劉玉淇， 吳一全

（南京航空航天大學(xué) 電子信息工程學(xué)院，江蘇 南京 211106）

1 引 言

近年來(lái)，隨著人類(lèi)對(duì)能源的依賴(lài)日益增加，石油等非可再生能源被大量使用和消耗，導(dǎo)致環(huán)境污染問(wèn)題日益嚴(yán)重。面對(duì)這些問(wèn)題，全球各地政府、科學(xué)家和企業(yè)已經(jīng)采取了一系列行動(dòng)，推動(dòng)可再生能源的發(fā)展。太陽(yáng)能電池是一種基于光電轉(zhuǎn)化原理的設(shè)備，其關(guān)鍵功能是將太陽(yáng)光中的光子能量轉(zhuǎn)化為電能，這個(gè)過(guò)程被稱(chēng)為光伏效應(yīng)或光電效應(yīng)。太陽(yáng)能光伏發(fā)電技術(shù)［1］因具有低發(fā)電成本、無(wú)污染、可再生等優(yōu)點(diǎn)而被廣泛應(yīng)用，緩解了人類(lèi)社會(huì)的能源危機(jī)。隨著光伏組件出口數(shù)量日益增長(zhǎng)，太陽(yáng)能電池片的產(chǎn)量也在逐日遞增。在太陽(yáng)能電池片的生產(chǎn)過(guò)程中可能會(huì)有一些表面缺陷產(chǎn)生，其成因不盡相同、種類(lèi)繁多，相對(duì)常見(jiàn)的類(lèi)型有劃痕、破損、污漬、斷柵等［2］缺陷的存在大大降低了光伏發(fā)電系統(tǒng)的穩(wěn)定性［3］，對(duì)太陽(yáng)能電池片進(jìn)行缺陷檢測(cè)是保證其性能和質(zhì)量的關(guān)鍵步驟。

目前，太陽(yáng)能電池片表面缺陷檢測(cè)方法主要包括：人工檢測(cè)方法、物理檢測(cè)方法以及機(jī)器視覺(jué)方法。人工檢測(cè)方法主要依靠規(guī)定的電池標(biāo)準(zhǔn)以及工人工作經(jīng)驗(yàn)進(jìn)行缺陷識(shí)別，但此方法相對(duì)效率低、成本高。物理檢測(cè)方法主要利用聲波［4］、激光、可見(jiàn)光等進(jìn)行太陽(yáng)能電池片表面缺陷檢測(cè)，其主要有機(jī)械沖擊試驗(yàn)［5］、光傳輸［6］、I/V曲線(xiàn)測(cè)量［7］、紅外熱成像（Infrared Thermography，IRT）［8］、聲學(xué)顯微鏡［9］、共振超聲振動(dòng)［10］、電子散斑干涉等方法［11］。但物理檢測(cè)方法只適合在晶片和電池制造階段進(jìn)行在線(xiàn)診斷，在實(shí)際應(yīng)用中具有較大局限性；且物理檢測(cè)方法屬于接觸性檢測(cè)算法，在檢測(cè)過(guò)程中存在諸多人為干預(yù)因素［12］。除上述兩種方法外，現(xiàn)有工程中采用的太陽(yáng)能電池缺陷檢測(cè)設(shè)備已初步實(shí)現(xiàn)了對(duì)光伏組件制造過(guò)程的監(jiān)測(cè)并保證其制造過(guò)程的穩(wěn)定［13-15］。基于機(jī)器視覺(jué)的檢測(cè)方法，具有檢測(cè)精度高、速度快，運(yùn)行過(guò)程非接觸式，成本低廉等優(yōu)勢(shì)，因此已經(jīng)成為目前缺陷檢測(cè)領(lǐng)域中的重點(diǎn)應(yīng)用方法［16］，人工智能的引入有望進(jìn)一步優(yōu)化檢測(cè)精度并提高檢測(cè)效率。通常機(jī)器視覺(jué)方法主要分為基于傳統(tǒng)機(jī)器視覺(jué)的缺陷檢測(cè)方法和基于深度學(xué)習(xí)的缺陷檢測(cè)方法。目前，太陽(yáng)能電池片表面缺陷檢測(cè)任務(wù)逐漸由機(jī)器視覺(jué)技術(shù)來(lái)完成，其對(duì)于實(shí)現(xiàn)智能制造具有重要的意義。綜上所述，學(xué)者們通過(guò)機(jī)器視覺(jué)技術(shù)進(jìn)行太陽(yáng)能電池缺陷檢測(cè)的研究顯得尤為重要［17］。

