光伏发电具有无污染，可再生等优秀特质，被广泛应用于各种工业、生活场景中。光伏组件的工作状态将直接影响发电效率，由于生产、运输过程中的损坏，光伏组件不可避免的会产生一些缺陷，如裂纹、穿孔、断栅、隐裂、黑芯等，这些缺陷会导致组件的光伏转换效率降低，使用寿命缩短，甚至可能导致电路板短路，产生安全隐患。因此研究光伏组件的缺陷检测方法是提高光伏发电可靠性和稳定性的关键，对促进光伏能源的发展具有重要意义。

实验采用电致发光(EL)成像技术采集的光伏电池缺陷图像。EL光学成像技术可以有效的识别光伏电池片缺陷[1]。但是光伏电池EL图像仍存在数据不平衡、缺陷与背景耦合、缺陷尺寸不一致问题，给缺陷检测造成严重影响。

YOLO系列网络因其综合性能较好，成为目标检测领域广泛使用的框架[2]。李翔等[3]在YOLOv3算法中加入空间注意力探测头，降低了冗余预测框的数量，减少了计算量。唐政等[4]在YOLOv4算法的主干网络中加入密集块和非极大值抑制算法，提高了模型检测精准度和检测速度。

目前，部分现有的检测算法对于解决EL图像的缺陷和背景耦合，提高微小缺陷的检测精度上存在一定的局限性。YOLOv5算法在以往YOLO版本成功的基础上引入新的功能和改进，进一步提高了模型结构的灵活性和检测精度。程松等[5]在YOLOv5中加入不同的损失函数，提升算法的检测精度。吕志轩等[6]为了提高小目标检测精度，在YOLOX的基础上加入分支注意力模块，分别提取空间和通道层面的关键信息，提高了分类和定位任务的准确率。

根据电池片缺陷特征选择边界均衡对抗生成网络(BEGAN)并对其进行调整，生成对抗网络采用真实电池片图像数据进行训练，生成高分辨率且具备多样性缺陷的图像数据。选择YOLOv5目标检测算法，结合光伏电池片缺陷特征对其进行改进，生成的图像数据输入改进的目标检测网络，可以改善因数据量少而导致检测准确率低下的情况，更加适合解决复杂背景下的光伏组件缺陷检测问题，且运行速度能够满足工业检测的实时性要求，对研究缺陷对光伏组件性能的影响具有较高的实用价值。

1、对抗网络BEGAN

由于电池片缺陷不会大量产生，而数据量少可能会导致检测准确率低下的情况，针对上述问题，选择边界均衡对抗生成网络(BEGAN),BEGAN是一种新的评价生成器质量的方法[7]。

传统的GAN[8]及其派生都是希望生成器生成的数据分布尽可能的接近真实数据的发布，当生成数据分布等同于真实数据分布时，即生成器G经训练可以生成和真实数据分布相同的样本。BEGAN代替了这种估计概率分布方法，不去估计生成分布与真实分布的差距，而是估计分布的误差的分布之间的差距。

如果分布的误差很接近，那么分布肯定相差不远。其损失函数：

根据中心极限定理，像素的误差近似满足正态分布，那就是说L(v)和L′(v)分别是μ1=N(m1;C1)和μ2=N(m2;C2)的正态分布，满足条件只要式(2)等于常数或单调递增。

那么根据Wasserstein公式，两个正态分布μ1、μ2的距离可以简化为：

此时给GAN分配任务，令D不断最大化m2,最小化m1,而G则不断最小化m2,当m2接近m1的时候，可认为GAN完成了训练，即估计误差的分布而不是直接估计分布去拟合GAN。其网络结构如图1所示。

图1 BEGAN网络结构简图

理想情况下m1=m2时，GAN完成的训练效果最好，即：

E[L(x)]=E[L(G(z))] (4)

分布的期望相等，那就是G产生的图片和真实图像分布相同。在m1=m2条件下，式(2)趋近于无穷，为了解决这个问题，向网络中引入一个超参数Y:

有了这个限制，避免了m1=m2的情况，相当于一个边界将均衡条件限制住了，即名称中边界均衡的含义。此超参数Y的取值范围在[0,1]之间，可以在图像的多样性和生成质量之间做均衡，经过多次调整后得到最优的生成缺陷图像[9]。

