人工智能在光伏组件缺陷检测中的应用

赵洋 沈文忠

据测算，地球表面接收的太阳辐射功率大约为8.5×10瓦[1]，一小时吸收的能量即可满足目前全球一年的用电需求，太阳能是可再生能源中最有前途和最重要的能源之一。我国已规划到2050年太阳能光伏发电将占全社会发电量的39%；据国际可再生能源署的预测，到2050年全球光伏的总装机量将达到14 000吉瓦（1吉瓦=109瓦），成为占比最高的发电量来源。光伏发电是太阳能光伏发电系统的简称，是一种利用半导体太阳电池的光伏效应，将太阳的辐射能转换为电能的新型发电系统，其主要组成成分——太阳电池及组件的缺陷检测也成为光伏产业链中降本增效和保证产品质量的关键一环。

太阳电池是将太阳能转化成电能的最小单元，其主要工作原理是利用了晶硅等半导体材料在受到光照后，半导体p-n结区产生电势差，从而形成电流的光生伏特效应（photovoltaic effect），简称光伏效应。该效应最早在1839年由法国物理学家贝克勒尔（A. E. Becquerel）发现。1954年，美国贝尔实验室发现在硅中掺杂了一定量杂质对光更加敏感，从而制成了世界上第一块晶硅太阳电池。当时由于技术和成本限制，太阳电池主要应用于航天领域，直到20世纪70年代世界能源危机爆发，世界各国开始重视太阳能的利用，并将相关技术向民生用途转移。

根据所用材料不同，太阳电池可分为晶硅太阳电池、薄膜太阳电池、染料敏化太阳电池等多种。其中，晶硅太阳电池具有原材料丰富、工艺简单和稳定性高等优点，是目前发展最成熟的电池，市场占比在2017年就已达到95%以上的绝对主导地位，它又可分为单晶硅太阳电池、多晶硅太阳电池两大类。前者转换效率高、技术成熟，目前市场上的太阳电池主要是单晶硅太阳电池，每年生产的组件总装机量超过100 吉瓦。

晶硅太阳电池及组件的制造工艺主要有：石英砂的冶炼和提纯、熔铸拉棒或成锭后制成硅片；硅片经制作p-n结、丝网印刷电极、烧结等得到单个电池片；将电池片串联焊接，按钢化玻璃、乙烯—醋酸乙烯酯共聚物（EVA）、电池串、EVA和背板等顺序叠起来，用层压机压成一个组件整体，再装框、清洗，经效能测试合格后出厂。

虽然晶硅太阳电池及组件的制造工艺已较为成熟，但产品在生产过程中会出现虚焊、断栅和隐裂等缺陷，导致電流受阻、组件发电功率衰减，严重的甚至烧毁组件，所以太阳电池及组件的缺陷检测是光伏产业链中降本增效和保证产品质量的关键一环，也是光伏领域的研究热点。常用检测技术有外观检测法、伏安（I-V）曲线分析法、红外热成像法、光致发光（photoluminescence， PL）成像检测、电致发光（electroluminescence， EL）成像检测。

外观检测法是最方便快捷的方法，只需拍摄组件外观在显示屏上成像即可，这适用间距类、异物类等缺陷的检测，不适合隐裂、虚焊、电池片等缺陷的检测。I-V曲线法是通过观察I-V特性的衰减判断组件是否存在缺陷，但不能显示缺陷位置和类别，主要用来测试组件的功率和性能。红外热成像是一种实时无损的缺陷成像技术，通过对组件外加电流或者光照，捕捉缺陷部位消耗电流导致局部过热产生的热辐射，从而定位缺陷，但对于电流消耗很小或者不消耗电流的缺陷成像效果较差，且定位精度不高，常用于户外光伏组件的检测。

PL成像检测法是通过对电池片或组件照射特定波长的激光，使基态电子跃迁至激发态形成电子空穴对，然后用感光相机接收电子空穴对短时间内复合发出的波长约1150纳米的红外光从而成像，成像结果的亮和暗处直接反映不同位置的少数载流子（p型半导体中电子浓度远小于空穴浓度，电子为少数载流子；而在n型半导体中空穴为少数载流子）浓度。缺陷部位少数载流子浓度低，在成像图上的亮度明显较暗，可被清晰地识别。该法对设备的要求较高，需有稳定的激光光源，但不需要形成完整的电流回路，主要用于电池片生产中的缺陷检测。

EL成像检测法的原理与PL法类似，通过对组件外加正向偏压注入少数载流子复合发光，由感光相机接收成像，可清晰显示缺陷位置形貌，该法对设备要求较低，广泛应用于组件生产过程的缺陷检测。目前晶硅光伏生产线上，EL的成像结果主要由人工来判断，成本高、效率低。近年来国内外科研人员开始致力于研究EL图片缺陷的自动检测，研究方法分为两类：传统信号处理算法和人工智能算法。

