鱼优化算法和MNS-YOLO的融合用于太阳能电池缺陷检测

科学领域:

• 可再生能源系统可再生能源系统
• 建筑中的人工智能
• 材料科学 材料科学 材料科学

背景情况:

• 太阳能在建筑中的整合需要可靠的建筑光伏.
• 精确的太阳能电池缺陷检测对于光伏效率和可靠性至关重要.
• 现有的深度学习模型忽略了太阳能电池缺陷检测的超参数影响.

研究的目的:

• 提出CMNS-YOLO,一种混合模型,将鱼优化算法 (COA) 与MNS-YOLO相结合,用于增强太阳能电池缺陷检测.
• 为了改善特征表示和太阳能电池缺陷的细节恢复.
• 为了优化网络超参数,以获得更高的检测准确度.

主要方法:

• 介绍C2f-MLLA模块使用Mamba-Like线性注意力来增强缺陷特征表示.
• 开发一个双向特征金字塔频率感知特征融合网络,以改善细节恢复和特征融合.
• 整合ShapeIoU以解决尺寸比例不对齐问题和构建一个改进的MNS-YOLO网络.
• 使用COA进行MNS-YOLO网络参数优化.

主要成果:

• 与基线模型相比,CMNS-YOLO模型在PV-Multi-Defect数据集上提高了6.3%,在PVELAD数据集上提高了2.3%.
• 拟议的模型成功地保持了轻量级的特点.
• 增强了表现目标特征和恢复太阳能电池缺陷细节的能力.

结论:

• CMNS-YOLO在太阳能电池缺陷检测准确性和效率方面取得了重大进展.
• 混合方法有效地优化了光伏应用的深度学习模型.
• 该方法显示了在太阳能电池检查和维护中实际部署的巨大潜力.