表面缺陷检测已经成为太阳能电池板生产过程的关键工艺环节之一。多晶硅太阳能电池片的表面缺陷种类包括漏浆、断栅、划痕、色差、粗线、脏片等。这些缺陷电池片从本身的背景颜色,纹理到形状都具有非常大的差异。同时,由于缺陷的低发生率以及人工标记不同缺陷样本的复杂过程,精确标记样本的代价十分昂贵。而这也限制了深度学习类的方法在表面缺陷检测领域的应用。在智能制造的背景下,本文基于弱监督学习的缺陷检测方法,改进现有的基于深度学习的表面缺陷视觉检测框架,一定程度上摆脱了对精确标记的缺陷样本的依赖,并且提升了多晶硅电池表面缺陷的分类与分割性能。具体来讲,提出了带有注意力机制和最小-最大熵的卷积神经网络模型,显著提高了检测分类正确率和特征提取的能力;进一步地融合了多尺度类激活映射模型,提高了太阳能电池表面缺陷的缺陷区域的检测性能。同时,所提出的弱监督机器学习方法不需要精确的像素级标记即可达到精确的缺陷区域分割效果,减少了人工标记数据集的工作量。本文的具体研究内容与贡献如下:一、为了解决太阳能电池表面非均匀复杂纹理背景下的多类别缺陷分类问题,本文首先制作了太阳能电池表面缺陷的深度学习数据集,分析了现有的卷积神经网络结构性能,并对比了不同结构的深度卷积神经网络性能,之后,选择效果最好的网络结构进行分割任务。进一步地,将卷积神经网络的分类层替换为随机森林分类器,它使得CNN对复杂背景下多晶硅太阳能电池的缺陷分类任务更具有鲁棒性。二、为了提升模型的分割效果,本文提出基于密集连接注意力网络的缺陷分类框架（CBA-CAM）,显著提高了分类效果的准确性和鲁棒性。进一步地,通过在密集连接网络的侧路连接中中引入注意力机制,抑制背景,突出缺陷区域响应,选择相应更强的特征,增强了模型对纹理背景和缺陷特征的区分能力。在实验过程中,用K折交叉验证遍历所有实验图片以证明模型没有发生过拟合。最终实验结果表明所提出的密集注意力连接的缺陷检测框架可以有效地抑制电池片纹理复杂的表面背景,准确分类特征多样、形态随机的缺陷。在此基础上,在背景纹理不同的数据集上进行了验证,得到了良好的实验性能,证实了提出的模型获得了更高的准确率、通用性和鲁棒性。三、在上述模型的基础上,为了进一步提升缺陷分割效果,本文提出了基于串联注意力和最小-最大熵的类别激活映射模型。在密集连接注意力的基础上,将目标与背景分离并分别进行反向传播,且在训练时使用新的损失函数——最小-最大熵以代替传统的交叉熵。同时,引入图像擦除和上面的密集连接注意力网络,以降低误响应的区域,从而提升缺陷区域分割的效果。本方法进一步提高了类激活图这类弱监督方法对于多晶硅电池表面缺陷检测与分割问题的分割效果和鲁棒性。在最小-最大熵和注意力机制的作用下,改进后的MME-ACAM模型具有更加准确的背景区分和特征识别能力,分割效果取得了显著提升。所提出的两种弱监督方法仅需要图片的类别标签,从而减弱了对精确标记训练样本的依赖。本方法同样对不同类型的表面缺陷有效,这证明了所提出的新损失函数和擦除算法对弱监督缺陷区域分割任务的通用性。