收稿日期：2021-11-16

基金項(xiàng)目：國家自然科學(xué)基金（62173124）；河北省自然科學(xué)基金（F2019202305）

通信作者：周 穎（1971—），女，博士、副教授，主要從事智能控制與模式識別方面的研究。zhouying2007@163.com

DOI：10.19912/j.0254-0096.tynxb.2021-1400 文章編號：0254-0096（2023）04-0407-07

摘 要：針對多晶硅太陽電池片缺陷尺度不一、跨度大、表面紋理背景復(fù)雜、缺陷微小微弱的特性，基于Yolov4提出一種新型檢測框架EDANet，構(gòu)建兩個(gè)新型的模塊：跨尺度空間增強(qiáng)模塊（CGSE）和自校準(zhǔn)壓縮-激勵(lì)模塊（SCSE）。CGSE模塊作為空間注意力以多尺度的形式將特征進(jìn)行融合、抑制背景、突出前景、重加權(quán)特征圖，引導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)正確的前景背景特征分布；SCSE模塊以通道注意力的形式對高層特征的每個(gè)空間位置建立長距離依賴關(guān)系，通過顯式合并信息幫助網(wǎng)絡(luò)生成更多的辨識性表示，以區(qū)分微小微弱缺陷。實(shí)驗(yàn)結(jié)果表明：該網(wǎng)絡(luò)的均值平均精度（[mAP]）值達(dá)到92.07%，在多晶硅太陽電池缺陷檢測精度上有明顯提升。

關(guān)鍵詞：目標(biāo)檢測；太陽電池；卷積神經(jīng)網(wǎng)絡(luò)；多尺度融合；注意力機(jī)制

中圖分類號：TP391.4""""""""""""""""" 文獻(xiàn)標(biāo)志碼：A

0 引 言

多晶硅太陽電池的缺陷檢測是工業(yè)生產(chǎn)中的一項(xiàng)重要任務(wù)，這些缺陷會(huì)對太陽電池的轉(zhuǎn)換效率和使用壽命產(chǎn)生影響，嚴(yán)重時(shí)將危害光伏發(fā)電系統(tǒng)的穩(wěn)定性。然而多晶硅太陽電池片表面紋理背景復(fù)雜、缺陷尺度不一、跨度大、缺陷微小微弱，使得缺陷的自動(dòng)檢測異常困難。傳統(tǒng)的人工檢測方法由于其效率低、勞動(dòng)強(qiáng)度大，已逐漸被淘汰。基于機(jī)器視覺技術(shù)的檢測方法逐步興起。近年來，Jen等［1］利用太赫茲光譜成像技術(shù)，經(jīng)傅里葉變換后可得到太赫茲輻射電場波的幅頻和相位圖，通過比較合格電池和待檢測電池的幅頻和相位圖判斷是否存在缺陷。李潔等［2］利用太陽電池的紅外圖像對其進(jìn)行缺陷的特征提取研究，提出基于Sobel算子邊緣檢測的太陽電池缺陷特征提取方法。

