Face au problème de faible précision des méthodes de détection des défauts des cellules solaires, un algorithme amélioré de détection des défauts de surface des cellules solaires basé sur YOLOv5s est proposé. Tout d'abord, pour résoudre le problème de détection des petits défauts sur les cellules, un réseau Transformer contextuel (CoT) est proposé, capable de fournir des informations contextuelles globales pour les petits objets, aidant le modèle à mieux prédire ces petits objets. Ensuite, l'attention CBAM est intégrée au module C3 de la partie Head, permettant de mieux capturer les canaux importants et les positions spatiales des cartes de caractéristiques en entrée, améliorant ainsi les performances et la robustesse du modèle. Ensuite, l'opérateur d'upsampling universel léger CARAFE est utilisé pour réduire la perte d'information des caractéristiques lors de l'upsampling, garantissant l'intégrité des informations. Enfin, la fonction de perte de boîte englobante WIoU est utilisée, améliorant considérablement la précision de la régression et aidant à une convergence rapide du modèle. Les résultats expérimentaux montrent que le YOLOv5s amélioré a augmenté la précision, le rappel et le mAP@0.5 de 5,5%, 4,1% et 3,3% respectivement par rapport à l'algorithme original, avec une vitesse de détection atteignant 76 FPS, répondant aux exigences de détection des défauts des cellules solaires.

cellules solaires;YOLOv5s;réseau Transformer contextuel;CARAFE;fonction de perte