1.一种基于神经网络的太阳能电池片缺陷检测方法，其特征在于，包括以下步骤：使用相机采集太阳能电池片的RGB图像；

将RGB图像转换为HSV颜色空间；

检测图像中的栅线，根据栅线将图像分割为多个子图像；

对子图像使用改进的Retinex算法进行图像增强，提取缺陷目标图像；

将缺陷目标图像输入PP-YOLO神经网络进行训练，识别缺陷的类别；

训练结束后，将实际的电池片图像输入训练后的PP-YOLO神经网络，识别缺陷类别。

2.根据权利要求1所述的基于神经网络的太阳能电池片缺陷检测方法，其特征在于，所述改进的Retinex算法是将Retinex算法中人眼对实际景物的感知图像I作为待滤波图像p，进行引导滤波，滤波窗口大小为M×N，经过滤波后的像素如下：其中，I是引导图像，λ

3.根据权利要求2所述的基于神经网络的太阳能电池片缺陷检测方法，其特征在于，滤波窗口内的混乱度ξ如下计算：其中，

4.根据权利要求3所述的基于神经网络的太阳能电池片缺陷检测方法，其特征在于，所述将RGB图像转换为HSV颜色空间，包括：H通道分量h：

S通道分量s：

V通道分量v：v＝T

其中，r是RGB空间中红色分量值，g是RGB空间中绿色分量值，b是RGB空间中蓝色分量值，T

5.根据权利要求4所述的基于神经网络的太阳能电池片缺陷检测方法，其特征在于，所述PP-YOLO神经网络包括特征提取网络、特征融合网络和检测头，加载训练好的模型权重；

所述特征提取网络对输入图像进行特征提取，提取多个尺度的特征；然后利用特征融合网络进行多个尺度的特征融合；最后用检测头对三个不同尺度的特征进行预测，预测出太阳能电池片图像中缺陷类别。

6.根据权利要求5所述的基于神经网络的太阳能电池片缺陷检测方法，其特征在于，多个尺度的特征包括长宽比、面积和边缘特征。

7.根据权利要求6所述的基于神经网络的太阳能电池片缺陷检测方法，其特征在于，在特征提取网络的卷积层使用以下的激活函数：x为自变量。