انرژی خورشیدی به عنوان یک جایگزین تجدیدپذیر برای سوخت‌های فسیلی، اهمیت بالایی در صنعت و زندگی روزمره دارد. با این حال، نقص‌های ساختاری در سلول‌های خورشیدی، توان تولیدی آن‌ها را به شکل چشمگیری کاهش می‌دهد. از این رو، شناسایی این عیوب با استفاده از روش‌های یادگیری عمیق در سال‌های اخیر مورد توجه ویژه‌ای قرار گرفته است. یکی از روش‌های اصلی ارزیابی، استفاده از تصاویر الکترولومینسانس (EL) سلول‌ها است. این تصاویر با وجود اطلاعات غنی از عیوب، دارای نویز ذاتی بالایی هستند که می‌تواند بر عملکرد مدل‌های یادگیری عمیق تأثیر بگذارد. در این مقاله، ما مدل FDFNet، یک معماری دو وجهی مبتنی بر ResNet، را برای شناسایی عیوب در تصاویر EL ارائه کرده‌ایم. این مدل به صورت همزمان تصویر اصلی و نسخه پیش‌پالایش‌شده آن توسط یک فیلتر فوریه تنظیم‌شده را به عنوان ورودی دریافت می‌کند. این فیلتر به صورت هدفمند، ضمن حذف نویز، فرکانس‌های بالای مرتبط با عیوب را برجسته می‌سازد. همچنین، برای ادغام بهینه ویژگی‌های استخراج‌شده از هر وجه، ماژول ادغام توجه مبتنی بر تمایز (DAF) معرفی شده است. ارزیابی رویکرد پیشنهادی بر روی مجموعه داده ELPV نشان داد که مدل ما به دقت F1-Score وزن‌دار ۸۹.۱۷٪ دست یافته که بیانگر بهبود قابل توجهی نسبت به روش‌های مشابه است. کد پیاده‌سازی مدل پیشنهادی به آدرس https://github.com/EmadMousavian/FDFNet در دسترس است.