MRA-YOLOv8:一个网络增强功能提取能力的光伏电池缺陷的网络
Nannan Wang1, Siqi Huang1, Xiangpeng Liu1
1College of Information, Mechanical and Electrical Engineering, Shanghai Normal University, Shanghai 201418, China.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
一种新的缺陷检测方法,MRA-YOLOv8,通过提高特征提取和小物体检测准确度来改善光伏电池检查. 这种先进的模型为工业传感器和无人机检查提供了更好的性能和部署潜力.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 工业传感器捕获光伏电池图像具有复杂的背景和罕见的缺陷.
- 准确的缺陷检测对于保持光伏电池效率和可靠性至关重要.
研究的目的:
- 开发一种新的缺陷检测方法,MRA-YOLOv8,用于光伏电池图像.
- 在具有挑战性的工业成像条件下提高检测精度和稳定性.
- 增强模型识别小而罕见缺陷的能力.
主要方法:
- 引入了多分支协调注意网络 (MBCANet) 进入脊柱,以减少噪音和特征提取.
- 将多路径特征提取模块 (ResBlock) 集成到子中,以获得更细致的多尺度特征.
- 在头部实现了基于alpha-minimum点距离的IoU (AMPDIoU) 损失函数,以改进小物体检测.
主要成果:
- 在PVEL-AD数据集上,MRA-YOLOv8实现了91.7%的mAP50,超过YOLOv8的3.1%和DETR的16.1%.
- 在SPDI数据集中,MRA-YOLOv8达到69.3%mAP50,超过YOLOv8的2.1%和DETR的6.6%.
- 该方法证明了与无人机检查系统的有效集成以及使用GANs生成合成数据的潜力.
结论:
- MRA-YOLOv8显著提高了光伏电池的缺陷检测,解决了复杂背景和低缺陷发生的挑战.
- 与现有的主流方法相比,拟议的模型提供了更高的性能,表明其实际价值.
- MRA-YOLOv8显示了现实应用的巨大潜力,包括高效的光伏电厂检查和通过合成数据增强改进的泛化.
