賴天舒，劉懷廣，湯 勃，周詩洋

（1.武漢科技大學(xué) 冶金裝備及其控制教育部重點(diǎn)實(shí)驗(yàn)室，湖北 武漢，430081；2.武漢科技大學(xué) 機(jī)械傳動(dòng)與制造工程湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢，430081；3.武漢科技大學(xué) 精密制造研究院，湖北 武漢，430081）

引言

近年來，晶體太陽能電池片隨著光伏產(chǎn)業(yè)的快速發(fā)展而廣泛應(yīng)用。但在其生產(chǎn)過程中出現(xiàn)的破片、電池片隱裂、表面污染及電極接觸不良等問題，會(huì)嚴(yán)重影響太陽能電池片的光電轉(zhuǎn)換效率和使用壽命[1]。在實(shí)際生產(chǎn)中，鑒于太陽能電池片脆性與易碎性高，目前主要以非接觸的方式進(jìn)行視覺檢測[2]。而檢測方案主要以人工目測為主，人工目測的優(yōu)點(diǎn)是檢測準(zhǔn)確率高，但人工成本較高，效率低下且工作內(nèi)容乏味，而且需要依靠個(gè)人的經(jīng)驗(yàn)常識(shí)進(jìn)行判斷，檢測標(biāo)準(zhǔn)因人而異，很難形成統(tǒng)一的標(biāo)準(zhǔn)而達(dá)到客觀的結(jié)果。對(duì)于機(jī)器視覺檢測方法來說，檢測效率高，但不同檢測模型的檢測準(zhǔn)確率和速率不同，因此探索更加準(zhǔn)確和高效的檢測方案尤為重要。太陽能電池片機(jī)器視覺檢測方法的成像方案有兩種，分別為電致發(fā)光成像（electroluminescence,EL）與光致發(fā)光成像（photoluminescence,PL）。光致發(fā)光是指太陽能電池片吸收了另一個(gè)光源后，自身散發(fā)出光子的過程。

對(duì)于太陽能電池片缺陷機(jī)器視覺檢測方法而言，陶志勇等人利用支持向量機(jī)即SVM 算法提取Gabor 特征，對(duì)太陽能電池片EL 圖像裂縫缺陷進(jìn)行檢測[3]，其效果顯著，準(zhǔn)確率可達(dá)99.33%。但上述方法僅針對(duì)裂縫特征進(jìn)行了識(shí)別，而未能對(duì)太陽能電池片存在的黑斑、線隱、枝隱等缺陷進(jìn)行檢驗(yàn)。SPATARU S 和BASTARI A 等人采用匹配濾波器法與紋理分析法等檢測太陽能電池板的缺陷[4-5]，但其適應(yīng)性較差，當(dāng)缺陷位置比較隨機(jī)或者缺陷形狀不固定時(shí)，其方案檢測效果較弱。張鵬娟等人提出使用POS-RBFNN 的分類器，該方法用粒子群算法改進(jìn)的徑向基函數(shù)支持向量機(jī)對(duì)太陽能電池片缺陷進(jìn)行學(xué)習(xí)，以對(duì)太陽能電池片的缺陷進(jìn)行檢測[6]。該方法對(duì)大缺陷檢測的效果良好，但對(duì)微小缺陷的檢測效果較差，另外，該方法無法通過缺陷的位置對(duì)其進(jìn)行定位。此外，有學(xué)者將深度神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到太陽能電池片缺陷的檢測當(dāng)中。如王延年等人提出了一種基于改進(jìn)的U-net 缺陷檢測方法[7]，該方法引入了密集連接[8]和雙注意力機(jī)制[9]，通過注意力機(jī)制加強(qiáng)對(duì)關(guān)鍵信息的提??；周穎等人構(gòu)建了一種改進(jìn)的CNN 網(wǎng)絡(luò)對(duì)太陽能電池片的缺陷進(jìn)行檢測[10]，主要是通過調(diào)整模型深度和寬度來加強(qiáng)特征的提取，以及評(píng)估核大小對(duì)識(shí)別結(jié)果帶來的影響。實(shí)驗(yàn)表明，改進(jìn)CNN 模型的深度和寬度能有效改進(jìn)太陽能電池片缺陷識(shí)別率，但是在實(shí)際應(yīng)用中，深度學(xué)習(xí)方法需要大量的數(shù)據(jù)集，這會(huì)在實(shí)際應(yīng)用中受到一定限制。

