摘 要：針對航天太陽電池表面缺陷檢測問題，提出基于機(jī)器視覺與深度學(xué)習(xí)的缺陷檢測方法。通過航天太陽電池缺陷檢測系統(tǒng)獲取圖像，并依據(jù)企業(yè)電池片缺陷的分類標(biāo)準(zhǔn)構(gòu)建航天太陽電池缺陷數(shù)據(jù)集。采用切片技術(shù)獲取包含缺陷目標(biāo)的子圖像數(shù)據(jù)集，解決卷積和下采樣操作信息丟失而導(dǎo)致召回率低的問題。針對不同缺陷采取適當(dāng)?shù)膱D像增強(qiáng)方式進(jìn)行擴(kuò)充數(shù)據(jù)集，以避免訓(xùn)練過程中因數(shù)據(jù)集不足導(dǎo)致的過擬合問題。采用深度可分離卷積、優(yōu)化損失函數(shù)、雙線性插值上采樣及引入注意力機(jī)制等方法對YOLOX-s算法進(jìn)行改進(jìn)，以獲得綜合效果最佳的航天太陽電池缺陷檢測模型。通過不同數(shù)據(jù)集訓(xùn)練及檢測精度指標(biāo)對比，以及消融實(shí)驗(yàn)驗(yàn)證改進(jìn)模型的有效性。通過改進(jìn)模型與同類主流模型對比實(shí)驗(yàn)，驗(yàn)證改進(jìn)模型在航天太陽電池缺陷檢測方面的優(yōu)越性。

關(guān)鍵詞：太陽電池；機(jī)器視覺；深度學(xué)習(xí)；YOLOX-s；缺陷檢測

中圖分類號：TK51；TP391.5 " " " " 文獻(xiàn)標(biāo)志碼：A

0 引 言

太陽電池作為太陽能發(fā)電系統(tǒng)中的核心部件，其材料結(jié)構(gòu)、制造工藝、表面缺陷等都是影響光伏發(fā)電系統(tǒng)發(fā)電效率和使用壽命的關(guān)鍵因素。目前，實(shí)驗(yàn)室內(nèi)的砷化鎵太陽電池的光電轉(zhuǎn)換效率高達(dá)50%，具有抗輻照性強(qiáng)、耐高溫性能好等優(yōu)點(diǎn)［1］，廣泛用于航天領(lǐng)域。但砷化鎵太陽電池在生產(chǎn)過程中常出現(xiàn)電池裂、錯位、氣泡、蓋片裂和蓋片反等缺陷，嚴(yán)重影響光電轉(zhuǎn)換效率和太陽電池使用壽命。為此，生產(chǎn)企業(yè)多采用人工全檢的模式來盡量避免缺陷產(chǎn)品投入使用，但該模式存在主觀性強(qiáng)、標(biāo)準(zhǔn)不統(tǒng)一、成本高、工作量大、效率低，以及疲勞而產(chǎn)生誤檢漏檢等問題。

近年來，基于深度學(xué)習(xí)的太陽電池缺陷檢測方法具有精度高、速度快、魯棒性強(qiáng)等特點(diǎn)，并取得了一定的應(yīng)用效果。例如，Deitsch等［2］利用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）對采用電致發(fā)光（electro luminescence，EL）方式獲取的太陽電池缺陷圖像進(jìn)行缺陷檢測，取得了88.42%的平均精度均值，而使用傳統(tǒng)支持向量機(jī)方法檢測得到的平均精度均值為82.44%；陶志勇等［3］針對太陽電池電致發(fā)光圖像，將注意力機(jī)制和Ghost卷積層引入批標(biāo)準(zhǔn)化的T-VGG輕量級CNN模型，提高了太陽電池缺陷的檢測精度；Bartler等［4］通過對基于EL成像的太陽電池圖像引入深度學(xué)習(xí)的檢測方法，實(shí)現(xiàn)了二分類問題92.27%的準(zhǔn)確率；鄧堡元等［5］通過采用深度卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對太陽電池內(nèi)部缺陷和表面缺陷的有效識別；張一平等［6］設(shè)計(jì)了全連接輔助分類器生成式對抗網(wǎng)絡(luò)（FC-ACGAN），對已有的單晶硅太陽電池電致發(fā)光圖像數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，并用于LeNet網(wǎng)絡(luò)模型訓(xùn)練，獲得了較高的缺陷識別率；蔣尚俊等［7］提出一種基于遷移學(xué)習(xí)與ResNet的太陽電池缺陷檢測方法，并實(shí)現(xiàn)了模型快速訓(xùn)練并提高太陽電池缺陷檢測的準(zhǔn)確率。綜上，國內(nèi)外相關(guān)學(xué)者將深度學(xué)習(xí)方法引入太陽電池缺陷檢測，已取得常規(guī)圖像分析與處理方法難以實(shí)現(xiàn)的效果。

