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。

针对钢材表面缺陷尺度不一，现有检测算法多尺度特征处理能力较差、精度有待提高的问题，提出了一种面向钢材表面缺陷检测的改进型YOLOv5算法。首先，在骨干网络的特征输出层后添加感受野模块以增强特征的判别性与鲁棒性，可以更好地感知不同尺度的特征信息；然后，利用对齐的特征聚合模块替换传统的特征融合结构，解决了高低分辨率特征图在融合过程中存在的特征错位问题；最后，采用带有高效通道注意力机制的解耦头输出检测结果，注意力机制可以自适应地校准通道响应，解耦头使得分类与回归任务可以独立执行。在NEU-DET数据集上的实验结果显示，所提出方法的平均精度均值为80.51%，相比基准模型提升了4.48%，检测速度为31.96 frame/s。相比其他主流的目标检测算法，在保持一定检测速度的前提下，所提算法具有更高的精度，能够实现高效的钢材表面缺陷检测。