綜上所述，雖然目前眾多學(xué)者針對(duì)太陽能電池片缺陷的檢測方法已進(jìn)行了較為深入的研究，但太陽能電池片的檢測依然無法以更高的檢測精度和檢測速度完成，以及完全脫離人為干預(yù)。為此，本文在上述研究的基礎(chǔ)上，首先根據(jù)太陽能電池片的缺陷特點(diǎn)與檢測要求，選用二值化圖像對(duì)ROI區(qū)域進(jìn)行分割定位；然后通過提取其低維的形狀特征與高維的HOG 特征進(jìn)行融合識(shí)別；最后將帶有缺陷的圖像進(jìn)行檢測，最高準(zhǔn)確率可達(dá)98.3%，實(shí)現(xiàn)了脫離人工干預(yù)的自動(dòng)識(shí)別。

1 太陽能電池片成像及圖像增強(qiáng)

1.1 基于光致發(fā)光的太陽能電池片成像

為了達(dá)到光子躍遷的能量，目前的激發(fā)器主要依靠高能激光發(fā)出1 150 nm 左右的紅外光。同時(shí)，為避免雜波的影響，要利用偏振片進(jìn)行過濾。照相機(jī)一般選用窄波紅外相機(jī)，其像素為300 萬，總流程是將圖1（a）太陽能電池片原件放入傳送帶，經(jīng)光致發(fā)光和相機(jī)圖像采集后可得到圖1（b）PL 圖像，其檢測平臺(tái)總體搭建如圖1 所示。

圖1 半硅片PL 成像原理Fig.1 Schematic diagram of semi-silicon PL imaging

為了提高太陽能電池片（以下簡稱“電池片”）的電流匯聚速度，一般需要在電池片的基片上進(jìn)行激光打孔。但如此操作，在可提高電流轉(zhuǎn)移效率的同時(shí)，也給電池片帶來了破損隱患，電池片的細(xì)微隱裂會(huì)導(dǎo)致其缺陷向晶界方向擴(kuò)展，輕則導(dǎo)致熱斑，重則導(dǎo)致電池片區(qū)域性失效，都會(huì)減少電池片的使用壽命。此外，在電池片制造過程中，激光孔在PL 成像時(shí)沒有離子激發(fā)，在圖像中會(huì)呈現(xiàn)黑色的角點(diǎn)形狀，而缺陷也會(huì)因離子弱化呈現(xiàn)暗紋黑斑，黑斑也會(huì)對(duì)電子轉(zhuǎn)移造成影響，導(dǎo)致光電轉(zhuǎn)化效率變低。最嚴(yán)重的劃痕缺陷則會(huì)導(dǎo)致電池片的開路性破碎，使電池片徹底失效。因此，需要對(duì)電池片激光孔周圍的隱裂（枝隱、線隱）以及黑斑、劃痕進(jìn)行檢測[11]。該檢測方案以角點(diǎn)和非角點(diǎn)的圖像作為樣本，將截取的圖像提取特征，以粒子群優(yōu)化的支持向量機(jī)作為分類器對(duì)圖像進(jìn)行檢測，檢測總體流程如圖2 所示。

圖2 太陽能電池片缺陷檢測流程圖Fig.2 Flow chart of solar cell defect detection

該工作要檢測的電池片缺陷，枝隱為單方向“/”形，線隱為雙方向”X”形，缺陷大小在0.5 mm～5 mm范圍內(nèi)。這兩種缺陷主要位于激光孔的角點(diǎn)處，而黑斑和劃痕的分布位置則比較隨機(jī)，且劃痕缺陷相比線隱缺陷在電池片上跨度更大，如圖3 所示。

圖3 電池片上的四種典型缺陷Fig.3 Four typical defects on solar cells

1.2 基于背景評(píng)估的圖像增強(qiáng)

進(jìn)行PL 成像時(shí)，因?yàn)椴煌杌煞值幕钴S度不同，圖像會(huì)呈現(xiàn)出不同的亮度和陰影，導(dǎo)致圖像分割困難。針對(duì)這一問題，本文提出一種基于高斯濾波陰影矯正的方法。該方法的基本思想是：首先利用局部二維高斯函數(shù)對(duì)背景光照進(jìn)行擬合；其次基于擬合的背景圖對(duì)原圖進(jìn)行加權(quán)，以矯正陰影。若單張電池片的圖像為S，則其擬合表達(dá)式如下：

