基于深度学习的太阳能电池片表面缺陷检测方法分析

吕喜臣，张敏

（1.黄河上游水电开发有限责任公司，青海 西宁 810008；2.西安交通大学微电子学院，陕西 西安 710049；3.青海黄河上游水电开发有限责任公司光伏产业技术分公司，青海 西宁 810008）

光伏行业的发展使其质量标准呈现出规范化及统一化的发展趋势，行业内对太阳能电池片的质量检测越来越严格，特别是太阳能电池片表面缺陷的检测。就目前的检测技术而言，虽然机器检测的效率相对较高，但是并不适用于电池片检测，从而使得电池片缺陷检测需要采用人工检测方法，但是人工检测成本较高，而且准确率得不到保障。因此，研究一种全新的太阳能电池片表面缺陷检测方法是很有必要的。

1 深度学习技术分析

1.1 深度学习技术的优势

深度学习这一概念来自于人工神经网络领域，属于机械学习的范畴。深度学习主要是通过模拟人脑的方式进行相关操作的神经网络，可以按照人的思维进行图像、声音以及文本等内容的分析。随着科学技术的发展，人工智能技术在工业领域的应用越来越广泛，技术人员也可以将深度学习技术引入到工业领域，通过深度学习技术的应用，实现工业行业的自动化发展。以光伏行业为例，将深度学习技术应用于太阳能电池片表面缺陷检测，可以显著降低人工检测成本，提高检测效率及检测准确性。深度学习技术的优势主要体现在以下两方面。

第一，从统计和计算角度而言，深度学习技术非常适用于大数据的处理，深度学习技术具备完善且丰富的建模语言，利用深度学习技术的建模语言系统，技术人员可以明确表示不同数据间的丰富关系与架构,实现算法优化,避免数据分析出现失误，有效提升数据分析的准确性。

第二，深度学习技术可以实现端对端的学习，通过少量且简单的参数下项目，自动完成大数据的学习，且学习效果较为显著。有技术人员将深度学习技术应用于单晶和多晶电池片检测和图像特征法相比，结果表明深度学习技术检测的漏检率及过检率均得到了显著提升。

1.2 基于深度学习的太阳能电池片表面缺陷检测方法的优势

在太阳能电池片生产企业及相关制造行业中，基于深度学习的太阳能电池片表面缺陷检测方法的设计及应用具备显著优势，具体体现在以下方面。

第一，提升质检的准确率。传统的太阳能电池片检测采用人工检测方法，很容易受到检测人员的主观影响，对太阳能电池片表面缺陷检测准确率产生影响。因此，许多太阳能电池片生产企业抛开传统的人工检测方法，采用自动化检测方法，避免缺陷检测工作受到主观影响，这样可以显著提升质检的准确率，保障太阳能电池片生产企业的可持续发展。

第二，降低人工成本。传统的太阳能电池片检测采用人工检测方法，在人员招聘和培训方面都要花费大量的人力和财力。而基于深度学习的太阳能电池片表面缺陷检测系统，可以实现检测的自动化进行，从而大大降低了太阳能电池片生产企业的人工成本。

第三，促进视觉检测领域发展。将深度学习技术作为基础，对太阳能电池片表面缺陷进行检测的方法，可以拓展到半导体及LED制作领域，提高半导体及LED等生产企业的质检准确率，降低其人工成本，这样可以有效促进我国制造行业的自动化及智能化发展。

2 基于深度学习的太阳能电池片表面缺陷检测方法分析

2.1 基于深度学习的太阳能电池片表面缺陷检测系统的设计思路

本文设计的太阳能电池片表面缺陷系统是以电致发光缺陷检测仪作为基础，向晶体硅太阳能电池的外部施加正向偏置电压，并通过电源实现扩散区非平衡载流子的注入，以此在太阳能电池中形成电致发光。在太阳能电池片应用过程中，扩散区部位的非平衡载流子会进行持续的复合发光，载流子发出的光为波长为1060nm左右的近红外光，因此能够通过CCD相机捕捉成像；在相机采集到复合发光的图像时，应用类神经网络分析方法对其进行深入且全面的分析，从而找出太阳能电池片存在的缺陷区域，并对缺陷区域进行分类，检测系统会将分类结果自动传输到控制系统中，由控制系统将存在缺陷的太阳能电池放置于相应的料盒。由此可以看出，本文设计的太阳能电池片表面缺陷检测系统可以实现自动化检测，不需要借助人工检测方式，这样不仅可以节约太阳能电池片生产企业的生产成本，还可以提高太阳能电池片产品检测的效率与准确性，极大地提高了太阳能电池片生产企业的自动化水平。

