基于轻量级深度学习的太阳能电池缺陷检测方法，该方法利用电致发光图像进行缺陷识别

《Engineering Applications of Artificial Intelligence》：Lightweight deep learning based solar cells defect detection using electroluminescence images

太阳能电池缺陷的轻量级深度学习检测模型研究

　　太阳能电池是光伏电站中基本的核心能量采集组件。随着全球能源需求的不断上升以及减少对化石燃料依赖的紧迫性，寻找高效且清洁的替代能源变得尤为重要。太阳能作为一种可再生且清洁的能源形式，近年来在全球范围内获得了广泛的关注和应用。作为利用太阳能的重要方式，太阳能光伏（PV）技术能够通过直接将太阳能辐射转化为电能，展现出环境保护、可持续性和经济性等优势。近年来，光伏模块的采用量急剧增加，光伏市场以惊人的速度扩展。然而，在生产和运行过程中，光伏模块会经历热机械应力，这些应力可能导致模块出现裂纹和其他缺陷，最终影响其发电效率。因此，在制造过程和整个运行周期中对光伏模块进行监测，以确保最佳发电性能并防止不必要的损失，显得尤为重要。

在实际应用中，多种技术被用于识别光伏模块的缺陷并评估其潜在影响。其中，电气测量作为一种基础技术，通过分析电流-电压（I-V）特征曲线，能够有效反映硅基太阳能电池和模块的整体电气状态。然而，测量结果容易受到环境因素如光照强度、温度和湿度的干扰，导致特征信号不稳定。这种不稳定性不仅妨碍了在复杂操作条件下对缺陷类型的精确识别，也限制了对特定缺陷位置的定位能力。非接触式热成像技术通过捕捉模块表面的温度变化来检测缺陷，但其检测结果受限于热异常与缺陷之间的非唯一关系。由于成像原理的限制，该技术在检测内部结构缺陷（如微裂纹和材料不均匀性）时分辨率有限，难以满足精细检测的需求。可见光成像技术依赖于外部光照条件，其检测性能受到环境光强度和角度的显著影响，只能识别表面可见的缺陷，如机械损伤和污染物积累，无法有效表征内部潜在缺陷。高光谱成像技术虽然能够获取多波段光谱信息以分析材料成分，但由于数据维度高且冗余显著，导致特征提取和模型训练的计算复杂性增加，因此不适用于工业级实时检测。

为了解决上述挑战，电致发光（EL）成像作为一种非破坏性检测方法，被广泛用于光伏模块的质量评估。它因其增强的图像分辨率和更强的缺陷识别能力，常用于识别光伏电池的缺陷。在正向偏压条件下，光伏模块会发射波长为1000～1200 nm的红外辐射，用于成像。生成的EL图像以灰度形式显示，能够通过内在缺陷和外在缺陷对温度的不同敏感性，提供EL强度的对比差异，从而检测和分类光伏模块的缺陷。因此，EL成像具有非接触、非破坏性的优势，特别适合于识别和检测细微异常。

由于其能够检测隐藏缺陷，EL成像在太阳能电池缺陷分析领域得到了广泛应用。例如，Tsai等人（2012）提出了一种利用独立成分分析（ICA）的方法，用于检测太阳能模块的EL图像中的缺陷，达到了93%的测试样本识别率。Su等人（2019）引入了一种新的特征描述符，显著提高了在异质背景下的缺陷分类能力。通过结合中心对称局部二值模式（CPICS-LBP）和全局集中特征提取方案，该方法取得了良好的分类效果。Chen等人（2019b）提出了一种新的多晶太阳能电池裂纹检测方案，通过可导向证据滤波、分割方法和裂纹骨架计算，实现了准确的裂纹检测。Dhimish等人（Dhimish和Holmes，2019）采用二值图像和离散傅里叶变换（DFT）技术，提出了一种新的方法用于增强太阳能电池中微裂纹的检测，并通过几何特征和频域分析提高了裂纹检测的准确性。Liu等人（2020）引入了一种新的迭代张量投票算法，专门用于多晶太阳能电池表面的裂纹检测。该算法通过迭代优化曲线结构，并利用重构投票场的方法解决了间隙问题和结构噪声的影响。

