该框图中顶部说明了数据准备：包含多晶硅电致发光、可见光等多种太阳能电池图像，共386,913张（含标注10,913张，无标注376,000张），涵盖13类缺陷。S1（自监督主干预训练）：将224×224图像转为HOG描述符并切片，经60%随机遮挡后输入ViTDeT主干与掩码解码器，通过MSE重建被遮挡特征，训练后丢弃解码器，输出主干权重。S2（对比式检测头预训练）：同一图像生成两种增强视图输入冻结的ViTDeT主干，分别通过DINO头A（MLP伪框回归）和DINO头B（特征对比/EMA），利用IoU框回归损失与负余弦对比损失联合训练，输出DINO检测头权重。S3（有标注联合微调）：输入带标注图像，经预训练主干提取4尺度特征，再由预训练DINO检测头输出，通过标注框监督进行梯度反向传播，最终主干与检测头全部更新，输出多场景缺陷检测模型。适合计算机视觉算法工程师、工业缺陷检测研发人员、自监督学习研究者及模型微调方向的研究生阅读参考。