图2 生成缺陷图片

图2上半部分两张是缺陷原图，下半部分是BEGAN生成的缺陷图，可以看到生成的图片缺陷更明显，即达到数据增强的效果。结论，BEGAN网络收敛速度快、震荡小，生成的缺陷图像满足YOLOv5算法检测要求。

2、YOLOv5算法

YOLOv5是一种单一阶段的目标检测算法[10],根据网络宽度和深度分为s、m、l、x四种网络基本结构模型架构大小和参数个数依次增加，特征提取能力也逐渐提高，推理速度逐渐减慢。由于光伏组件缺陷检测任务对检测精度和速度都有较高的要求，故选择YOLOv5作为基础网络结构，基于检测任务的需求设计一种针对光伏缺陷检测的改进YOLOv5算法。

YOLOv5网络(图3)由输入端(Input)、基准网络(Backbone)、颈部网络(Neck)、输出层(Prediction)四部分组成。输入端表示输入的图片。该网络的输入图像大小为608*608,该阶段通常包含一个图像预处理阶段，即将输入图像缩放到网络的输入大小，并进行归一化等操作。在网络训练阶段，YOLOv5使用Mosaic数据增强操作提升模型的训练速度和网络的精度，并提出了一种自适应描框计算与自适应图片缩放方法；基准网络通常是一些性能优异的分类器，该模块用来提取一些通用的特征表示。YOLOv5中不仅使用了CSPDarknet53结构，而且使用了Focus结构作为基准网络；Neck网络通常位于基准网络和头部网络的中间位置，可以进一步提升特征的多样性以及鲁棒性；输出端用来完成目标检测结果的输出。针对不同的检测算法，输出端的分支个数不尽相同，通常包含一个分类分支和一个回归分支，YOLOv4开始利用GIOU_Loss[11]来代替Smooth L1 Loss函数，从而进一步提升算法的检测精度。

图3 YOLOv5网络结构

CBL模块由Conv+BN+Leaky_relu[12]激活函数组成；Res unint借鉴ResNet网络中的残差结构，用来构建深层网络，CBM是残差模块中的子模块；CSP1_X借鉴CSPNet网络结构，该模块由CBL模块、Res unint模块以及卷积层、Concate组成；CSP2_X借鉴CSPNet网络结构，该模块由卷积层和X个Res unint模块Concat组成；Focus结构首先将多个slice结果Concat起来，然后将其送入CBL模块中；SPP采用1×1、5×5、9×9的最大池化方式，进行多尺度特征融合。

YOLOv5算法在YOLOv4的基础上添加了一些新的改进思路，使得其速度和精度都得到了极大的性能提升。

3、改进的YOLOv5算法

3.1 多尺度特征融合网络

卷积神经网络的不同层次能够提取到不同层次的图像特征，网络提取到的浅层特征主要反映图像明暗、边缘等细节，而网络提取到的深层特征则反映更加丰富的图像整体结构。

经典的Neck(图4)即从backbone中提取高层金字塔特征直接预测，但是这个结构没有进行特征融合所有精度都比较低；基于特征融合思想的FPN,建立了一条自下而上的通路，进行特征融合，用融合后的具有更高语义信息的feature map进行预测[13],可以提高一定的精度。但是经过研究发现这种自顶向下的FPN网络受到单向信息流的限制，精度还是不行(YOLOv3中使用);传统YOLOv5的Neck采用的便是近年来使用最多的PANet[14],它是在FPN的基础上再建立一条自下而上的通路，因为高层的feature map具有更强的语义信息(有利于物体分类),底层的feature map具有更强的位置信息(有利于物体定位),再新建一条从下而上的通路，将位置信息也传到预测feature map中，使得预测feature map同时具备较高的语义信息和位置信息(有利于目标检测)。

图4 传统Neck

近几年提出的NAS-FPN结构使用的是近几年比较热门的neural architecture search(NAS)技术搜索最佳的网络结构。虽然这种结构的效果很好，但是搜索得到的网络不规则、难以解释和修改，而且使用NAS技术非常耗时耗力，所以并不推荐。

