《Solar Energy Advances》：Electroluminescence image-based multi-class defect classification of solar photovoltaic cells using a lightweight CNN: An analysis of input image resolution
编辑推荐：
摘要翻译：由于大型太阳能电站光伏（PV）安装量的快速增长，现有的资产管理活动（如维护机制）已变得日益繁重且效率低下。开发自动化系统以监测光伏电池状态，对于显著减轻这一维护负担现已至关重要。受此启发，研究人员提出了一种轻量级（简单且计算高效的）卷积神经网络（CN
摘要翻译：由于大型太阳能电站光伏（PV）安装量的快速增长，现有的资产管理活动（如维护机制）已变得日益繁重且效率低下。开发自动化系统以监测光伏电池状态，对于显著减轻这一维护负担现已至关重要。受此启发，研究人员提出了一种轻量级（简单且计算高效的）卷积神经网络（CNN），用于从太阳能光伏电池的电致发光（EL）图像中提取复杂特征并进行缺陷分类。基于预测结果，该多分类模型将EL电池图像分为三大类：良好、裂纹和腐蚀。为解决数据集稀缺和类别不平衡问题，采用了一种结合几何变换和高斯噪声注入的混合增强策略，以增强数据多样性并提高模型鲁棒性。此外，为研究输入图像分辨率对缺陷分类性能的影响，进行了敏感性分析以确定最佳图像分辨率。将EL图像调整为从50 × 50到250 × 250像素的五种空间分辨率，并使用Adam和RMSprop优化算法系统评估了CNN配置。结果表明，图像分辨率在缺陷分类中起着关键作用，在50 × 50和100 × 100像素分辨率下观察到少量误分类。相比之下，在150 × 150像素及以上分辨率下，所有评估指标和混淆矩阵均达到完美分类性能，表明该分辨率足以保留可靠EL图像分类所需的缺陷相关特征。将所提出的轻量级CNN架构与ResNet18和VGG16在同一数据集和训练条件下进行了定量比较，证明其在预测精度和计算效率之间实现了有效平衡。这种平衡使得模型能够高效学习并实现稳健泛化，而无需面对更高分辨率带来的挑战，使所提出的模型成为实际光伏缺陷分类中实用且可扩展的解决方案。
基于轻量级CNN的光伏电池EL图像缺陷分类研究解读
**一、研究背景与问题**
随着全球对可再生能源需求的持续增长，太阳能光伏发电产业经历了前所未有的扩张。2024年，全球可再生能源装机容量出现了有史以来最大幅度的增长，新增装机达602吉瓦（GW），其中太阳能光伏的贡献尤为突出。然而，光伏电站规模的快速扩大带来了严峻的运维挑战。传统的人工巡检方式在面对成千上万块光伏组件时已显得力不从心，不仅效率低下，而且容易漏检。光伏组件的失效虽然年故障率相对较低（约0.025%~0.1%），但考虑到庞大的装机基数，其绝对数量仍然可观。太阳能电池的晶体结构脆弱，在制造或安装过程中容易产生微裂纹，这些裂纹会破坏电池间的电连接，导致性能退化。光伏组件成本占整个光伏系统总投资的25%~35%，因此，建立可靠的自动化状态监测系统对于保障电站长期稳定运行、降低运维成本具有重要意义。
在各类光伏检测技术中，电致发光（EL）成像技术因其非破坏性、高分辨率和能够揭示电池内部缺陷的优势，被公认为最有效的诊断手段。EL图像能够清晰地显示微裂纹、隐裂、断栅等肉眼不可见的缺陷。然而，传统的人工判读EL图像依赖专家经验，且在大规模电站中效率极低。虽然已有许多研究将深度学习应用于EL图像缺陷检测，但仍存在诸多问题：部分研究仅能进行二分类（有无缺陷），无法判定缺陷类型；部分模型采用复杂架构（如结合生成对抗网络GAN），计算开销大，难以在实际中部署；数据集稀缺和类别不平衡问题普遍存在；此外，输入图像分辨率对分类性能的影响尚未被系统研究。因此，开发一种既能准确分类多种缺陷，又具备计算效率的轻量级模型，并确定最优输入分辨率，是当前研究的关键需求。
