高质量激活图：利用弱监督回归实现太阳能电池的在线效率分析

《Solar RRL》：Quality Activation Maps: Inline Efficiency Mapping of Solar Cells using Weakly-Supervised Regression

基于EL、热成像和反射率的多源测量数据，提出了一种半监督卷积神经网络模型，通过融合多尺度特征实现太阳能电池IV参数的高分辨率质量激活图（QAMs）快速估算。实验表明QAMs与总细胞分析（TCA）在效率、开路电压等关键参数的空间分布上具有高度一致性，且能精准定位缺陷区域并量化其对各个参数的影响。该模型在保证空间分辨率（最高512×512像素）的前提下，将单电池分析时间压缩至9毫秒，显著提升了工业在线检测的可行性。

　　本文主要探讨了一种基于机器学习的方法，用于从太阳能电池的在线测量中估算具有空间分辨率的电流-电压（IV）参数，旨在为在线应用提供详细的局部电池特性分析。传统方法如总电池分析（TCA）通常依赖繁琐的离线测量，因此虽然精确但存在时间消耗大和专业化要求高的问题。为了克服这些限制，本文提出了一种半监督的机器学习模型，该模型首先预测全球IV参数，例如效率或开路电压，然后推断其在太阳能电池上的局部分布，从而生成质量激活图（QAMs）。这些图不仅能够快速获取参数信息，还能够在生产过程中实时应用，为质量控制和故障诊断提供支持。

### 研究背景与意义

太阳能电池的性能评估对于提高生产效率和产品质量至关重要。在传统方法中，总电池分析（TCA）是一种常用的手段，其通过多种图像和测量技术，如光谱分辨的光束诱导电流（SR-LBIC）、暗锁相热成像（DLIT）和暗饱和电流与串联电阻的联合测定（C-DCR），可以提供电池效率、开路电压等参数的图像。然而，这些方法通常需要较长时间和复杂的操作，难以适应高速生产环境。因此，开发一种能够在在线测量条件下快速生成高精度参数图的方法具有重要意义。

本文提出的方法利用了现有的工业标准测量技术，如电致发光（EL）、热成像（TG）和反射率测量，结合卷积神经网络（CNN）模型，以生成质量激活图（QAMs）。该方法能够在保持精度的同时，显著提高效率，从而满足在线质量检测的需求。此外，这种方法还具有较高的适应性，能够处理多种类型的缺陷，如手指中断、局部短路、表面划痕等，为太阳能电池的故障识别和性能评估提供了新的思路。

### 方法与模型

本文的核心是设计一个能够从在线测量数据中提取局部IV参数的卷积神经网络（CNN）模型。该模型通过多阶段的特征提取和上采样过程，将输入的图像数据转换为高分辨率的质量激活图。模型采用了一种编码器-解码器结构，能够将不同分辨率的特征图进行融合，并通过反卷积操作逐步恢复到高分辨率图像。这种方法不仅保留了低分辨率阶段提取的语义信息，还能在高分辨率图中展现更细致的缺陷特征。

此外，为了确保模型在不同方向和尺度下的稳定性，作者引入了多种优化策略，包括回归损失、旋转损失、一致性损失和弱加权的EL损失。这些损失函数共同作用，使得模型能够在不同的输入条件下生成一致且可靠的参数图。其中，回归损失用于最小化预测值与实际测量值之间的差异，旋转损失则增强了模型在不同方向下的泛化能力，一致性损失确保了不同分辨率图之间的匹配性，而弱加权的EL损失则用于提高模型对高分辨率结构的识别能力。

### 实验设计与数据来源

为了验证所提出方法的有效性，作者使用了一个包含2800个工业级PERC太阳能电池的实验数据集，其中2300个被制造商判定为存在光学或电气缺陷。所有电池均进行了EL、TG、反射率和暗饱和电流的测量。EL图像由特定设备采集，而TG和暗饱和电流的测量则在同一公司的设备上进行。反射率测量则使用了Zeiss OFR104设备。

实验数据被划分为训练集（70%）、验证集（15%）和测试集（15%），以确保模型的泛化能力。模型在PyTorch框架下实现，采用Adam优化器和特定的批处理大小进行训练。通过超参数网格搜索，作者选择了最优的模型配置，并基于测试集进行结果评估。此外，作者还利用了补充材料中的示例图像，如图S1和图S2，来展示模型在不同参数上的表现。

### 实验结果与分析

在第一组实验中，作者将质量激活图（QAMs）与总电池分析（TCA）的结果进行了比较。结果显示，QAMs在识别缺陷区域和评估局部效率方面与TCA表现相似。例如，在存在手指中断的电池中，QAMs显示了效率的降低，而TCA则显示出更明显的效率损失。尽管QAMs的分辨率略低于TCA，但其在某些情况下表现出更平滑的过渡和更少的噪声，这表明QAMs在实际应用中可能更具优势。

在另一组实验中，作者展示了质量激活图在评估单个缺陷影响方面的应用。通过将电池的缺陷区域替换为预期的无缺陷区域的平均值，并计算预测效率与无缺陷效率之间的差异，可以估算出该缺陷对整体效率的具体影响。此外，作者还分析了其他参数，如开路电压、短路电流密度和填充因子，发现QAMs能够有效识别这些参数的变化，并将其与特定的缺陷类型相关联。

### 讨论与展望

从实验结果来看，质量激活图（QAMs）在一定程度上能够反映太阳能电池的局部性能变化，并且在多数情况下与TCA方法结果一致。然而，由于QAMs是基于平均值的生成方式，其在某些情况下可能会丢失一些细节。例如，在某些缺陷区域，QAMs的图像显得模糊，而TCA方法则能更清晰地识别出这些区域。此外，作者指出，虽然QAMs在某些参数上的预测效果略逊于TCA，但在效率预测方面表现良好，并且在工业生产速度下具备可行性。

考虑到工业生产中测量设备的周期时间限制，QAMs在实际应用中具有较大的潜力。虽然当前的测量周期为0.7秒至1秒，但模型的推理时间仅需约9毫秒，这意味着QAMs可以在不影响生产效率的前提下提供高质量的参数评估。此外，作者建议对已经训练好的模型进行进一步优化，以提升其在其他参数上的表现，如填充因子和伪填充因子等。

### 结论

本文提出了一种基于卷积神经网络的质量激活图（QAMs）方法，能够在在线测量条件下快速生成太阳能电池的局部IV参数分布。通过与总电池分析（TCA）的对比，作者验证了该方法在识别和评估缺陷方面的有效性。尽管QAMs的分辨率略低于TCA，但其在效率预测方面表现良好，并且能够适应工业生产的速度要求。该方法为太阳能电池的在线质量评估提供了新的思路，具有较高的应用价值。

未来的研究方向可以包括进一步优化模型结构，以提升其在其他参数上的表现，同时探索更高效的在线测量技术，以减少测量周期时间。此外，还可以研究如何将QAMs与其他质量评估工具相结合，形成更全面的电池质量分析体系。随着人工智能和机器学习技术的不断发展，QAMs有望在太阳能电池的质量控制和故障诊断中发挥更大作用，推动光伏产业的智能化发展。