基于注意力机制的Yolov8的太阳能网版缺陷检测

基于注意力机制的Yolov8的太阳能网版缺陷检测

李佳旺

长沙理工大学

摘要：在传统太阳能网版缺陷检测中，比较依赖人工的主观经验，缺陷识别效率低，针对上述问题，本文提出一种基于注意力机制的YOLOv8算法。

1.介绍

太阳能作为可再生能源的代表，正广泛应用于全球各行各业。它带来环境保护好处，为各领域提供可持续发展机遇。在家庭、商业、交通、农业和城市中，太阳能的应用多种多样。它满足电力需求，储存多余能量，减少传统能源依赖。太阳能汽车、充电站和船舶减少燃料依赖、排放污染。农业方面，太阳能泵灌溉系统解决水资源依赖，提供节能的温室环境。在城市规划和建筑设计中，太阳能建筑减少能源消耗、碳排放，提高能效和舒适度，为城市提供独立电力和抗灾能力。传统缺陷检测通常是通过人工识别，但是在检测过程中，某些缺陷会让人产生视觉疲劳，导致很多误判。 其次人工检测容易收到外界干扰，检测效率难以得到保证，而且人工检测每个人对于瑕疵的判断都尽不相同，主要依据肉眼检测，难以形成可以量化的质量标准，通过机器视觉的自动检测和识别焊缝缺陷特征因素有助于减少人工检测造成的不确定性。

2.内容

本文所使用的太阳能网版样品来自某企业实际生产的产品，使用检测平台进行太阳能网版图像采集。检测平台每次采集的图片分辨率大小为5120×5120、实际范围约为43mm×43mm，而太阳能网版的有效区域为156mm×156mm，因此需要进行16次采集才能将一块太阳能网版的图像完整采集，将每次采集的图片分割成100张分辨率大小为512×512的小图片，使用缺陷标注工具labelImg对太阳能网版表面缺陷数据集进行标注，如图1所示的缺陷类别（条状异物、堵网、连线、凸点、其他异物）。

图1

将太阳能网版样品图像采集完成后，五种缺陷类型的数量分布如图11所示，呈现出分布不平衡的情况。据统计，太阳能网版表面缺陷数据集图片数量为4561张，数据集按照0.65、0.15、0.2的比例划分为训练集、验证集与测试集，所提出的方法将通过测试集进行性能评估。本文尝试在颈部前分别加入SE、ECA、CA和CBAM四种注意机制，并设计四组实验，比较加入这五种注意机制后模型的性能和准确率。表中显示了在模型中加入不同注意机制的影响结果。样本可以，FP为表中可见的负样本数，加入注意机制后，模型的复杂性基本保持不变，检测速度略有提高，准确率可提高3%左右。对比4种注意机制，CA具有较低的计算复杂度和较高的检测精度，但加入CBAM模块后，模型精度随着参数的增加而降低。

从表1中模型评价结果的定量分析来看，CA的准确率最高，CBAM的性能最差。根据定量和定性分析的结果，我们选择在颈部前添加CA模块。在后来的实验中，也证明了CA模块的加入对模型的改进作用更大。

表1 注意力机制

3.结论

针对传统的太阳能网版表面缺陷检测方法存在效率较低、依赖工人的主观经验及漏检率较高的问题，本文提出了一种基于基于注意力机制的YOLOv8的太阳能网版表面缺陷检测方法。实验表明，所提出的改进方法在太阳能网版缺陷检测任务中的精度达到66%，该方法能够在不减少模型计算参数量的同时提升3%左右的精度，且检测速度接近原始模型。本文所提出的方法，为太阳能网版表面缺陷检测带来了新思路，同时促进了太阳能电池片的生产质量提升，具有一定的参考价值。