仪器仪表学报

作者：陈俊生，陈沂蒙，刘明杰，朴昌浩

单位：陈俊生,重庆邮电大学自动化学院重庆400065,chenjunsheng@cqupt.edu.cn,陈沂蒙,重庆邮电大学自动化学院重庆400065,,刘明杰,重庆邮电大学自动化学院重庆400065,,朴昌浩,重庆邮电大学自动化学院重庆400065,

关键词：MFES-YOLOv8;光伏电池缺陷检测;特征提取;特征表达;特征融合

基金：国家重点研发计划(2022YFE0101000)项目资助

针对现有目标检测方法在光伏电池电致发光图像中存在的小目标漏检率高、复杂背景干扰鲁棒性不足及跨尺度缺陷检测能力有限等问题,提出基于MFES-YOLOV8n的缺陷检测模型,旨在提升工业场景下的检测精度与效率。首先,在主干网络中嵌入C2f-ST特征提取模块,通过SwinTransformer的窗口自注意力机制,增强微小缺陷的局部-全局特征关联,结合残差连接保留浅层细节特征,提升细粒度特征提取能力;其次,设计ES-SPPCSPC特征表达模块,融合群卷积与增强型SimAM注意力机制,通过能量基、通道和空间三重注意力协同优化,动态抑制背景噪声,增强缺陷特征特异性;最后,构建MSFF-Neck多尺度特征融合模块,采用尺度序列特征融合和三重特征编码策略,实现深层语义与浅层细节的互补交互,缓解多尺度特征衰减问题。实验在PVEL-AD数据集上验证了模型的有效性,结果表明,该模型以6.1M参数量达到0.897的mAP@0.5,较基准模型YOLOv8n提升3.0%。本研究通过“细粒度特征提取—跨尺度语义增强—多层级特征融合”的递进式优化,突破了传统模型在多类别跨尺度缺陷检测中的性能瓶颈,为工业场景提供了高精度、轻量化且适配边缘计算的缺陷检测方案,在维持低计算复杂度的同时,满足工业场景对实时性与可靠性的要求,为推动光伏产业质量控制与智能化运维提供了技术支持。

来源：2025年第6期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第6期