基于改进YOLOv7的太阳能电池片表面缺陷检测

doi:10.11772/j.issn.1001-9081.2023020258

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (S2): 223-228.DOI: 10.11772/j.issn.1001-9081.2023020258

• 多媒体计算与计算机仿真 • 上一篇

基于改进YOLOv7的太阳能电池片表面缺陷检测

周启宸¹, 王伯超²()

^1.新疆师范大学计算机科学技术学院，乌鲁木齐 830054
^2.新疆维吾尔自治区自然资源规划研究院，乌鲁木齐 830011

收稿日期:2023-03-14 修回日期:2023-04-13 接受日期:2023-04-18 发布日期:2024-01-09 出版日期:2023-12-31
通讯作者: 王伯超
作者简介:周启宸（1998—），男，重庆人，硕士研究生，主要研究方向：计算机视觉
王伯超（1980—），男，新疆乌苏人，高级工程师，硕士，主要研究方向：自然资源管理、空间数据库建设。

Solar cell surface defect detection based on improved YOLOv7

Qichen ZHOU¹, Bochao WANG²()

^1.College of Computer Science and Technology，Xinjiang Normal University，Urumqi Xinjiang 830011，China
^2.Planning and Research Institute of Xinjiang Natural Resources，Urumqi Xinjiang 830011，China

Received:2023-03-14 Revised:2023-04-13 Accepted:2023-04-18 Online:2024-01-09 Published:2023-12-31
Contact: Bochao WANG

摘要/Abstract

摘要：

为解决传统太阳能电池片表面缺陷检测方法存在的检测精度低、速度慢、检测缺陷类型单一的问题，提出一种基于改进YOLOv7的太阳能电池片表缺陷检测算法。首先，在YOLOv7网络模型的基础上引入Swin Transformer 模块，以增强模型的全局信息建模；其次，引入Shuffle Attention机制，有效融合空间注意力和通道注意力机制，以增强模型的特征提取能力；再次，使用SIoU（Scylla Intersection over Union）损失函数替换原模型中的CIoU（Complete Intersection over Union）损失函数，提高模型的收敛速度与效率；最后，采用K-means++聚类算法优化先验框。实验结果表明，改进算法具有较好的检测效果，在测试集上的mAP@50%达到86.6%，相较于原始YOLOv7提升了4.8%，且检测速度并未大幅降低，能较为快速、准确地对太阳能电池片表面缺陷进行检测。

关键词: YOLOv7, 注意力机制, 表面缺陷检测, 深度学习, 损失函数, 太阳能电池片

Abstract:

In order to solve the problems of low detection accuracy， slow speed and single type of detection defects existing in traditional surface defect detection methods for solar cells， a surface defect detection algorithm for solar cells based on improved YOLOv7 was proposed. Firstly， the Swin Transformer block was introduced into the YOLOv7 network model to enhance the global information modeling of the model. Secondly， the Shuffle Attention mechanism， integrating spatial attention with channel attention mechanism efficiently， was added to the original network module to enhance the feature extraction ability. Thirdly， the CIoU （Complete Intersection over Union） loss function in the original module was replaced with the SIoU （Scylla Intersection over Union） loss function to improve the convergence speed and efficiency. Finally， K-means++ clustering algorithm was used to optimize the prior anchor boxes. The experimental results show that the improved algorithm has good detection effect，the mAP@50% on the test set reaches 86.6%， which is 4.8% higher than that of the original YOLOv7， but the detection speed is not significantly reduced， so that the improved algorithm can detect the surface defects of solar cells more quickly and accurately.

Key words: YOLOv7, attention mechanism, surface defect detection, deep learning, loss function, solar cell

中图分类号:

TP391.4

周启宸, 王伯超. 基于改进YOLOv7的太阳能电池片表面缺陷检测[J]. 计算机应用, 2023, 43(S2): 223-228.

Qichen ZHOU, Bochao WANG. Solar cell surface defect detection based on improved YOLOv7[J]. Journal of Computer Applications, 2023, 43(S2): 223-228.