本文所研究航天砷化鎵太陽電池，其結(jié)構(gòu)、外形、材料、生產(chǎn)工藝及缺陷特征與晶體硅電池均存在一定差異，其應(yīng)用領(lǐng)域?qū)﹄姵厝毕菥哂袠O低的容忍度。為提高航天太陽電池缺陷的檢測精度，本文針對航天太陽電池?cái)?shù)據(jù)集的構(gòu)建、預(yù)處理，對YOLOX-s模型的優(yōu)化與應(yīng)用開展全面研究。

1 基于機(jī)器視覺的航天太陽電池缺陷檢測系統(tǒng)

高精度視覺檢測可獲得高質(zhì)量的圖像信息，將航天太陽電池缺陷特征更好地呈現(xiàn)出來，進(jìn)而用于模型訓(xùn)練和在線檢測，圖1為基于機(jī)器視覺的航天太陽電池缺陷檢測系統(tǒng)。圖1中服務(wù)器控制上料機(jī)械手將電池抓取到傳送帶上，電池依次經(jīng)過4個檢測工位，4個工位均采用工業(yè)灰度相機(jī)采集電池圖像。工位1采用棒型白光源，主要用于錯位缺陷的檢測；工位2采用單射藍(lán)光源，主要用于電池裂缺陷的檢測；工位3采用遠(yuǎn)心鏡頭+面板式紅光源，主要用于氣泡和蓋片反缺陷的檢測；工位4采用低角度環(huán)形白光源，主要用于蓋片裂缺陷檢測。另外，同一種缺陷可能在多個檢測工位體現(xiàn)，多工位的融合亦是提高缺陷檢出率的重要舉措。基于深度學(xué)習(xí)的缺陷檢測系統(tǒng)對4個工位的圖像依次識別，服務(wù)器根據(jù)檢測結(jié)果控制分揀機(jī)械手進(jìn)行缺陷與正常電池片的分揀。

2 數(shù)據(jù)集的構(gòu)建、預(yù)處理及標(biāo)注

2.1 數(shù)據(jù)來源

本文所開展的航天太陽電池缺陷檢測研究，目前尚無開源數(shù)據(jù)集可用，需基于現(xiàn)場的積累，結(jié)合數(shù)據(jù)增強(qiáng)、預(yù)處理等手段，構(gòu)建完整的缺陷樣本數(shù)據(jù)集?；谏a(chǎn)積累及圖1圖像采集系統(tǒng)，獲得一定數(shù)量的30 mm×40 mm規(guī)格缺陷電池片原始圖像。典型缺陷圖像如圖2所示。

2.2 數(shù)據(jù)裁剪

為滿足不同尺寸電池的檢測需求，各檢測工位的視域均有一定冗余，實(shí)際的檢測圖片均有一定的無效區(qū)域。為降低對無效區(qū)域的計(jì)算量、改善卷積和下采樣操作過程中信息損失導(dǎo)致召回率低的問題，首先對采集圖像進(jìn)行初步的邊緣裁剪，僅保留電池及其邊緣較小的區(qū)域用于模型訓(xùn)練和檢測（圖2所示）。

基于圖像邊緣裁剪所獲得的航天太陽電池圖像分辨率為1834像素×1372像素，若將圖像壓縮至分辨率為640像素×640像素進(jìn)行模型訓(xùn)練會導(dǎo)致小目標(biāo)信息丟失嚴(yán)重，從而降低小缺陷檢測的召回率。若使用原始圖像尺寸訓(xùn)練會受制于GPU顯存限制。為此，本文采用圖像切片技術(shù)，將高分辨率圖像切片為包含缺陷特征的子圖像，再對每個小尺寸子圖像進(jìn)行訓(xùn)練和預(yù)測。圖像切片方法如圖3所示。

切片過程中設(shè)置重疊比為0.2，步長為512。切片完成后，再逐一篩選包含缺陷目標(biāo)的圖像作為訓(xùn)練使用的數(shù)據(jù)集。通過這種方式可保留更多小缺陷信息，提高航天太陽電池缺陷的檢測精度。