基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法在機(jī)器視覺中取得了巨大成功［3-6］，一些研究也將深度學(xué)習(xí)運(yùn)用在缺陷檢測上。侯偉等［7］針對微小微弱的劃痕缺陷提出一種基于新型劃痕增強(qiáng)方法和卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)元件端到端弱劃痕檢測方法。為增強(qiáng)弱劃痕，提出局部最大指數(shù)模塊和方向敏感卷積模塊，使用關(guān)于劃痕的先驗(yàn)知識生成多級特征圖。張雄等［8］針對太陽電池細(xì)微隱蔽的缺陷，提出一種融合多通道卷積神經(jīng)網(wǎng)絡(luò)的太陽電池表面缺陷檢測算法，將Faster R-CNN和R-FCN兩種不同卷積神經(jīng)網(wǎng)絡(luò)的檢測結(jié)果相結(jié)合，提高檢測精度和定位精度。陳海永等［9］針對具有異質(zhì)紋理和復(fù)雜背景的太陽電池表面的相似和不確定缺陷檢測問題，設(shè)計(jì)一種基于多光譜深度卷積神經(jīng)網(wǎng)絡(luò)的視覺缺陷檢測方法，提高了太陽電池制造的效率，并使制造過程更智能。蘇斌義等［10］針對缺陷特征和復(fù)雜背景特征的相似性問題，設(shè)計(jì)一種新穎的互補(bǔ)注意網(wǎng)絡(luò)，通過采用互補(bǔ)的方法自適應(yīng)地抑制背景噪聲特征并同時(shí)突出缺陷特征。在原始太陽電池EL圖像的缺陷分類和檢測結(jié)果方面，所提出的方法比其他方法的性能好得多。陶顯等［11］針對微小微弱的納米級劃痕缺陷，提出一種從粗到精的復(fù)雜暗場圖像弱劃痕檢測策略，以檢測復(fù)雜圖像中的多種類型的弱劃痕，并可通過干擾正確區(qū)分缺陷，該方法滿足表面缺陷實(shí)時(shí)、準(zhǔn)確檢測的要求。易曉等［12］針對尺度多變的帶鋼表面缺陷，提出一種結(jié)合選擇性搜索和類激活映射的表面缺陷檢測算法，改善目標(biāo)定位問題。

本文提出一種高效雙路徑注意力網(wǎng)絡(luò)模型（EDANet），用于多晶硅太陽電池的缺陷檢測。在原有Yolov4的3個(gè)高級語義信息輸出層的基礎(chǔ)上，添加兩個(gè)新型的模塊：跨尺度空間增強(qiáng)模塊（CGSE模塊）和自校準(zhǔn)壓縮-激勵(lì)模塊（SCSE模塊），針對較低級的Yolo head1語義特征層，加入CGSE模塊，對原始特征圖經(jīng)多尺度特征融合后注入空間信息權(quán)值，重加權(quán)特征圖，引導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)到正確的前景背景特征分布；針對較高級的Yolo head2和Yolo head3語義特征層，加入SCSE模塊，對原有的壓縮-激勵(lì)模塊注入自校準(zhǔn)信息，為每個(gè)空間位置建立長距離依賴關(guān)系，通過顯式合并信息幫助網(wǎng)絡(luò)生成更多的辨識性表示。通過與其他檢測算法進(jìn)行對比仿真研究，實(shí)驗(yàn)結(jié)果表明，EDANet具有較好的檢測性能。

1 高效雙路徑注意力網(wǎng)絡(luò)

Yolov4算法在檢測中有舉足輕重的地位，然而針對多晶硅太陽電池的缺陷檢測，卻并未有理想的檢測結(jié)果。由于注意力機(jī)制能忽略無關(guān)信息而關(guān)注重點(diǎn)信息，在神經(jīng)網(wǎng)絡(luò)中得到廣泛應(yīng)用。注意力機(jī)制主要分為空間注意力和通道注意力兩種?？臻g注意力聚焦于“哪里”是最具信息量的部分，通道注意力聚焦于“什么”是有意義的輸入圖像?？臻g注意力和通道注意力的聚焦重點(diǎn)不同，文獻(xiàn)［13］中提到空間注意力更適用于低層特征，通道注意力對于高級語義信息更有效。因此，將Yolov4算法與注意力機(jī)制聯(lián)系起來將是一個(gè)很好的解決辦法。圖1顯示了EDANet網(wǎng)絡(luò)總體結(jié)構(gòu)圖。

EDANet將空間注意力與通道注意力分別加在Yolov4網(wǎng)絡(luò)中不同位置，空間注意力更適用于低層特征，通道注意力對于高級語義信息更有效，因此，針對Yolov4中的Yolo head1，Yolo head2，Yolo head3這3個(gè)輸出層，Yolo head1輸出層相對于Yolo head2、Yolo head3輸出層而言是低級特征層，在Yolo head1輸出層前加入跨尺度空間增強(qiáng)模塊（CGSE模塊），將多尺度融合之后的特征圖做信息重加權(quán)，引導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)正確的特征分布；Yolo head2、Yolo head3輸出層加入自校準(zhǔn)壓縮-激勵(lì)模塊（SCSE模塊），建立長距離依賴關(guān)系，顯式合并信息以幫助網(wǎng)絡(luò)生成更多的辨識性表示。后文將詳細(xì)解釋說明其具體實(shí)現(xiàn)細(xì)節(jié)。

