Aufgrund des Problems der niedrigen Genauigkeit bei Methoden zur Fehlererkennung von Solarzellen wird ein verbessertes YOLOv5s-Algorithmus zur Oberflächenfehlererkennung von Solarzellen vorgeschlagen. Zunächst wurde zur Lösung des Problems der Erkennung kleiner Defekte an Solarzellen ein Kontext-Transformer-Netzwerk (CoT) vorgeschlagen, das globale Kontextinformationen für kleine Objekte bereitstellen kann und dem Modell hilft, kleine Objekte besser vorherzusagen. Zweitens wurde im Head-Bereich des C3-Moduls die CBAM-Aufmerksamkeit hinzugefügt, um wichtige Kanäle und räumliche Positionen der Eingabemerkmalskarte besser zu erfassen, was die Leistung und Robustheit des Modells verbessert. Anschließend wird der leichte universelle Upsampling-Operator CARAFE verwendet, um den Verlust von Merkmalsinformationen während des Upsampling-Prozesses zu reduzieren und so die Integrität der Merkmalsinformationen zu gewährleisten. Schließlich wird WIoU als Verlustfunktion für Begrenzungsrahmen verwendet, was die Genauigkeit der Regression erheblich steigert und zur schnellen Modellkonvergenz beiträgt. Experimentelle Ergebnisse zeigen, dass das verbesserte YOLOv5s im Vergleich zum ursprünglichen Algorithmus die Metriken Precision, Recall und mAP@0.5 um 5,5 %, 4,1 % bzw. 3,3 % verbessert und die Erkennungsgeschwindigkeit 76 FPS erreicht, was die Anforderungen an die Fehlererkennung von Solarzellen erfüllt.

Solarzellen;YOLOv5s;Kontext-Transformer-Netzwerk;CARAFE;Verlustfunktion