近年来，基于深度学习的方法在多个领域的发展中显著优于传统方法（Chen等人，2024a，2024b；Korkmaz和Acikgoz，2022；Sepúlveda-Oviedo等人，2024b）。它已被广泛应用于质量评估（Shi等人，2024）、缺陷识别（Guo等人，2021）和故障诊断（Wang等人，2023a）等领域。因此，它也逐渐成为光伏电致发光成像缺陷检测的有效解决方案。例如，Akram等人（2019）开发了一种利用光学卷积神经网络架构的新型技术，用于检测EL图像中的缺陷，取得了93.02%的准确率。Chen等人（2020）提出了一种称为互补注意力网络（CAN）的目标检测模型，并将其嵌入到快速卷积神经网络（R-CNN）中，构建了一个端到端的快速RPAN-CNN框架。Wang等人（2022）提出了一种基于ResNet152-Xception的特征融合方法，通过引入坐标注意力机制，提升了当前模型的特征提取能力。Acikgoz等人（2023）引入了一种高效的深度学习模型，结合了残差和金字塔池化结构，以有效分类光伏电池的缺陷。Rahimzadeh等人（2023）应用了最新的深度学习方法PatchCore，用于高效准确地识别太阳能电池的缺陷，通过对EL图像进行异常检测实现了这一目标。Korovin等人（2023）提出了一种基于马氏距离的异常检测算法，该方法可以对包含相关缺陷的小规模不平衡数字EL图像数据进行半监督训练，从而增强了EL图像在太阳能电池质量评估中的异常检测能力。

然而，现有的深度学习模型普遍存在规模较大、难以有效分类和识别多种缺陷的问题。这种局限性使得在光伏电池缺陷检测中进行现场部署需要高性能的硬件（Gong等人，2024；Cao等人，2024），进一步限制了其应用。在工业生产环境中，对高吞吐量检测的需求日益迫切。生产线要求检测算法能够快速处理光伏电池，同时减少延迟以避免生产瓶颈。因此，当前技术发展中的关键挑战是如何在模型精度、检测速度和硬件资源之间找到合理的平衡。一方面，检测算法必须具备更强的适应性，确保在识别光伏电池表面各种缺陷类型时具有高检测精度。另一方面，在工业实时应用环境中，往往难以依赖高性能硬件设备。因此，模型的轻量化成为关键。如何在保持高精度检测的同时降低模型复杂度，特别是在实际工业场景中，对检测算法提出了更高的要求。为应对这些挑战，一些研究人员提出了多种轻量级网络，采用不同的策略进行优化。Lee等人（2023）提出了一种轻量级的初始残差卷积网络（LIRNet），用于太阳能板的缺陷检测。然而，该方法的检测精度相对较低，可能仅在特定数据集上有效，导致泛化能力不足。Li等人（2023b）基于GBH-YOLOv5模型提出了一个光伏板缺陷检测方法，该方法添加了一个小型目标检测头并结合了鬼卷积（ghost convolution）技术，以减少参数数量。然而，这些模块的添加反而导致了模型复杂度的增加，从而影响了检测速度。Huang等人（2022）提出了一种基于粒子群优化（PSO）的剪枝方法，用于光伏系统EL图像的缺陷检测。虽然该方法成功减少了模型参数数量，但也导致了准确率的下降。Zhang等人（2024b）提出了一种基于知识蒸馏和神经结构搜索的轻量级光伏电池EL图像自动缺陷检测模型。该方法利用知识蒸馏和神经架构搜索技术，在减少参数数量的同时实现了更高的准确率，但其仅适用于二分类任务，无法有效检测缺陷类别。

针对上述问题，我们改进了YOLOv5n网络，创建了一个新的轻量级且高精度的模型——交叉阶段部分光伏-You Only Look Once（CSPV-YOLO），用于光伏电池的缺陷检测，实现了复杂度、准确率和速度之间的理想平衡。该模型在光伏电致发光异常检测数据集（PVEL-AD）上进行了验证（Su等人，2022）。