式中：S(x,y)表示該點(diǎn)像素的原值；(x,y)表示二維圖像像素點(diǎn)的坐標(biāo)；G(x,y)表示該點(diǎn)像素被處理后的像素值；f(u,v)表示卷積核在u,v上的權(quán)重；Inew(u,v)為矯正后的新圖像在(x,y)點(diǎn)的像素值；k表示高斯核的大小。

對(duì)高斯核大小k的選擇，直接影響圖像增強(qiáng)的效果。若選取過小，則不足以體現(xiàn)其陰影分布，且矯正后的圖像會(huì)由于圖像陰影分布不夠細(xì)膩而出現(xiàn)椒鹽噪聲；若選取過大，將增加計(jì)算量，導(dǎo)致運(yùn)算時(shí)間增加。本文采用基于邊緣數(shù)量的高斯核大小評(píng)價(jià)方法，如圖4 所示。其邊緣數(shù)量與核大小呈遞減關(guān)系，但是遞減到一定程度后，其邊緣數(shù)量開始收斂，如圖4（a）和圖4（b）所示，說明繼續(xù)增大高斯核對(duì)其背景分布已不再具有積極作用。

圖4 高斯核選擇分析Fig.4 Gaussian kernel selection analysis

本文中，高斯核采用了圖像大小的三分之一以進(jìn)行背景的評(píng)估，如圖5 所示。圖5（b）是圖5（a）經(jīng)（1）式處理后得到的背景分布圖；圖5（c）是經(jīng)（2）式處理后并將灰度拉伸，最后用5×5 的核進(jìn)行中值模糊去噪獲得的結(jié)果。

圖5 圖像增強(qiáng)過程Fig.5 Image enhancement process

從圖5 中可以看出，右上角的不均勻光照得到了較有效的抑制。

1.3 兩步法確定ROI

電池片缺陷位置通常具有隱裂位于激光孔上，而黑斑和劃痕位置比較分散，因此將單張電池片上的缺陷分兩步進(jìn)行提取。根據(jù)激光孔分布具有規(guī)律的特性，首先對(duì)單張電池片的圖像進(jìn)行二值化分割，利用角點(diǎn)檢測獲取激光孔位置并判斷激光孔形態(tài)，以甄別隱裂缺陷；其次，剔除激光孔與隱裂缺陷；最后，篩選出黑斑和劃痕缺陷。

1.3.1 激光孔定位

對(duì)于角點(diǎn)區(qū)域，首先要對(duì)原圖像進(jìn)行底帽變換，以消除背景以及噪聲干擾。對(duì)底帽變換的圖像進(jìn)行Shi-Tomasi 角點(diǎn)檢測[12]，角點(diǎn)質(zhì)量參數(shù)為0.05。本文檢測的硅片激光孔為3×6，為防止漏檢，本文檢測20 個(gè)角點(diǎn)，得到圖6（b）初始的角點(diǎn)，并按距離進(jìn)行篩選。將篩選后的角點(diǎn)坐標(biāo)進(jìn)行X方向和Y方向的求均值處理，并且進(jìn)行排列組合，即可得到18 個(gè)角點(diǎn)位置的坐標(biāo)信息圖像，如圖6 所示。

圖6 角點(diǎn)檢測的圖像Fig.6 Images detected by corner points

1.3.2 ROI 篩選

由于角點(diǎn)上的缺陷以激光孔為中心向四周發(fā)散，因此先要對(duì)激光孔周圍的局部圖像進(jìn)行處理：首先對(duì)局部圖像進(jìn)行二值化，反色后，遍歷白色有效點(diǎn)數(shù)Si；其次對(duì)18 個(gè)局部區(qū)域有效點(diǎn)求平均值Smean，以此作為篩選隱裂缺陷的閾值。若Si小于Smean則剔除，若大于此面積則保留。此ROI 區(qū)域?yàn)樾枰M(jìn)行檢測的區(qū)域，該操作可以減少一部分激光孔的檢測，以提升算法速率。其數(shù)學(xué)表達(dá)式如下：

對(duì)于非角點(diǎn)處的缺陷，由于已經(jīng)得到角點(diǎn)區(qū)域的ROI 中心坐標(biāo)，此條件下，應(yīng)將角點(diǎn)區(qū)域剔除，即可得到非角點(diǎn)的缺陷。對(duì)于非角點(diǎn)位置的缺陷，具體采取最小外接矩形進(jìn)行框選，即可得到ROI 區(qū)域，如圖7 所示。