2.2 基于深度学习的太阳能电池片表面缺陷检测系统的组成

在上述设计思路的指导下，基于深度学习的太阳能电池片表面缺陷检测系统共包括近红外成像子系统、检测分选子系统以及智能分析子系统这三个部分。

（1）近红外成像子系统。近红外成像子系统是检测系统的核心部分，该系统通过捕捉太阳能电池片的近红外光，对太阳能电池片进行表面缺陷的检测。需要注意的是，近红外成像子系统捕捉的图像并不是普通的可见光图像，而是将拍摄近红外光作为核心。因此，在进行近红外光系统的设计与应用时，需要注意以下两点。第一，保障成像的清晰度。近红外成像子系统功能的发挥是在图像具备一定清晰度的条件下，要求相机捕捉到的近红外图像具备最大化的视野，与CCD最大尺寸相适应，以此通过CCD的有效像素保障成像照片分辨率的最大化。对于近红外相机镜头而言，不同的光具备不同的折射率和焦距，为了避免近红外相机捕捉到可见光，技术人员需要在暗室状态下，对近红外相机进行对焦，确保近红外相机镜头可以全面捕捉近红外光。与此同时，技术人员还需要在相机镜头上设置可见光滤波片，避免相机捕捉到可见光图片，确保图像全部是近红外图像，保障缺陷检测结果的正确性。第二，保障成像速度。在实际的太阳能电池片表面缺陷检测系统检测过程中，要求具备较高的检测速度，所以近红外相机需要具备较高的成像速度。一般来说，太阳能电池片生产企业的检测速度约为1小时2200片，在这一检测速度下，近红外相机的曝光时间需要控制在1.6s内。但是一般的近红外相机都是应用硅基感光芯片，需要应用3～5s的曝光时间，才可以捕捉完全的近红外图像。从经济性及可行性角度分析，本文选择硅基SCOMS感光芯片近红外相机，这类相机为CMOS架构，具备近红外滤镜以及cameralink接口，大大提升了成像速度，可以将图像捕捉和处理的时间控制在2s以内，符合太阳能电池片生产企业对成像速度的需求。

（2）检测分选子系统。检测分选子系统的应用，可以将传统太阳能电池片表面缺陷检测的单一化流程，转变成复合一体化流程。简而言之，在传统的太阳能电池片表面缺陷检测中，检测人员需要按照顺序一步一步地完成检测工作，检测效率相对较低。而在检测分选子系统应用下，系统能够将太阳能电池片的测试流程进行划分，同时进行多个步骤，这样就可以显著提升太阳能电池片表面缺陷检测的效率。

（3）智能分析子系统。智能分析子系统由多个分析软件组成，主要负责太阳能电池片表面缺陷的分析。一般来说，智能分析子系统的表面缺陷分析主要集中于色差和外观缺陷。具体的色差和外观缺陷分析要点如下：智能分析子系统应用Lab色彩空间进行人眼视觉体验的模拟，并通过片内连续拟合测量分析技术的应用，对太阳能电池片的片内和片间色差进行全面准确地分析，实现准确判断太阳能电池片在色彩和外观方面的缺陷。目前通过图像分析技术的应用，已经能够检测出绝大部分太阳能电池片存在的表面缺陷。另外，在太阳能电池片表面缺陷检测系统的实践应用中，技术人员可以通过对智能分析子系统的拓展，使其具备内部缺陷检测功能，在智能分析子系统中应用相应的图像分析算法，对近红外图像上的暗区花纹进行分析，从而明确太阳能电池片是否具备隐裂、污染或者断栅等内部缺陷。

3 结语

综上所述，传统的太阳能电池片表面缺陷检测方法为人工检测，检测效率和检测准确性偏低。通过本文的分析可知，太阳能电池片生产企业可以借鉴电致发光缺陷检测仪的工作原理，结合深度学习技术，进行太阳能电池片表面缺陷检测系统的设计，通过近红外成像子系统、检测分选子系统以及智能分析子系统的设计与应用，捕捉太阳能电池片的近红外图像，通过对图像的分析明确其是否存在表面缺陷，提高检测效率及准确性，降低生产企业的成本。