趙洋 沈文忠

據(jù)測算，地球表面接收的太陽輻射功率大約為8.5×10瓦[1]，一小時吸收的能量即可滿足目前全球一年的用電需求，太陽能是可再生能源中最有前途和最重要的能源之一。我國已規(guī)劃到2050年太陽能光伏發(fā)電將占全社會發(fā)電量的39%；據(jù)國際可再生能源署的預(yù)測，到2050年全球光伏的總裝機量將達到14 000吉瓦（1吉瓦=109瓦），成為占比最高的發(fā)電量來源。光伏發(fā)電是太陽能光伏發(fā)電系統(tǒng)的簡稱，是一種利用半導(dǎo)體太陽電池的光伏效應(yīng)，將太陽的輻射能轉(zhuǎn)換為電能的新型發(fā)電系統(tǒng)，其主要組成成分——太陽電池及組件的缺陷檢測也成為光伏產(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)。

太陽電池是將太陽能轉(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)生電勢差，從而形成電流的光生伏特效應(yīng)（photovoltaic effect），簡稱光伏效應(yīng)。該效應(yīng)最早在1839年由法國物理學(xué)家貝克勒爾（A. E. Becquerel）發(fā)現(xiàn)。1954年，美國貝爾實驗室發(fā)現(xiàn)在硅中摻雜了一定量雜質(zhì)對光更加敏感，從而制成了世界上第一塊晶硅太陽電池。當時由于技術(shù)和成本限制，太陽電池主要應(yīng)用于航天領(lǐng)域，直到20世紀70年代世界能源危機爆發(fā)，世界各國開始重視太陽能的利用，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，太陽電池可分為晶硅太陽電池、薄膜太陽電池、染料敏化太陽電池等多種。其中，晶硅太陽電池具有原材料豐富、工藝簡單和穩(wěn)定性高等優(yōu)點，是目前發(fā)展最成熟的電池，市場占比在2017年就已達到95%以上的絕對主導(dǎo)地位，它又可分為單晶硅太陽電池、多晶硅太陽電池兩大類。前者轉(zhuǎn)換效率高、技術(shù)成熟，目前市場上的太陽電池主要是單晶硅太陽電池，每年生產(chǎn)的組件總裝機量超過100 吉瓦。

晶硅太陽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，用層壓機壓成一個組件整體，再裝框、清洗，經(jīng)效能測試合格后出廠。

雖然晶硅太陽電池及組件的制造工藝已較為成熟，但產(chǎn)品在生產(chǎn)過程中會出現(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，嚴重的甚至燒毀組件，所以太陽電池及組件的缺陷檢測是光伏產(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。常用檢測技術(shù)有外觀檢測法、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、電致發(fā)光（electroluminescence， EL）成像檢測。

外觀檢測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，不適合隱裂、虛焊、電池片等缺陷的檢測。I-V曲線法是通過觀察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，主要用來測試組件的功率和性能。紅外熱成像是一種實時無損的缺陷成像技術(shù)，通過對組件外加電流或者光照，捕捉缺陷部位消耗電流導(dǎo)致局部過熱產(chǎn)生的熱輻射，從而定位缺陷，但對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。

PL成像檢測法是通過對電池片或組件照射特定波長的激光，使基態(tài)電子躍遷至激發(fā)態(tài)形成電子空穴對，然后用感光相機接收電子空穴對短時間內(nèi)復(fù)合發(fā)出的波長約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，可被清晰地識別。該法對設(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。

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

在將傳統(tǒng)信號處理算法應(yīng)用于EL圖片缺陷的自動檢測方面，2013年采用獨立成分分析法對光伏組件EL圖片中有無隱裂、破片和斷柵這三類缺陷進行鑒定，達到了93.4%的識別率，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散濾波、匹配濾波和血管濾波的方法，針對組件EL圖片中的隱裂進行檢測，實現(xiàn)了對隱裂準確的定位分割顯示[3-5]。此外，還基于特征二值聚類的方法對EL圖片中斷柵缺陷進行研究，實現(xiàn)了較好的定位效果[6]。不過這些嘗試只針對某一種缺陷，實際生產(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它們進行全部處理，因此這些方法都不具備在生產(chǎn)線上應(yīng)用的價值。

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

目標檢測任務(wù)與深度學(xué)習

圖像分類、語義分割、目標檢測、實例分割是計算機視覺的四個基本任務(wù)。對應(yīng)于EL檢測，現(xiàn)有研究主要實現(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)線上由于需要對不同缺陷設(shè)置各自的篩選標準來提高質(zhì)量，所以應(yīng)該執(zhí)行目標檢測任務(wù)，既要知道缺陷類別又要對它們精確定位，這通常需由深度學(xué)習的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）來實現(xiàn)。

