В связи с проблемой низкой точности методов обнаружения дефектов солнечных элементов предложен улучшенный алгоритм обнаружения поверхностных дефектов солнечных элементов на основе YOLOv5s. Во-первых, для решения проблемы обнаружения мелких дефектов на элементах предложена контекстная сеть Transformer (CoT), которая предоставляет глобальную контекстную информацию для мелких объектов, помогая модели лучше предсказывать мелкие объекты. Во-вторых, в модуль C3 в части Head добавлено внимание CBAM, которое лучше захватывает важные каналы и пространственные позиции входной карты признаков, улучшая производительность и устойчивость модели. Затем используется легкий универсальный оператор апсемплинга CARAFE для уменьшения потерь информации признаков при апсемплинге, обеспечивая целостность информации. Наконец, использована функция потерь граничной рамки WIoU, которая значительно повышает точность регрессии и способствует быстрому сходимости модели. Экспериментальные результаты показывают, что улучшенный YOLOv5s по сравнению с исходным алгоритмом улучшил Precision, Recall и mAP@0.5 на 5,5%, 4,1% и 3,3% соответственно, а скорость обнаружения достигла 76 кадров в секунду, что удовлетворяет требованиям обнаружения дефектов солнечных элементов.

солнечные элементы;YOLOv5s;контекстная сеть Transformer;CARAFE;функция потерь