**二、研究内容与技术方法**
针对上述问题，研究人员提出了一种基于轻量级卷积神经网络（CNN）的光伏电池缺陷多分类框架。该框架的核心步骤包括：EL图像采集与预处理、CNN模型构建与训练、以及多分类性能评估。在数据预处理阶段，采用了图像归一化、混合数据增强和图像尺寸调整等技术。为探究输入图像分辨率的影响，将EL图像分别调整为50 × 50、100 × 100、150 × 150、200 × 200和250 × 250像素五种分辨率。研究使用了来自凯斯西储大学（Case Western Reserve University）公开数据库的EL电池图像，原始数据集包含852张图像（良好693张、腐蚀149张、裂纹10张）。为解决类别不平衡问题，采用几何变换（180°旋转、水平翻转、垂直翻转）结合高斯噪声注入（σ=0.05和σ=0.08）的混合增强策略进行数据扩充。模型训练采用Adam和RMSprop两种优化算法，学习率为0.001，批大小为16，并设置早停机制防止过拟合。最后，将所提出的轻量级CNN与ResNet18和VGG16在相同条件下进行对比，以评估其计算效率与分类性能的平衡性。
**三、研究结果**
1. **训练与验证曲线分析**：两种优化器在所有分辨率下均表现出稳定一致的收敛特性。训练和验证准确率稳步上升，损失值趋近于零。150 × 150像素及以上分辨率实现了快速收敛，验证准确率接近完美且损失极低；而低分辨率（50 × 50和100 × 100像素）收敛较慢，验证指标波动较大，表明分辨率降低会丢失与缺陷模式相关的关键空间细节。
2. **分类性能指标**：使用准确率、精确率、召回率和F1-score四项指标进行综合评估。Adam优化器在100 × 100像素及以上分辨率下所有指标均达到100%；RMSprop优化器从150 × 150像素起达到完美分类性能。最低分辨率50 × 50像素时，两种优化器的准确率分别约为96.1%和95.7%，表明低分辨率图像缺乏足够空间细节来完整表征缺陷特征。
3. **混淆矩阵分析**：Adam优化器在50 × 50像素分辨率下仅有7张EL图像被误分类，更高分辨率下零误分类；RMSprop优化器在50 × 50和100 × 100像素下分别有13张和3张误分类图像，150 × 150像素及以上实现零误分类。这些结果与性能指标高度一致，进一步证实了模型在充足图像细节条件下的有效性和可靠性。
4. **计算效率对比**：与ResNet18和VGG16相比，所提出的轻量级CNN在150 × 150像素分辨率下的可训练参数量分别减少了约137.6倍和206.7倍，FLOPs、模型大小、训练时间和推理时间均大幅降低，而测试准确率却显著更高（100%对30.85%和36.17%）。这表明150 × 150像素已足以保留EL图像缺陷分类所需的特征信息，更高分辨率仅带来边际性能提升。
**四、讨论与结论**
研究结果表明，图像分辨率在EL图像缺陷分类中起着决定性作用。150 × 150像素可作为可靠分类的最低有效分辨率，在此分辨率下所提出的轻量级CNN能够以极高的计算效率实现近乎完美的分类性能。该模型在预测精度和计算效率之间实现了有效平衡，使其成为实际光伏电站缺陷分类中实用且可扩展的解决方案。研究也存在一定局限性：数据集仅包含1409张EL图像且局限于三种缺陷类型，可能限制模型对更广泛缺陷的泛化能力；分析仅依赖EL成像，未融合红外热成像或I-V测量等互补诊断信息。未来研究可考虑使用更大规模、更多样化的数据集，并整合多模态诊断信息，以进一步提升模型的鲁棒性和实际适用性。
**研究结论**：太阳能电站缺陷预测框架利用CNN识别光伏组件缺陷，涵盖数据采集、预处理、模型开发和评估等环节。来自凯斯西储大学的EL图像捕捉了湿热暴露下缺陷的演变过程。为研究输入图像分辨率对缺陷分类的影响，将EL图像调整为五种空间分辨率（50 × 50至250 × 250像素），并使用Adam和RMSprop两种优化算法系统评估CNN配置。结果表明，输入图像分辨率对分类性能具有关键影响。虽然在50 × 50和100 × 100像素低分辨率下出现少量误分类，但随着分辨率提高，两种优化器均实现了接近完美的性能。特别是，在150 × 150像素及以上分辨率下，所有评估指标和混淆矩阵均显示完美分类性能，证实该分辨率足以保留准确EL图像分类所需的缺陷相关特征，而更高分辨率仅带来边际改善。总体而言，所提出的轻量级CNN有效平衡了预测精度与计算效率，突显其作为自动化电致发光光伏缺陷分类可扩展框架的潜力。
