针对光伏（PV）电池缺陷检测中存在的数据不均衡、缺陷尺度不一和背景纹理复杂多变等因素导致的误检、漏检问题，提出一种基于YOLOv8的缺陷检测算法YOLOv8-EL。首先，使用GauGAN进行数据增强，处理数据集的类内和类间不均衡的问题，提高模型泛化能力，降低模型过拟合的风险；其次，在主干网络和特征融合网络之间嵌入上下文聚合模块，自适应地融合不同层次的语义信息，对齐局部特征，减少微小微弱缺陷信息的丢失，抑制无关背景信息的干扰；最后，构建多注意力检测头以替换解耦头，引入不同的注意力机制细化分类和定位任务，提取空间和通道层面上的关键信息，减少特征混淆。实验结果表明，该模型在扩充后的PV电池EL数据集上的平均精度达到89.90%，模型参数量为13.13×10⁶，在提升精度的基础上兼顾了后续部署时轻量化的要求。在PASCAL VOC数据集上进行泛化性实验，证明了改进算法的泛化性能。