目前，相關(guān)綜述文獻(xiàn)情況如下：文獻(xiàn)［18-19］對(duì)微裂紋的不同檢測(cè)方法進(jìn)行了綜述，描述了每種方法的主要特點(diǎn)及其優(yōu)缺點(diǎn)。上述研究表明，基于近紅外技術(shù)的太陽(yáng)能晶片/電池成像裝置性能最好、速度最快。在此基礎(chǔ)上，文獻(xiàn)［20］發(fā)現(xiàn)電致發(fā)光（Electroluminescence， EL）成像技術(shù)和光致發(fā)光（Photoluminescence， PL）成像技術(shù)通常更適用于成品太陽(yáng)能電池，而光傳輸（Optical Transport， OT）檢測(cè)最適合裸硅片。但上述綜述文章僅針對(duì)太陽(yáng)能電池片微裂紋這一種缺陷進(jìn)行綜述，并且大多介紹基于物理檢測(cè)方法進(jìn)行太陽(yáng)能電池片缺陷檢測(cè)的研究，完全沒(méi)有涵蓋基于深度學(xué)習(xí)的方法。文獻(xiàn)［21］系統(tǒng)地總結(jié)了以機(jī)器視覺(jué)為基礎(chǔ)的太陽(yáng)能電池片表面缺陷檢測(cè)方法及涉及的各個(gè)環(huán)節(jié)，但文章中引用最新研究文獻(xiàn)為2016年，且沒(méi)有介紹相關(guān)數(shù)據(jù)集。在2016年之后越來(lái)越多的深度學(xué)習(xí)模型被不斷提出，大量學(xué)者將高性能網(wǎng)絡(luò)應(yīng)用在太陽(yáng)能電池片缺陷檢測(cè)中，并且獲得了較好的實(shí)驗(yàn)結(jié)果。2017年，文獻(xiàn)［22］回顧了太陽(yáng)能電池表面缺陷的典型類(lèi)型，從基于全局、局部和局部-全局三個(gè)角度出發(fā)介紹了典型的太陽(yáng)能電池表面缺陷檢測(cè)方法，并定性評(píng)價(jià)了當(dāng)前流行的機(jī)器視覺(jué)檢測(cè)算法；介紹了幾個(gè)已發(fā)論文中所采用的數(shù)據(jù)集，但這些數(shù)據(jù)集都不是公開(kāi)可用的。2021年，文獻(xiàn)［23］對(duì)基于紅外熱像技術(shù)進(jìn)行太陽(yáng)能電池片表面缺陷檢測(cè)和診斷的研究進(jìn)行了詳細(xì)的綜述，但文章僅包含紅外熱像技術(shù)，其涵蓋范圍不夠全面。以前的綜述論文也沒(méi)有考慮現(xiàn)有發(fā)光系統(tǒng)產(chǎn)生的圖像的復(fù)雜性。本文綜述涵蓋了近十年來(lái)基于傳統(tǒng)機(jī)器視覺(jué)和基于深度學(xué)習(xí)的缺陷檢測(cè)方法，并對(duì)每篇文獻(xiàn)所用方法進(jìn)行分析總結(jié)，簡(jiǎn)要介紹了9種已公開(kāi)的公共數(shù)據(jù)集。綜上，本文是對(duì)上述文章的進(jìn)一步拓展與深入。

