the receptive field of small target defects and enhance the extraction of small-scale defect features. Second， an improved path aggregation network （PANet）， called CA-PANet， is proposed for integrating the CA and cross-layer cascade in a path aggregation network to multiplex shallow features. Notably， the CA-PANet combines deep and shallow features to enhance the feature fusion of defects at different scales， improve the feature representation of defects， and increase the defect detection accuracy. The low computational cost of the lightweight CA ensures the real-time performance of the model. Experimental results indicate that the mean average precision（mAP） of the YOLOv5 model combining DCNv2 and CA can reach 95.4%， which is 3% higher than that of the YOLOv5 model and 1.4% higher than that of the YOLOX model. The improved YOLOv5 model can achieve a frame rate of up to 51 frames per second（FPS）， meeting industrial real-time requirements. Compared with other algorithms， the improved YOLOv5 model can accurately detect cracks and break defects in EL solar cells， satisfying the demand for real-time， high-precision defect detection under industrial conditions in photovoltaic power plants. 太阳能电池 缺陷检测 YOLOv5 可变形卷积 注意力网络 solar cells defect detection YOLOv5 deformable convolution v2 attention networks 1 引 言 1 太阳能电池因晶体结构的脆弱性的影响，运输、安装过程中极易产生裂纹。在光伏电站实际运行过程中，部分裂纹会发展为碎片缺陷。裂纹不仅严重降低发电效率和使用寿命，甚至缺陷处局部过热导致火灾事故，造成直接经济损失 ［ 1 1 ］ 。因此，为保证光伏电站安全高效运行，基于计算机视觉的自动化方法对实现太阳能电池的裂纹和碎片缺陷检测具有深刻的现实意义。太阳能电池缺陷检测主要预测EL图像中多尺度缺陷的的分类和定位信息。EL条件下的太阳能电池图像，缺陷区域转换效率低，不发光因而呈现灰黑色 ［ 2 2 ］ 。原始EL图像主要包括纯裂纹图像、纯碎片图像和混合缺陷图像三种，其中裂纹缺陷表现为具有随机尺度和纹理的线状或交叉状；碎片缺陷表现为块状黑斑，暗黑色簇状分布。主栅线与裂纹的线性特征具有相似性，多晶太阳能电池片存在的晶粒易造成伪缺陷，上述因素均使得太阳能电池缺陷自动检测极其困难。 基于计算机视觉的传统方法主要是依据人工设计的特征识别缺陷。文献［ 3 3 - 5 5 3-5 ］根据EL强度、频谱或形状、曲率、边缘灰度梯度分析缺陷特征，通过回归、分类、聚类等算法对缺陷图像进行分类。该方法大多在某一特定场景下进行识别，参数固定，普适性不高；侧重分类，忽略位置信息，且检测速度较慢。近年来，随着深度学习，尤其是卷积神经网络（Convolutional Neural Network， CNN）在图像分类 ［ 6 6 ］ 、检测 ［ 7 7 - 8 8 7-8 ］ 、分割 ［ 9 9 ］ 以及重建 ［ 10 10 ］ 任务中取得巨大成功，使用CNN开展工业化EL太阳能电池缺陷检测具有良好的发展潜力。相对传统学习方法，CNN模型通用性更广，具有更强的泛化能力，更优秀的综合性能。基于CNN的检测器可分为一阶段算法（YOLO系列 ［ 11 11 - 14 14 11-14 ］ 等）和两阶段算法（Faster RCNN ［ 7 7 ］ 等）。两阶段算法的检测精度更高，但一阶段算法的检测速度更快，更便于部署用于真实工况下的实时缺陷检测。注意力网络 ［ 15 15 - 18 18 15-18 ］ 效仿人类视觉系统，可选择增强目标特征，抑制背景干扰，适用于多晶太阳能电池的缺陷检测。Su等人 ［ 7 7 ］ 提出一种新颖的互补注意力网络（Complementary Attention Network， CAN），并将其添加到Faster RCNN算法中压缩背景噪声，聚焦空间位置信息，重点实现多晶太阳能电池裂纹的自动检测。随着网络层数的深入，小目标缺陷的特征易丢失，特征金字塔网络（Feature Pyramid Network， FPN） ［ 19 19 ］ 能够整合不同尺度的缺陷，有助于小目标的检测。在FPN基础上，自下而上的路径聚合网络（Path Aggregation Network， PANet） ［ 20 20 ］ 被提出，在较低层中使用定位信息突出特征层次结构，缩短较低层与顶层网络之间的路径。随后，Su等人 ［ 2 2 ］ 又提出一种新颖的BAF检测器，使用双向注意特征金字塔网络（Bidirectional Attention Feature Pyramid Network， BAFPN）替换Faster RCNN算法中的RPN网络，融合有效特征，提高网络鲁棒性。模型平均精度均值（mAP）较前者有提升，可达到88.07%。Sun等人 ［ 21 21 ］ 基于YOLOv5算法增加一组锚点和预测头聚焦小目标缺陷，实现太阳能电池热斑的检测。模型mAP为87.8%，每秒帧数可达98.6。 鉴于YOLOv5模型实时处理能力强，易部署，能够兼顾模型检测精度，因此基于YOLOv5算法实现太阳能电池的缺陷检测。本文针对太阳能电池的两种不同缺陷，即裂纹和碎片，提出一种改进YOLOv5模型。使用DCNv2替换主干网络的部分标准卷积，同时在特征提取网络中引入CA注意力，实现不同尺度缺陷特征的充分提取；在特征融合时，提出CA-PANet结构，采用跨层级联的方式复用浅层特征，提高小尺寸缺陷的检测能力。最后，通过消融实验和对比实验，分析本文改进模型的综合性能。实验结果表明，改进YOLOv5算法能够实现室外太阳能电池的实时高精度缺陷检测。 本文的主要贡献可归纳如下： （1）将特征提取部分的部分标准卷积替换为DCNv2，实现自适应采样，扩大小目标缺陷的感受野，减少有效特征信息的丢失；同时添加CA模块兼顾通道注意力和空间注意力，有效提取不同尺度的缺陷特征； （2）将特征融合部分的PANet结构改进为CA-PANet结构，充分利用浅层特征的位置信息，采用局部跨信息交互，使其与深层网络丰富的语义信息相结合，缩短深层网络与浅层网络特征信息互通的路径。