2.3 數(shù)據(jù)增強(qiáng)與擴(kuò)充

在監(jiān)督式學(xué)習(xí)過程中，為防止因樣本數(shù)據(jù)不足導(dǎo)致訓(xùn)練過程中出現(xiàn)過擬合現(xiàn)象，對現(xiàn)有數(shù)據(jù)集進(jìn)行圖像增強(qiáng)以增加缺陷數(shù)據(jù)集的數(shù)量。其中，為盡可能保留小目標(biāo)特征的完整性，對錯位和蓋片裂難檢缺陷采用幾何變換和亮度調(diào)整的增強(qiáng)方式；對電池裂、氣泡和蓋片反缺陷采用高斯模糊、對比度增強(qiáng)和幾何變換的增強(qiáng)方式。圖像增強(qiáng)前后缺陷數(shù)據(jù)集的數(shù)量變化如表1所示。以工位3電池圖像為例，其增強(qiáng)效果如圖4所示。

2.4 數(shù)據(jù)標(biāo)注

利用LabelImg標(biāo)注工具對圖像進(jìn)行標(biāo)注，缺陷與標(biāo)簽的對應(yīng)關(guān)系：錯位-mismatch、蓋片裂-glass_crack、電池裂-cell_crack、氣泡-bubble、蓋片反-glass_contrary。將表1數(shù)據(jù)集的90%隨機(jī)劃分為訓(xùn)練集，數(shù)據(jù)集的10%隨機(jī)劃分為測試集，再從訓(xùn)練集中隨機(jī)抽取10%作為驗(yàn)證集。

3 深度學(xué)習(xí)模型選取與優(yōu)化

3.1 模型選取

通過對多種模型檢測效果的比較分析，選取綜合效果較好的YOLOX-s模型用于航天太陽電池缺陷檢測。YOLOX-s網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示（圖中引入了注意力模塊）。

YOLOX-s模型的主要特點(diǎn)如下：

1） 通過引入Anchor Free方法，輸出層直接計(jì)算目標(biāo)的邊界框坐標(biāo)和類別預(yù)測值，避免了錨框點(diǎn)及其偏移量的計(jì)算量。相較于Anchor Based方法預(yù)測框中存在大量的負(fù)樣本，Anchor Free減少了負(fù)樣本的預(yù)測，緩解了正負(fù)樣本不平衡問題。Anchor Free還避免了Anchor Box超參數(shù)的反復(fù)優(yōu)化過程，降低了模型訓(xùn)練的難度。

2） 主干網(wǎng)絡(luò)通過使用Focus結(jié)構(gòu)對輸入圖像進(jìn)行下采樣和壓縮，在保留輸入特征圖高維特征的同時(shí)減少了模型的計(jì)算量和內(nèi)存占用。

3） 主干網(wǎng)絡(luò)的ReLU激活函數(shù)替換為導(dǎo)數(shù)值較大的SILU激活函數(shù)，加快了訓(xùn)練初期反向傳播的計(jì)算。同時(shí)，SILU激活函數(shù)可將所有輸入映射到非零值范圍內(nèi)，有效減少了信息丟失，顯著提高了模型的泛化能力［8］。

4） 采用動態(tài)標(biāo)簽分配策略，能動態(tài)調(diào)節(jié)閾值選擇正負(fù)樣本，更好地緩解了正負(fù)樣本不平衡的問題、更好地適應(yīng)了不同目標(biāo)的檢測場景。采用解耦頭將目標(biāo)分類和回歸任務(wù)解耦，提高了模型的檢測精度并加快網(wǎng)絡(luò)收斂速度。

3.2 YOLOX-s模型優(yōu)化

YOLOX-s性能強(qiáng)大，但對多類別目標(biāo)識別場景，其檢測精度存在一定差異。針對航天太陽電池缺陷多類別、多尺度識別問題，本文從YOLOX-s模型的卷積操作、上采樣方法和損失函數(shù)等方面開展研究，并引入注意力機(jī)制提高模型對航天太陽電池各類缺陷的綜合檢測效果。

3.2.1 深度可分離卷積

深度可分離卷積（depthwise separable convolution，DSC）將標(biāo)準(zhǔn)卷積拆分為逐通道卷積（depthwise convolution，DC）和逐點(diǎn)卷積（pointwise convolution，PC）［9］。傳統(tǒng)卷積需同時(shí)考慮輸入特征圖中每個位置和每個通道之間的相關(guān)性。而DS只負(fù)責(zé)每個通道內(nèi)部的相關(guān)性，PC則負(fù)責(zé)將不同通道的結(jié)果進(jìn)行融合。DSC通過分步考慮圖像的空間和通道信息，減少參數(shù)量和計(jì)算的復(fù)雜度，提高了深度神經(jīng)網(wǎng)絡(luò)的效率和輕量化程度。