图/表 9

参考文献 17

1	SAWYER D E， KESSLER H K. Laser scanning of solar cells for the display of cell operating characteristics and detection of cell defects ［J］. IEEE Transactions on Electron Devices， 1980， 27（4）： 864-872. 10.1109/t-ed.1980.19948
2	CHEN X Y， PEDERSEN A， HELLES O G， et al. Electrical noise of laser diodes measured over a wide range of bias currents［J］. Microelectronics Reliability， 2000， 40（11）： 1925-1928. 10.1016/s0026-2714(00)00053-6
3	ESQUIVEL O. Contrast imaging method for inspecting specular surface devices： U.S. Patent 6，433，867 ［P］. 2002-08-13.
4	ANWAR S A， ABDULLAH M Z. Micro-crack detection of multicrystalline solar cells featuring an improved anisotropic diffusion filter and image segmentation technique［J］. EURASIP Journal on Image and Video Processing， 2014， 2014： 1-17. 10.1186/1687-5281-2014-15
5	DHIMISH M， HOLMES V. Solar cells micro crack detection technique using state-of-the-art electroluminescence imaging［J］. Journal of Science： Advanced Materials and Devices， 2019， 4（4）： 499-508. 10.1016/j.jsamd.2019.10.004
6	陶志勇，于子佳，林森. PSO_SVM算法在太阳能电池板裂缝缺陷检测研究［J］. 电子测量与仪器学报， 2021， 35（1）： 18-25. 10.13382/j.jemi.B2103849
7	王宪保，李洁，姚明海，等. 基于深度学习的太阳能电池片表面缺陷检测方法［J］. 模式识别与人工智能， 2014， 27（6）： 517-523. 10.3969/j.issn.1003-6059.2014.06.006
8	张文彪，马永华，白晓静，等. 基于改进Faster R-CNN的太阳能电池板缺陷识别［J］. 电网技术， 2022， 46（7）： 2593-2600.
9	张会林，唐政，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）： 1412003.
10	WANG C Y， BOCHKOVSKIY A， LIAO H Y M. YOLOv7： Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［EB/OL］. （2022-07-06）［2023-04-10］. . 10.48550/arXiv.2207.02696
11	LIN T Y， DOLLAR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 2117-2125. 10.1109/cvpr.2017.106
12	LIU S， QI L， QIN H， et al. Path aggregation network for instance segmentation［C］// Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 8759-8768. 10.1109/cvpr.2018.00913
13	LIU Z， LIN Y， CAO Y， et al. Swin Transformer： Hierarchical vision transformer using shifted windows［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 10012-10022. 10.1109/iccv48922.2021.00986
14	ZHANG Q L， YANG Y B. SA-Net： Shuffle attention for deep convolutional neural networks［EB/OL］. （2021-01-30）［2023-04-10］. . 10.1109/icassp39728.2021.9414568
15	XU H， LI B， ZHONG F. Light-YOLOv5： a lightweight algorithm for improved YOLOv5 in complex fire scenarios［J］. Applied Sciences， 2022， 12（23）： 12312. 10.3390/app122312312
16	孙泽强，陈炳才，崔晓博，等. 融合频域注意力机制和解耦头的YOLOv5带钢表面缺陷检测［J］. 计算机应用， 2023， 43（1）： 242-249. 10.11772/j.issn.1001-9081.2021111926
17	王淑青，张鹏飞，要若天，等. 基于改进YOLOv5的太阳能电池片表面缺陷检测［J］. 仪表技术与传感器， 2022（5）：111-116. 10.3969/j.issn.1002-1841.2022.05.022

目标类型	先验框尺寸
小尺度	（9，61），（17，17），（44，8）
中尺度	（53，53），（75，8），（85，236）
大尺度	（97，100），（210，47），（223，122）

目标类型	先验框尺寸
小尺度	（9，61），（17，17），（44，8）
中尺度	（53，53），（75，8），（85，236）
大尺度	（97，100），（210，47），（223，122）

算法	Recall	mAP@0.5	FPS
文献［8］算法	0.653	0.765	22.7
文献［17］算法	0.726	0.804	50.1
Faster R-CNN	0.680	0.741	30.1
Mask R-CNN	0.695	0.766	26.4
SSD	0.725	0.783	38.9
YOLOv4	0.771	0.631	27.5
YOLOv5s	0.732	0.787	51.9
YOLOv6s	0.759	0.798	35.8
YOLOv7	0.760	0.826	52.4
YOLOv7-IN	0.811	0.866	43.5

