在光伏电池板的生产过程中,在可见光下光伏电池表面缺陷检测已经成为制造过程中的关键工艺环节。多晶硅光伏电池片的表面缺陷检测具有背景复杂不均匀、晶格特征不可控、特征种类较多等特点,其缺陷种类包括漏浆、断栅、划痕、色差、粗线、脏片等,所以多晶硅光伏电池片的表面缺陷检测是一种非均匀纹理背景下的多特征检测。当前的光伏电池表面检测大多依靠人工肉眼检测,部分传统的人工特征提取和机器学习算法针对性较强,无法适应于所有种类的光伏电池表面缺陷检测。为此,本文聚焦于基于深度学习的多晶硅电池片表面缺陷视觉智能检测,逐步实现了光伏电池表面多种类缺陷的分类与检测。本文实现了光伏电池卷积神经网络模型的优化设计,提出了多光谱卷积神经网络模型,显著提高了检测分类正确率和特征提取的能力;然后提出了改进的多尺度类别激活映射模型,进一步提高了光伏电池表面缺陷的缺陷位置的检测效果。本文的具体研究内容与贡献如下:一、为了解决光伏电池表面非均匀复杂纹理背景下的多类别缺陷检测问题,本文将卷积神经网络(Convolutional Neural Network,CNN)用于光伏电池的表面缺陷检测,并建立了规范可靠的光伏电池表面缺陷的深度学习数据集,然后通过对模型深度和宽度进行调整,评估了不同CNN模型的模型深度与卷积核尺寸对光伏电池表面缺陷分类结果的影响,选择效果最好的结构参数建立光伏电池Solar-CNN模型。二、为了提升CNN模型的分类效果,本文提出基于多光谱深度卷积神经网络(Multispectral Convolutional Neural Network,MS-CNN),大大提高了分类效果的准确性。通过对缺陷在多个光谱中的表现特征进行分析,利用图像多光谱信息特征分离提取的方法,强化模型对多光谱图像信息特征的提取能力,构建了多光谱卷积神经网络模型,增强了模型对纹理背景特征和缺陷特征的区分能力。然后利用K折交叉验证遍历所有训练数据,最终实验结果表明多光谱CNN模型可以有效的解决电池片表面背景纹理复杂、缺陷特征多样、形状随机的问题,并且强化了模型对多个光谱信息特征的提取能力,具有更高的准确性和更强的稳定性,缺陷识别准确率达到95%以上。三、为了实现光伏电池表面缺陷的位置检测并提高检测效果,本文提出了多尺度类别激活映射模型(Multiscale Class Activation Mapping,MCAM),提高了类别激活(CAM)模型在光伏电池表面缺陷检测与分割的准确性和适应性。本文实现了模型低级特征与高级特征的多尺度混合,结合多光谱CNN实现了基于多尺度的类别激活映射模型,改进后的多尺度CAM模型具有更加准确的背景区分能力和特征识别能力。