本文提出的CSPV-YOLO模型的改进可以概括如下：

1. 提出了一种新的网络模块——交叉阶段部分C5（CSPC5），用于提升模型从EL图像中提取光伏电池缺陷信息的能力。该模块集成了嵌套的交叉阶段部分（CSP）结构，使得梯度传播能够涵盖更多样化的信息差异，从而提高了网络识别不同缺陷类型的准确性。

2. 提出了一种新的金字塔池化结构——交叉阶段部分空间金字塔池化（SPPFCSP）。该结构通过交叉阶段连接和不同路径引起的时序差异，在池化过程中实现了对不同尺度缺陷特征的提取和处理，增强了网络对多尺度对象特征提取的能力，最终实现了对光伏电池缺陷的卓越分类性能。

3. 将Scylla交集比（SIoU）函数作为所提出模型的损失函数，通过方向性边界框回归加速了模型的收敛速度，从而提升了模型在EL图像中检测光伏电池缺陷的能力。

4. 基于上述新的设计策略，设计了一个轻量级且高效的CSPV-YOLO模型，为实际光伏生产质量检测中的高精度和实时缺陷检测提供了新的解决方案。

本文的其余部分结构如下：第二部分详细介绍了新提出的光伏电池缺陷检测模型CSPV-YOLO。第三部分讨论了在PVEL-AD和PASCAL VOC 2007数据集上获得的一些实验结果。最后，第四部分总结了本文的主要结论。

YOLOv5n网络的架构是本文研究的基础。YOLOv5网络提供了五种不同规模的模型，其深度和宽度各有不同。如表1所示，YOLOv5n模型在MS COCO数据集上展现出较低的复杂度和较快的推理速度，使其在实际应用中更容易部署。因此，本研究选择了YOLOv5n作为基准模型，并进一步改进以优化检测速度与准确率之间的平衡。

图1展示了YOLOv5网络结构中的三个重要组成部分。通过改进这些部分，CSPV-YOLO模型能够更有效地处理光伏电池的缺陷检测任务。

在本节中，我们将测试所提出的SPPFCSP模块在不同算法中的适用性，以及CSPV-YOLO模型在检测太阳能电池缺陷方面的能力。SPPFCSP模块通过将其与各种YOLO算法集成在PASCAL VOC 2007图像数据集上进行验证。随后，CSPV-YOLO模型的性能将在包含多种缺陷类别的EL图像数据集PVEL-AD上进行测试。实验设置、评估指标、数据集和实验结果将在本节中详细讨论。

本文提出的CSPV-YOLO模型在光伏电池缺陷检测中展现了显著的优势。首先，通过引入新的融合CSP模块——CSPC5，取代YOLOv5n网络中的原始C3模块，增强了网络在识别不同缺陷类型时的准确性。此外，为了提升网络对多尺度对象特征提取的能力，并促进多尺度特征的高效融合，我们设计了一种新的空间金字塔池化结构——SPPFCSP。该结构利用交叉阶段连接和不同路径引起的时序差异，在池化过程中实现了对不同尺度缺陷特征的提取和处理，从而显著提高了模型的分类性能。最后，我们将Scylla交集比（SIoU）函数作为模型的损失函数，通过方向性边界框回归加速了模型的收敛速度，进一步提升了模型在EL图像中检测光伏电池缺陷的能力。

综上所述，本文提出的CSPV-YOLO模型在保持轻量化的同时，实现了较高的检测精度和速度，为光伏电池缺陷检测提供了一种新的解决方案。该模型不仅适用于工业环境中的实时检测需求，还能够有效应对复杂场景下的缺陷识别任务。通过在多个数据集上的实验验证，CSPV-YOLO模型在检测准确率和速度方面均表现出色，证明了其在实际应用中的可行性。未来的研究可以进一步探索该模型在不同光照条件和缺陷类型的适应性，以及在更大规模数据集上的表现，以期在实际生产中发挥更大的作用。