為保證航天太陽電池缺陷檢測精度的同時(shí)減少模型的參數(shù)量和計(jì)算量，在YOLOX-s模型的主干網(wǎng)絡(luò)（CSPDarknet）、特征提取網(wǎng)絡(luò)（feature pyramid networks，F(xiàn)PN）和檢測頭（YOLO head）中采用DSC。

3.2.2 注意力機(jī)制

卷積注意力模塊（convolutional block attention module，CBAM）是用于圖像分類和目標(biāo)檢測的神經(jīng)網(wǎng)絡(luò)模塊，由通道注意力模塊（channel attention module，CAM）和空間注意力模塊（spatial attention module，SAM）組成［10］。CAM使用全局最大池化和全局平均池化來獲取特征圖中每個通道的信息，并使用兩個卷積層來融合池化后的特征圖。使用sigmoid激活函數(shù)將得到的特征圖縮放到［0，1］范圍內(nèi)，并作為通道注意力的權(quán)重系數(shù)。SAM則將通道注意力模塊輸出的特征圖作為該模塊的輸入特征圖，接著進(jìn)行基于通道的全局最大池化和全局均值池化，并將兩個池化結(jié)果進(jìn)行融合。最后經(jīng)過sigmoid生成特征圖。

考慮到Y(jié)OLOX-s特征金字塔中各層特征對于不同缺陷類別的檢測具有不同的重要程度。通過引入注意力機(jī)制，可更加靈活地調(diào)整特征的權(quán)重，更好地適應(yīng)不同的檢測目標(biāo)。另外，不同層級的特征可能存在大量冗余信息，而注意力機(jī)制可幫助模型快速定位重要特征，從而減少不必要的計(jì)算和存儲開銷。因此，在YOLOX-s特征金字塔的上采樣和下采樣后引入注意力機(jī)制CBAM（參見圖5）。

3.2.3 雙線性插值上采樣

YOLOX-s網(wǎng)絡(luò)Neck特征融合的核心是特征金字塔（feature pyramid networks，F(xiàn)PN）和路徑聚合（path aggregation networks，PAN）［11］。在PAN結(jié)構(gòu)中，使用最近鄰插值完成上采樣操作，該方法計(jì)算速度快，但采樣效果不佳。相比于鄰近插值和單次線性插值上采樣方法，雙線性插值具有更好的平滑性和圖像質(zhì)量；相比于雙三次插值上采樣方法，雙線性插值具有更快的訓(xùn)練速度。本文使用雙線性插值進(jìn)行上采樣，在保證訓(xùn)練速度的同時(shí)減少缺陷特征在采樣過程中的信息損失。

3.2.4 損失函數(shù)

損失函數(shù)用于衡量模型預(yù)測值與真實(shí)值之間的偏離程度。YOLOX-s目標(biāo)檢測算法中，損失函數(shù)主要由回歸損失、置信度損失和類別損失組成。

目前，常用的回歸損失函數(shù)包括交并比（intersection over union，IOU）［12］、廣義交并比（generalized intersection over union，GIOU）［13］、距離交并比（distance intersection over union，DIOU）［14］、完全交并比（complete intersection over union，CIOU）［15］等方法，這些方法各有優(yōu)缺點(diǎn)，且暫無一種通用的損失函數(shù)適用于所有的目標(biāo)檢測任務(wù)，針對航天太陽電池多缺陷目標(biāo)的定位和分類問題，采用實(shí)驗(yàn)對比方法選取最優(yōu)的回歸損失函數(shù)。

類別損失是用于解決目標(biāo)檢測模型在訓(xùn)練過程中存在正負(fù)樣本不平衡問題和檢測難易程度不平衡問題的損失函數(shù)。二元交叉熵?fù)p失函數(shù)解決了正負(fù)樣本不平衡問題，但一階段檢測算法的精度同樣受限于難易檢測程度不平衡問題。針對該問題，F(xiàn)ocal Loss損失函數(shù)通過引入調(diào)制系數(shù)降低易分類樣本權(quán)重，使模型訓(xùn)練時(shí)更加注重難分類目標(biāo)的損失。在航天太陽電池缺陷中，蓋片反、電池裂和氣泡是易檢測樣本，而錯位、蓋片裂屬于難檢測樣本，引入Focal Loss損失函數(shù)使模型更加關(guān)注難檢樣本，從而提高模型的綜合檢測效果。