针对上述问题，采用一种简单高效的加权双向特征金字塔网络(BiFPN)[15],通过融合不同层次的特征信息来提高检测精度。

图5 新型Neck结构

图5b灰色部分为自顶向下的通路，传递的是高层特征的语义信息；深灰色部分是自底向上的通路，传递的是低层特征的位置信息；浅灰色部分是上述第二点提到的同一层在输入节点和输出节点间新加的一条边。计算表达式为：

引入可学习的权重来学习不同输入特征层的重要性，同时重复应用自顶向下和自底向上的多尺度特征融合。并且当原始输入节点和输出节点处于同一层时，添加额外的跨层拼接，以融合更多的缺陷特征，从而减少光伏组件复杂背景的干扰。

3.2 新增小目标检测头

YOLOv5的预测层将多尺度特征融合后的特征图按照32、16和8倍下采样分为3个检测头，分别对应大、中、小目标检测。由于光伏组件中缺陷尺寸分布不均匀，并且尺寸主要集中在中、小目标。小目标在经过多次下采样之后容易造成特征信息丢失，本题在YOLOv5基础上增加一个经过4倍下采样得到小目标检测头，使用高分辨率的特征图，提高小目标的检测精度，使模型对小目标更敏感，从而加强了模型的检测能力，降低了小目标缺陷的漏检、误检率。

4、实验结果与分析

4.1 数据集构建

采用的光伏电池片(图6)数据集来源自某公司，以Topcon作为主要的光伏电池片生产工艺，其隧穿氧化层能够减少对太阳光的反射率，提高电池片的光电转换效率。

图6 光伏电池片实物

图7 部分缺陷展示

原始数据详细信息如表1所示，十字隐裂缺陷仅有117张，条形隐裂有55张，隐裂缺陷形态多样，尺度变化大；油污分布广，特征不明显。对于微小微弱的缺陷目标如黑点42张、油污97张，硅片上的各种不规则纹理会对检测造成极大的困难；24张穿孔缺陷周围会产生电池片塌陷、裂纹等，而孔洞位置不明显，常常被识别为其他缺陷；隐裂缺陷存在内类不平衡，大尺度缺陷数量稀少等现象。

表1 原始数据集

针对以上缺陷的问题选择使用BEGAN对抗网络生成样本丰富、特征明显的缺陷电池片。为解决隐裂缺陷特征不明显的问题，通过BEGAN生成隐裂缺陷，最终将十字隐裂缺陷扩充至585张，条形隐裂493张，如表2所示。对于穿孔缺陷，通过数据增强放大其缺陷特征，扩充至390张。使用Labeling标注软件对每类缺陷进行标注。按照6.5∶1∶1的比例划分训练集、测试集和验证集。

表2 增强后数据集

4.2 实验配置和参数

本实验采用的操作系统为Windows10,CPU型号为Intel(R) Core(TM) i5-10500,GPU型号为NVIDIAQuadroM2000,显存为4 GB,使用深度学习框架为PyTorch1.10.0。

模型训练参数如表3所示，缺陷电池片原图尺寸1024×1024,经过Mosaic数据处理后，输入图像尺寸为608×608,采用余弦退火学习率调整算法，根据准确率和召回率动态增加迭代次数。机器学习中，模型的泛化能力是其工作性能的一个重要指标，调整模型的超参数可以改善模型的性能和泛化能力，提高运算效率，包括模型训练的学习率、批次大小、层的数量和大小。针对模型的欠拟合或过拟合，可以通过调整数据集，增加主要特征的样本数量或增加其他特征的样本数解决。

表3 训练参数

4.3 实验结果评价指标

为了准确评估模型对缺陷的检测性能，本实验采用以下评价指标：

混淆矩阵(confusion matrix)模型检测性能的图示化表达，如表4所示。

表4 混淆矩阵

由多个指标衡量一个模型的检测性能，往往不够直观，因此设置F1分数作为最终测评的方法，它是准确率和召回率的调和平均数，其值从0～1,越接近1效果越好。

平均精度mAP(mean Average Precision),mAP@0.5表示IoU设为0.5时的平均精度，mAP@0.5∶0.95表示IoU从0.5～0.95,步长为0.05时的平均精度。