圖7 非角點(diǎn)缺陷分割Fig.7 Non-corner point defect segmentation

2 特征提取

2.1 HOG 特征

鑒于電池片缺陷有一定的方向性，本文首先按不同方位提取HOG 特征。在選取的ROI 中提取HOG 特征，將其梯度和幅值控制在0°～180°范圍內(nèi)，壓縮為每20°為1 個(gè)方向，即9 個(gè)方向。再將原圖64×64 的圖像劃分為4 個(gè)互不相交32×32 的cell 單元，并將每個(gè)cell 單元進(jìn)行9 個(gè)方向的特征統(tǒng)計(jì)，即共獲取36 維的特征。由于特征維數(shù)較高，計(jì)算復(fù)雜，因此需要對(duì)特征進(jìn)行降維。拉普拉斯特征映射（laplacian eigenmaps，LE）降維方法[13]是一種非線性流行學(xué)習(xí)算法，其計(jì)算復(fù)雜度較低，對(duì)聚類、分類等問題有較好的魯棒性和收斂性，其主要思想是相互相關(guān)的數(shù)據(jù)能在降維后的空間更加具有相關(guān)性，可理解為在新的低維特征空間中產(chǎn)生了一個(gè)與之前特征空間局部鄰接關(guān)系一樣的數(shù)據(jù)。而主成分分析（principal component analysis，PCA）降維方法可以理解為直接乘以一個(gè)矩陣，通過線性投影來降低數(shù)據(jù)維度，并且使降維后的數(shù)據(jù)盡可能地保持最大的方差。若出現(xiàn)所有點(diǎn)映射到同一個(gè)位置的情況，數(shù)據(jù)信息就會(huì)丟失，因此采用拉普拉斯特征映射降維方法，可以將特征降至更低的維數(shù)，且能保存更多的特征信息。根據(jù)統(tǒng)計(jì)學(xué)實(shí)驗(yàn)分析，保留原圖特征80%的信息，即可代表其原信息。本文采取的降維方案，僅對(duì)HOG 特征進(jìn)行降維，其原因在于若將形態(tài)特征融合后再進(jìn)行降維，融合后的形態(tài)特征會(huì)由于HOG 特征維數(shù)較高而丟失部分信息。因此，選定采用拉普拉斯特征映射降維方法，將HOG 特征降至8 維。由于特征的維數(shù)相差不高，可直接進(jìn)行特征融合。其識(shí)別率對(duì)比如圖8 所示。

圖8 降維方案對(duì)比Fig.8 Comparison of dimension reduction schemes

2.2 形態(tài)特征

對(duì)分割后的ROI 區(qū)域從圖像上進(jìn)行分析，根據(jù)其形態(tài)特征判斷，其形狀特征的可區(qū)分度較高。本文經(jīng)實(shí)驗(yàn)研究后，在形態(tài)特征上選取了周長L、面積S、圓形度C，以及長寬比A。對(duì)加入的形態(tài)特征，為驗(yàn)證其有效性，本文采用圖標(biāo)分析方法對(duì)本文所選定的特征進(jìn)行分析，如圖9 所示。

圖9 特征區(qū)別度Fig.9 Characteristic distinction degree

對(duì)于HOG 特征，其中每種點(diǎn)型代表一種樣本類型，本文用T 分布的隨機(jī)近鄰嵌入（T-stochastic neighbour embedding，TSNE）方法進(jìn)行可視化。圖9中的5 種樣本在三維空間中基本可分，說明HOG特征對(duì)識(shí)別方法具有有效性。而對(duì)于長寬比和圓形度這兩種特征來說，其中正方形代表正常樣本，圓形代表枝隱樣本，正三角代表線隱樣本，倒三角代表黑斑樣本，菱形代表劃痕樣本。對(duì)于長寬比特征而言，其中劃痕、線隱與正常樣本，或者劃痕、線隱、黑斑這兩組的區(qū)分度都比較高，但對(duì)于枝隱而言，則還需要引入其他特征再加以區(qū)分；對(duì)于圓形度而言，其中黑斑、劃痕和枝隱，或者劃痕、黑斑隱、線隱每3 個(gè)為一組的特征區(qū)分度明顯。說明本文確立提取的長寬比特征以及圓形度特征的確可作為有效特征，而面積和周長作為圓形度特征的中間變量，雖然其特征區(qū)分度表現(xiàn)得并不如其他特征明顯，但在大劃痕上也能將之與其他缺陷區(qū)分開來。