算法	Recall	mAP@0.5	FPS
文献［8］算法	0.653	0.765	22.7
文献［17］算法	0.726	0.804	50.1
Faster R-CNN	0.680	0.741	30.1
Mask R-CNN	0.695	0.766	26.4
SSD	0.725	0.783	38.9
YOLOv4	0.771	0.631	27.5
YOLOv5s	0.732	0.787	51.9
YOLOv6s	0.759	0.798	35.8
YOLOv7	0.760	0.826	52.4
YOLOv7-IN	0.811	0.866	43.5

模型	STR	Shuffle Attention	SIoU	K- Means++	Recall	mAP@0.5	FPS
YOLOv7-1	√	—	—	—	0.761	0.839	46.2
YOLOv7-2	—	√	—	—	0.746	0.838	50.9
YOLOv7-3	—	—	√	—	0.789	0.847	52.3
YOLOv7-4	—	—	—	√	0.779	0.826	52.5
YOLOv7-5	√	√	—	—	0.772	0.846	44.4
YOLOv7-6	√	—	√	—	0.782	0.845	46.8
YOLOv7-7	√	—	—	√	0.714	0.837	45.9
YOLOv7-8	—	√	√	—	0.796	0.855	49.9
YOLOv7-9	—	√	—	√	0.763	0.854	51.0
YOLOv7-10	—	—	√	√	0.798	0.859	52.2
YOLOv7-11	√	√	√	—	0.798	0.841	44.1
YOLOv7-12	√	√	—	√	0.758	0.854	44.0
YOLOv7-13	√	—	√	√	0.762	0.856	45.2
YOLOv7-14	—	√	√	√	0.792	0.859	48.7
YOLOv7-15	√	√	√	√	0.811	0.866	43.5

基于改进YOLOv7的太阳能电池片表面缺陷检测

Solar cell surface defect detection based on improved YOLOv7

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 17

相关文章 15

编辑推荐

Metrics

[1]	郝铎, 曾令飞, 李成伟. 基于变分模态分解和长短期记忆网络的大平移抖动电子稳像算法[J]. 《计算机应用》唯一官方网站, 2023, 43(S2): 168-175.
[2]	郎庆凯, 高方玉, 吴琼, 姚勇, 王道累. 基于改进YOLOv7的光伏组件红外图像热斑目标检测方法[J]. 《计算机应用》唯一官方网站, 2023, 43(S2): 191-195.
[3]	李嘉元, 程江华, 刘通, 程榜, 潘乐昊. 基于密集连接的红外可见光图像融合方法[J]. 《计算机应用》唯一官方网站, 2023, 43(S2): 163-167.
[4]	黄啸, 吴龙, 黎尧, 吕宏泽. 基于改进YOLOX-s的轻量级型钢表面缺陷检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(S2): 201-208.
[5]	殷兆鑫, 祁彦庆, 汪烈军. 基于YOLOXs的TERMINAL_PIN焊接面表面缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2023, 43(S2): 209-215.
[6]	萧铂钿, 张绍兵, 成苗. 基于对照学习的图像缺陷检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(S2): 216-222.
[7]	李向军, 王俊洪, 王诗璐, 陈金霞, 孙纪涛, 王建辉. 基于多模型并行融合网络的恶意流量检测方法[J]. 《计算机应用》唯一官方网站, 2023, 43(S2): 122-129.
[8]	张秋余, 温永旺. 用于语音检索的三联体深度哈希方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2910-2918.
[9]	何子仪, 杨燕, 张熠玲. 深度融合多视图聚类网络[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2651-2656.
[10]	杨昊, 张轶. 基于上下文信息和多尺度融合重要性感知的特征金字塔网络算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2727-2734.
[11]	张涵钰, 李振波, 李蔚然, 杨普. 基于机器视觉的水产养殖计数研究综述[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2970-2982.
[12]	袁国龙, 张玉金, 刘洋. 基于残差反馈和自注意力的图像篡改取证网络[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2925-2931.
[13]	陈俊韬, 朱子奇. 基于多尺度特征提取与融合的图像复制-粘贴伪造检测[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2919-2924.
[14]	王宏, 钱清, 王欢, 龙永. 融合大核注意力卷积的轻量化图像篡改定位算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2692-2699.
[15]	王静红, 周志霞, 王辉, 李昊康. 双路自编码器的属性网络表示学习[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2338-2344.