基于改进YOLOv7模型的光伏电池片缺陷检测方法

本发明属于目标检测，涉及一种基于改进yolov7模型的光伏电池片缺陷检测方法。

背景技术：

1、近年来，太阳能作为绿色无污染的可再生能源正被广泛应用。目前，主要通过光伏电池片将太阳能转化为电能，光伏电池片是发电装置的核心组件，在使用过程中容易受到自然灾害的影响而产生各种各样的缺陷，例如隐裂、黑芯、断栅、粗线等，缺陷的产生会影响光伏电池片的发电效率，因此，电池片缺陷的检测成为光伏电厂运维的重要工作之一。

2、深度学习算法被广泛应用在光伏电池板的缺陷检测中，总体来说，深度学习目标检测算法分为两阶段(two-stage)目标检测算法和单阶段(one-stage)目标检测算法。两阶段目标检测网络首先要进行候选框的生成，然后对每个候选框进行分类和回归，但当第一阶段候选框生成不准确时，则会影响最终的检测结果。当前的单阶段网络虽然都能有效的检测出光伏电池片的某些缺陷，但仍存在检测精度和模型权重大小不平衡的问题。因此需要一种高精度的检测技术。

技术实现思路

1、本发明的目的是提供一种基于改进yolov7模型的光伏电池片缺陷检测方法，解决了现有光伏电池片检测方法存在的检测精度低的问题。

2、本发明所采用的技术方案是，基于改进yolov7模型的光伏电池片缺陷检测方法，具体包括如下过程：首先，使用ghostconv代替yolov7网络中骨干网络和颈部两部分中的普通卷积；其次，将密集卷积网络中的denseblock模块添加进骨干网络和颈部两部分；最后，引入一种wise-iou损失函数。

3、本发明的特点还在于：

4、denseblock模块结构包括有四层非线性变换输出层，网络中每一层的输入是前面所有输出的总和。

5、ghost卷积采用线性变换对特征进行提取。

6、wise-iou损失函数能够对每一个类别赋予一个权重。

7、denseblock模块通过concat连接实现了特征重用。

8、本发明的有益效果是，本发明提供的改进模型首先使用ghostconv代替yolov7网络中骨干网络和颈部两部分中的普通卷积，以减小模型的权重大小；其次，将密集卷积网络中的denseblock添加进骨干网络和颈部两部分，以增强特征提取能力和特征融合能力；最后，引入一种wise-iou损失函数，与原始yolov7网络相比，本文所提方法的模型权重大小减少了24.4％，缺陷检测精度和均值平均检测精度分别提升了9.7％和3.7％，提高了模型的检测准确率。

技术特征：

1.基于改进yolov7模型的光伏电池片缺陷检测方法，其特征在于：具体包括如下过程：首先，使用ghostconv代替yolov7网络中骨干网络和颈部两部分中的普通卷积；其次，将密集卷积网络中的denseblock模块添加进骨干网络和颈部两部分；最后，引入一种wise-iou损失函数。

2.根据权利要求1所述的基于改进yolov7模型的光伏电池片缺陷检测方法，其特征在于：所述denseblock模块结构包括有四层非线性变换输出层，网络中每一层的输入是前面所有输出的总和。

3.根据权利要求1所述的基于改进yolov7模型的光伏电池片缺陷检测方法，其特征在于：所述ghost卷积采用线性变换对特征进行提取。

4.根据权利要求1所述的基于改进yolov7模型的光伏电池片缺陷检测方法，其特征在于：所述wise-iou损失函数能够对每一个类别赋予一个权重。

5.根据权利要求2所述的基于改进yolov7模型的光伏电池片缺陷检测方法，其特征在于：所述denseblock模块通过concat连接实现了特征重用。

技术总结
本发明公开了基于改进YOLOv7模型的光伏电池片缺陷检测方法，具体包括如下过程：首先，使用GhostConv代替YOLOv7网络中骨干网络和颈部两部分中的普通卷积；其次，将密集卷积网络中的DenseBlock模块添加进骨干网络和颈部两部分；最后，引入一种Wise‑IOU损失函数。本发明解决了现有光伏电池片检测方法存在的检测精度低的问题。

技术研发人员：赵瑶,张艳玲,韩丽明,杨婉婷,王毓,李季
受保护的技术使用者：西安工业大学
技术研发日：
技术公布日：2024/3/17