本文詳細(xì)綜述并系統(tǒng)分析了現(xiàn)有的太陽(yáng)能電池片表面缺陷檢測(cè)方法，其目的是期望從事太陽(yáng)能電池片表面缺陷檢測(cè)的研究人員能夠高效地對(duì)目前相關(guān)技術(shù)發(fā)展情況進(jìn)行全面了解。本文的第2章介紹太陽(yáng)能電池片表面成像方式以及其常見(jiàn)的缺陷類(lèi)型。第3章對(duì)傳統(tǒng)機(jī)器視覺(jué)方法進(jìn)行概括分析，依據(jù)不同的數(shù)學(xué)建模方式可將其分為圖像域分析法、變換域分析法。第4章詳細(xì)綜述了基于深度學(xué)習(xí)的太陽(yáng)能電池片缺陷檢測(cè)方法，將其整體分為有無(wú)監(jiān)督學(xué)習(xí)、有監(jiān)督學(xué)習(xí)和弱監(jiān)督及半監(jiān)督學(xué)習(xí)。第5章梳理了相關(guān)數(shù)據(jù)集以及缺陷檢測(cè)性能評(píng)價(jià)指標(biāo)。第6章概述了現(xiàn)存問(wèn)題，并對(duì)太陽(yáng)能電池片缺陷檢測(cè)領(lǐng)域的未來(lái)發(fā)展方向進(jìn)行了展望。最后對(duì)全文內(nèi)容進(jìn)行了系統(tǒng)地總結(jié)。

2 太陽(yáng)能電池片表面成像方式及缺陷類(lèi)型

2.1 太陽(yáng)能電池片表面成像方式

按不同生產(chǎn)材料可將太陽(yáng)能電池分為單晶硅和多晶硅。單晶硅太陽(yáng)能電池具有均勻的背景紋理，多晶硅太陽(yáng)能電池表面含有大量形狀和大小隨機(jī)的晶格粒子。圖1列出了晶硅太陽(yáng)能電池生產(chǎn)的全過(guò)程，根據(jù)示意圖可以將其生產(chǎn)過(guò)程劃分為三個(gè)不同的階段，第一階段主要將晶硅材料切片完成太陽(yáng)能硅片的制作；第二階段經(jīng)過(guò)一系列工序?qū)⑸弦浑A段產(chǎn)出的硅片制作成太陽(yáng)能電池片；第三階段對(duì)上一階段產(chǎn)出的太陽(yáng)能電池片進(jìn)行封裝完成太陽(yáng)能組件的制作。

圖1 晶硅太陽(yáng)能電池生產(chǎn)的全過(guò)程示意圖Fig.1 Diagram of the entire process of crystalline silicon solar cell production

圖像采集是進(jìn)行太陽(yáng)能電池片表面缺陷檢測(cè)前的一個(gè)關(guān)鍵環(huán)節(jié)，高質(zhì)量的太陽(yáng)能電池片圖像相對(duì)清晰并且亮度均勻，能夠有效地提高后續(xù)檢測(cè)效率和準(zhǔn)確性。此外，高質(zhì)量圖像中的缺陷區(qū)域更為明顯，進(jìn)一步減輕了圖像處理的難度，從而有助于獲得更可靠的檢測(cè)結(jié)果。常用太陽(yáng)能電池表面成像方式包括可見(jiàn)光成像、紅外熱成像、光致發(fā)光成像和電致發(fā)光成像。不同太陽(yáng)能電池片表面成像方式所得圖像如圖2所示。

圖2 不同太陽(yáng)能電池片表面成像方式所得圖像Fig.2 Surface images of solar cells obtained with different imaging methods

