【科研进展】基于深度学习的光伏组件多类型缺陷自动检测及其在实际生产线中的应用

       太阳电池及组件上的缺陷检测一直以来都是光伏行业为提高生产质量和数量亟待解决的问题，人工检测普遍存在检测效率低、耗时长、费用高、不稳定等问题，不再能够满足企业日益增长的生产需求。传统的缺陷检测算法对于单一缺陷能实现较好的检测效果，但是无法有效应对实际产线中形态尺寸各异的多种缺陷的情况，存在通用性上的瓶颈。最近几年，得益于深度学习的快速发展，对光伏组件的多种缺陷实现自动检测成为可能，但受限于原始缺陷数据的积累，相关研究进展仍然十分缓慢。

       本文提出一种基于深度学习的目标检测方法来对太阳能光伏组件电致发光（EL）图片上的多种缺陷实现自动检测。课题组与上海欧普泰科技创业股份有限公司合作，从国内光伏企业的实际产线收集了近6000张有缺陷的组件EL图片，并通过专业数据标注团队进行标注，得到包含隐裂、破片、虚焊等19种近25000例缺陷。课题组针对其中14种缺陷展开研究，系统训练和挑选后得到的最优模型在测试集上实现了70.2%的mAP50值；随后通过分析基于目标检测任务计算得到的混淆矩阵，发现在影响 mAP50值的检测结果中，存在“识别偏差”和“检测补偿”的现象，而它们并不影响实际产线的检测结果；最后课题组在从产线另外收集的三天近5000张组件EL图片上开展有无缺陷的分类实验，分别得到95.1%，96.0%和97.3%的精度和召回率调和平均F1值。研究结果表明该方法在实际产线上具备非常高的应用潜力，已在相关企业得到规模化应用（年产能超过15GWp），有望成为解决光伏行业缺陷自动检测问题的标准方案。

       该研究工作得到了国家自然科学基金的支持（项目号：11834011 & 11974242）。

       相关链接：https://onlinelibrary.wiley.com/doi/abs/10.1002/pip.3395