4.4 BEGAN数据增强效果

为验证BEGAN对抗网络生成的缺陷图片检测效果，分别使用扩充前后的数据集进行训练，实现效果如表5所示。

表5 数据增强效果对比

实验证明，使用BEGAN数据增强后，模型整体的性能有较明显的提升，检测的准确率和召回率分别提升了2.05%和0.29%,其中条形隐裂、十字隐裂和穿孔的检测效果均提升了超过5%,数据增强效果明显。结论，BEGAN数据增强综合提升了各项指标，缓解了数据不平衡的问题，同时证明了生成数据的有效性。后续试验皆在数据增强后的数据集基础上进行。

4.5 消融实验

消融实验即系统地去掉或修改模型的某个模块，来评估该组成部分对整体性能的影响。通过消融实验可以研究模型某个组成部分对性能的贡献和作用，以便更好地理解模型的工作原理。本实验通过消融实验分析多尺度特征融合网络(BiFPN)和增加小目标检测头(Small target detection STD)两种改进策略对YOLOv5模型检测性能的影响，消融实验结果如表6所示。

表6 消融实验效果对比

从表中数据可以看出，本实验采用的改进YOLOv5网络模型与原YOLOv5相比，准确率和召回率都有所提升，并且准确率和召回率分别提升了0.97%和6.84%,检测精度mAP@0.5提高了1.31%,综合性能指标F1提升了2.26%。添加BiFPN为模型引入了多尺度特征融合能力，提高了模型对不同尺寸目标的检测能力，各项指标都有不同程度的提升，对召回率的影响尤其明显。仅添加微小目标检测头对网络识别性能总体的提升并不明显，准确率甚至不升反降减少了1.08%,但是召回率显著提升了3.29%,原因是添加微小目标检测头提高了缺陷的检测精度，会产生更多的错判，导致准确率下降，但总体的检测精度还是增加了0.42%,并且使缺陷检测中的小目标漏检问题得到了改善。结论，改进的YOLOv5在少量增加计算量的同时，使得准确率和召回率都有较大的提升。满足检测的精度要求。

4.6 鲁棒性实验

实验考虑到同一种电池片生产工艺不同的产线布置的图像采集环境具有较大差异，并且由于相机或电池片放置不当导致的局部区域采集，为了验证模型的鲁棒性，调整拍摄光源的亮度和相机的高度、角度以及对多张电池片进行局部区域的提取合成，如图8所示，模拟不同的采集环境，提高模型训练样本的多样性及丰富度。

图8 图像采集调整

实验测试了算法改进对测试集调整前后模型的鲁棒性，鲁棒性强的模型在各个测试环境下理应拥有接近的性能；反之，鲁棒性弱的模型在变化较大的测试环境下会有明显的性能指标下降，因此使用测试环境改变时模型检测的准确率和召回率变化来衡量模型的鲁棒性，结果如表7所示。可以看到，其中光源和相机的环境调整对模型的准确率影响最大。改进前，模型在基础测试集上准确率为75.34%,综合调整测试集上准确率为68.67%,降低了6.67%;改进后，综合调整的测试集比基础测试集准确率仅降低了3.33%,相对改进前，模型的鲁棒性有明显的改善。

表7 算法改进前后的模型鲁棒性对比

4.7 模型检测结果

为了更直观的评价本实验改进算法的性能，对改进前后的YOLOv5算法在上述数据集的检测效果进行图示化展示，如图9所示。

图9 检测结果对比

图9中是各种缺陷的检测效果图示，其中每一张图片都来自于缺陷电池片数据集，即理论上每一张图片都存在缺陷。图9a中是传统YOLOv5对缺陷的检测，大部分范围广、特征明显的缺陷很容易就能被检测出来，但是由于电池片颜色、膜层和环境的影响，导致EL采集的电池片表面发白或颜色深浅不一，会严重影响检测效果，针对这种复杂场景，传统的YOLOv5算法存在漏检、误检的情况，检测效果不佳，如图9a中，有3张电池片未被检测出缺陷，部分电池片检测的是错误的缺陷。改进后的模型具有更强的抑制干扰能力，能够更好的区分背景因素，如图9b所示，检测到了图9a中未被检测的缺陷，证明模型拥有更强的上下文感知能力和特征融合能力，并且改进的YOLOv5算法能够检测出更多的缺陷，对小尺度缺陷具有更强的识别能力，能减少漏检的情况。结论，改进后的算法可以精准的识别出各类缺陷种类和位置，更大程度的避免了漏检和误检，同时检测精度均高于传统的YOLOv5算法。

