(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210569308.2 (22)申请日 2022.05.24 (71)申请人 河北工业大 学 地址 300130 天津市红桥区丁字沽光 荣道8 号河北工业大 学东院330# (72)发明人 王如意　周颖　陈海永　袁梓桐　 颜毓泽　 (74)专利代理 机构 天津翰林知识产权代理事务 所(普通合伙) 12210 专利代理师 蔡运红 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/40(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于轻量型神经网络的太阳能 电池缺陷检 测方法 (57)摘要 本发明为基于轻量型神经网络的太阳能 电 池缺陷检测方法， 该方法搭建的表 面缺陷检测模 型以轻量型注意力YOLOv5网络基础， 由输入端、 骨干网络、 特征增强部分和输出端组成； 输入端 用于数据增强， 骨干网络由Shufflenetv2网络和 全局上下文信息模块构成， Shufflenetv2网络 首 先将特征图进行一次卷积、 批归一化、 ReLU激活 函数、 池化操作， 然后依次交替进入空间下采样 单元和基本单元组成的阶段模块中， 重复三次， 获得最终的输出特征图； 特征增强部分由特征金 字塔和路径增强网络组成， 采用自下而上和自上 而下的路径对信息作进一步的融合增强； 输出端 用于计算模型的训练损失。 该模型的参数量少， 降低模型的计算复杂度， 能够 在移动端部署。 权利要求书1页 说明书5页 附图4页 CN 114897857 A 2022.08.12 CN 114897857 A 1.一种基于轻量型神经网络的太阳能电池缺陷检测方法， 其特征在于， 该方法包括以 下步骤： 第一步： 图像预处 理 1)建立太阳能电池缺陷图像库： 首先使用工业相机获取太阳能电池缺陷图像， 然后将 缺陷图像进 行旋转、 平移、 对比度加深等操作得到预处理图像， 最后对缺陷图像和预 处理图 像进行尺寸归一 化操作， 得到大小一 致的图像， 建立 为太阳能电池缺陷图像库； 2)数据集制作： 在太阳能电池缺陷图像库中以随机选取的方式选取训练集， 验证集和 测试集。 对训练集、 验证集和测试集中的每个图像分别进行标注， 添加缺陷类型和缺陷位置 信息； 第二步、 搭建表面 缺陷检测模型； 表面缺陷检测模型以轻量型注意力YOLOv5 网络基础， 由输入端、 骨干 网络、 特征增强部 分和输出端组成； 骨干网络由Shufflenetv2网络和全局上下文信息模块构成， Shufflenetv2网络首先将 特征图进行一次卷积、 批归一化、 ReLU激活函数、 池化操作， 然后依次交替进入空间下采样 单元和基本单 元组成的阶段模块中， 重复三次， 获得最终的输出 特征图； 每个空间下采样单元与基本单元的通道混洗之后均 连接有一个全局上下文信 息模块， 全局上下文信息模块将输入的特征图复制为两组， 一组依次经过上下文建模模块和转换模 块， 另一组不做操作， 最后 将两组相加； 全局上下文信息模块包括上下文建模模块和转换模 块， 上下文建模模块将 输入的特征图复制为两组， 一组依次经过1 ×1卷积和softmax激活函 数操作， 对输入特征图取权重， 另一组不做操作， 最后将两组相乘， 对输入特征图进行权重 赋值， 提取了上下文信息； 转换模块将输入特征图依次进行1 ×1卷积、 层归一化、 ReLU激活 函数和1×1卷积操作， 用于提取特征， 调整 特征图的大小； 特征增强部 分由特征金字塔和路 径增强网络组成， 采用自下而上和自上而下的路径对信息作进一 步的融合增强。 第三步、 对表面缺陷检测模型进行训练， 将训练后的表面缺陷检测模型用于太阳能电 池缺陷检测。权　利　要　求　书 1/1 页 2 CN 114897857 A 2基于轻量型神经 网络的太阳能电池缺陷检测方 法 技术领域 [0001]本发明涉及图像缺陷检测技术领域， 具体涉及一种基于轻量型神经网络的太阳能 电池缺陷检测方法。 背景技术 [0002]太阳能电池是一种通过吸收太阳光， 将太阳辐射能通过光电效应或者光化学效应 直接或间接转换成电能的电池。 太阳能电池在生产和 运输过程中， 不可避免地会对电池造 成损失， 导致表面缺陷， 常见的缺陷类型主要有粗线、 断栅、 漏浆、 色差、 脏片、 划痕等。 由于 电池大多采用阵列安装方式， 某一小块电池的缺陷可能会造成整块电池性能的下降， 因此， 在生产过程中太阳能电池表面检测缺陷具有重要作用。 密集的栅线被布置在太阳能电池 上， 在表面形成规则纹理， 这给表面缺陷检测带来了很大 的困难。 目前， 大多数的太阳能电 池生产厂主要采用人工检测方式， 依靠工作人员的视觉判断， 人工检测方式不仅容易造成 肉眼疲劳， 还 会受到人为主观因素的影响， 造成误判。 [0003]随着计算机视觉技术的发展以及算力的提升， 计算机视觉技术被广泛应用于各行 各业， 计算机视觉技术不仅能够解决人工检测方式的不足， 还可以提高产品的生产效率和 优品率。 [0004]申请号202110646252.1的专利申请公开了一种太阳能电池表面缺陷检测方法， 先 通过三支路空洞卷积块进一步提取和融合不同尺度、 不同感受野的特征， 再分别通过RPN的 分类和回归分支网络进行分类和回归， 但是该方法仅仅对于粗线和裂纹两种缺陷检测效果 较好， 对于虚焊检测效果较差； 同时， 基于Resnet101的主干网络模型参数量过大， 不利于实 际部署。 申请号202010429805.3的专利申请在Faster  R‑CNN卷积神经网络的基础上引入跨 层连接的思想， 采用多尺度的方式进行目标候选框的提取， 但是由于该方法采用的是 Faster R‑CNN卷积神经网络， 由于其是二阶段网络， 其参数量与计算量非常大， 实时性无法 保证。 [0005]为了达到较高的检测效果， CNN的网络结构也变得越来越复杂， 参数量日益增多， 计算复杂度逐渐升高。 对于那些嵌入式设备不能够满足实时性的要求， 因此亟需开发一个 轻量化的太阳能电池缺陷检测模型。 发明内容 [0006]针对现有技术不足， 本发明拟解决的技术问题是， 提供一种基于轻量型神经网络 的的太阳能电池缺陷检测方法。 [0007]本发明解决所属技 术问题所采用的技 术方案如下： [0008]一种基于轻量型神经网络 的太阳能电池缺陷检测方法， 其特征在于， 该方法包括 以下步骤： [0009]第一步： 图像预处 理 [0010]1)建立太阳能电池缺陷图像库： 首先使用工业相机获取太阳能电池缺陷图像， 然说　明　书 1/5 页 3 CN 114897857 A 3