具有异质纹理和复杂背景的太阳能电池表面的相似且不确定的缺陷检测是太阳能电池制造的挑战。 传统的制造过程依赖于人眼检测,这需要大量的工人而没有稳定和良好的检测效果。 为了解决该问题,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,建立所选的CNN模型。 通过调整模型的深度和宽度,可以评估模型深度和核尺寸对识别结果的影响。 选择最佳的CNN模型结构。 其次,分析了太阳能电池彩色图像的光谱特征。 发现各种缺陷在不同的光谱带中表现出不同的可区别特征。 因此,构建了多光谱CNN模型以增强模型的区分能力,以区分复杂的纹理背景特征和缺陷特征。 最后,一些实验结果和K-fold交叉验证表明,多光谱深CNN模型可以有效地检测太阳能电池表面缺陷,具有更高的准确性和更大的适应性。 缺陷识别的准确性达到94.30,从而提高了太阳能电池的制造效率,并使制造过程更智能。