1.1 跨尺度空間增強(qiáng)模塊

跨尺度空間增強(qiáng)（cross-scale group space enhancement，CGSE）模塊通過聯(lián)合多尺度特征圖的方式進(jìn)行信息校正，引導(dǎo)網(wǎng)絡(luò)區(qū)分細(xì)節(jié)信息?？绯叨瓤臻g增強(qiáng)模塊的結(jié)構(gòu)圖如圖2所示。

假設(shè)輸入特征圖為[X]，特征圖[X]的寬和高分別為[W]和[H]，通道數(shù)為[C]，CGSE主要分為以下4個(gè)步驟實(shí)現(xiàn)：

第1步：將特征圖[X]輸入到分組金字塔卷積模塊中，獲得多尺度特征圖[Xp]。分組金字塔卷積模塊如圖3所示，為了

獲得更豐富的特征信息，不僅將輸入特征圖[X]分別同時(shí)經(jīng)過3×3、5×5、7×7卷積核大小的卷積操作，進(jìn)行卷積特征提取，還提出分組卷積的設(shè)計(jì)，3個(gè)卷積核的分組數(shù)分別為1、4、8，得到感受野不同的3個(gè)特征圖[Z1]、[Z2]、[Z3]，然后將[Z1]、[Z2]、[Z3]按照通道維度進(jìn)行拼接，得到分組金字塔卷積模塊的輸出：

[Xp=C（Z1，Z2，Z3）] （1）

式中：[Xp]——多尺度特征圖；[C]——Concat，拼接。

相較于標(biāo)準(zhǔn)卷積只包含單一類型、單一空間大小和深度的卷積核，分組金字塔卷積對于紋理背景復(fù)雜的多晶硅太陽電池具備良好的特征提取特性。分組金字塔卷積模塊能捕獲場景中不同層次的細(xì)節(jié)信息，擴(kuò)大感受野，以獲得類別的多樣性和尺度的不一性。

第2步：將第1步中獲得的多尺度特征圖[Xp]與原始輸入特征圖[X]相加，并重復(fù)進(jìn)行兩次卷積、批歸一化、[Mish]激活函數(shù)，得到[Xc]：

[Xc=M[M（Xp+X）]]"""""" （2）

式中：[M]——卷積、批歸一化、[Mish]激活函數(shù)。

第3步：將原始輸入特征圖[X]經(jīng)過獲取重要性系數(shù)模塊得到重要性系數(shù)[θ]。獲取重要性系數(shù)模塊如圖4所示，首先將[X]進(jìn)行全局平均池化操作，獲得全局近似語義特征，并與原始輸入特征圖[X]進(jìn)行點(diǎn)積，得到[g]，為了防止樣本間系數(shù)的偏差幅值過大，對[g]進(jìn)行歸一化操作，并使用[Sigmoid]函數(shù)得到重要性系數(shù)[θ]。

[G=1H×Wi=1Hj=1WX（i，j）] （3）

[g=X?G（X）]""" （4）

[θ=σ[B（g）]] （5）

式中：[G]——全局平均池化；[σ]——[Sigmoid]激活函數(shù)；[B]——批歸一化。

第4步：利用第3步中獲得的重要性系數(shù)[θ]對第2步中提取到的特征信息[Xc]進(jìn)行點(diǎn)積重加權(quán)，得到：

[X′=Xc?θ]""" （6）

式中：[X′]——最終的輸出。

CGSE通過重加權(quán)多尺度特征圖信息的方式，校正全局信息，引導(dǎo)網(wǎng)絡(luò)正確區(qū)分前景背景特征分布，對多晶硅太陽電池缺陷檢測工作具有極大的幫助。

