人工智能在光伏組件缺陷檢測(cè)中的應(yīng)用

趙洋 沈文忠

據(jù)測(cè)算，地球表面接收的太陽(yáng)輻射功率大約為8.5×10瓦[1]，一小時(shí)吸收的能量即可滿足目前全球一年的用電需求，太陽(yáng)能是可再生能源中最有前途和最重要的能源之一。我國(guó)已規(guī)劃到2050年太陽(yáng)能光伏發(fā)電將占全社會(huì)發(fā)電量的39%；據(jù)國(guó)際可再生能源署的預(yù)測(cè)，到2050年全球光伏的總裝機(jī)量將達(dá)到14 000吉瓦（1吉瓦=109瓦），成為占比最高的發(fā)電量來(lái)源。光伏發(fā)電是太陽(yáng)能光伏發(fā)電系統(tǒng)的簡(jiǎn)稱，是一種利用半導(dǎo)體太陽(yáng)電池的光伏效應(yīng)，將太陽(yáng)的輻射能轉(zhuǎn)換為電能的新型發(fā)電系統(tǒng)，其主要組成成分——太陽(yáng)電池及組件的缺陷檢測(cè)也成為光伏產(chǎn)業(yè)鏈中降本增效和保證產(chǎn)品質(zhì)量的關(guān)鍵一環(huán)。

太陽(yáng)電池是將太陽(yáng)能轉(zhuǎn)化成電能的最小單元，其主要工作原理是利用了晶硅等半導(dǎo)體材料在受到光照后，半導(dǎo)體p-n結(jié)區(qū)產(chǎn)生電勢(shì)差，從而形成電流的光生伏特效應(yīng)（photovoltaic effect），簡(jiǎn)稱光伏效應(yīng)。該效應(yīng)最早在1839年由法國(guó)物理學(xué)家貝克勒爾（A. E. Becquerel）發(fā)現(xiàn)。1954年，美國(guó)貝爾實(shí)驗(yàn)室發(fā)現(xiàn)在硅中摻雜了一定量雜質(zhì)對(duì)光更加敏感，從而制成了世界上第一塊晶硅太陽(yáng)電池。當(dāng)時(shí)由于技術(shù)和成本限制，太陽(yáng)電池主要應(yīng)用于航天領(lǐng)域，直到20世紀(jì)70年代世界能源危機(jī)爆發(fā)，世界各國(guó)開始重視太陽(yáng)能的利用，并將相關(guān)技術(shù)向民生用途轉(zhuǎn)移。

根據(jù)所用材料不同，太陽(yáng)電池可分為晶硅太陽(yáng)電池、薄膜太陽(yáng)電池、染料敏化太陽(yáng)電池等多種。其中，晶硅太陽(yáng)電池具有原材料豐富、工藝簡(jiǎn)單和穩(wěn)定性高等優(yōu)點(diǎn)，是目前發(fā)展最成熟的電池，市場(chǎng)占比在2017年就已達(dá)到95%以上的絕對(duì)主導(dǎo)地位，它又可分為單晶硅太陽(yáng)電池、多晶硅太陽(yáng)電池兩大類。前者轉(zhuǎn)換效率高、技術(shù)成熟，目前市場(chǎng)上的太陽(yáng)電池主要是單晶硅太陽(yáng)電池，每年生產(chǎn)的組件總裝機(jī)量超過(guò)100 吉瓦。

晶硅太陽(yáng)電池及組件的制造工藝主要有：石英砂的冶煉和提純、熔鑄拉棒或成錠后制成硅片；硅片經(jīng)制作p-n結(jié)、絲網(wǎng)印刷電極、燒結(jié)等得到單個(gè)電池片；將電池片串聯(lián)焊接，按鋼化玻璃、乙烯—醋酸乙烯酯共聚物（EVA）、電池串、EVA和背板等順序疊起來(lái)，用層壓機(jī)壓成一個(gè)組件整體，再裝框、清洗，經(jīng)效能測(cè)試合格后出廠。