在将传统信号处理算法应用于EL图片缺陷的自动检测方面，2013年采用独立成分分析法对光伏组件EL图片中有无隐裂、破片和断栅这三类缺陷进行鉴定，达到了93.4%的识别率，但是不能区分和定位这三种缺陷[2]。之后发展出基于各向异性扩散滤波、匹配滤波和血管滤波的方法，针对组件EL图片中的隐裂进行检测，实现了对隐裂准确的定位分割显示[3-5]。此外，还基于特征二值聚类的方法对EL图片中断栅缺陷进行研究，实现了较好的定位效果[6]。不过这些尝试只针对某一种缺陷，实际生产线上的缺陷种类繁多、外观上差异明显，用单一图像处理算法很难对它们进行全部处理，因此这些方法都不具备在生产线上应用的价值。

近几年人工智能在多个领域获得广泛应用，基于深度学习算法的人工智能缺陷检测技术开始应用到光伏组件的缺陷检测上。

目标检测任务与深度学习

图像分类、语义分割、目标检测、实例分割是计算机视觉的四个基本任务。对应于EL检测，现有研究主要实现的是判断某片电池的EL图片上是否有缺陷或者是否有某种缺陷，但是生产线上由于需要对不同缺陷设置各自的筛选标准来提高质量，所以应该执行目标检测任务，既要知道缺陷类别又要对它们精确定位，这通常需由深度学习的卷积神经网络（convolutional neural network， CNN）来实现。

神经网络

深度学习是机器学习的一个分支，它通过深层神经网络从输入数据中学习有用的特征信息，来得到正确或有意义的输出。

神经网络的基本数据结构是层，神经网络的各层在初始的随机权重加持下对输入X进行数据变换得到预测值Y’，其与输入目标值Y存在一定误差，通过特定形式的损失函数计算得到损失值来衡量此神经网络在这个数据上的效果，通过反向传播算法，优化器以降低损失值为目的更新神经网络每层的权重值，更新后的权重又被用于下一个输入数据变换中，这个循环被称为一次训练或学习。当对一定量的输入数据重复足够多次的训练后，此时的权重对应损失值几乎达到全局最小，便称这个神经网络已经训练好了。

矩阵乘法是神经网络中最基本的运算，当一个神经网络至少有一层使用卷积运算代替矩阵乘法时，它就是卷积神经网络（CNN）。CNN是计算机视觉中几乎都在使用的一种深度學习模型，除了接收处理初始数据的输入层和最终实现分类等任务的输出层，其基本结构一般包含卷积层、池化层和全连接层，其中卷积层和池化层是卷积神经网络特有的层结构。卷积层的作用是从输入该层的数据中提取特征，对于计算机视觉任务而言，这里的数据既可以是张量形式的原始图片数据，也可以是其他卷积层和池化层输出的特征图，它们都具备高度、宽度和通道数三个维度。卷积层由尺寸不定的卷积核组成，它们对输入数据进行卷积运算，输出特征图向后续层传递，而它们的具体参数如尺寸等，由学习算法优化得到。在卷积层后通常加上一个池化层，某一位置的输出由它相邻位置的信息代替。最大池化是最常用的池化方式，通过最大池化，卷积层的输出元素被进一步提炼，同时尺寸也得到缩小，特征的空间层级结构也更加鲜明，而不过分关注不够重要的细节。全连接层是传统神经网络的普遍结构，每一层的每个神经元都和后一层的所有神经元连接，进行简单的数据加权传输。

2019年人们分别将支持向量机和CNN方法应用于判断电池是否有缺陷 ，其中支持向量机是机器学习的一个方法，CNN是深度学习的一个方法，结果证明了这两种方法均有效，这是将人工智能引入EL检测的先驱性工作之一[7]，但并没有考虑具体的缺陷类型。后续用基于ResNet50的弱监督学习来检测EL图片中的隐裂[8]，研究证明数据量较小时该方法仍有效。还有人介绍了5种缺陷类型，并对电池做了是否有缺陷的分类检测[9]，但无法对具体缺陷进行精确定位。此外，有人提出用生成对抗网络结合数据增强的方法来增加训练样本[10]，并对EL图片中有无缺陷、隐裂、破片和断栅这4类情况实现了较高的分类准确率（均达80%以上），但每张图片上只有一种缺陷，不同缺陷不会出现在同一张图上。而在实际中，不同种类的缺陷往往会出现在同一张图片上，因此该方法仅能对缺陷进行分类，而无法对单个缺陷精确定位。

缺陷自动检测的目的是代替生产线上的人工检测，不同类型的缺陷都应该尽可能被考虑到，且每一例缺陷都应该被定位和分类，这是计算机视觉中的目标检测问题。但现有研究仅包含隐裂、破片和断栅，实际生产线上的缺陷类型多达几十种。此外，现有研究不能很好处理多类型缺陷的定位问题，因此首先需要建立尽可能覆盖生产线多类型缺陷的数据集，并在此基础上开展目标检测，完成精确到单个缺陷定位和分类的任务。