1.2 自校準(zhǔn)壓縮-激勵(lì)模塊

壓縮-激勵(lì)（squeeze and excitation，SE）模塊由于可學(xué)習(xí)通道之間的相關(guān)性，具有很強(qiáng)的通用性，受到廣泛認(rèn)可。然而，多晶硅太陽電池具有缺陷復(fù)雜多變的特性，一個(gè)單純的SE模塊往往無法有效地解決缺陷識別問題。所提出的自校準(zhǔn)-壓縮激勵(lì)（self-calibrated squeeze and excitation，SCSE）模塊利用通道之間的關(guān)系增強(qiáng)網(wǎng)絡(luò)的特征提取能力，其結(jié)構(gòu)如圖5所示。

假設(shè)輸入特征圖[X]的寬和高分別為[W]和[H]，通道數(shù)為[C]，SCSE主要分為3步實(shí)現(xiàn)：

第1步：將輸入特征圖[X]輸入到SE模塊中，然后與[X]進(jìn)行點(diǎn)積，再進(jìn)行一次卷積操作提取特征，得到[X1]：

[S=σ{F1δ[F0（X）]}]"" （7）

[X1=V[X?S（X）]]""" （8）

式中：[S]——壓縮-激勵(lì)模塊；[F1]——全連接層，輸出維度為[Cr×C]；[δ]——ReLU激活函數(shù)；[F0]——全連接層，輸出維度為[C×Cr]。

[X1]是原始輸入特征[X]與SE模塊的輸出結(jié)果進(jìn)行點(diǎn)積運(yùn)算得到的，通過建立通道間的依賴性進(jìn)行特征融合，這對于缺陷識別任務(wù)具有更強(qiáng)的辨識性。

第2步：將輸入特征圖[X]采取殘差下采樣的方式獲得通道和空間上的注意力，殘差下采樣具體是指將[X]先上采樣再下采樣，并與原始特征圖按照元素相加，再進(jìn)行[Sigmoid]激活函數(shù)，得到[X2]：

[X2=σ{X⊕{U[D（X）]}}]""" （9）

式中：[U]——上采樣；[D]——下采樣。

這樣的殘差下采樣操作可獲得通道和空間上的注意力，利用下采樣后特征具有較大的視場，可在較小的潛在空間中被用作指導(dǎo)原始特征空間中的特征變換過程的參考，從而豐富輸出功能。

第3步：將第2步中的[X2]與第1步中的[X1]進(jìn)行點(diǎn)積操作，并進(jìn)行一次卷積變換操作得到最終的輸出[Xs]：

[Xs=V[BN（X2）?X1]]"""" （10）

式中：[V]——卷積。

自校準(zhǔn)壓縮-激勵(lì)模塊使每個(gè)空間位置都能自適應(yīng)地編碼遠(yuǎn)距離區(qū)域的信息上下文，同時(shí)自校準(zhǔn)壓縮-激勵(lì)模塊利用SE模塊關(guān)注通道之間的關(guān)系，使模型可自動(dòng)學(xué)習(xí)到不同通道特征的重要程度，從而進(jìn)一步增強(qiáng)神經(jīng)網(wǎng)絡(luò)的特征提取能力。

2 實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證EDANet針對多晶硅太陽電池缺陷檢測的有效性，在多晶硅太陽電池外觀數(shù)據(jù)集上進(jìn)行大量實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該框架在檢測多尺度缺陷和紋理背景復(fù)雜缺陷的性能明顯優(yōu)于以往檢測方法。下文將介紹實(shí)驗(yàn)數(shù)據(jù)集以及具體實(shí)驗(yàn)細(xì)節(jié)，并展示一系列的實(shí)驗(yàn)結(jié)果，討論所提出方法的有效性。

2.1 數(shù)據(jù)集介紹

本次訓(xùn)練所用數(shù)據(jù)集為多晶硅太陽電池外觀缺陷數(shù)據(jù)集，共6396張圖片，分辨率為469×469，缺陷類別共6類，分別是粗線、斷柵、劃痕、漏漿、色差和臟片，其具體數(shù)量和圖示如表1所示。本網(wǎng)絡(luò)中訓(xùn)練集和測試集之比設(shè)定為9∶1。

2.2 實(shí)施細(xì)節(jié)