4 實(shí)驗(yàn)分析

4.1 模型訓(xùn)練

實(shí)驗(yàn)平臺采用Intel? Core? i9-12900K處理器，圖形處理器為NVIDIA GeForce RTX3080Ti，內(nèi)存為32 GB，顯存為12 GB。采用Pytorch深度學(xué)習(xí)框架，并使用CUDA10.1和對應(yīng)版本的CUDnn進(jìn)行GPU加速訓(xùn)練。本文模型的訓(xùn)練參數(shù)統(tǒng)一設(shè)置如表2所示。訓(xùn)練過程中采用遷移學(xué)習(xí)方式，并凍結(jié)訓(xùn)練前50世代提高模型的收斂速度。

4.2 數(shù)據(jù)集優(yōu)化方案分析

為驗(yàn)證所提出切片方案的有效性，分別基于原始VOC數(shù)據(jù)集和切片VOC_Crop數(shù)據(jù)集訓(xùn)練YOLOX-s模型，并控制訓(xùn)練參數(shù)一致。最終兩個模型的評估結(jié)果對比如表3所示。為評估模型的檢測性能，引入平均精度（average precision，AP）、平均精度均值（mean average precision，mAP）、準(zhǔn)確率P、召回率R和F1分?jǐn)?shù)、幀率（frames per second，F(xiàn)PS）等指標(biāo)。其中，AP為P-R曲線下包含的面積，mAP為檢測多個類別時(shí)所有類別AP的平均值，mAP@0.5是IOU閾值為0.5時(shí)的mAP。P反映模型預(yù)測的所有目標(biāo)中預(yù)測正確的比例，R反映所有真實(shí)目標(biāo)中模型預(yù)測正確的比例。F1分?jǐn)?shù)同時(shí)考慮了P和R兩個指標(biāo)，是兩個指標(biāo)的調(diào)和平均值。FPS是反映目標(biāo)檢測速度快慢的指標(biāo)。

表3中，基于VOC數(shù)據(jù)集訓(xùn)練的模型，其mAP為92.56％，錯位和蓋片裂缺陷F1分?jǐn)?shù)均為0.85；基于VOC_Crop數(shù)據(jù)集訓(xùn)練的模型，其mAP為93.73％，蓋片裂F1分?jǐn)?shù)為0.9，錯位 F1分?jǐn)?shù)達(dá)到0.93，且檢測速度顯著提高。表3結(jié)果證實(shí)：由于卷積和下采樣過程會導(dǎo)致信息損失，使用VOC數(shù)據(jù)集訓(xùn)練時(shí)小目標(biāo)信息提取難度大，錯位和蓋片裂的召回率較差。使用切片方案可顯著提高小目標(biāo)錯位和蓋片裂缺陷的召回率。

4.3 消融實(shí)驗(yàn)

為研究不同改進(jìn)方法對YOLOX-s模型檢測精度的影響，設(shè)計(jì)多組實(shí)驗(yàn)對改進(jìn)模塊進(jìn)行對比。模型訓(xùn)練均使用VOC_Crop數(shù)據(jù)集并控制訓(xùn)練參數(shù)一致。實(shí)驗(yàn)結(jié)果如表4所示。

在損失函數(shù)方面，對比IOU、GIOU、DIOU和CIOU這4種回歸損失函數(shù)，基于GIOU損失函數(shù)的v1模型mAP最高，達(dá)到94.96%，說明GIOU損失函數(shù)能更好地反映航天太陽電池缺陷真實(shí)框與預(yù)測框的位置關(guān)系，更適用于航天太陽電池缺陷的檢測。而v4模型通過引入Focal Loss類別損失函數(shù)降低易分類樣本權(quán)重，使模型訓(xùn)練時(shí)更注重難分類目標(biāo)的損失，顯著提高模型的綜合檢測效果。

在注意力機(jī)制方面，引入CBAM注意力模塊的v5模型，其mPA比原模型YOLOX-s提高了0.37個百分點(diǎn)，表明CBAM能自適應(yīng)地選擇感興趣的圖像區(qū)域，從而提高目標(biāo)檢測模型的性能。