轻量化的模块设计，以较小成本换取可观的性能提升。 （3）使用完备交并比损失函数（Complete Intersection over Union， CIOU）替换交并比损失函数（Intersection over Union， IOU），解决预测框与真实框距离过远时，不能反向传播的问题；将Mosaic数据增强和尺度变换按比例扩增数据，有效提高模型稳定性。 2 改进方法 1 YOLOv5以其速度优势方便部署在硬件设备上，能有效推进工业领域的实际应用 ［ 22 22 ］ 。YOLOv5网络架构主要由 图1 图1 中的Input， Backbone， Neck和Prediction四部分组成。Input：填充或缩放原始图像，将输入网络的图像尺寸固定为640×640×3，并归一化图像数据，转换为［0，1］区间内的浮点数。Backbone：CSPDarknet53构成YOLOv5的主干网络，由YOLOv3的Darknet53发展而来，主要通过卷积改变图像尺寸和通道数，生成不同尺度图像的特征。Neck：Neck在Backbone之后，由FPN和PANet两部分组成。该部分主要是对Backbone提取到的不同尺度特征信息进一步提取和融合。Prediction：主要对Neck融合的三个尺度信息进行分类、定位，分别预测输出目标对象的类别、置信度以及边界框位置等。 本文基于YOLOv5算法提出的改进网络模型，在原有Backbone上使用DCNv2替换部分标准卷积，并加入CA注意力机制增强网络提取特征的能力，聚焦全局重要信息；Neck部分提出CA-PANet结构，使用跨层级联和CA注意力模块，将深层语义特征与位置信息融合，充分融合特征；Prediction部分使用三个不同尺度的锚来预测大中小目标，从而实现太阳能电池不同形状和尺寸的缺陷检测。 2.1　可变形卷积模块 2 可变形卷积模块由可变形卷积层、批归一化和Hardswish激活函数组成。可变形卷积层是在标准卷积的基础上增加可学习偏移量和调制标量，能以自适应方式高效处理裂纹的密集空间变换。批归一化使每层数据分布都满足正态分布，加快模型收敛速度，避免梯度消失和梯度爆炸，防止训练过程中过拟合。激活函数使模型拟合任意非线性函数。可变形卷积模块增强网络的几何转换能力，提高裂纹缺陷的识别度。 给定3×3的卷积核，则膨胀因子为1，网格数 K 为9，每个 x 依次在9个网格位置采样。可变形卷积在标准卷积的基础上，单独添加两个卷积层，它们均与标准卷积层具有相同分辨率和膨胀因子，分别用于生成第 k 个位置的可学习偏移量和权重调制标量。其中，可学习偏移量是不限定实数，取值在［0，1］范围内。第 k 个位置预设偏移量的权重与调制标量的乘积即为第 k 个位置的最终权重。 从输入特征图分别引出两个单独的卷积层，共生成通道数为3 K 的输出特征图。如 图2 图2 所示，先在输入特征图上应用单独的卷积层生成通道数为2 K 的偏移量特征图，偏移量特征图与输入特征图大小相同，通道数2 K 对应卷积核网格数 K 的二维偏移，即 X 和 Y 方向的偏移，输出可学习偏移量。再在输入特征图上应用单独的卷积层生成通道数为 K 的调制量特征图，调制量特征图与输入特征图空间分辨率相同，通道数 K 对应卷积核网格数 K 的权重，经过sigmoid激活函数层输出权重调制标量。可学习偏移量初始值设置为0，权重调制标量初始值设置为0.5，通过双线性插值进行反向传播。 使用DCNv2卷积替换标准卷积，如 图3 图3 所示，通过引入轻量级子网络预测可学习的偏移坐标和权重调制标量来实现自适应采样，突破固有感受野狭窄的限制，提高卷积全局理解场景的能力，提升算法对裂纹的识别能力。在特征提取时提出使用可变形卷积替换部分标准卷积，拓宽小尺度缺陷的感受野，提升卷积全局理解场景的能力，实现模型对缺陷的自适应采样，增强缺陷识别能力。 2.2　坐标注意力模块 2 太阳能电池裂纹缺陷表现形式多样，沿随机方向延伸，且图像中每行裂纹像素与背景像素比例失衡，随着网络结构的深入，模型参数增加，表达能力越强，存储信息越易过载。通过引入注意力机制在计算资源有限的情况下，解决背景信息过载的问题，使网络聚焦裂纹区域，赋予裂纹区域高权重；降低背景信息的关注度，赋予背景信息低权重。针对数据集目标尺度变化大的问题，引入CA模块捕捉全局关系，增强模型对目标的精确定位能力。 CA的输入特征图大小为［ H ， W ］，通道数为 C 。如 图4 图4 所示，分别对输入特征图应用 X 方向和 Y 方向的平均池化，将平均池化后的两个 X ， Y 方向的特征图拼接，拼接后进行卷积、批归一化和ReLU6激活操作。再根据 X 和 Y 两个方向分离特征图，单独经过卷积和sigmoid激活函数，相乘输出与原特征图大小相等、通道数相同的加权特征图。 随着网络结构的深入，深层网络获得丰富的语义特征，丢失位置信息；而浅层网络拥有明确的位置信息。在特征提取与特征融合时，采用CA注意力模块在通道注意力中嵌入坐标信息，将通道注意力与空间注意力结合，使网络以较小的计算成本换取关注较大的重点区域，捕捉全局关系，建立长程依赖。使用CA注意力模块处理后的特征图，如 图5 图5 所示，能够把注意力聚焦在裂纹区域，增强裂纹的表达能力，减弱对背景中主栅线的关注度。 2.3　CA-PANet特征融合网络 2 YOLOv5在FPN中加入了自下而上的路径增强结构形成PANet结构。FPN自顶向下增强语义特征，深层的位置信息在传播过程中丢失；自下而上的路径增强结构能够补充特征金字塔网络的结构，使浅层的位置信息传递到深层语义特征，弥补了FPN结构在特征融合时导致多尺度特征表达能力下降的缺陷。为进一步增强缺陷特征的表达能力，本文在PANet的基础上引入坐标注意力模块，在通道注意力中嵌入的位置信息能够有效整合PANet深层网络的语义特征和位置信息，增强多尺度的缺陷特征表达能力。 输入图像的特征图为640×640×3，通过步长为2的卷积模块实现下采样，生成FPN网络5种不同尺度的特征图｛C1， C2， C3， C4， C5｝，如 图6 图6 所示。F5是由C5经过核为1、步长为1的卷积得到的。F5上采样得到40×40的特征图，将其与具有相同分辨率的C4沿着通道维度拼接张量生成新的特征图F4。P3特征图经过CA注意力网络层和步长为2的卷积后生成下采样的特征图。在将其与相同分辨率的F4沿通道维度拼接张量的基础上，采用跨层级联的方式，复用浅层特征，将浅层网络位置特征丰富的C4也沿通道维度拼接张量。 图7 图7 是CA-PANet的融合特征图，可以看到浅层网络具有较强的定位信息，深层网络具有较强的语义信息，两者融合能够强化深层语义特征的位置界限。CA-PANet特征融合网络缩短了浅层和深层特征之间的路径，加深长程依赖，增强深层网络位置信息的获取能力，提高缺陷的定位准确度。 3 前期准备及实验结果 1 3.1　实验配置 2 操作系统为Ubuntu18.04，GPU为NVIDIA GeForce GTX 3070。原始图像尺寸为300×300，改进YOLOv5模型的输入图像尺寸设置为640×640，开启Mosaic数据增强和尺度变换，丰富图片资源，增强识别缺陷能力。权重衰减系数设置为0.000 5，使用含动量的随机梯度下降法和WarmUp的学习率优化方法，加快收敛速度和模型稳定性。 3.2　数据集制作 2 原始图像来自EL公共数据集和从真实室外场景采集到的太阳能板图像，太阳能板图像经过畸变矫正、裁剪等操作，生成尺寸为300×300的太阳能电池片图像。从EL太阳能电池片图像中共挑选出583张缺陷电池片图像，按7∶1∶2的比例分别划出训练集、验证集和测试集。由 表1 表1 可以看出，本文将缺陷图像分为三类，即纯裂纹图像、纯碎片图像以及裂纹和碎片同时存在的图像。 