光伏电池缺陷的存在不仅会影响其发电效率、产品质量,还会降低光伏电站发电的安全性。目前电池片的缺陷检测更多依赖于人工检测,存在效率低、工作强度大、成本高的缺点。因此,实现高效率、高精度的电池片裂纹检测具有重要的意义和价值。现如今,机器视觉的发展推动了智能缺陷检测技术的发展,受生产工艺、运输方式等因素的影响,光伏电池近红外图像的背景复杂,且裂纹缺陷表现出形状各异的多尺度特征,使得基于人工设计特征的传统机器视觉算法不再具有更强的通用性,检测精度也不够高。因此,本文从抑制复杂背景的干扰,降低误检提升准确率,提高模型对多尺度裂纹缺陷检测的适应性的角度,研究设计了三种基于深度学习的检测算法:为抑制近红外图像的非均匀纹理复杂背景对裂纹检测的干扰,提出基于密集连接卷积神经网络（Dense Net）和信息熵（entropy）数据融合策略的深度学习模型EntropyDense Net。其训练时的输入为128×128像素的图像块,模型与滑动窗口相结合实现了高于训练集像素大小的任何高分辨率图像的裂纹检测,充分利用了裂纹的空间结构,结合信息熵公式判断目标是否属于真性裂纹,完成以输入图像块为中心的结构预测。实验结果表明,所提模型有效地降低了裂纹缺陷的误检,提升了准确率。但是由于测试图像和裂纹具有不同的大小和比例,使得模型很难找到滑动窗口的最佳尺寸且Entropy-DenseNet评估图像的速度取决于裂纹的大小,性能有待进一步提升。为了直接获得高分辨率近红外图像的全局特征信息,提出了融合注意力CBAM的Faster-RCNN目标检测模型,实现对1024×1024像素图像的裂纹缺陷检测。模型采用VGG作为特征提取网络,将卷积注意力模块CBAM应用于RPN网络中,提升模型对裂纹缺陷的关注度,得到更加鲁棒的特征图。实验结果表明,融合CBAM的FasterRCNN性能高于原始检测模型,且优于仅采用通道注意力或空间注意力的FasterRCNN。但存在对复杂背景下的小尺寸裂纹的漏检。为提高模型对多尺度裂纹缺陷的适应能力,本文基于上述结果提出多尺度FasterRCNN目标检测模型。将更深的残差网络Res Net50与改进的路径聚合特征金字塔网络PA-FPN相结合,通过多层特征融合获取高分辨率、多尺度的包含丰富语义信息的特征图,提高模型在复杂背景下对小目标的特征表达能力。同时RPN网络采用损失函数Focal loss来降低训练过程中简单样本所占比重,使模型更关注难以区分的样本。此外,通过聚类算法k-means指导RPN设置更加接近实际裂纹尺寸的anchor,有利于目标框的位置回归。实验结果表明,所提模型获得了优异的多尺度裂纹检测效果。另外,本文基于光伏电站巡检的热红外图像数据集进行了实验,验证了多尺度Faster RCNN模型可以实现小目标缺陷高效且精准的检测,具有很好的鲁棒性与泛化能力。