在卷積模塊方面，相較于采用標(biāo)準(zhǔn)卷積的原模型YOLOX-s，基于DSC的v6模型不僅參數(shù)量降低了1.535×106（參見表5），其mAP提高了0.85個百分點(diǎn)。另外，基于雙線性插值上采樣（Bilinear）的v7模型相較于使用最近鄰插值上采樣的原模型，其mAP提高了0.6個百分點(diǎn)。

消融實(shí)驗(yàn)結(jié)果表明：GIOU回歸損失函數(shù)和Focal Loss類別損失函數(shù)能顯著提高模型對航天太陽電池缺陷目標(biāo)的檢測性能。此外，通過引入注意力機(jī)制、將最近鄰插值替換為雙線性插值上采樣，以及標(biāo)準(zhǔn)卷積替換為DSC等均可在不同程度上提高模型的檢測性能。綜合以上方法對YOLOX-s改進(jìn)的模型，其mAP達(dá)到96.55%，較原YOLOX-s模型提高2.82個百分點(diǎn)，驗(yàn)證了改進(jìn)模型檢測性能的優(yōu)越性。

4.4 YOLO系列算法對比分析

為進(jìn)一步驗(yàn)證改進(jìn)方案的檢測性能，選擇YOLO系列主流模型與其對比實(shí)驗(yàn)。YOLOv5-s、YOLOv8-s和YOLOX-s模型均采用原始VOC數(shù)據(jù)集訓(xùn)練，本文改進(jìn)模型采用切片VOC_Crop數(shù)據(jù)集訓(xùn)練，設(shè)置相同的訓(xùn)練參數(shù)。模型性能對比結(jié)果如表5所示。

從表5數(shù)據(jù)可知，相較于YOLOv5-s模型，改進(jìn)模型在增加較少參數(shù)量的情況下，錯位和蓋片裂缺陷的F1分?jǐn)?shù)分別提高了0.78和0.09；相較于YOLOv8-s模型，改進(jìn)模型的參數(shù)量降低了3.763×106，且錯位和蓋片裂缺陷的F1分?jǐn)?shù)分別提高了0.41和0.11；相較于YOLOX-s原模型，改進(jìn)模型的mAP提高了3.99個百分點(diǎn)，并降低了1.535×106的參數(shù)量。綜合而言，本文改進(jìn)的YOLOX-s模型綜合檢測性能最佳，mAP最高，達(dá)到96.55%，F(xiàn)PS最快，達(dá)到2.85幀/s。

訓(xùn)練過程中4種模型的mAP變化如圖6所示?？煽闯鼋鈨鲇?xùn)練（50 epoch）之后，本文改進(jìn)模型的收斂速度快、驗(yàn)證集上的mAP高。改進(jìn)模型訓(xùn)練損失和驗(yàn)證損失的變化過程如圖7所示。隨著訓(xùn)練次數(shù)的增加，訓(xùn)練損失和驗(yàn)證損失逐漸降低，并最終趨于收斂。4種模型對同一組典型缺陷電池片的檢測效果對比如圖8所示。

由圖8可看出：4種模型均能準(zhǔn)確檢測出電池裂、氣泡及蓋片反缺陷及位置。對于錯位和蓋片裂難檢缺陷，本文改進(jìn)模型均能準(zhǔn)確檢出，而其他3種模型均存在漏檢情況，且改進(jìn)模型檢測的綜合精度值較高。

為進(jìn)一步驗(yàn)證改進(jìn)模型的應(yīng)用效果，現(xiàn)場隨機(jī)選出一定數(shù)量的典型缺陷電池進(jìn)行在線檢測，現(xiàn)場應(yīng)用效果的對比結(jié)果如表6所示。由表6得出：1）由于氣泡、蓋片裂和錯位存在較多的小目標(biāo)缺陷，改進(jìn)模型對該缺陷的正檢率明顯高于另外3種模型，說明改進(jìn)后的模型對航天太陽電池缺陷（尤其是小目標(biāo)缺陷）的檢測精度較高；2）由于蓋片反特征較易識別，4種模型均可100%檢出；3）電池裂由于存在部分較大缺陷（裂紋延伸長），切片裁剪影響了電池裂大尺度缺陷的整體特征，進(jìn)而導(dǎo)致訓(xùn)練出的模型檢測結(jié)果不如另外3種模型。為進(jìn)一步驗(yàn)證，在數(shù)據(jù)構(gòu)建過程中，針對含有電池裂缺陷的電池圖像不進(jìn)行切片，直接原圖標(biāo)注、訓(xùn)練并測試，最終結(jié)果表明改進(jìn)模型對其他缺陷檢測效果不變，對電池裂缺陷亦獲得96%的檢出率；4）針對正常電池測試，由于改進(jìn)模型提高了對小目標(biāo)缺陷的檢測能力，部分由于裂紋延伸小而被企業(yè)視為質(zhì)量合格的電池亦被改進(jìn)模型檢出，進(jìn)而導(dǎo)致改進(jìn)模型的過檢率相對較高。實(shí)際應(yīng)用中，基于企業(yè)的質(zhì)量控制，所生產(chǎn)的航天太陽電池缺陷率已控制在5%以下，由于整體數(shù)量少，適當(dāng)?shù)倪^檢量是允許的，可通過人工對所檢測出的缺陷電池進(jìn)行復(fù)核，關(guān)鍵在于提高對真實(shí)缺陷電池的檢出率、避免漏檢造成的損失。