神經(jīng)網(wǎng)絡(luò)

深度學(xué)習是機器學(xué)習的一個分支，它通過深層神經(jīng)網(wǎng)絡(luò)從輸入數(shù)據(jù)中學(xué)習有用的特征信息，來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權(quán)重加持下對輸入X進行數(shù)據(jù)變換得到預(yù)測值Y’，其與輸入目標值Y存在一定誤差，通過特定形式的損失函數(shù)計算得到損失值來衡量此神經(jīng)網(wǎng)絡(luò)在這個數(shù)據(jù)上的效果，通過反向傳播算法，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)重又被用于下一個輸入數(shù)據(jù)變換中，這個循環(huán)被稱為一次訓(xùn)練或?qū)W習。當對一定量的輸入數(shù)據(jù)重復(fù)足夠多次的訓(xùn)練后，此時的權(quán)重對應(yīng)損失值幾乎達到全局最小，便稱這個神經(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)中最基本的運算，當一個神經(jīng)網(wǎng)絡(luò)至少有一層使用卷積運算代替矩陣乘法時，它就是卷積神經(jīng)網(wǎng)絡(luò)（CNN）。CNN是計算機視覺中幾乎都在使用的一種深度學(xué)習模型，除了接收處理初始數(shù)據(jù)的輸入層和最終實現(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，對于計算機視覺任務(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)三個維度。卷積層由尺寸不定的卷積核組成，它們對輸入數(shù)據(jù)進行卷積運算，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)習算法優(yōu)化得到。在卷積層后通常加上一個池化層，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，通過最大池化，卷積層的輸出元素被進一步提煉，同時尺寸也得到縮小，特征的空間層級結(jié)構(gòu)也更加鮮明，而不過分關(guān)注不夠重要的細節(jié)。全連接層是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的普遍結(jié)構(gòu)，每一層的每個神經(jīng)元都和后一層的所有神經(jīng)元連接，進行簡單的數(shù)據(jù)加權(quán)傳輸。

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

缺陷自動檢測的目的是代替生產(chǎn)線上的人工檢測，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，這是計算機視覺中的目標檢測問題。但現(xiàn)有研究僅包含隱裂、破片和斷柵，實際生產(chǎn)線上的缺陷類型多達幾十種。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)上開展目標檢測，完成精確到單個缺陷定位和分類的任務(wù)。

建立圖片數(shù)據(jù)集，執(zhí)行目標檢測任務(wù)

現(xiàn)階段，大型的多類別目標檢測任務(wù)仍然依賴人工標注數(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)人員對其進行標注，共計23 000余例缺陷，分歸19類。另外根據(jù)對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、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、吸盤印；④電池效率不匹配的，如亮片、暗片、混檔。

我們將這些組件EL圖片按照6：2：2的比例隨機分成訓(xùn)練集、驗證集和測試集，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)集的評價指標——單類平均精度（average precision， AP）和整體平均精度（mean average precision， mAP）來衡量模型性能并挑選最優(yōu)模型參數(shù)（習慣上簡稱最優(yōu)模型）。AP是某一類缺陷檢測精度在50%到95%的定位準確度區(qū)間內(nèi)的平均， mAP是對各種缺陷的AP再平均，即整體平均。以保證至少50%的定位準確度（mAP50）情況下計算得到的mAP來挑選最優(yōu)模型，最終得到的最優(yōu)模型在測試集上實現(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，其中劃傷和斷柵對最優(yōu)模型來說確實比較難識別，而焊帶脫落和明暗突變則可能因受樣本量的限制導(dǎo)致檢測精度較低，收集和標注更多樣本或可得到提高。另外基于此最優(yōu)模型，在對每種缺陷設(shè)置篩選標準的基礎(chǔ)上，我們對從生產(chǎn)線收集的3天共4791張未知的組件EL圖片進行了是否有缺陷的分類任務(wù)，分別計算得到準確率和完備率的調(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，或可通過使用更佳的數(shù)據(jù)增強策略、更復(fù)雜的深度學(xué)習模型和補充少數(shù)缺陷等方法加以進一步完善。不過，基于此目標檢測任務(wù)的方法，有望成為光伏行業(yè)組件EL缺陷檢測的標準方案，并拓展到包括外觀、PL缺陷檢測、電站維護等多個光伏細分領(lǐng)域，為推動產(chǎn)業(yè)升級和降本增效做出更大貢獻。

[1]沈文忠，太陽能光伏技術(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 光伏組件 EL圖片缺陷檢測 ■