基于弱监督学习的太阳能电池EL图像缺陷检测模型

刘春娟; 王毅翔; 吴小所

兰州交通大学学报 ›› 2026, Vol. 45 ›› Issue (4) : 19 -29.

刘春娟, 王毅翔, 吴小所

作者信息 +

Author information +

文章历史 +

摘要

针对太阳能电池电致发光（EL）图像缺陷检测中难以平衡精度与像素级标注成本高昂的问题，提出一种基于图像级标签的弱监督检测方法。该方法以DenseNet-121为主干网络，在每个过渡层后嵌入卷积块注意力模块（CBAM），构建多层次特征校准机制，增强模型对缺陷区域的聚焦能力。采用改进的类激活映射（CAM）技术，设计动态权重融合策略合并两层全连接层权重，提升特征通道与分类目标的语义关联性，并利用自适应阈值与形态学后处理生成高质量伪掩码，进一步通过轮廓检测与最小外接矩形自动输出YOLO格式检测框。在训练阶段，引入加权采样、组合损失函数（Focal Loss+标签平滑）和OneCycle学习率调度策略，有效缓解类别不平衡问题，提升细粒度分类性能。在南京工业大学提供的实际产线EL图像数据集上进行四分类任务（污染、划痕、结构缺陷、吸盘印）实验，该数据集共5 389张样本，仅使用图像级标签。实验结果表明，本文方法取得了0.805 7的宏平均F1分数与81.17%的准确率，优于多种全监督基线模型；消融实验验证了各核心组件的有效性，定位可视化展示了模型在弱监督条件下生成合理检测框的能力。该方法在保持良好检测性能的同时显著降低了标注成本，为工业光伏组件缺陷的高效质量检测提供了可行技术方案。