概括
本研究介绍了ASDD-Net,这是一个深度学习模型,用于使用电光成像 (EL) 检测太阳能电池中的缺陷. 这种新的算法实现了最先进的性能和实时处理,用于增强太阳能电池质量控制.
科学领域:
- 材料科学 材料科学 材料科学
- 电气工程 电气工程
- 计算机科学 计算机科学
背景情况:
- 在太阳能电池中检测缺陷对于确保光伏性能和可靠性至关重要.
- 电光成像 (EL) 是用于可视化太阳能电池地下缺陷的标准技术.
- 当前的深度学习模型在检测不同类型的缺陷和实现实时处理方面面临着挑战.
研究的目的:
- 在EL条件下开发一个深度学习算法,用于在裸体多晶太阳能电池中准确有效地检测缺陷.
- 提高模型感知各种大小和形状的缺陷的能力.
- 为了实现工业应用的实时处理能力.
主要方法:
- 提出了ASDD-Net,这是一个深度学习模型,包含下调样本调整,功能融合优化和检测头改进.
- 利用空间到深度 (SPD) 模块用于边缘和细粒度信息提取.
- 集成增强的跨阶段部分网络融合 (EC2f),混合注意力CSP网络 (HAC3) 和移动ViT_CA模块用于增强功能提取和感知.
主要成果:
- 在PVEL-AD数据集上,ASDD-Net实现了88.81%的平均平均精度 (mAP),超过了当前最先进的模型.
- 证明了ELPV和NEU-DET数据集的概括能力.
- 实现了每秒69的处理率,满足实时要求.
结论:
- ASDD-Net在EL条件下有效地检测到太阳能电池的表面缺陷,并具有高精度和效率.
- 该模型的架构增强了对不同类型缺陷的感知,并使实时缺陷检测成为可能.
- 拟议的方法为太阳能电池制造中的自动化质量控制提供了一个有希望的解决方案.
