基于神经网络的光伏玻璃缺陷检测算法研究.pdf

摘要

光伏玻璃作为太阳能光伏组件的重要部件之一，其质量直接影响光伏组件的产

品性能、使用寿命以及发电效率，因此光伏玻璃在出厂前必须进行缺陷检测。光伏

玻璃缺陷检测算法主要分为基于传统图像处理的算法和基于神经网络的算法。基于

传统图像处理的光伏玻璃缺陷检测算法需要事先定义和提取缺陷之间的不同特征，

难度大且不准确，导致检测精度低；基于神经网络的光伏玻璃缺陷检测算法结构复

杂、计算量大，导致检测效率低。为了解决以上问题，本文针对光伏玻璃的面部缺

7

陷和边部缺陷分别提出了一种实时的高精度缺陷检测算法，实现了对光伏玻璃种

面部缺陷（划痕、开口泡、擦伤、结石、细泡、水滴、纤维）和4种边部缺陷（崩

边、亮边、烧边、水滴）快速精准的识别定位。主要研究内容如下：

1

（）针对光伏玻璃面部缺陷的检测，基于“先分割后分类”的检测思想，提

出了一种改进DenseNet的光伏玻璃面部缺陷检测算法。该算法首先基于图像签名、

DefectSaliencyAlgorithm

高斯差分滤波以及离散傅里叶变换的缺陷显著性算法（，

DSA）来滤除光伏玻璃背景纹路、突出缺陷特征，再通过最小矩形框定位并分割出

光伏玻璃的面部缺陷区域，最后基于改进DenseNet的轻量级分类神经网络模型

Dense_GhostNetDSA

（）对分割出的缺陷区域进行分类。实验结果表明，经过算法

处理后的缺陷图像能够有效地滤除光伏玻璃背景纹路、突出缺陷特征，98.81%的图

像保留了一半以上缺陷特征信息，54.0%的图像保留了全部的缺陷特征信息，与改

1.18%13.0%

进前的图像签名算法相比，分别提升了和。同时，所设计的轻量级分

类神经网络Dense_GhostNet与改进前的DenseNet相比，计算量降低了91.5%，参

数量减少了94.2%，平均识别率提升了0.61%，检测速度提升了66.7%。从算法的

整体上看，针对640*640大小的图像，本文所提出的光伏玻璃面部缺陷检测算法完

成一次GPU上的推理时间为12.3ms，与单阶段目标检测算法YOLOv8s相比，运行

时间降低了10.22%，与两阶段目标检测算法CascadeR-CNN相比，运行时间降低

了55.6%。

2YOLOv5

（）针对光伏玻璃边部缺陷的检测，提出了一种改进的光伏玻璃边

部缺陷检测算法。该算法首先使用新的稠密模块New_DBlock(C)代替YOLOv5特征

C3

提取网络的模块，通过引入特征复用和廉价操作来实现算法计算量和参数量的

大幅度降低；其次使用融合了注意力机制的C2f_SE模块替换YOLOv5特征融合网

络的C3模块，通过通道注意力机制实现检测精度的提升，以及跨尺度信息收集实

现检测速度的提升；最后使用改进后的YOLOv8解耦检测头替换YOLOv5的耦合

检测头，通过解耦结构实现检测精度的提升，全连接分支实现分类精度的提升，

I

AnchorFree方法实现定位精度的提升。实验结果表明，改进后的算法mAP@0.5为

98.5%，mAP@0.5:0.95为91.3%，较基准算法YOLOv5s，分别提升了1.0%和3.1%，

同时计算量下降了48.1%，参数量下降了56.7%，运行速度提升了18.5%。

DenseNet