Ante el problema de baja precisión en los métodos de detección de defectos en células solares, se propone un algoritmo mejorado de detección de defectos en la superficie de las células solares basado en YOLOv5s. Primero, para resolver el problema de detección de defectos pequeños en las células, se propone una red Transformer de contexto (CoT) que puede proporcionar información contextual global para pequeños objetivos, ayudando al modelo a predecir mejor estos pequeños objetivos. En segundo lugar, se añadió la atención CBAM al módulo C3 en la parte Head para capturar mejor los canales importantes y la ubicación espacial del mapa de características de entrada, mejorando el rendimiento y la robustez del modelo. A continuación, se utiliza el operador de sobremuestreo ligero y universal CARAFE para reducir la pérdida de información de características durante el sobremuestreo, garantizando la integridad de la información de características. Finalmente, se utiliza WIoU como función de pérdida de la caja delimitadora, mejorando significativamente la precisión de la regresión y contribuyendo a una rápida convergencia del modelo. Los resultados experimentales muestran que el YOLOv5s mejorado aumentó la Precisión, Recall y mAP@0.5 en un 5.5%, 4.1% y 3.3% respectivamente en comparación con el algoritmo original, y la velocidad de detección alcanzó los 76 FPS, cumpliendo con los requisitos de detección de defectos en células solares.

células solares;YOLOv5s;red Transformer de contexto;CARAFE;función de pérdida