CN114627082B 一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法 （东南大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114627082B(45)授权公告日2025.07.08

(21)申请号202210259289.3

(22)申请日2022.03.16

(65)同一申请的已公布的文献号申请公布号CN114627082A

(43)申请公布日2022.06.14

(73)专利权人东南大学

地址210096江苏省南京市玄武区四牌楼2

号

(72)发明人陈从颜陈颢陈天晟

(74)专利代理机构南京众联专利代理有限公司

32206

专利代理师张天哲

(51)Int.CI.

GO6T7/00(2017.01)

GO6V10/82(2022.01)

GO6V10/72(2022.01)

GO6V10/774(2022.01)

GO6N3/0464(2023.01)

GO6N3/084(2023.01)

(56)对比文件

CN114022420A,2022.02.08审查员孙肇杰

权利要求书1页说明书4页附图2页

(54)发明名称

一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法

(57)摘要

CN114627082B本发明公开了一种基于改进YLOLv5网络的光伏组件EL缺陷检测方法，建立依赖上下流工序的检测模型，不再以单一电池片，而是以组件为检测单位，实现了对目前常见的13种缺陷的检测和定位。这些缺陷不仅包含单一电池片中的缺陷，也包括了以电池片组件为观察单位的整体性缺陷。利用建立的光伏组件EL缺陷数据集，对检测模型进行训练、测试，实验结果表明，改进YOLOv5s串联网络模型可以高效、准确地识别出光伏组件EL

CN114627082B

光伏组件数据集

光伏组件数据集

图像预处理

人工标注

训练集

导入

训练网络

生成

权重文件

待检测图片

输入

图像预处理

检测结果

检测网络

检测集

输出

CN114627082B权利要求书1/1页

2

1.一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法，其特征在于，包括以下步骤：

步骤(1),通过红外相机采集光伏组件EL图像，依据光伏组件EL缺陷种类分类标准，对图像样本进行筛选、整理，经过人工预处理后，生成样本集；

步骤(2),对样本集进行人工标注，将图像数据转为包含目标位置坐标和种类信息的YOLO数据集格式，生成训练集；

步骤(3),将步骤(2)中生成的训练集导入改进的YOLOvs5串联网络中，对模型进行训练，得到对应的权重文件；

步骤(4),利用训练好的模型对新的光伏组件EL图像数据进行预测，标注缺陷的位置和种类，并对其进行统计分析，判断产品的合格等级；

所述步骤(1)中，根据不同种类光伏组件EL缺陷所覆盖的区域范围大小，将其划分为两大类，一种是缺陷的观察背景为单个电池片的，定义为A类缺陷，即小目标；另一种是缺陷的判定背景是基于整个光伏组件的，定义为B类缺陷，即大目标；

所述步骤(2)中，对于A类缺陷，直接在光伏组件的EL图像上进行标注；对于B类缺陷，先作区域分割，再进行标注；对A、B两类缺陷的样本分别按8:1:1划分训练集、测试集、验证集；最后，使用LabelImg工具对测试集进行人工标注，包括EL缺陷种类C,以及缺陷的位置区域坐标，其中(x1,y1),(x2,y2)分别代表图像区域的左上角和右下角坐标，得到对应的YOLO格式数据集，作为可供神经网络训练使用的训练集；

所述步骤(4)中，在设计检测网络时，采取一种双层网络结构，将两个检测模块串联，分别导入不同的权重文件，用以检测覆盖区域大小差异较大的不同目标，并在串联的两个检测模块之间插入一个图像分割模块，以此提高对大小差异较大的目标同时检测的能力。

2.根据权利要求1所述的基于改进YOLOv5网络的光伏组件EL缺陷检测方法，其特征在于：所述步骤(3)中，YOLOv5训练网络的输入端采用了Mosaic数据增强的方式，通过随机缩放、随机裁剪、随机排布的方式进行拼接，针对不同的数据集，设定初始长长宽的锚框；在训练时，训练网络在初始锚框的基础上输出预测框，进而和真实框groundthruth进行比较，计算两者差距，再反向更新，迭代网络参数，即每次训练时，自适应地计算不同训练集中的最佳锚框值。

3.根据权利要求1所述的基于改进YOLOv5网络的光伏组件EL缺陷检测方法，其