EDANet網(wǎng)絡(luò)在pytorch1.6.0上進(jìn)行訓(xùn)練和評估，所用顯卡為NVDIA GeForce 2070Super。實(shí)驗(yàn)中采用VOC數(shù)據(jù)集訓(xùn)練權(quán)重預(yù)訓(xùn)練模型，訓(xùn)練設(shè)置為100輪，前50輪學(xué)習(xí)率設(shè)置為0.001，batchsize設(shè)置為8，并凍結(jié)訓(xùn)練，用于模型的快速收斂；后50輪學(xué)習(xí)率設(shè)置為0.0001，batchsize設(shè)置為4，不凍結(jié)訓(xùn)練。優(yōu)化器采用Adam優(yōu)化算法，非極大值抑制所用的交并比閾值為0.3，計(jì)算AP時(shí)交并比閾值設(shè)為0.5。

2.3 評價(jià)指標(biāo)

采用準(zhǔn)確率（precision，用P表示）、召回率（recall，R）和F測度（F-measure，F(xiàn)）等指標(biāo)評價(jià)分類的性能，采用平均精度（average precision，AP）、均值平均精度（mean average precision，mAP）評估缺陷檢測的性能，其計(jì)算公式分別為：

[P=aa+c] （11）

[R=aa+b] （12）

[F=2×P×RP+R]" （13）

式中：[a]——真正缺陷數(shù)預(yù)測為缺陷的數(shù)量；[b]——真正的缺陷數(shù)預(yù)測為無缺陷的數(shù)量；[c]——真實(shí)無缺陷數(shù)預(yù)測為缺陷的數(shù)量。

每個(gè)缺陷類別的AP計(jì)算方法是：針對每一個(gè)不同的R值（包括0和1），選取其大于等于這些R值時(shí)的P的最大值，得到關(guān)于R和P的PR曲線，PR曲線下的面積就是每個(gè)類別的AP值，mAP是所有類別AP值的平均值。

2.4 EDANet在多晶硅太陽電池上的缺陷檢測

2.4.1 消融實(shí)驗(yàn)

為了驗(yàn)證所提出的CGSE模塊和SCSE模塊對于原有Yolov4網(wǎng)絡(luò)的提升作用，做如表2所示的消融實(shí)驗(yàn)。其中，P、R、F分別代表準(zhǔn)確率、召回率、F測度，是評價(jià)分類效果的指標(biāo)；AP_粗線、AP_斷柵、AP_劃痕、AP_漏漿、AP_色差、AP_臟片代表粗線、斷柵、劃痕、漏漿、色差、臟片缺陷的平均精度，是評價(jià)檢測效果的指標(biāo)。在分類方面，提出的EDANet相較于原始Yolov4網(wǎng)絡(luò)均有提升；在檢測方面，對于粗線、劃痕缺陷，相比原始Yolov4網(wǎng)絡(luò)，所提出網(wǎng)絡(luò)的AP值分別提高13.82%、13.18%，說明CGSE和SCSE兩個(gè)模塊的加入，對于網(wǎng)絡(luò)性能的提升均有一定的幫助。

2.4.2 檢測結(jié)果對比

預(yù)測結(jié)果對比如圖6所示，由于多晶硅太陽電池片紋理背景復(fù)雜，漏檢、檢測率低經(jīng)常發(fā)生在檢測過程中。所提出的EDANet在性能上優(yōu)于Yolov4，例如在檢測粗線缺陷時(shí)，EDANet檢測出6條粗線缺陷，而Yolov4僅檢測出5條粗線缺陷；在檢測的準(zhǔn)確度方面，斷柵、漏漿、劃痕和臟片缺陷也能體現(xiàn)出EDANet的優(yōu)勢，其中，在劃痕缺陷的檢測中，檢測缺陷的置信度分別提升40%和35%。

