基于多尺度增强特征提取的光伏电池缺陷检测深度学习模型创新研究

本文提出了一种基于YOLOv10改进的光伏电池缺陷检测算法YOLO-MBR，通过引入多头自注意力机制(MHSA)、感受野坐标注意力卷积模块(RFCAConv)和双向特征金字塔网络(BiFPN)，显著提升了模型对微小缺陷的检测能力，在PVEL-AD数据集上达到90.3%的准确率，较原模型提升5.2%，并验证了在红外热成像等多模态数据中的泛化能力。

　　

Highlight

针对光伏电池缺陷检测中数据集内容不足、缺陷模糊难识别等问题，本文提出的YOLO-MBR算法如图1所示（彩色模块为改进部分），通过三大创新模块实现突破性进展。

C2f-M模块

跨阶段部分瓶颈双卷积(C2f)模块虽能进行多层级特征提取，但其通道特征提取能力存在局限。我们通过集成多头自注意力机制(MHSA)，使模型能动态聚焦关键通道特征，补偿了原模块在上下连接通道的特征提取不足问题。

数据集

实验采用北京航空航天大学与河北工业大学联合发布的PVEL-AD数据集，包含裂纹、断栅、黑芯等12类光伏电池异常缺陷，共计36,543张图像（含4,500张标注图像）。该数据集充分模拟了真实场景的复杂性。

实验

所有实验均在统一环境下进行（详见表1），硬件配置包括NVIDIA RTX 3090显卡和PyTorch框架。通过消融实验证实，C2f-M模块使mAP提升2.1%，RFCAConv模块带来3.4%的增益，而BiFPN-Concat组合进一步优化了特征传递路径。

红外数据集表现

在Marcos Gabriel发布的Kaggle红外数据集（含二极管和热点两类10,638个标注）测试中，YOLO-MBR对微米级热点缺陷的检出率达88.7%，显著优于传统算法。

结论

YOLO-MBR算法通过三大核心改进，在光伏电池缺陷检测领域实现90.3%的准确率突破，其创新性的多尺度特征融合架构为新能源设备智能运维提供了新范式。