ShanghaiTech University Knowledge Management System
| 基于改进YOLOv5的光伏组件缺陷检测 | |
| 其他题名 | Improved YOLOv5-Based Defect Detection in Photovoltaic Modules |
| 2023-02-08 | |
| 发表期刊 | 激光与光电子学进展 (IF:0.9[JCR-2023],0.6[5-Year]) |
| ISSN | 1006-4125 |
| 卷号 | 60期号:20页码:2015005 |
| 发表状态 | 已发表 |
| DOI | 10.3788/LOP223155 |
| 摘要 | 电致发光（EL）检测技术作为太阳电池和组件缺陷检测的重要手段被广泛运用，但是EL检查中的缺陷筛查仍然需要持续完善。为了克服以往研究中可识别缺陷的种类少、无法对缺陷进行定位、模型参数多体积大及检测速度慢的局限性，使用改进的YOLOv5网络对电致发光图片中常见的隐裂、断栅、裂片和黑斑4类主要缺陷进行检测和分类。使用Ghost模块代替YOLOv5骨干提取网络中的普通卷积模块，减少网络模型的参数量；为了保证良好的检测性能，在骨干网络尾端加入Squeeze-and-Excitation(SE)注意力模块，提升算法的目标检测能力；在特征融合网络中引入双向特征金字塔网络（BiFPN）结构，进一步加强网络的特征融合能力。结果表明，所提模型成功地识别和定位了4类常见的缺陷，与YOLOv5算法相比，模型体积减小了21%，在没有GPU加速的情况下，单张图片的检测速度提升了17.4%。 |
| 关键词 | 缺陷检测 电致发光 YOLOv5 Ghost模块 注意力机制 特征融合 |
| URL | 查看原文 |
| 收录类别 | CSCD ; 北大核心 |
| 语种 | 中文 |
| 原始文献类型 | 学术期刊 |
| 来源库 | CNKI |
| 中图分类号 | TP391.41;TM615 |
| 文献类型 | 期刊论文 |
| 条目标识符 | https://kms.shanghaitech.edu.cn/handle/2MSLDSTB/299870 |
| 专题 | 物质科学与技术学院 物质科学与技术学院_特聘教授组_刘正新组 物质科学与技术学院_硕士生 |
| 通讯作者 | 刘正新 |
| 作者单位 | 1.中国科学院上海微系统与信息技术研究所 2.上海科技大学物质科学与技术学院 3.中国科学院大学材料与光电研究中心 |
| 第一作者单位 | 物质科学与技术学院 |
| 通讯作者单位 | 物质科学与技术学院 |
| 推荐引用方式 GB/T 7714 | 郭岚,刘正新. 基于改进YOLOv5的光伏组件缺陷检测[J]. 激光与光电子学进展,2023,60(20):2015005. |
| APA | 郭岚,&刘正新.(2023).基于改进YOLOv5的光伏组件缺陷检测.激光与光电子学进展,60(20),2015005. |
| MLA | 郭岚,et al."基于改进YOLOv5的光伏组件缺陷检测".激光与光电子学进展 60.20(2023):2015005. |
| 条目包含的文件 | ||||||
| 文件名称/大小 | 文献类型 | 版本类型 | 开放类型 | 使用许可 | ||
| 个性服务 |
| 查看访问统计 |
| 谷歌学术 |
| 谷歌学术中相似的文章 |
| [郭岚]的文章 |
| [刘正新]的文章 |
| 百度学术 |
| 百度学术中相似的文章 |
| [郭岚]的文章 |
| [刘正新]的文章 |
| 必应学术 |
| 必应学术中相似的文章 |
| [郭岚]的文章 |
| [刘正新]的文章 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
修改评论
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。