2.4.3 特征圖可視化對比

類激活圖（CAM）利用特征圖權(quán)重疊加的原理將模型認(rèn)為最顯著的結(jié)果顯示出來，EDANet與Yolov4的CAM對比如圖7所示。圖7中明確地顯示出EDANet網(wǎng)絡(luò)對于缺陷位置的識別定位作用相較于Yolov4網(wǎng)絡(luò)更強(qiáng)。例如對于臟片缺陷，Yolov4網(wǎng)絡(luò)所標(biāo)識出的缺陷位置存在錯(cuò)標(biāo)的問題，而EDANet網(wǎng)絡(luò)所標(biāo)識出的缺陷位置更加精準(zhǔn)，在嵌入CGSE模塊和SCSE模塊的網(wǎng)絡(luò)可更加精準(zhǔn)地學(xué)習(xí)到缺陷特征分布，抑制復(fù)雜背景的干擾，合并特征信息以生成更多的辨識性表示信息。

2.4.4 與其他檢測框架的對比

為了驗(yàn)證所提出的EDANet在多晶硅太陽電池片缺陷檢測方面的優(yōu)勢，與其他主流檢測網(wǎng)絡(luò)進(jìn)行對比，如表3所示，表中加粗?jǐn)?shù)據(jù)為不同網(wǎng)絡(luò)中各項(xiàng)缺陷的最優(yōu)指標(biāo)。EDANet在分類方面的指標(biāo)遠(yuǎn)超其他檢測網(wǎng)絡(luò)，F(xiàn)測度值與其他網(wǎng)絡(luò)相比有極大提升，說明在智能制造過程中，EDANet檢測到的缺陷圖像不易被忽略；在檢測方面，針對6類缺陷，多數(shù)缺陷AP值均有提升，雖然色差缺陷的AP相較于Faster R-CNN略低，但僅低2.14個(gè)百分點(diǎn)，其他5種缺陷的AP值均高于其他檢測框架，相比于原始Yolov4，mAP提高10.21%，說明EDANet在復(fù)雜紋理背景下的多晶硅太陽電池片缺陷檢測中預(yù)測的結(jié)果更準(zhǔn)確。

3 結(jié) 論

本文所提出的基于Yolov4的高效雙路徑注意力網(wǎng)絡(luò)用于多晶硅太陽電池片的缺陷檢測，與Yolov4相比，針對多晶硅太陽電池片缺陷跨度大的特性，提出跨尺度空間增強(qiáng)模塊，通過重加權(quán)特征圖的方式，引導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)多種尺度大小的特征分布；針對多晶硅太陽電池片表面紋理背景復(fù)雜、缺陷微小微弱的特性，提出自校準(zhǔn)壓縮-激勵(lì)模塊，通過下采樣后特征具有較大的視場，指導(dǎo)原始特征空間中的特征變換過程，豐富輸出功能。實(shí)驗(yàn)結(jié)果表明，本文方法對各類缺陷的檢測準(zhǔn)確度都較高，mAP值達(dá)到92.07%，在多晶硅太陽電池片微小微弱、復(fù)雜多變的缺陷檢測方面取得了較好效果。

［參考文獻(xiàn)］

［1］"""" JEN C Y， RICHTER C. Doping profile recognition applied to silicon photovoltaic cells using terahertz time-domain spectroscopy［J］. IEEE transactions on terahertz science and technology， 2014， 4（5）： 560-567.

［2］"""" 李潔， 袁知博， 秦嘉悅. 基于Sobel算子邊緣檢測的太陽電池缺陷特征提取方法［J］. 太陽能學(xué)報(bào)， 2021， 42（1）： 63-68.

LI J， YUAN Z B， QIN J Y. Research on solar cells defects feature extraction based on Sobel operator edge detection［J］. Acta energiae solaris sinica， 2021， 42（1）： 63-68.

［3］"""" 王理順， 鐘勇， 李振東， 等. 基于深度學(xué)習(xí)的織物缺陷在線檢測算法［J］. 計(jì)算機(jī)應(yīng)用， 2019， 39（7）： 2125-2128.

WANG L S， ZHONG Y， LI Z D， et al. On-line fabric defect recognition algorithm based on deep learning［J］. Journal of computer applications， 2019， 39（7）： 2125-2128.

