▎導 讀

太陽能作為一種可再生能源，具有儲量大、永久性、清潔無污染、可再生、就地取材等特點，在推動新能源領域特別是光伏行業(yè)的發(fā)展方面，成為了世界各國的共識。因此，快速、準確地檢測太陽能電池片缺陷成為了保障太陽能電池片生產質量和提高能源利用率的重要問題。

近日，福州大學、閩都創(chuàng)新實驗室林志賢教授團隊在《液晶與顯示》（ESCI、Scopus收錄、中文核心期刊）2024年第2期發(fā)表了題為“改進的YOLOv5s太陽能電池片缺陷檢測算法”的研究文章，并被選作當期封面文章。該文章基于YOLOv5s網(wǎng)絡對太陽能電池片進行小目標缺陷信息的提取和訓練，實現(xiàn)了對太陽能電池片小目標缺陷的檢測。

圖1：《液晶與顯示》2024年第2期封面圖

▎主干網(wǎng)絡的改進

YOLOv5s在小目標檢測方面存在效率低下的問題，主要原因是其過大的下采樣倍數(shù)以及一些池化操作導致高層次特征圖的分辨率過低。這導致在高層次特征圖上僅有極少像素用于表示具有劃痕和損壞等小缺陷的電池片，從而影響了模型的檢測能力。

針對上述問題，引入了上下文轉換模塊（Contextual Transformer block，CoT）（如圖2所示）。引入上下文編碼和動態(tài)多頭注意力機制的CoT模塊，可以有效地收集相鄰像素之間的豐富上下文信息，進而提升了對小缺陷的檢測精度。相比傳統(tǒng)的C3模塊，CoT模塊能夠更細致地感知和利用局部鄰域鍵之間的靜態(tài)上下文信息，使模型能夠更準確地定位和分類劃痕和損壞等類型的小缺陷。

圖2：上下文轉換模塊
圖源：液晶與顯示, 2024, 39(2): 237-247. Fig.1

▎CBAM注意力機制

在進行太陽能電池片缺陷檢測時往往會受到光照、污染物、溫度變化等因素的影響，造成識別率低和誤報率高的問題。為了提高檢測的準確性并降低干擾，本文將卷積注意力模塊 （Convolutional Block Attention Module，CBAM）引入到Head部分，以增強模型的特征表達能力。CBAM（如圖3所示）是一種將通道注意力（如圖4所示）與空間注意力（如圖5所示）有機結合的技術，它可以有效地提升注意力的效率，從而實現(xiàn)更高效的學習。

圖3：卷積注意力模塊
圖源：液晶與顯示, 2024, 39(2): 237-247. Fig.3

圖4：通道注意力模塊
圖源：液晶與顯示, 2024, 39(2): 237-247. Fig.4

圖5：空間注意力模塊
圖源：液晶與顯示, 2024, 39(2): 237-247. Fig.5

▎上采樣方式的改進

YOLOv5s在其特征融合網(wǎng)絡中使用了最近鄰插值來進行上采樣。然而，這種簡單的方式僅僅根據(jù)像素點的位置來確定上采樣核，未充分利用特征圖中的豐富語義信息。通過引入了CARAFE這一輕量級通用上采樣算子，具體示意圖見圖6。CARAFE算子主要包括兩個部分：上采樣核預測模塊和特征重組模塊。上采樣核預測模塊分析編碼輸入特征圖，以推斷不同位置的特征點所需的上采樣核。特征重組模塊充分利用了上采樣核預測模塊生成的上采樣核，實現(xiàn)高效的上采樣操作。相對于最近鄰插值上采樣，CARAFE算子在目標檢測任務中顯示出更好的性能，并在太陽能電池片缺陷檢測方面具有明顯優(yōu)勢。通過利用語義信息和周圍特征點的影響，CARAFE算子在上采樣過程中能夠實現(xiàn)更精確的特征重建，從而提高上采樣后特征圖的質量和表達能力。

