摘要
太阳能电池表面具有异质纹理和复杂背景的相似且难以确定的缺陷检测是太阳能电池制造中的一个挑战。传统的制造过程依赖于人工目视检测，这需要大量工人且检测效果不稳定且不佳。为了解决这一问题，本文设计了一种基于多光谱深度卷积神经网络（CNN）的视觉缺陷检测方法。首先，建立了选定的CNN模型，并通过调整模型的深度和宽度，评估了模型深度和卷积核大小对识别结果的影响，从而选择了最优的CNN模型结构。其次，分析了太阳能电池彩色图像的光谱特征，发现不同类型的缺陷在不同的光谱带中表现出不同的可区分特性。因此，构建了一个多光谱CNN模型，以增强模型对复杂纹理背景特征和缺陷特征的区分能力。最后，实验结果和K折交叉验证表明，多光谱深度CNN模型能够有效检测太阳能电池表面缺陷，具有更高的准确性和更强的适应性。缺陷识别的准确率达到了94.30%。应用此类算法可以提高太阳能电池制造的效率，并使制造过程更加智能化。