太阳能作为一种可再生能源,有着清洁无污染、储量大的特征,越来越引起人们的关注并投入大量使用,硅片是太阳能电池生产的核心材料,其绒面结构能很好地提高转换效率,但“绒化”与加工过程中导致的硅片对比度降低、缺陷“消失”问题,为工业制造过程中针对绒面硅的缺陷检测提出了更大的挑战。本文分析绒面硅检测场景实际应用过程中面临的问题,提出一种在小波域中的基于同态滤波和限制对比度的直方图均衡化的图像增强算法与基于改进YOLOv3的绒面硅缺陷检测算法。针对绒面硅缺陷样本表面对比度低,光照不均导致图像损失细节和层次的问题,本文提出一种小波域中基于同态滤波和限制对比度的直方图均衡化的图像增强算法,根据Retinex理论,将目标图像建模为反射强度与照射亮度的乘性组合。通过同态滤波器将照射亮度去除后获得代表绒面硅纹理的反射强度分量,再通过限制对比度的直方图均衡化处理,得到纹理清晰的绒面硅图像,为了满足工业在线检测的要求,通过引入小波变换得到低分辨率空间中的低频子带,并将上述增强过程应用于低频子带后进行反变换得到最终结果,达到了高效率的对比度增强和亮度调节的目的。针对传统检测方法效率低下、检测精度不高的问题,提出了一种低对比度绒面硅表面的缺陷检测方法（YOLOv3-MS）,该算法对于特征提取网络的结构进行优化,构建轻量级的Backbone,聚类优化锚框尺寸（anchor box）,添加SPP模块融合多重感受野,实现局部特征与全局特征的融合,对比设计边界框预测损失函数,CIo U-Loss全面考虑回归损失的综合因素。在针对绒面硅缺陷检测的应用场景中提升了准确率和检测速度,为绒面硅的检测尤其是低对比度、随机纹理场景的缺陷检测提供了新的思路。使用工业现场绒面硅缺陷数据训练测试,YOLOv3-MS检测精度达到97.87%,相对于YOLOv3-Tiny与YOLOv3分别提升了6.89%和1.84%,模型大小相对于YOLO v3降低了64.67%,满足绒面硅工业应用环境中对算法实时性和实用性的要求。