注： Ck：原始缺陷图像仅包含裂纹缺陷。Bk：原始缺陷图像仅包含碎片缺陷。Ck & Bk：原始缺陷图像同时包含裂纹缺陷和碎片缺陷。 2 Dataset 3 Defective images 2 Total Ck Bk Ck&Bk Train 272 78 57 407 Valid 37 12 10 59 Test 78 24 15 117 Total 387 114 82 583 原始缺陷图像数量并不足够支撑模型的稳定性，因此采用数据扩增的方法人为增加图像数量。为保证数据的纯净度，仅对训练集缺陷图像进行如 图8 图8 所示的对比度、明亮度以及垂直翻转、水平翻转增强。增强后训练集图像共2 035张，其数据集分布如 表2 表2 所示。将划分好的数据集通过软件进行如 图9 图9 所示的类别和位置标注（彩图见期刊电子版），并生成对应的标签文件，作为模型的输入数据进行训练，图中5个蓝色标记的裂纹缺陷，2 个橙色标记的碎片缺陷。 注： Ck：原始缺陷图像仅包含裂纹缺陷。Bk：原始缺陷图像仅包含碎片缺陷。Ck & Bk：原始缺陷图像同时包含裂纹缺陷和碎片缺陷。 2 Dataset-amplified 3 Defective images 2 Total Ck Bk Ck&Bk Train 1 360 390 285 2 035 Valid 37 12 10 59 Test 78 24 15 117 Total 1 475 426 310 2 211 3.3　评估指标 2 采用平均精确率（AP）与平均精确率均值（mAP）分别评估单类与多类太阳能电池缺陷检测的性能。AP表示不同召回率下精确率的平均值，mAP表示不同类别的 AP 值的平均值，如 式（1） 式（1） 所示。模型检测速度的评估指标是FPS ［ 23 23 ］ 。IOU为预测框和真实框的交并比，作为边界框的评价指标。 <math display="block" id="M1"><mi>m</mi><mi>A</mi><mi>P</mi><mo>=</mo><mfrac><mrow><mo>∑</mo><mi>A</mi><mi>P</mi></mrow><mrow><mi>N</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718147&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718154&type= 23.53733444 9.05933285 ， <math display="block" id="M2"><mi>I</mi><mi>O</mi><mi>U</mi><mo>=</mo><mfrac><mrow><mi>b</mi><mo>⋂</mo><msup><mrow><mi>b</mi></mrow><mrow><mi>g</mi><mi>t</mi></mrow></msup></mrow><mrow><mi>b</mi><mo>⋃</mo><msup><mrow><mi>b</mi></mrow><mrow><mi>g</mi><mi>t</mi></mrow></msup></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718168&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718157&type= 22.01333237 8.55133343 ， <math display="block" id="M3"><msub><mrow><mi>L</mi></mrow><mrow><mi>I</mi><mi>O</mi><mi>U</mi></mrow></msub><mo>=</mo><mn mathvariant="normal">1</mn><mo>-</mo><mi>I</mi><mi>O</mi><mi>U</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718175&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718172&type= 25.31533241 3.72533321 . 使用IOU作为损失函数时，IOU及其损失的计算公式如 式（2） 式（2） 和 式（3） 式（3） 所示。其中， N 表示样本类别数； b 表示预测框； b gt 表示真实标注框。IOU有尺度不变性，能够反映预测效果与真实效果的关系，但当预测框与真实框不相交时，无法反映两者的距离问题，此时 L IOU 为0，没有梯度，不能反向传播。而且IOU不能准确说明预测框与真实框的重合情况。在此基础上，CIOU考虑了目标与锚框中心点的距离、重叠面积以及边界框的长宽比信息，加速边界框回归收敛，进一步提升边界框回归精度。CIOU表达式、惩罚项表达式与CIOU损失的表达式分别如式（4）~ 式（6） 式（6） 所示。惩罚项的分向量如 式（7） 式（7） 和 式（8） 式（8） 所示： <math display="block" id="M4"><mi>C</mi><mi>I</mi><mi>O</mi><mi>U</mi><mo>=</mo><mi>I</mi><mi>O</mi><mi>U</mi><mo>-</mo><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">C</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">O</mi><mi mathvariant="normal">U</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718181&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718179&type= 34.37466812 3.72533321 ， <math display="block" id="M5"><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">C</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">O</mi><mi mathvariant="normal">U</mi></mrow></msub><mo>=</mo><mfrac><mrow><msup><mrow><mi>ρ</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup><mo stretchy="false">(</mo><mi>b</mi><mo>,</mo><msup><mrow><mi>b</mi></mrow><mrow><mi>g</mi><mi>t</mi></mrow></msup><mo stretchy="false">)</mo></mrow><mrow><msup><mrow><mi>c</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mfrac><mo>+</mo><mi>α</mi><mi>v</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718166&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718185&type= 