基于图像生成与迁移学习的太阳能电池板多缺陷智能检测方法研究

针对光伏组件缺陷检测中数据获取困难、多样性不足的瓶颈问题，研究人员创新性地结合StyleGAN3-t图像生成与YOLOv9 GELAN-e迁移学习技术，构建了模块级多缺陷检测系统。该方法在FID指标达15.01的同时，将mAP@0.5提升7%，为光伏系统智能运维提供了数据增强与知识迁移协同优化的新范式。

　　

随着全球光伏(PV)装机容量预计在2030年突破1100GW，光伏组件在制造、运输及运行过程中产生的裂纹、脱层、热点等缺陷严重影响系统可靠性。传统电致发光成像(EL)检测依赖人工且难以应对大规模应用场景，现有基于深度学习的方案又受限于细胞级数据集缺乏多样性、模块级标注数据稀缺等瓶颈。

华北电力大学（Fundamental Research Funds for the Central Universities资助项目B250201205）的M.Waqar Akram团队在《Sustainable Energy Technologies and Assessments》发表研究，提出融合图像生成与迁移学习的创新解决方案。研究人员首先采用StyleGAN3-t生成模块级EL图像扩充数据，随后通过开发模型迁移学习(develop-model transfer learning)将预训练细胞级YOLOv9 GELAN-e网络适配至模块级检测。关键技术包括：基于加速老化实验获取多品牌PV模块EL图像；利用截断参数(0.5-1.5)控制生成图像保真度；采用Fréchet Inception Distance(FID)评估生成质量；混合真实-合成数据训练检测网络。

【方法论】
通过StyleGAN3-t生成模块级缺陷图像，结合相似度计算筛选合成数据。采用混合训练策略将真实与合成数据以不同比例组合，最终基于迁移学习框架微调预训练细胞级模型。

【结果与讨论】
生成图像FID达15.01，证明合成数据与真实分布高度接近。相比纯真实数据训练，迁移学习使7类缺陷检测mAP@0.5提升7%，尤其改善了对微裂纹等细微缺陷的识别。非确定性训练多次重复验证了方法稳定性。

【结论】
该研究突破性地构建了首个公开模块级EL图像数据集，涵盖多种电池形状/尺寸/边缘类型。提出的双阶段方法有效解决了数据稀缺与多样性不足的行业痛点，为光伏系统智能运维提供了可扩展的技术框架。未来工作将优化生成网络对复杂户外场景的建模能力。