圖6：CARAFE模塊結構
圖源：液晶與顯示, 2024,39(2):237-247. Fig.6

▎損失函數(shù)的改進

在太陽能電池片缺陷檢測任務中，YOLOv5s的損失函數(shù)包含三個部分，分別是分類損失、置信度損失和回歸損失。傳統(tǒng)的完整交并比(Complete Intersection over Union，CIoU)損失函數(shù)僅考慮了重疊區(qū)域的大小，未充分考慮邊界框的位置和形狀信息。然而，邊界框的位置和形狀信息對于太陽能電池片缺陷檢測是至關重要的。它們能夠準確描述缺陷的位置和形狀，并評估缺陷的嚴重程度。為了解決這一問題，采用了一種改進的損失函數(shù)，即加權交并比(Weighted Intersection over Union，WIoU)損失函數(shù)。WIoU損失函數(shù)在計算邊界框之間的重疊度時，考慮了邊界框的尺寸和位置信息，不僅關注重疊區(qū)域的大小，還考慮了邊界框的相對位置和形狀。這使得WIoU對邊界框的完整性更加敏感，能夠更準確地衡量預測框和真實框之間的匹配程度。

▎改進之后的網(wǎng)絡模型

基于以上描述，改進之后的YOLOv5s網(wǎng)絡結構如圖7所示。

圖7：改進的YOLOv5s網(wǎng)絡結構圖
圖源：液晶與顯示, 2024, 39(2): 237-247. Fig.7

▎實驗結果分析

總之，本研究提出的改進版YOLOv5s算法具有最佳的檢測精度和顯著的整體表現(xiàn)，從而論證了該算法的優(yōu)勢。為了更直觀地評估改進效果，在圖8中對比了改進前后的檢測結果。在圖8(a)中的第二張圖中，原始的YOLOv5s算法誤將原始標注為“scratch”的區(qū)域識別為“broken”，導致誤檢現(xiàn)象的存在。而在圖8(a)的第四張圖中，原始的YOLOv5s算法在最初標注為三個“scratch”的情況下，僅檢測到了其中兩個。通過觀察圖8(c)，可以清晰地看到，改進后的YOLOv5s算法不再存在漏檢和誤檢的問題。在PV-Multi-Defect數(shù)據(jù)集檢測任務中，本研究對YOLOv5s算法進行了改進，有效解決了原算法的漏檢和誤檢問題，同時顯著提高了對太陽能電池片表面缺陷的平均識別精度。這些結果表明，改進版YOLOv5s算法在太陽能電池片缺陷檢測領域具有極大的潛力和實際應用價值。   

圖8：改進前后檢測效果對比。(a)原圖；(b)YOLOv5s檢測效果圖；(c)改進后的YOLOv5s檢測效果圖
圖源：液晶與顯示, 2024, 39(2): 237-247. Fig.10

▎總結與展望

太陽能電池片在生產過程中難免會出現(xiàn)缺陷，這些缺陷在不同程度上影響太陽能電池片的壽命和發(fā)光效率，故太陽能電池片在生產過程中要進行缺陷檢測。該文以此作為切入點，基于YOLOv5s算法，在主干部分引入CoT模塊，以增強特征的表達能力和感受野范圍，從而更準確地捕捉太陽能電池片缺陷的細節(jié)和上下文信息。其次，將CBAM注意力加入到Head部分的C3模塊之后，能夠更好地捕捉輸入特征圖的重要通道和空間位置，提高模型的性能和魯棒性。接著，使用輕量級的通用上采樣算子CARAFE，減少上采樣過程中特征信息的損失，保證了特征信息的完整性。最后，使用WIoU作為邊界框損失函數(shù)，可以大幅提升回歸的準確性，并且有助于快速實現(xiàn)模型的收斂。實驗結果表明，改進后的模型在太陽能電池片缺陷檢測任務上表現(xiàn)出很高的性能提升，為太陽能電池片缺陷檢測提供了一種可靠且高效的解決方案。

▎論文信息

彭雪玲,林珊玲,林志賢,郭太良.改進的YOLOv5s太陽能電池片缺陷檢測算法[J]. 液晶與顯示, 2024,39(2):237-247.

https://cjlcd.lightpublishing.cn/thesisDetails#10.37188/CJLCD.2023-0249

▎通訊作者簡介

林珊玲，博士，碩士研究生導師，2020年于福州大學獲得博士學位，主要從事顯示驅動、圖像處理等方面的研究。
E-mail: sllin@fzu.edu.cn