綜合而言，改進(jìn)的YOLOX-s模型以較小的參數(shù)量取得了較好的檢測效果，尤其是對小缺陷難檢目標(biāo)的檢出率較高、FPS快，適合航天太陽電池表面缺陷的檢測。

5 結(jié) 論

針對航天太陽電池缺陷的檢測需求，研究機(jī)器視覺與深度學(xué)習(xí)相結(jié)合的缺陷檢測方法，主要研究內(nèi)容及結(jié)論如下：

1）基于企業(yè)生產(chǎn)現(xiàn)場，設(shè)計(jì)了航天太陽電池視覺檢測系統(tǒng)，并構(gòu)建了包含多種缺陷樣本的數(shù)據(jù)集。針對不同缺陷特征，采用不同的數(shù)據(jù)增強(qiáng)方案，擴(kuò)充了樣本數(shù)據(jù)集。采用切片技術(shù)，獲得包含缺陷目標(biāo)的子圖像數(shù)據(jù)集，使圖像保留更多小尺度缺陷信息。實(shí)驗(yàn)表明：基于切片子圖像數(shù)據(jù)集訓(xùn)練的模型，在測試集上的mAP提高了1.17個百分點(diǎn)，且錯位和蓋片裂難檢缺陷的F1分?jǐn)?shù)明顯增大，F(xiàn)PS顯著提高。

2）綜合DSC、優(yōu)化損失函數(shù)、雙線性插值上采樣及引入注意力機(jī)制等方法對YOLOX-s算法進(jìn)行改進(jìn)。消融實(shí)驗(yàn)結(jié)果表明：GIOU回歸損失函數(shù)和Focal Loss類別損失函數(shù)能顯著提高模型對航天太陽電池缺陷目標(biāo)的檢測性能。改進(jìn)模型的mAP達(dá)到96.55%，相較于原模型YOLOX-s提高了2.82個百分點(diǎn)。

3）現(xiàn)場隨機(jī)選出一定數(shù)量的典型缺陷電池，并將改進(jìn)模型與YOLO系列主流模型進(jìn)行對比實(shí)驗(yàn)。對比試驗(yàn)結(jié)果表明：改進(jìn)模型對小目標(biāo)缺陷的檢出率明顯高于對比模型，但部分由于缺陷較小而被企業(yè)視為質(zhì)量合格的電池亦被檢出，導(dǎo)致改進(jìn)模型的過檢率相對較高。實(shí)際應(yīng)用中，適當(dāng)?shù)倪^檢量是允許的，關(guān)鍵在于提高對缺陷電池的檢出率、避免漏檢造成的損失。

［參考文獻(xiàn)］

［1］ 李定海. 中國砷化鎵太陽能電池的發(fā)展研究［J］. 中國金屬通報(bào)， 2018（2）： 39.

LI D H. Research on the development of GaAs solar cells in China［J］. China metal bulletin， 2018（2）： 39.

［2］ DEITSCH S， CHRISTLEIN V， BERGER S， et al. Automatic classification of defective photovoltaic module cells" in" electroluminescence" images［J］." Solar" energy， 2019， 185： 455-468.

［3］ 陶志勇， 杜福廷， 任曉奎， 等. 基于T-VGG的太陽電池片缺陷檢測［J］. 太陽能學(xué)報(bào)， 2022， 43（7）： 145-151.

TAO Z Y， DU F T， REN X K， et al. Defect detection of solar cells based on T-VGG［J］. Acta energiae solaris sinica， 2022， 43（7）： 145-151.