雖然晶硅太陽(yáng)電池及組件的制造工藝已較為成熟，但產(chǎn)品在生產(chǎn)過(guò)程中會(huì)出現(xiàn)虛焊、斷柵和隱裂等缺陷，導(dǎo)致電流受阻、組件發(fā)電功率衰減，嚴(yán)重的甚至燒毀組件，所以太陽(yáng)電池及組件的缺陷檢測(cè)是光伏產(chǎn)業(yè)鏈中降本增效和保證產(chǎn)品質(zhì)量的關(guān)鍵一環(huán)，也是光伏領(lǐng)域的研究熱點(diǎn)。常用檢測(cè)技術(shù)有外觀檢測(cè)法、伏安（I-V）曲線分析法、紅外熱成像法、光致發(fā)光（photoluminescence， PL）成像檢測(cè)、電致發(fā)光（electroluminescence， EL）成像檢測(cè)。

外觀檢測(cè)法是最方便快捷的方法，只需拍攝組件外觀在顯示屏上成像即可，這適用間距類、異物類等缺陷的檢測(cè)，不適合隱裂、虛焊、電池片等缺陷的檢測(cè)。I-V曲線法是通過(guò)觀察I-V特性的衰減判斷組件是否存在缺陷，但不能顯示缺陷位置和類別，主要用來(lái)測(cè)試組件的功率和性能。紅外熱成像是一種實(shí)時(shí)無(wú)損的缺陷成像技術(shù)，通過(guò)對(duì)組件外加電流或者光照，捕捉缺陷部位消耗電流導(dǎo)致局部過(guò)熱產(chǎn)生的熱輻射，從而定位缺陷，但對(duì)于電流消耗很小或者不消耗電流的缺陷成像效果較差，且定位精度不高，常用于戶外光伏組件的檢測(cè)。

PL成像檢測(cè)法是通過(guò)對(duì)電池片或組件照射特定波長(zhǎng)的激光，使基態(tài)電子躍遷至激發(fā)態(tài)形成電子空穴對(duì)，然后用感光相機(jī)接收電子空穴對(duì)短時(shí)間內(nèi)復(fù)合發(fā)出的波長(zhǎng)約1150納米的紅外光從而成像，成像結(jié)果的亮和暗處直接反映不同位置的少數(shù)載流子（p型半導(dǎo)體中電子濃度遠(yuǎn)小于空穴濃度，電子為少數(shù)載流子；而在n型半導(dǎo)體中空穴為少數(shù)載流子）濃度。缺陷部位少數(shù)載流子濃度低，在成像圖上的亮度明顯較暗，可被清晰地識(shí)別。該法對(duì)設(shè)備的要求較高，需有穩(wěn)定的激光光源，但不需要形成完整的電流回路，主要用于電池片生產(chǎn)中的缺陷檢測(cè)。

EL成像檢測(cè)法的原理與PL法類似，通過(guò)對(duì)組件外加正向偏壓注入少數(shù)載流子復(fù)合發(fā)光，由感光相機(jī)接收成像，可清晰顯示缺陷位置形貌，該法對(duì)設(shè)備要求較低，廣泛應(yīng)用于組件生產(chǎn)過(guò)程的缺陷檢測(cè)。目前晶硅光伏生產(chǎn)線上，EL的成像結(jié)果主要由人工來(lái)判斷，成本高、效率低。近年來(lái)國(guó)內(nèi)外科研人員開始致力于研究EL圖片缺陷的自動(dòng)檢測(cè)，研究方法分為兩類：傳統(tǒng)信號(hào)處理算法和人工智能算法。

在將傳統(tǒng)信號(hào)處理算法應(yīng)用于EL圖片缺陷的自動(dòng)檢測(cè)方面，2013年采用獨(dú)立成分分析法對(duì)光伏組件EL圖片中有無(wú)隱裂、破片和斷柵這三類缺陷進(jìn)行鑒定，達(dá)到了93.4%的識(shí)別率，但是不能區(qū)分和定位這三種缺陷[2]。之后發(fā)展出基于各向異性擴(kuò)散濾波、匹配濾波和血管濾波的方法，針對(duì)組件EL圖片中的隱裂進(jìn)行檢測(cè)，實(shí)現(xiàn)了對(duì)隱裂準(zhǔn)確的定位分割顯示[3-5]。此外，還基于特征二值聚類的方法對(duì)EL圖片中斷柵缺陷進(jìn)行研究，實(shí)現(xiàn)了較好的定位效果[6]。不過(guò)這些嘗試只針對(duì)某一種缺陷，實(shí)際生產(chǎn)線上的缺陷種類繁多、外觀上差異明顯，用單一圖像處理算法很難對(duì)它們進(jìn)行全部處理，因此這些方法都不具備在生產(chǎn)線上應(yīng)用的價(jià)值。