35.98332977 8.46666718 ， <math display="block" id="M6"><msub><mrow><mi>L</mi></mrow><mrow><mi mathvariant="normal">C</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">O</mi><mi mathvariant="normal">U</mi></mrow></msub><mo>=</mo><mn mathvariant="normal">1</mn><mo>-</mo><mi>I</mi><mi>O</mi><mi>U</mi><mo>+</mo><mfrac><mrow><msup><mrow><mi>ρ</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup><mo stretchy="false">(</mo><mi>b</mi><mo>,</mo><msup><mrow><mi>b</mi></mrow><mrow><mi>g</mi><mi>t</mi></mrow></msup><mo stretchy="false">)</mo></mrow><mrow><msup><mrow><mi>c</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mfrac><mo>+</mo><mi>α</mi><mi>v</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718202&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718167&type= 54.35599899 8.46666718 ， <math display="block" id="M7"><mi>α</mi><mo>=</mo><mfrac><mrow><mi>v</mi></mrow><mrow><mo stretchy="false">(</mo><mn mathvariant="normal">1</mn><mo>-</mo><mi>I</mi><mi>O</mi><mi>U</mi><mo stretchy="false">)</mo><mo>+</mo><mi>v</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718217&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718206&type= 30.81866837 8.63599968 ， <math display="block" id="M8"><mi>v</mi><mo>=</mo><mfrac><mrow><mn mathvariant="normal">4</mn></mrow><mrow><msup><mrow><mi>π</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mfrac><msup><mrow><mfenced separators="|"><mrow><mi mathvariant="normal">a</mi><mi mathvariant="normal">r</mi><mi mathvariant="normal">c</mi><mi mathvariant="normal">t</mi><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mfrac><mrow><msup><mrow><mi>w</mi></mrow><mrow><mi>g</mi><mi>t</mi></mrow></msup></mrow><mrow><msup><mrow><mi>h</mi></mrow><mrow><mi>g</mi><mi>t</mi></mrow></msup></mrow></mfrac><mo>-</mo><mi mathvariant="normal">a</mi><mi mathvariant="normal">r</mi><mi mathvariant="normal">c</mi><mi mathvariant="normal">t</mi><mi mathvariant="normal">a</mi><mi mathvariant="normal">n</mi><mfrac><mrow><mi>w</mi></mrow><mrow><mi>h</mi></mrow></mfrac></mrow></mfenced></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718211&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718208&type= 49.44533539 10.41399956 ， 其中： R CIOU 是惩罚项， <math id="M9"><msup><mrow><mi>ρ</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup><mo stretchy="false">(</mo><mi>b</mi><mo>,</mo><msup><mrow><mi>b</mi></mrow><mrow><mi>g</mi><mi>t</mi></mrow></msup><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718223&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718231&type= 14.05466747 4.14866638 表示预测框与真实框中心点的欧氏距离。 <math id="M10"><mi>c</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718226&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718236&type= 1.52400005 2.79399991 是预测框与真实框最小外接矩形的对角线距离。 <math id="M11"><mi>α</mi><mi>v</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718247&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718259&type= 3.72533321 2.79399991 表示影响因子，反映预测框长宽比与真实框长宽比的拟合度。 <math id="M12"><mi>α</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718252&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718249&type= 1.94733346 2.79399991 表示权重向量， <math id="M13"><mi>v</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718268&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718265&type= 1.86266661 2.79399991 表示边界框长宽比是否具有一致性。 <math id="M14"><mi>w</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718277&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718271&type= 2.96333337 2.79399991 与 <math id="M15"><mi>h</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718284&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718280&type= 1.94733346 2.79399991 分别是预测框的宽与高， <math id="M16"><msup><mrow><mi>w</mi></mrow><mrow><mi>g</mi><mi>t</mi></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718298&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718295&type= 4.65666676 3.04800010 与 <math id="M17"><msup><mrow><mi>h</mi></mrow><mrow><mi>g</mi><mi>t</mi></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718311&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=45718305&type= 3.64066648 3.04800010 分别是真实标注框的宽与高。 3.4　实验结果及分析 2 改进前YOLOv5与改进后YOLOv5的单类缺陷AP值和整体mAP值对比如 图10 图10 所示。改进前YOLOv5算法预测碎片缺陷的AP值为97.1%，裂纹的AP值为87.7%，两类缺陷的mAP值为92.4%。改进后的YOLOv5算法预测碎片缺陷的AP值为99.1%，提升2%；裂纹的AP值为91.7%，提升4%；两类缺陷的mAP值为95.4%，提升3%。从数据结果来看，使用DCNv2，CA以及跨层级联模块改进的YOLOv5算法提高了裂纹和碎片缺陷的检测精度。 3 . 4 . 1　消融实验 3 为了验证改进模块对整体结构的影响，通过控制变量分别对DCNv2，CA以及跨层级联模块进行验证，如 表3 表3 所示。相对于原始YOLOv5算法，使用DCNv2替换部分标准卷积，采样栅格自由变形，能有效增强卷积的几何转换能力，提升算法对裂纹的识别能力。在部分卷积层后添加CA注意力模块，将位置信息嵌入到通道注意力中，提高位置信息的重要性，建立长程依赖关系，以较小的计算成本使算法集中注意在缺陷区域。单独添加跨层级联时，精度反而下降；但将其与CA注意力模块结合使用，其精度较原始YOLOv5算法和CA-YOLOv5均有所提升。从表中可以看到，将DCNv2，CA以及跨层级联结合形成的改进YOLOv5算法，比原始YOLOv5算法的精度提升3%，同时保证了算法的实时性。表中数据表明，所提方法的模块均对模型有提升效果，且同时使用效果优于单独使用效果。 2 Baseline 3 Improved Strategy 2 GFLOPs 2 Parameters/M 2 FPS 2 mAP@0.5 DCNv2 CA Cross-level Concat 5 YOLOv5-s - - - 15.8 7.02 111 0.924 √ 16.0 7.11 66 0.933 √ 15.9 7.06 78 0.936 √ 16.0 7.08 109 0.915 √ √ 16.1 7.13 75 0.939 Ours √ √ √ 16.3 7.22 51 0.954 为进一步验证各模块对检测效果的影响，使用同一数据集的图像对不同改进模块进行验证，直观感受不同模块的作用。从 图11 图11 可以看到，单独使用DCNv2模块能提高模型对裂纹的识别能力，改善裂纹漏检情况。单独添加CA模块增强对缺陷的理解深度，提高缺陷的置信度。同时使用DCNv2模块、CA模块和跨层级联模块的改进模型，在提高缺陷关注度的同时，能够更精准地定位缺陷位置，其图像检测效果优于单独使用各模块的检测效果。 3 . 4 . 2　对比实验 3 为了分析模型的性能，将改进YOLOv5模型与单阶段检测器YOLOv5，YOLOX模型进行对比分析，以客观评价改进YOLOv5模型的优越性。为保证实验结果的公平性，使用同一数据集在同一硬件设备上进行论证，实验数据如 表4 表4 所示。YOLOv5算法的mAP为92.4%，YOLOX算法mAP值为94%，改进后的YOLOv5算法较YOLOv5算法mAP值提升3%。对比YOLOX算法，改进后的YOLOv5算法浮点计算数降低38.8%；参数量减少19.2%；权重文件大小减少80%，模型更小，方便部署；mAP值提升1.4%，检测效果更准确；检测帧数相当，满足光伏电站实时性检测需求 ［ 24 24 ］ 。 Model GFLOPs Parameters/M Weights/M FPS mAP@0.5 YOLOv5-s 15.8 7.02 14.46 111 0.924 YOLOX-s 26.6 8.94 71.85 53 0.940 Ours 16.3 7.22 14.89 51 0.954 YOLOv5模型，YOLOX模型与改进后的YOLOv5模型针对相同太阳能电池片缺陷图像的检测效果如 图12 图12 所示。YOLOv5模型存在漏检情况，且边界框回归不够准确。YOLOX模型在YOLOv5模型的基础上，改善部分漏检情况，边界框相对更准确，但存在缺陷误检。改进后的YOLOv5模型比YOLOX模型能更有效改善小尺寸裂纹的漏检问题，且边界框定位更准确。 3 . 4 . 3　常见缺陷图像检测结果分析 3 消融实验和对比实验的实验结果均表明，改进后的YOLOv5模型能准确检测太阳能单/多晶电池的不同形状、不同尺寸的裂纹和碎片缺陷。 图13 图13 是改进YOLOv5模型的常见缺陷检测结果，该算法不仅能够检测到微裂纹，而且缺陷边框回归准确度高。 4 结 论 1 本文提出的改进YOLOv5算法能完成太阳能电池的实时高精度缺陷检测。提出融合DCNv2和CA注意力的特征提取网络，能有效防止深层特征提取网络的细节信息丢失，增大小目标的感受野，增强算法对小尺寸裂纹缺陷的识别。提出CA-PANet改进多尺度特征融合网络，促进不同尺度特征的整合，增强深层网络的空间位置信息，提升边界框回归准确度。在同一数据集的实验结果表明，改进YOLOv5算法的mAP值优于其他算法，达到95.4%，较YOLOv5算法提升3%，较YOLOX算法提升1.4%，具有更好的检测精度。改进算法每秒帧数为51，与YOLOX持平，完全满足室外实时检测需求。本文改进YOLOv5算法的权重文件大小仅为14.89M，方便部署，下一步计划把改进算法部署在128核Maxwell GPU上，结合无人机进行光伏电站实地的裂纹和碎片检测。 