［4］ BARTLER A， MAUCH L， YANG B， et al. Automated detection of solar cell defects with deep learning［C］//2018 26th European Signal Processing Conference （EUSIPCO）， Rome， Italy， 2018： 2035-2039.

［5］ 鄧堡元， 何赟澤， 王洪金， 等. 光伏電池圖像序列的深度學(xué)習(xí)檢測方法［J］. 機(jī)械工程學(xué)報(bào)， 2021， 57（8）： 98-106.

DENG B Y， HE BZ， WANG H J， et al. Deep learning inspection for photovoltaic cell image sequence［J］. Journal of mechanical engineering， 2021， 57（8）： 98-106.

［6］ 張一平， 許盛之， 孟子堯， 等. 基于FC-ACGAN網(wǎng)絡(luò)的太陽電池EL圖像的數(shù)據(jù)增強(qiáng)方法［J］. 太陽能學(xué)報(bào)， 2021， 42（10）： 35-41.

ZHANG Y P， XU S Z， MENG Z Y， et al. Data enhancement method of solar cell el image based on FC-ACGAN network［J］. Acta energiae solaris sinica， 2021， 42（10）： 35-41.

［7］ 蔣尚俊， 易輝， 李紅濤， 等. 基于遷移學(xué)習(xí)與ResNet的太陽電池缺陷檢測方法［J］. 太陽能學(xué)報(bào)， 2023， 44（7）： 116-121.

JIANG S J， YI H， LI H T， et al. Defect detection method of solar cells based on transfer learning and ResNet［J］. Acta energiae solaris sinica， 2023， 44（7）： 116-121.

［8］ ELFWING S， UCHIBE E， DOYA K. Sigmoid-weighted linear units for neural network function approximation in reinforcement learning［J］. Neural networks， 2018， 107： 3-11.

［9］ CHOLLET F. Xception： deep learning with depthwise separable convolutions［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Honolulu， HI， USA， 2017： 1800-1807.

［10］ WOO S， PARK J， LEE J Y， et al. CBAM： convolutional block attention module［EB/OL］. 2018： arXiv： 1807.06521. http：//arxiv.org/abs/1807.06521.

［11］ LIN T Y， DOLLáR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Honolulu， HI， USA， 2017： 936-944.

［12］ YU J H， JIANG Y N， WANG Z Y， et al. UnitBox： an advanced object detection network［C］//Proceedings of the 24th ACM International Conference on Multimedia， Amsterdam， Netherlands， 2016.

［13］ REZATOFIGHI H， TSOI N， GWAK J， et al. Generalized intersection over union： a metric and a loss for bounding box regression［C］//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， Long Beach， CA， USA， 2019： 658-666.

［14］ ZHENG Z H， WANG P， LIU W， et al. Distance-IoU loss： faster and better learning for bounding box regression［J］. Proceedings of the AAAI conference on artificial intelligence， 2020， 34（7）： 12993-13000.

［15］ ZHENG Z H， WANG P， REN D W， et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation［J］. IEEE transactions on cybernetics， 2022， 52（8）： 8574-8586.

DEFECT DETECTION FOR AEROSPACE SOLAR CELLS BASED ON IMPROVED YOLOX-s ALGORITHM

Li Zhenwei，Zhang Shihai，Qu Chongnian，Ru Chengyin，Chen Kangjing

（School of Mechanical Engineering， Tianjin University of Technology and Education， Tianjin 300222， China）

Abstract：Aiming at the problems of defect detection for aerospace solar cells， the machine vision and deep learning are combined to detect the surface defect of solar cells. The aerospace solar cells images are obtained through the vision detection system and the aerospace solar cells defect dataset is constructed according to the enterprise’s defect classification standard. So as to solve the problem of low recall rate caused by information loss of convolution and down sampling， the slicing technique is used to obtain the partial defect images of solar cells and the sub-image dataset is constructed. In order to avoid the overfitting problem caused by insufficient dataset in the model training process， the appropriate image enhancement methods are adopted to expand the dataset for different defects. The YOLOX-s algorithm is improved by using depth wise separable convolution， optimizing the loss function， adopting bilinear interpolation up sampling， and introducing convolutional block attention module， and the best comprehensive defect detection model for aerospace solar cells has been obtained. The effectiveness of the improved model has been verified through comparison of multiple detection accuracy indicators between the models trained by different datasets， as well as ablation experiments. The superiority of the improved model for aerospace solar cells defect detection is verified through comparative experiments between similar mainstream models.

Keywords：solar cells； machine vision； deep learning； YOLOX-s； defect detection