对于太阳能电池板的缺陷分类,大多数厂家还是采用人工检测的方法,该方法很容易使人疲劳,造成误判。本文采用基于联合训练方法的太阳能电池板缺陷重建扩充小样本数据集,并与常见的采用深度卷积生成对抗网络扩充方法进行对比,通过改进的神经网络模型对五种缺陷进行分类,实现了基于机器视觉的太阳能电池板的缺陷识别。具体工作如下:首先进行了太阳能电池板图片的收集,对存在图像倾斜、有黑边、缺陷特征不明显的图片进行预处理,其中包括使用霍夫变换进行倾斜图片的校正,Canny算子进行边缘检测,采用自适应阈值法对图像进行直方图均衡化,最后通过去均值和归一化进一步凸显不同缺陷之间的特征和差异,也能进一步加快训练的迭代速度。随后针对小样本数据量不足造成的训练的网络性能较低的问题,采用DCGAN和联合训练方法对数据集进行扩充,用于缺陷分类环节。实验结果证明采用联合训练方法扩充的数据集训练效果要优于生成网络,并且,与传统的CARN、RCAN、IKC、ZSSR方法相比,该方法具有更高的峰值信噪比,更好的重建效果。针对缺陷分类提出了基于密集连接的多通道注意力分类网络,以Dense Net作为主干网络,分别在密集块及上下两条网络中加入针对不同缺陷类别的注意力机制,主干网络中使用通道注意力SE模块对密集块提取的特征进行加权,使网络结构对不同的通道施加不同的注意力,在密集块下层使用DANet中的位置注意力对不同的密集块施加注意力,使网络对不同的密集块具备不同的注意力。密集块中使用混合空洞卷积,增大特征提取的感受野,降低空间特征的损失,有效把握特征的提取,微调卷积模块策略获得最高的准确率。实验结果证明,与Res Net、Dense Net、Pyramid Net相比该网络结构对于太阳能电池板的缺陷识别具有更高的准确率,更高的Kappa值。最后,设计了基于Py Qt5的电池板缺陷识别图形用户界面,用户通过简单的操作,就可以实现电池板的缺陷识别,为操作者提供了一个快捷有效的操作平台。