近幾年人工智能在多個(gè)領(lǐng)域獲得廣泛應(yīng)用，基于深度學(xué)習(xí)算法的人工智能缺陷檢測(cè)技術(shù)開始應(yīng)用到光伏組件的缺陷檢測(cè)上。

目標(biāo)檢測(cè)任務(wù)與深度學(xué)習(xí)

圖像分類、語(yǔ)義分割、目標(biāo)檢測(cè)、實(shí)例分割是計(jì)算機(jī)視覺(jué)的四個(gè)基本任務(wù)。對(duì)應(yīng)于EL檢測(cè)，現(xiàn)有研究主要實(shí)現(xiàn)的是判斷某片電池的EL圖片上是否有缺陷或者是否有某種缺陷，但是生產(chǎn)線上由于需要對(duì)不同缺陷設(shè)置各自的篩選標(biāo)準(zhǔn)來(lái)提高質(zhì)量，所以應(yīng)該執(zhí)行目標(biāo)檢測(cè)任務(wù)，既要知道缺陷類別又要對(duì)它們精確定位，這通常需由深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）來(lái)實(shí)現(xiàn)。

神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，它通過(guò)深層神經(jīng)網(wǎng)絡(luò)從輸入數(shù)據(jù)中學(xué)習(xí)有用的特征信息，來(lái)得到正確或有意義的輸出。

神經(jīng)網(wǎng)絡(luò)的基本數(shù)據(jù)結(jié)構(gòu)是層，神經(jīng)網(wǎng)絡(luò)的各層在初始的隨機(jī)權(quán)重加持下對(duì)輸入X進(jìn)行數(shù)據(jù)變換得到預(yù)測(cè)值Y’，其與輸入目標(biāo)值Y存在一定誤差，通過(guò)特定形式的損失函數(shù)計(jì)算得到損失值來(lái)衡量此神經(jīng)網(wǎng)絡(luò)在這個(gè)數(shù)據(jù)上的效果，通過(guò)反向傳播算法，優(yōu)化器以降低損失值為目的更新神經(jīng)網(wǎng)絡(luò)每層的權(quán)重值，更新后的權(quán)重又被用于下一個(gè)輸入數(shù)據(jù)變換中，這個(gè)循環(huán)被稱為一次訓(xùn)練或?qū)W習(xí)。當(dāng)對(duì)一定量的輸入數(shù)據(jù)重復(fù)足夠多次的訓(xùn)練后，此時(shí)的權(quán)重對(duì)應(yīng)損失值幾乎達(dá)到全局最小，便稱這個(gè)神經(jīng)網(wǎng)絡(luò)已經(jīng)訓(xùn)練好了。