参考文献 ÁHHERRAIZ ， MARUGÁN AP ， MÁRQUEZ FP . Photovoltaic plant condition monitoring using thermal images analysis by convolutional neural network-based structure ［J］. Renewable Energy ， 2020 ， 153 ： 334 - 348 . doi: 10.1016/j.renene.2020.01.148 http://dx.doi.org/10.1016/j.renene.2020.01.148 Photovoltaic plant condition monitoring using thermal images analysis by convolutional neural network-based structure SU B Y ， CHEN H Y ， ZHOU Z . BAF-detector： an efficient CNN-based detector for photovoltaic cell defect detection ［J］. IEEE Transactions on Industrial Electronics ， 2022 ， 69 （ 3 ）： 3161 - 3171 . doi: 10.1109/tie.2021.3070507 http://dx.doi.org/10.1109/tie.2021.3070507 BAF-detector： an efficient CNN-based detector for photovoltaic cell defect detection Chen H ， Zhao H ， Han D ， et al . Structure-aware-based crack defect detection for multicrystalline solar cells ［J］. Measurement ， 2020 ， 151 ： 107170 . doi: 10.1016/j.measurement.2019.107170 http://dx.doi.org/10.1016/j.measurement.2019.107170 Structure-aware-based crack defect detection for multicrystalline solar cells 陶志勇 ， 于子佳 ， 林森 . PSO_SVM算法在太阳能电池板裂缝缺陷检测研究 ［J］. 电子测量与仪器学报 ， 2021 ， 35 （ 1 ）： 18 - 25 . PSO_SVM算法在太阳能电池板裂缝缺陷检测研究 TAO Z Y ， YU Z J ， LIN S . Research on crack defect detection of solar cell based on PSO_SVM ［J］. Journal of Electronic Measurement and Instrumentation ， 2021 ， 35 （ 1 ）： 18 - 25 . （in Chinese） Research on crack defect detection of solar cell based on PSO_SVM RODRIGUEZ A ， GONZALEZ C ， FERNANDEZ A ， et al . Automatic solar cell diagnosis and treatment ［J］. Journal of Intelligent Manufacturing ， 2021 ， 32 （ 4 ）： 1163 - 1172 . doi: 10.1007/s10845-020-01642-6 http://dx.doi.org/10.1007/s10845-020-01642-6 Automatic solar cell diagnosis and treatment AKRAM MW ， LI G ， JIN Y ， et al . CNN based automatic detection of photovoltaic cell defects in electroluminescence images ［J］. Energy ， 2019 ， 189 ： 116319 . doi: 10.1016/j.energy.2019.116319 http://dx.doi.org/10.1016/j.energy.2019.116319 CNN based automatic detection of photovoltaic cell defects in electroluminescence images SU B Y ， CHEN H Y ， CHEN P ， et al . Deep learning-based solar-cell manufacturing defect detection with complementary attention network ［J］. IEEE Transactions on Industrial Informatics ， 2021 ， 17 （ 6 ）： 4084 - 4095 . doi: 10.1109/tii.2020.3008021 http://dx.doi.org/10.1109/tii.2020.3008021 Deep learning-based solar-cell manufacturing defect detection with complementary attention network ZHANG X ， HAO Y ， SHANGGUAN H ， et al . Detection of surface defects on solar cells by fusing Multi-channel convolution neural networks ［J］. Infrared Physics & Technology ， 2020 ， 108 ： 103334 . doi: 10.1016/j.infrared.2020.103334 http://dx.doi.org/10.1016/j.infrared.2020.103334 Detection of surface defects on solar cells by fusing Multi-channel convolution neural networks NAKAZAWA T ， KULKARNI D V . Anomaly detection and segmentation for wafer defect patterns using deep convolutional encoder-decoder neural network architectures in semiconductor manufacturing ［J］. IEEE Transactions on Semiconductor Manufacturing ， 2019 ， 32 （ 2 ）： 250 - 256 . doi: 10.1109/tsm.2019.2897690 http://dx.doi.org/10.1109/tsm.2019.2897690 Anomaly detection and segmentation for wafer defect patterns using deep convolutional encoder-decoder neural network architectures in semiconductor manufacturing SU B Y ， YU L ， YANG W . Event-Based High Frame-Rate Video Reconstruction with A Novel Cycle-Event Network ［C］. 