3 基于PSO-SVM 的電池片缺陷識(shí)別

傳統(tǒng)的SVM，是一種在特征空間上尋找最大間隔的二分類器，其中對(duì)數(shù)據(jù)分類起到關(guān)鍵作用的是核函數(shù)。本文選取的SVM，其核函數(shù)為徑向基函數(shù)RBF。在SVM 中，C是懲罰因子，C越大，說明模型對(duì)誤差的容忍性越低，模型就容易過擬合；C越小，模型越容易欠擬合。Gamma 是選擇徑向基函數(shù)作為核函數(shù)后自帶的一個(gè)超參數(shù)，它決定了數(shù)據(jù)在新的特征空間映射的分布關(guān)系。C和Gamma 同時(shí)決定了模型的復(fù)雜度和準(zhǔn)確率，所以需要對(duì)C和Gamma 進(jìn)行優(yōu)化。

為了獲得較優(yōu)的C和Gamma，一種常見的方法就是結(jié)合SVM 的結(jié)果進(jìn)行遍歷搜索，如GASVM[14]。但是由于遺傳算法的局部尋優(yōu)能力較差、遍歷比較費(fèi)時(shí)，于是本文采用啟發(fā)式粒子群（PSO）算法[15]對(duì)SVM 進(jìn)行參數(shù)優(yōu)化。本文中設(shè)定C和Gamma 的取值范圍為0～10，慣性因子取為0.5，學(xué)習(xí)因子分布為0.2 和0.3，并以混淆矩陣分類錯(cuò)誤數(shù)作為適應(yīng)度函數(shù)，然后以每個(gè)種群平均準(zhǔn)確率繪制訓(xùn)練特性曲線，其尋優(yōu)過程如圖10所示。

圖10 PSO-SVM 的尋優(yōu)過程Fig.10 Optimization process for PSO-SVM

經(jīng)過100 步的訓(xùn)練，獲得了最佳模型（C=2.45，Gamma=6.58）。隨后，應(yīng)用此模型對(duì)單張電池片圖像進(jìn)行缺陷檢測。首先依據(jù)以上分割方法，分為角點(diǎn)區(qū)域和非角點(diǎn)區(qū)域，然后分別進(jìn)行識(shí)別，分別提取特征后進(jìn)行融合；對(duì)識(shí)別的結(jié)果，除正常樣本以外，要對(duì)存在缺陷的電池片上的缺陷位置進(jìn)行標(biāo)記，并且要將其對(duì)應(yīng)的位置也進(jìn)行標(biāo)記。對(duì)于劃痕缺陷或者黑斑缺陷，由于其分布并不規(guī)律，缺陷分布難免呈離散狀，所以可將其識(shí)別框進(jìn)行聚類合并，聚類的條件是聚類閾值和種類是否相同。

4 實(shí)驗(yàn)及結(jié)果分析

4.1 樣本收集與整理

本文研究中所利用的電池片缺陷識(shí)別數(shù)據(jù)集，取之于江蘇某太陽能電池片生產(chǎn)廠，具體是從該廠不同批次的電池片抽取了部分缺陷圖片，通過采用上述確立的圖像分割方法，形成了正常樣本450 張，黑斑樣本450 張，線隱樣本450 張，枝隱樣本450 張。

4.2 實(shí)驗(yàn)結(jié)果分析

本文工作中，所搭建實(shí)驗(yàn)平臺(tái)的硬件為Intel Core i7-10750H CPU、內(nèi)存8GB 的RTX2070。對(duì)電池片特征的提取以及基于PSO 的SVM 分類器訓(xùn)練的識(shí)別算法，均利用python 編寫完成。

為進(jìn)行實(shí)驗(yàn)比對(duì)，實(shí)驗(yàn)選取了線隱缺陷、枝隱缺陷、黑斑缺陷、劃痕缺陷和正常樣本5 類，各取400 張圖像數(shù)據(jù)樣本用來作為訓(xùn)練集[16]，并利用待測圖像各50 張來進(jìn)行檢驗(yàn)。其檢測方案如表1所示。

