基于Ghost卷积结合BottleneckCSP与微小目标预测头并集成YOLOv5的光伏面板缺陷检测
计算机视觉与模式识别
2023-03-03 v1
摘要
光伏(PV)面板表面缺陷检测技术对于光伏行业进行智能维护至关重要。利用计算机视觉技术检测光伏面板表面缺陷，能够在减少传统工人现场巡检工作量的同时确保更好的精度。然而，光伏面板表面存在多个微小缺陷且不同缺陷间高度相似，使得准确识别和检测此类缺陷具有挑战性。本文提出一种名为Ghost卷积结合BottleneckCSP与微小目标预测头并集成YOLOv5(GBH-YOLOv5)的光伏面板缺陷检测方法。为保障在多尺度目标上的更好精度，引入BottleneckCSP模块以增加用于微小目标检测的预测头，缓解微小缺陷漏检，并利用Ghost卷积提升模型推理速度、减少参数量。首先，对原始图像进行压缩与裁剪以在物理上放大缺陷尺寸。随后，将处理后的图像输入GBH-YOLOv5，基于Ghost卷积、BottleneckCSP模块应用及微小目标预测头通过网路处理提取深度特征。最后，提取的特征经特征金字塔网络(FPN)与路径聚合网络(PAN)结构进行分类。同时，我们将所提方法与SOTA方法比较以验证其有效性。所提光伏面板表面缺陷检测网络将mAP性能至少提升了27.8%。
引用
@article{arxiv.2303.00886,
title = {Photovoltaic Panel Defect Detection Based on Ghost Convolution with BottleneckCSP and Tiny Target Prediction Head Incorporating YOLOv5},
author = {Longlong Li and Zhifeng Wang and Tingting Zhang},
journal= {arXiv preprint arXiv:2303.00886},
year = {2023}
}
备注
16 pages, 8 figures