在电致发光图像上，利用DCGAN和VGG16集成模型中的感知损失增强光伏缺陷检测

《IEEE Journal of Photovoltaics》：Enhanced Photovoltaic Defect Detection Using Perceptual Loss in DCGAN and VGG16-Integrated Models on Electroluminescence Images

提出基于DCGAN、VGG16和感知损失函数的光伏缺陷检测框架，通过合成高质量缺陷图像改善分类准确率至90%，有效解决数据不平衡问题并提升复杂缺陷识别能力。

　　

摘要：

光伏（PV）模块中的缺陷会显著影响其效率和可靠性，因此准确检测缺陷对于质量控制至关重要。本研究提出了一种改进的生成对抗网络框架，该框架结合了深度卷积生成对抗网络（DCGAN）、视觉几何组16（VGG16）和感知损失函数，以生成高质量的合成缺陷图像并提高缺陷分类的准确性。所提出的模型将分类准确率从84%提升到了90%，显示出比标准DCGAN更优越的性能。主要改进包括生成更真实的合成图像、减少图像质量差异以及解决缺陷数据集中的类别不平衡问题。该改进框架在表示罕见和复杂的缺陷方面表现尤为出色，能够在保持合成数据多样性和真实性的同时提高对具有挑战性模式的分类效果。尽管在捕捉细微缺陷细节方面存在一些局限性，但这种方法为光伏制造中的缺陷检测和合成图像生成树立了一个基准。此外，它还为工业生产线中的实时应用提供了潜力，从而确保更高效的质量控制。

引言

光伏（PV）技术的广泛应用主要得益于对可持续和可再生能源需求的增加，尤其是在支持全球减少碳排放和转向更清洁能源解决方案的倡议背景下[1]。这导致近年来太阳能光伏能源在全球范围内迅速发展，涵盖了大规模光伏电站和分布式发电系统。在太阳能电池的制造过程中确保质量控制对于实现光伏模块的最佳性能和延长其使用寿命至关重要。高质量的生产能够保证每个电池都能以峰值效率运行，并能够承受环境压力，从而将过早故障的风险降到最低[2]。相反，如果在制造过程中未能检测到缺陷或管理不当，可能会导致频繁故障、能量损失和维护成本增加。