表1 識(shí)別方案對(duì)比Table 1 Comparison of identification schemes

從表1 提供的實(shí)驗(yàn)結(jié)果可知，該方案選取了不同的特征和不同的檢測方案進(jìn)行組合對(duì)電池片的缺陷進(jìn)行識(shí)別。其中第一組采用Le-Net 網(wǎng)絡(luò)[17]卷積提取樣本特征，雖然對(duì)正常無缺陷樣本檢測完全正確，但總準(zhǔn)確率僅79.46%；第二組為SVM（C=1.5，Gamma=3）和形態(tài)特征，由于形態(tài)特征的維數(shù)較低，不采用降維方案，相比Le-Net 方法提高了6.79%準(zhǔn)確率。說明在數(shù)據(jù)集較少的情況下，神經(jīng)網(wǎng)絡(luò)容易產(chǎn)生過擬合，因此該特征提取方案優(yōu)于卷積特征提取；第三組是SVM 和PCA 降維的單HOG特征方法，相比形態(tài)特征準(zhǔn)確率有所提高，但不準(zhǔn)確率仍不完全理想；第四組是SVM 和PCA 降維的特征融合方法，進(jìn)一步提升了算法的準(zhǔn)確率；第五組是SVM 和LE 降維的特征融合方法，優(yōu)化了降維方案，可見LE 降維方案優(yōu)于PCA 降維方案；第六組是采用PSO 算法優(yōu)化SVM、并用PCA 降維的特征融合方法。采用PSO 算法對(duì)C和Gamma進(jìn)行選取，大幅提升了模型的準(zhǔn)確率，主要是由于人為選取超參數(shù)過程復(fù)雜，需要對(duì)模型預(yù)設(shè)多種組合，每種組合都需要交叉驗(yàn)證評(píng)估，而引入PSO算法對(duì)超參數(shù)進(jìn)行尋優(yōu)，可以找到最適合的超參數(shù)。最終將最優(yōu)的各方案進(jìn)行組合，得到第七組方案：采用PSO 算法優(yōu)化SVM，并用LE 降維的特征融合方法，由結(jié)果可知該方案是準(zhǔn)確率最高的方案。應(yīng)用此方案測試50 張圖片時(shí)，平均單張的用時(shí)為1.38 s，最終缺陷檢測結(jié)果如圖11 所示，其中black 表示黑斑缺陷，branch 表示枝隱缺陷，line 表示線隱缺陷，srcatch 表示劃痕。

圖11 缺陷檢測結(jié)果Fig.11 Defect detection results

經(jīng)檢測結(jié)果可知，太陽能電池片缺陷可以正常檢測，但仍然存在部分缺陷漏檢的情況。圖11 有部分劃痕漏檢，主要是由于部分劃痕缺陷過小，難以定義其分類，導(dǎo)致檢測時(shí)與線隱和枝隱缺陷難以區(qū)分。該方案已成功用于現(xiàn)場測試，運(yùn)行良好，為太陽能電池片組件的缺陷檢測自動(dòng)識(shí)別打下了基礎(chǔ)。

5 結(jié)論

太陽能電池片中的隱裂缺陷對(duì)電池板組件的影響巨大，但是在一張?zhí)柲茈姵仄M件PL 圖像中，缺陷在組件中的面積占比不到萬分之一。由于電池片的面積特征，導(dǎo)致對(duì)其上缺陷的檢測具有較高難度。根據(jù)組件圖像的特性以及實(shí)際生成要求，利用Shi-Tomasi 和最小外接矩形的圖像處理方法，對(duì)電池片單片上缺陷ROI 區(qū)域進(jìn)行快速定位。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)缺陷的檢測精度和速度有了相對(duì)的提升，與其他的滑框檢測方法相比，采用直接對(duì)ROI 區(qū)域進(jìn)行特征提取和識(shí)別的方法，在檢測的效率和準(zhǔn)確率方面取得了較好的平衡，為太陽能電池片缺陷的自動(dòng)化檢測打下了基礎(chǔ)。但是由于數(shù)據(jù)集的限制、提取的特征復(fù)雜程度，以及當(dāng)前環(huán)境的復(fù)雜性增高（如遮擋，大面積陰影等），模型的精度和速率依然有待提高。在考慮有限的數(shù)據(jù)集下，提高模型的泛化能力以及精度和速率，將是后續(xù)工作的主要研究方向。