5、结论

针对光伏电池片缺陷检测中存在的样本数据量不均衡、缺陷尺寸差异较大和背景复杂等问题，提出一种基于YOLOv5改进的Topcon光伏电池片缺陷检测方法。

(1)数据准备阶段使用BEGAN对抗网络生成缺陷电池片扩充数据，数据增强后，模型整体的性能有较明显的提升，检测的准确率和召回率分别提升了2.05%和0.29%,其中条形隐裂、十字隐裂和穿孔的检测效果均提升了超过5%。

(2)采用BiFPN引入多尺度的特征融合，有效改善了由于光伏组件图像中同时含有不同种类和尺寸缺陷造成的检测冲突，提高了模型的检测效率，对准确率和召回率分别提升了0.88%和1.89%,检测精度mAP@0.5提高了0.9%。

(3)在检测头部分添加小目标检测头，提高了模型对小目标缺陷的检测能力，准确率虽然减少了1.08%,但是召回率显著提升了3.29%,最终总体的检测精度增加了0.42%。

(4)对于传统的YOLOv5目标检测模型，进过改进后更加适合解决复杂背景下的光伏组件缺陷检测问题，检测精度mAP@0.5提高了1.31%,综合性能指标F1提升了2.26%,且运行速度能够满足工业检测的实时性要求，在研究缺陷对光伏组件性能的影响具有很好的实用价值。

(5)改进后的算法，其模型具有良好的鲁棒性，能适应复杂的环境，并且不仅仅用于TopCon工艺，对于PERC、钙钛矿电池片也同样适用。未来还需要按照需求进一步调整深度学习训练的超参数，提高模型对新型电池片的适应能力。

参考文献:

[3]李翔,何淼,罗海波.一种面向遮挡行人检测的改进YOLOv3算法[J].光学学报,2022,42(14):160-169.

[4]唐政,张会林,马立新.密集主干网络算法对太阳能电池的缺陷检测[J].激光与光电子学进展,2023,60(14):246-252.

[5]程松,杨洪刚,徐学谦,等.基于YOLOv5的改进轻量型X射线铝合金焊缝缺陷检测算法[J].中国激光,2022,49(21):136-144.

[6]吕志轩,魏霞,马志钢.改进YOLOx的轻量级安全帽检测方法[J].计算机工程与应用,2023,59(1):61-71.

[7]张晶.基于条件的边界平衡生成对抗神经网络模型算法[D].扬州:扬州大学,2021.

[8]彭兴辉,田建平,吴相东,等.基于数据增强的光伏电池片缺陷检测方法研究[J].中国测试,2023,49(7):29-34.

[9]张春森,朱江乐,张学芬,等.融合自注意力机制与生成对抗网络的DEM空洞填充[J].应用科学学报,2023,41(5):789-800.

[10]胡丹丹,张忠婷.基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法[J].智能系统学报,2024,19(3):653-660.

[14]熊武,曹从军,宋雪芳,等.基于多尺度混合域注意力机制的笔迹鉴别方法[J].计算机应用,2024,44(7):2225-2232.

[15]刘书婷,牟怿,陈为真.基于改进YOLOv5的碎米检测数据集[J].中国粮油学报,2024,39(4):140-148.

[16]姜山,封松林,吴波,等.基于并行网络多尺度特征融合的轴承故障诊断[J].传感器与微系统,2023,42(10):121-125.

[17]刘涛,高一萌,柴蕊,等.改进YOLOv5s的无人机视角下小目标检测算法[J].计算机工程与应用,2024,60(1):110-121.

基金资助:2022广东省普通高校特色创新人才类项目(2022KTSCX185);广州城市理工学院校级青年科研基金项目(K0222005);2023年广东省科技创新战略专项资金项目(pdjh2023b0778);广州城市理工学院2023年度校级科研基金项目(K0223002); 2024年广东省科技创新战略专项资金项目(pdjh2024a528);

文章来源:郭建,黄颖驹.基于改进YOLOv5的光伏太阳能电池片缺陷检测[J].组合机床与自动化加工技术,2024,(11):104-109.