矩陣乘法是神經(jīng)網(wǎng)絡(luò)中最基本的運(yùn)算，當(dāng)一個(gè)神經(jīng)網(wǎng)絡(luò)至少有一層使用卷積運(yùn)算代替矩陣乘法時(shí)，它就是卷積神經(jīng)網(wǎng)絡(luò)（CNN）。CNN是計(jì)算機(jī)視覺(jué)中幾乎都在使用的一種深度學(xué)習(xí)模型，除了接收處理初始數(shù)據(jù)的輸入層和最終實(shí)現(xiàn)分類等任務(wù)的輸出層，其基本結(jié)構(gòu)一般包含卷積層、池化層和全連接層，其中卷積層和池化層是卷積神經(jīng)網(wǎng)絡(luò)特有的層結(jié)構(gòu)。卷積層的作用是從輸入該層的數(shù)據(jù)中提取特征，對(duì)于計(jì)算機(jī)視覺(jué)任務(wù)而言，這里的數(shù)據(jù)既可以是張量形式的原始圖片數(shù)據(jù)，也可以是其他卷積層和池化層輸出的特征圖，它們都具備高度、寬度和通道數(shù)三個(gè)維度。卷積層由尺寸不定的卷積核組成，它們對(duì)輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算，輸出特征圖向后續(xù)層傳遞，而它們的具體參數(shù)如尺寸等，由學(xué)習(xí)算法優(yōu)化得到。在卷積層后通常加上一個(gè)池化層，某一位置的輸出由它相鄰位置的信息代替。最大池化是最常用的池化方式，通過(guò)最大池化，卷積層的輸出元素被進(jìn)一步提煉，同時(shí)尺寸也得到縮小，特征的空間層級(jí)結(jié)構(gòu)也更加鮮明，而不過(guò)分關(guān)注不夠重要的細(xì)節(jié)。全連接層是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的普遍結(jié)構(gòu)，每一層的每個(gè)神經(jīng)元都和后一層的所有神經(jīng)元連接，進(jìn)行簡(jiǎn)單的數(shù)據(jù)加權(quán)傳輸。

2019年人們分別將支持向量機(jī)和CNN方法應(yīng)用于判斷電池是否有缺陷 ，其中支持向量機(jī)是機(jī)器學(xué)習(xí)的一個(gè)方法，CNN是深度學(xué)習(xí)的一個(gè)方法，結(jié)果證明了這兩種方法均有效，這是將人工智能引入EL檢測(cè)的先驅(qū)性工作之一[7]，但并沒(méi)有考慮具體的缺陷類型。后續(xù)用基于ResNet50的弱監(jiān)督學(xué)習(xí)來(lái)檢測(cè)EL圖片中的隱裂[8]，研究證明數(shù)據(jù)量較小時(shí)該方法仍有效。還有人介紹了5種缺陷類型，并對(duì)電池做了是否有缺陷的分類檢測(cè)[9]，但無(wú)法對(duì)具體缺陷進(jìn)行精確定位。此外，有人提出用生成對(duì)抗網(wǎng)絡(luò)結(jié)合數(shù)據(jù)增強(qiáng)的方法來(lái)增加訓(xùn)練樣本[10]，并對(duì)EL圖片中有無(wú)缺陷、隱裂、破片和斷柵這4類情況實(shí)現(xiàn)了較高的分類準(zhǔn)確率（均達(dá)80%以上），但每張圖片上只有一種缺陷，不同缺陷不會(huì)出現(xiàn)在同一張圖上。而在實(shí)際中，不同種類的缺陷往往會(huì)出現(xiàn)在同一張圖片上，因此該方法僅能對(duì)缺陷進(jìn)行分類，而無(wú)法對(duì)單個(gè)缺陷精確定位。

缺陷自動(dòng)檢測(cè)的目的是代替生產(chǎn)線上的人工檢測(cè)，不同類型的缺陷都應(yīng)該盡可能被考慮到，且每一例缺陷都應(yīng)該被定位和分類，這是計(jì)算機(jī)視覺(jué)中的目標(biāo)檢測(cè)問(wèn)題。但現(xiàn)有研究?jī)H包含隱裂、破片和斷柵，實(shí)際生產(chǎn)線上的缺陷類型多達(dá)幾十種。此外，現(xiàn)有研究不能很好處理多類型缺陷的定位問(wèn)題，因此首先需要建立盡可能覆蓋生產(chǎn)線多類型缺陷的數(shù)據(jù)集，并在此基礎(chǔ)上開展目標(biāo)檢測(cè)，完成精確到單個(gè)缺陷定位和分類的任務(wù)。

建立圖片數(shù)據(jù)集，執(zhí)行目標(biāo)檢測(cè)任務(wù)