建立图片数据集，执行目标检测任务

现阶段，大型的多类别目标检测任务仍然依赖人工标注数据，这也是目前建立数据集的方法[11]。我们从生产线上收集了5983张有缺陷的单晶硅组件EL图片，由专业人员对其进行标注，共计23 000余例缺陷，分归19类。另外根据对电池和组件在效率和外观方面的影响把缺陷分为4类：①严重影响组件效率和寿命的，如虚焊、隐裂、短路、破片、焊带脱落、亮斑、明暗突变、异物；②一定程度影响组件效率的，如黑团、断栅块、黑线、黑角、黑边；③几乎不影响效率但影响外观的，如划伤、断栅、吸盘印；④电池效率不匹配的，如亮片、暗片、混档。

我们将这些组件EL图片按照6：2：2的比例随机分成训练集、验证集和测试集，训练了以ResNet-101-FPN为骨干网的Mask R-CNN网络结构，并以COCO数据集的评价指标——单类平均精度（average precision， AP）和整体平均精度（mean average precision， mAP）来衡量模型性能并挑选最优模型参数（习惯上简称最优模型）。AP是某一类缺陷检测精度在50%到95%的定位准确度区间内的平均， mAP是对各种缺陷的AP再平均，即整体平均。以保证至少50%的定位准确度（mAP50）情况下计算得到的mAP来挑选最优模型，最终得到的最优模型在测试集上实现了70.2%的mAP50值，其中AP50高于80%的缺陷有虚焊、隐裂、断栅块、混档、短路、亮片，它们都属于严重缺陷；而AP50低于60%的缺陷有划伤、断栅、焊带脱落和明暗突变，其中划伤和断栅对最优模型来说确实比较难识别，而焊带脱落和明暗突变则可能因受样本量的限制导致检测精度较低，收集和标注更多样本或可得到提高。另外基于此最优模型，在对每种缺陷设置筛选标准的基础上，我们对从生产线收集的3天共4791张未知的组件EL图片进行了是否有缺陷的分类任务，分别计算得到准确率和完备率的调和平均数为95.1%，96.0%和97.3%，证明了我们的方法确实有非常高的直接应用在生产线上的可行性，目前已将此技术应用在多家光伏企业，覆盖15吉瓦以上的年产能。

此方法仍有提高的空间，最优模型的检测结果中存在一定比例的漏检和误检，并且70.2%的mAP50值也并不是特别高，或可通过使用更佳的数据增强策略、更复杂的深度学习模型和补充少数缺陷等方法加以进一步完善。不过，基于此目标检测任务的方法，有望成为光伏行业组件EL缺陷检测的标准方案，并拓展到包括外观、PL缺陷检测、电站维护等多个光伏细分领域，为推动产业升级和降本增效做出更大贡献。

[1]沈文忠，太阳能光伏技术与应用，上海：上海交通大学出版社，2013.

[2]Tsai D M， Wu S C， Chiu W Y. Defect detection in solar modules using ICA basis images. IEEE Transactions on Industrial Informatics， 2013， 9（1）：122-131.

[3]Anwar S， Abdullah M. Micro-crack detection of multicrystalline solar cells featuring an improved anisotropic diffusion filter and image segmentation technique. EURASIP Journal on Image and Video Processing， 2014， 15.

[4]Spataru S， Hacke P， Sera D. Automatic detection and evaluation of solar cell micro-cracks in electroluminescence images using matched filters. IEEE 43rd Photovoltaic Specialists Conference， New York， 2016：1602.

[5]Stromer D， Vetter A， Oezkan H，et al. Enhanced crack segmentation （ECS）： a reference algorithm for segmenting cracks in multicrystalline silicon solar cells. IEEE Journal of Photovoltaics， 2019， 9（3）：752-758.

[6]Tseng D C， Liu Y S， Chou C M. Automatic finger interruption detection in electroluminescence images of multicrystalline solar cells. Mathematical Problems in Engineering， 2015.

[7]Deitsch S， Christlein V， Berger S， et al. Automatic classification of defective photovoltaic module cells in electroluminescence images. Solar Energy， 2019， 185： 455-468.

[8]Mayr M， Hoffmann M， Maier A， et al. Weakly supervised segmentation of cracks on solar cells using normalization L-P norm. IEEE International Conference on Image Processing， New York， 2019：1885.

[9]Akram M W， Li G， Jin Y， et al. CNN based automatic detection of photovoltaic cell defects in electroluminescence images. Energy， 2019， 189： 116319.

[10]Tang W， Yang Q， Xiong K， et al. Deep learning based automatic defect identification of photovoltaic module using electroluminescence images. Solar Energy， 2020， 201： 453-460.

[11]Zhao Y， Zhan K， Wang Z， Shen W. Deep learning-based automatic detection of multitype defects in photovoltaic modules and application in real production line. Progress in Photovoltaics Research and Applications， 2021， 29： 471-484.

關键词：人工智能 深度学习 光伏组件 EL图片缺陷检测 ■