［4］"""" 李林升， 曾平平. 改進(jìn)深度學(xué)習(xí)框架Faster-RCNN的蘋果目標(biāo)檢測［J］. 機(jī)械設(shè)計(jì)與研究， 2019， 35（5）： 24-27.

LI L S， ZENG P P. Apple target detection based on improved Faster-RCNN framework of deep learning［J］. Machine design amp; research， 2019， 35（5）： 24-27.

［5］"""" 孫彥， 丁學(xué)文， 雷雨婷. 基于目標(biāo)檢測模型的人臉識別技術(shù)［J］. 計(jì)算機(jī)與網(wǎng)絡(luò)， 2019， 45（22）： 68-71.

SUN Y， DING X W， LEI Y T. Face recognition technology based"" on"" target"" detection"" model［J］."" Computers"" amp; network， 2019， 45（22）： 68-71.

［6］"""" 顧佳晨， 高雷， 劉路璐. 基于深度學(xué)習(xí)的目標(biāo)檢測算法在冷軋表面缺陷檢測中的應(yīng)用［J］. 冶金自動(dòng)化， 2019， 43（6）： 19-22， 27.

GU J C， GAO L， LIU L L. Application of object detection algorithm based on deep learning for inspection of surface defect" of" cold" rolled" strips［J］. Metallurgical" industry automation， 2019， 43（6）： 19-22， 27.

［7］"""" HOU W， TAO X， XU D. Combining prior knowledge with CNN for weak scratch inspection of optical components［J］. IEEE transactions on instrumentation and measurement， 2021， 70： 1-11.

［8］"""" ZHANG X， HAO Y W， SHANGGUAN H， et al. Detection of surface defects on solar cells by fusing multi-channel convolution neural networks［J］. Infrared physics amp; technology， 2020， 108： 103334.

［9］"""" CHEN H Y， PANG Y， HU Q D， et al. Solar cell surface defect inspection based on multispectral convolutional neural network［J］. Journal of intelligent manufacturing， 2020， 31（2）： 453-468.

［10］""" SU B Y， CHEN H Y， CHEN P， et al. Deep learning-based solar-cell manufacturing defect detection with complementary attention network［J］. IEEE transactions on industrial informatics， 2021， 17（6）： 4084-4095.

［11］""" TAO X， XU D， ZHANG Z T， et al. Weak scratch detection and defect classification methods for a large-aperture"" optical"" element［J］."" Optics"" communications， 2017， 387： 390-400.

［12］""" YI X， SONG Y H， TANG X. Weak supervised surface defect detection method based on selective search and CAM［C］// 2019 Chinese Automation Congress（CAC）， IEEE Hangzhou， China， 2019： 4386-4391.

［13］""" LI W， LIU K， ZHANG L Z， et al. Object detection based on an adaptive attention mechanism［J］. Scientific reports， 2020， 10（1）： 11307.

AN EFFICIENT DUAL-PATH ATTENTION SOLAR CELL DEFECT DETECTION NETWORK

Zhou Ying1，2，Wang Ruyi1，Yuan Zitong1，Liu Kun1，2，Chen Haiyong1，2

（1. School of Artificial Intelligence and Data Science， Hebei University of Technology， Tianjin 300130， China；

2. Hebei Control Engineering Technology Research Center， Tianjin 300130， China）

Absrtact：Aiming at the characteristics of different defect scales， large span， complex surface texture background and small defects of polycrystalline silicon solar cells， a new detection framework EDANet is proposed based on Yolov4， and two new modules are constructed： cross-scale group space enhancement （ CGSE ）module and self-calibrated squeeze and excitation（SCSE） module. CGSE module integrates features， as spatial attention， in the form of multi-scale， suppresses background， highlights foreground， and reweights feature maps and guides the network to learn the correct foreground and background feature distribution. The SCSE module establishes a long-distance dependence on each spatial location of the high-level feature in the form of channel attention， and helps the network to generate more identification representations by explicitly merging information to distinguish small and weak defects. The experimental results show that the mAP value of the network reaches 92.07%， and the accuracy of defect detection of polycrystalline silicon solar cells is significantly improved.

Keywords：object detection； solar cells； convolutional neural network； multi-scale fusion； attention mechanism