現(xiàn)階段，大型的多類別目標(biāo)檢測(cè)任務(wù)仍然依賴人工標(biāo)注數(shù)據(jù)，這也是目前建立數(shù)據(jù)集的方法[11]。我們從生產(chǎn)線上收集了5983張有缺陷的單晶硅組件EL圖片，由專業(yè)人員對(duì)其進(jìn)行標(biāo)注，共計(jì)23 000余例缺陷，分歸19類。另外根據(jù)對(duì)電池和組件在效率和外觀方面的影響把缺陷分為4類：①嚴(yán)重影響組件效率和壽命的，如虛焊、隱裂、短路、破片、焊帶脫落、亮斑、明暗突變、異物；②一定程度影響組件效率的，如黑團(tuán)、斷柵塊、黑線、黑角、黑邊；③幾乎不影響效率但影響外觀的，如劃傷、斷柵、吸盤?。虎茈姵匦什黄ヅ涞?，如亮片、暗片、混檔。

我們將這些組件EL圖片按照6：2：2的比例隨機(jī)分成訓(xùn)練集、驗(yàn)證集和測(cè)試集，訓(xùn)練了以ResNet-101-FPN為骨干網(wǎng)的Mask R-CNN網(wǎng)絡(luò)結(jié)構(gòu)，并以COCO數(shù)據(jù)集的評(píng)價(jià)指標(biāo)——單類平均精度（average precision， AP）和整體平均精度（mean average precision， mAP）來(lái)衡量模型性能并挑選最優(yōu)模型參數(shù)（習(xí)慣上簡(jiǎn)稱最優(yōu)模型）。AP是某一類缺陷檢測(cè)精度在50%到95%的定位準(zhǔn)確度區(qū)間內(nèi)的平均， mAP是對(duì)各種缺陷的AP再平均，即整體平均。以保證至少50%的定位準(zhǔn)確度（mAP50）情況下計(jì)算得到的mAP來(lái)挑選最優(yōu)模型，最終得到的最優(yōu)模型在測(cè)試集上實(shí)現(xiàn)了70.2%的mAP50值，其中AP50高于80%的缺陷有虛焊、隱裂、斷柵塊、混檔、短路、亮片，它們都屬于嚴(yán)重缺陷；而AP50低于60%的缺陷有劃傷、斷柵、焊帶脫落和明暗突變，其中劃傷和斷柵對(duì)最優(yōu)模型來(lái)說(shuō)確實(shí)比較難識(shí)別，而焊帶脫落和明暗突變則可能因受樣本量的限制導(dǎo)致檢測(cè)精度較低，收集和標(biāo)注更多樣本或可得到提高。另外基于此最優(yōu)模型，在對(duì)每種缺陷設(shè)置篩選標(biāo)準(zhǔn)的基礎(chǔ)上，我們對(duì)從生產(chǎn)線收集的3天共4791張未知的組件EL圖片進(jìn)行了是否有缺陷的分類任務(wù)，分別計(jì)算得到準(zhǔn)確率和完備率的調(diào)和平均數(shù)為95.1%，96.0%和97.3%，證明了我們的方法確實(shí)有非常高的直接應(yīng)用在生產(chǎn)線上的可行性，目前已將此技術(shù)應(yīng)用在多家光伏企業(yè)，覆蓋15吉瓦以上的年產(chǎn)能。

此方法仍有提高的空間，最優(yōu)模型的檢測(cè)結(jié)果中存在一定比例的漏檢和誤檢，并且70.2%的mAP50值也并不是特別高，或可通過(guò)使用更佳的數(shù)據(jù)增強(qiáng)策略、更復(fù)雜的深度學(xué)習(xí)模型和補(bǔ)充少數(shù)缺陷等方法加以進(jìn)一步完善。不過(guò)，基于此目標(biāo)檢測(cè)任務(wù)的方法，有望成為光伏行業(yè)組件EL缺陷檢測(cè)的標(biāo)準(zhǔn)方案，并拓展到包括外觀、PL缺陷檢測(cè)、電站維護(hù)等多個(gè)光伏細(xì)分領(lǐng)域，為推動(dòng)產(chǎn)業(yè)升級(jí)和降本增效做出更大貢獻(xiàn)。

[1]沈文忠，太陽(yáng)能光伏技術(shù)與應(yīng)用，上海：上海交通大學(xué)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(guān)鍵詞：人工智能 深度學(xué)習(xí) 光伏組件 EL圖片缺陷檢測(cè) ■