2020 IEEE International Conference on Image Processing （ICIP） . 25 - 28 ， 2020， Abu Dhabi， United Arab Emirates. IEEE ， 2020： 86 - 90 . doi: 10.1109/icip40778.2020.9191114 http://dx.doi.org/10.1109/icip40778.2020.9191114 Event-Based High Frame-Rate Video Reconstruction with A Novel Cycle-Event Network 王宸 ， 张秀峰 ， 刘超 ， 等 . 改进YOLOv3的轮毂焊缝缺陷检测 ［J］. 光学 精密工程 ， 2021 ， 29 （ 8 ）： 1942 - 1954 . doi: 10.37188/OPE.20212908.1942 http://dx.doi.org/10.37188/OPE.20212908.1942 改进YOLOv3的轮毂焊缝缺陷检测 WANG C ， ZHANG X F ， LIU C ， et al . Detection method of wheel hub weld defects based on the improved YOLOv3 ［J］. Opt. Precision Eng. ， 2021 ， 29 （ 8 ）： 1942 - 1954 . （in Chinese） . doi: 10.37188/OPE.20212908.1942 http://dx.doi.org/10.37188/OPE.20212908.1942 Detection method of wheel hub weld defects based on the improved YOLOv3 朱威 ， 王立凯 ， 靳作宝 ， 等 . 引入注意力机制的轻量级小目标检测网络 ［J］. 光学 精密工程 ， 2022 ， 30 （ 8 ）： 998 - 1010 . doi: 10.37188/OPE.20223008.0998 http://dx.doi.org/10.37188/OPE.20223008.0998 引入注意力机制的轻量级小目标检测网络 ZHU W ， WANG L K ， JIN Z B ， et al . Lightweight small object detection network with attention mechanism ［J］. Opt. Precision Eng. ， 2022 ， 30 （ 8 ）： 998 - 1010 . （in Chinese） . doi: 10.37188/OPE.20223008.0998 http://dx.doi.org/10.37188/OPE.20223008.0998 Lightweight small object detection network with attention mechanism 郭峰 ， 朱启兵 ， 黄敏 ， 等 . 基于改进YOLOV4的陶瓷基板瑕疵检测 ［J］. 光学 精密工程 ， 2022 ， 30 （ 13 ）： 1631 - 1641 . doi: 10.37188/OPE.20223013.1631 http://dx.doi.org/10.37188/OPE.20223013.1631 基于改进YOLOV4的陶瓷基板瑕疵检测 GUO F ， ZHU Q B ， HUANG M ， et al . Defect detection of ceramic substrate based on improved YOLOV4 ［J］. Opt. Precision Eng. ， 2022 ， 30 （ 13 ）： 1631 - 1641 . （in Chinese） . doi: 10.37188/OPE.20223013.1631 http://dx.doi.org/10.37188/OPE.20223013.1631 Defect detection of ceramic substrate based on improved YOLOV4 GE Z ， LIU S ， WANG F ， et al . YOLOX： Exceeding YOLO Series in 2021 ［EB/OL］. 2021 ： arXiv ： 2107 . 08430 . https：//arxiv.org/abs/2107.08430 https://arxiv.org/abs/2107.08430 YOLOX： Exceeding YOLO Series in 2021 GUO M H ， XU T X ， LIU J J ， et al . Attention mechanisms in computer vision： a survey ［J］. Computational Visual Media ， 2022 ， 8 （ 3 ）： 331 - 368 . doi: 10.1007/s41095-022-0271-y http://dx.doi.org/10.1007/s41095-022-0271-y Attention mechanisms in computer vision： a survey DAI J F ， QI H Z ， XIONG Y W ， et al . Deformable Convolutional Networks ［C］. 2017 IEEE International Conference on Computer Vision （ICCV） . 22 - 29 ， 2017， Venice， Italy. IEEE ， 2017： 764 - 773 . doi: 10.1109/iccv.2017.89 http://dx.doi.org/10.1109/iccv.2017.89 Deformable Convolutional Networks ZHU X Z ， HU H ， LIN S ， et al . Deformable ConvNets V2： More Deformable， Better Results ［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . 15 - 20 ， 2019， Long Beach， CA， USA. IEEE ， 2020： 9300 - 9308 . doi: 10.1109/cvpr.2019.00953 http://dx.doi.org/10.1109/cvpr.2019.00953 Deformable ConvNets V2： More Deformable， Better Results HOU Q B ， ZHOU D Q ， FENG J S . Coordinate Attention for Efficient Mobile Network Design ［C］. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . 20 - 25 ， 2021， Nashville， TN， USA. IEEE ， 2021： 13708 - 13717 . doi: 10.1109/cvpr46437.2021.01350 http://dx.doi.org/10.1109/cvpr46437.2021.01350 Coordinate Attention for Efficient Mobile Network Design JUMABOEV S ， JURAKUZIEV D ， LEE M . Photovoltaics plant fault detection using deep learning techniques ［J］. Remote Sensing ， 2022 ， 14 （ 15 ）： 3728 . doi: 10.3390/rs14153728 http://dx.doi.org/10.3390/rs14153728 Photovoltaics plant fault detection using deep learning techniques 李经宇 ， 杨静 ， 孔斌 ， 等 . 基于注意力机制的多尺度车辆行人检测算法 ［J］. 光学 精密工程 ， 2021 ， 29 （ 6 ）： 1448 - 1458 . doi: 10.37188/OPE.20212906.1448 http://dx.doi.org/10.37188/OPE.20212906.1448 基于注意力机制的多尺度车辆行人检测算法 LI J Y ， YANG J ， KONG B ， et al . Multi-scale vehicle and pedestrian detection algorithm based on attention mechanism ［J］. Opt. Precision Eng. ， 2021 ， 29 （ 6 ）： 1448 - 1458 . （in Chinese） . doi: 10.37188/OPE.20212906.1448 http://dx.doi.org/10.37188/OPE.20212906.1448 Multi-scale vehicle and pedestrian detection algorithm based on attention mechanism SUN T ， XING H ， CAO S ， et al . A novel detection method for hot spots of photovoltaic （PV） panels using improved anchors and prediction heads of YOLOv5 network ［J］. Energy Reports ， 2022 ， 8 ： 1219 - 1229 . doi: 10.1016/j.egyr.2022.08.130 http://dx.doi.org/10.1016/j.egyr.2022.08.130 A novel detection method for hot spots of photovoltaic （PV） panels using improved anchors and prediction heads of YOLOv5 network 何自芬 ， 陈光晨 ， 王森 ， 等 . 融合自注意力特征嵌入的夜间机场跑道异物入侵检测 ［J］. 光学 精密工程 ， 2022 ， 30 （ 13 ）： 1591 - 1605 . doi: 10.37188/OPE.20223013.1591 http://dx.doi.org/10.37188/OPE.20223013.1591 融合自注意力特征嵌入的夜间机场跑道异物入侵检测 HE Z F ， CHEN G CH ， WANG S ， et al . Detection of foreign object debris on night airport runway fusion with self-attentional feature embedding ［J］. Opt. Precision Eng. ， 2022 ， 30 （ 13 ）： 1591 - 1605 . （in Chinese） . doi: 10.37188/OPE.20223013.1591 http://dx.doi.org/10.37188/OPE.20223013.1591 Detection of foreign object debris on night airport runway fusion with self-attentional feature embedding WANG C Y ， BOCHKOVSKIY A ， LIAO H Y M . YOLOv7： Trainable Bag-Of-Freebies Sets New State-Of-The-Art For Real-Time Object Detectors ［EB/OL］. 2022 ： arXiv ： 2207 . 02696 . https：//arxiv.org/abs/2207.02696 https://arxiv.org/abs/2207.02696 YOLOv7： Trainable Bag-Of-Freebies Sets New State-Of-The-Art For Real-Time Object Detectors 中国光伏行业协会 . 中国光伏行业协会标准 ［EB/OL］. （ 2020-08-14 ）［ 2022-11-10 ］. http：//www.chinapv.org.cn/standard_list/772.html http://www.chinapv.org.cn/standard_list/772.html . 中国光伏行业协会标准 CPIA . China Photovoltaic Industry Association Standards ［EB/OL］. （ 2020-08-14 ）［ 2022-11-10 ］. http：//www.chinapv.org.cn/standard_list/772.html. http://www.chinapv.org.cn/standard_list/772.html. （in Chinese） China Photovoltaic Industry Association Standards 10.37188/OPE.20233112.1804 TP394.1 TH691.9 A 1004-924X（2023）12-1804-12 陈亚芳,廖飞,黄新宇等.多尺度YOLOv5的太阳能电池缺陷检测[J].光学精密工程,2023,31(12):1804-1815. 陈亚芳,廖飞,黄新宇等.多尺度YOLOv5的太阳能电池缺陷检测[J].光学精密工程,2023,31(12):1804-1815. CHEN Yafang,LIAO Fei,HUANY Xinyu,et al.Multi-scale YOLOv5 for solar cell defect detection[J].Optics and Precision Engineering,2023,31(12):1804-1815. CHEN Yafang,LIAO Fei,HUANY Xinyu,et al.Multi-scale YOLOv5 for solar cell defect detection[J].Optics and Precision Engineering,2023,31(12):1804-1815. 四川省科技计划重点研发项目资助（No.2020YFN0004）；重庆理工大学研究生创新项目资助（No.CLGYCX20203149） 2022-09-09 2022-11-09 2023-06-25 2023-07-17 39074250 光学精密工程 12 31