本发明涉及计算机视觉，更具体地说，本发明涉及一种基于改进yolov8n的光伏电池电致发光缺陷图像检测方法。
背景技术：
1、随着不可再生能源大量使用和消耗，环境污染日益严重。为应对这一挑战，各地积极推动可再生能源的发展。其中，利用光伏电池，将太阳能转化为为电能的设备，具有清洁，可再生等多种优势，可以被广泛地运用于不同的工业生产场景中。然而，光伏电池在生产，运输，使用和维护的过程中，难免会产生裂纹，粗线等各种缺陷，影响光电转化效率。现有的光伏电池电致发光的缺陷检测技术主要分为人工，物理方法和机器学的图像分析方法。
2、早期采用人工检测的方法容易造成人力物力浪费的情况，效率低下。物理的方法大多依赖声波、电磁、红外辐射等特性分析太阳能电池片，这些方法通常只能针对特定种类的缺陷进行检测，且所需的检测设备价格昂贵。部分接触式的检测手段还可能对被测试样品造成进一步的损害。基于机器学习的图像分析技术利用统计分析、滤波算法及深度学习等方法对太阳能电池片进行检测。传统的图像处理技术在缺陷识别方面存在种类单一和对光学环境要求较高的问题，而深度学习方法则展现出更强的鲁棒性和泛化能力。
3、鉴于此，本发明提供一种基于改进yolov8n的光伏电池电致发光缺陷图像检测方法。
技术实现思路
1、为了克服现有技术中的问题，本发明提出一种基于改进yolov8n的光伏电池电致发光缺陷图像检测方法，以解决现有技术存在的光伏电池致电发光缺陷图像检测种类少、检测精度不高、鲁棒性差等问题。
2、根据本发明的一个方面，提供了一种基于改进yolov8n的光伏电池电致发光缺陷图像检测方法，包括以下步骤：
3、步骤一：从实验室获取电致发光缺陷图像数据集，依据实际需要对缺陷样本图像进行数据清洗。
4、步骤二：对获取的图像数据集样本进行预处理，并在数据集中划分训练集和验证集。
5、步骤三：对yolov8n算法的模型进行改进，然后使用改进的yolov8n算法对数据集进行训练，依据实际需求对模型的参数进行调整。
6、步骤四：将训练好的模型根据部署策略固定在检测机器或移动设备中。
7、优选地，所述采集光伏电池电致发光缺陷图像包括以下步骤：依据实际需求选用工业相机和镜头，通过特定光学测试实验平台对光伏电池电致发光下的图像进行采集；所述缺陷样本分辨率为1024×1024，所述缺陷类型包括但不限于裂纹，断栅，黑芯和粗线。
8、优选地，所述预处理实验图像数据集包括：使用labelimg标注处理生成yolo格式的txt文件；使用mosaic数据增强技术对缺陷图像数据集进行扩充，对图像进行随机的排布拼接；最后，将数据集按照8：2的比例分为训练集和验证集。
9、优选地，所述yolov8n算法的模型改进包括以下方面：
10、使用dynamic snake卷积(dsconv)替换主干网络中c2f中的普通卷积，构成c2f-dsconv模块；
11、使用tripletattention注意力机制(ta)替换特征融合网络中的c2f模块；
12、使用selfattention检测头(detect-sa)替换原有的解耦头。
13、优选地，dsconv卷积对输入图片进行特征提取，采用拓扑连续性约束损失来保证在特征提取时，卷积核提取位置偏移的有效性，从而能够提取细小的局部特征。
14、优选地，在特征融合层引入了ta注意力机制，减少在特征融合时噪声等问题，增强不同尺度的特征的相关性。
15、优选地，使用基于hyctas模型提出的自注意力机制，从而构建出新的自注意力检测头detect-sa，通过其中的自注意力模块以及轻量化卷积模块，使模型在提取更广泛的上下文的同时，又能减少模型的计算量。
16、优选地，将模型部署在配有显示器、摄像头、计算板卡和储能装置的移动设备上,用于在光伏电池生产现场对光伏电池进行实时的质量检查和安全排查。
17、本发明一种基于改进yolov8n的光伏电池电致发光缺陷图像检测方法的技术效果和优点：
18、本发明克服现有技术存在多晶硅太阳能电池片表面缺陷检测种类少、检测角度低、鲁棒性强等问题；改进后的模型对于细小的缺陷目标具有更高的检测精度，在速度上能够满足工业实时检测需求。
1.一种基于改进yolov8n的光伏电池电致发光缺陷图像检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于改进yolov8n的光伏电池电致发光缺陷图像检测方法，其特征在于，采集光伏电池电致发光缺陷图像包括以下步骤：依据实际需求选用工业相机和镜头，通过特定光学测试实验平台对光伏电池电致发光下的图像进行采集；所述缺陷样本分辨率为1024×1024，所述缺陷类型包括但不限于裂纹，断栅，黑芯和粗线。
3.根据权利要求1所述一种基于改进yolov8n的光伏电池电致发光缺陷图像检测方法，其特征在于，预处理实验图像数据集包括：使用mosaic数据增强技术对缺陷图像数据集进行扩充，对图像进行随机的排布拼接；将数据集按照8：2的比例分为训练集和验证集。
4.根据权利要求1所述一种基于改进yolov8n的光伏电池电致发光缺陷图像检测方法，其特征在于，所述yolov8n算法为基础的改进包括以下方面：
5.根据权利要求4所述一种基于改进yolov8n的光伏电池电致发光缺陷图像检测方法，其特征在于，dsconv卷积对输入图片进行特征提取，采用拓扑连续性约束损失来保证在特征提取时，卷积核提取位置偏移的有效性，从而能够提取细小的局部特征。
6.根据权利要求4所述一种基于改进yolov8n的光伏电池电致发光缺陷图像检测方法，其特征在于，在特征融合层引入了ta注意力机制，减少在特征融合时噪声等问题，增强不同尺度的特征的相关性。
7.根据权利要求4所述一种基于改进yolov8n的光伏电池电致发光缺陷图像检测方法，其特征在于，使用基于hyctas模型提出的自注意力机制，从而构建出新的自注意力检测头detect-sa，通过其中的自注意力模块以及轻量化卷积模块，使模型在提取更广泛的上下文的同时，又能减少模型的计算量。
8.根据权利要求4所述一种基于改进yolov8n的光伏电池电致发光缺陷图像检测方法，其特征在于，将模型部署在配有显示器、摄像头、计算板卡和储能装置的移动设备上,用于在光伏电池生产现场对光伏电池进行实时的质量检查和安全排查。