2.2 太陽(yáng)能電池片表面缺陷檢測(cè)類(lèi)型

表1列舉了太陽(yáng)能電池片幾種常見(jiàn)的缺陷，表中對(duì)概述了每種缺陷的視覺(jué)特點(diǎn)、成因以及該缺陷對(duì)電池性能的影響。從表中可以看出對(duì)太陽(yáng)能電池進(jìn)行缺陷檢測(cè)是保證太陽(yáng)能電池質(zhì)量和效率的重要環(huán)節(jié)。傳統(tǒng)的人工檢測(cè)方法在效率和精度方面存在局限性，因此采用機(jī)器視覺(jué)技術(shù)進(jìn)行自動(dòng)表面缺陷檢測(cè)成為一種提高生產(chǎn)質(zhì)量和效率的有效方式。然而，目前工業(yè)上對(duì)于太陽(yáng)能電池片所存在的缺陷類(lèi)型以及其缺陷損壞程度沒(méi)有明確的檢測(cè)標(biāo)準(zhǔn)，在缺陷檢測(cè)方面的工作還需進(jìn)一步完善。

表1 太陽(yáng)能電池片常見(jiàn)缺陷Table 1 Common defects of solar cells

3 基于傳統(tǒng)機(jī)器視覺(jué)算法的太陽(yáng)能電池片缺陷檢測(cè)方法

圖3中展示了基于傳統(tǒng)機(jī)器視覺(jué)算法的太陽(yáng)能電池表面缺陷檢測(cè)方法主要以圖像域分析法和變換域分析法為主。

圖3 基于傳統(tǒng)機(jī)器視覺(jué)的太陽(yáng)能電池片表面缺陷檢測(cè)算法框架Fig.3 Framework of surface defect detection algorithm of solar cells based on traditional machine vision

如圖4所示，傳統(tǒng)機(jī)器視覺(jué)缺陷檢測(cè)算法主要將缺陷特征表達(dá)和分類(lèi)器進(jìn)行結(jié)合，進(jìn)而完成太陽(yáng)能電池片的缺陷檢測(cè)任務(wù)。

圖4 傳統(tǒng)機(jī)器視覺(jué)太陽(yáng)能電池片缺陷檢測(cè)算法流程Fig.4 Framework of traditional machine vision solar cell defect detection algorithms

3.1 圖像域分析法

圖像域分析法可以分為基于特征的缺陷檢測(cè)方法和基于區(qū)域的缺陷檢測(cè)方法?；谔卣鞯娜毕輽z測(cè)方法通過(guò)分析圖像中缺陷和正常區(qū)域的特征差異來(lái)實(shí)現(xiàn)；基于區(qū)域的缺陷檢測(cè)更關(guān)注區(qū)域內(nèi)部特征的相似性，該方法主要利用檢測(cè)目標(biāo)與背景區(qū)域之間的屬性差異進(jìn)行檢測(cè)。

3.1.1 基于特征的太陽(yáng)能電池片缺陷檢測(cè)方法

3.1.1.1 基于梯度特征的太陽(yáng)能電池片缺陷檢測(cè)方法

在太陽(yáng)能電池表面圖像中，梯度特征體現(xiàn)為像素強(qiáng)度的變化。如圖5所示，裂紋、斷柵兩類(lèi)缺陷與背景在邊緣交界處的梯度差異較大，根據(jù)相關(guān)性質(zhì)可知缺陷邊緣處的梯度值較高，因此這類(lèi)方法在檢測(cè)如上兩種亮度差異較大的表面缺陷類(lèi)型上具有較好的檢測(cè)效果。

圖5 裂紋、斷柵缺陷與背景間的邊緣梯度紋理差異Fig.5 Textural differences in edge gradients between cracks， broken grid defects and the background

文獻(xiàn)［24］提出了一種基于各向異性擴(kuò)散濾波和圖像分割技術(shù)的檢測(cè)方法，根據(jù)缺陷的梯度特征和形狀特征實(shí)現(xiàn)多晶硅電池的缺陷檢測(cè)，其檢測(cè)平均精度為88%，每張EL圖像的平均處理時(shí)間為4.1 s。該方法僅適用于檢測(cè)多晶硅太陽(yáng)能電池中的微裂紋缺陷，不能檢測(cè)多個(gè)缺陷，且過(guò)于依賴(lài)圖像預(yù)處理，容易出現(xiàn)誤檢的情況。文獻(xiàn)［25］利用均值偏移技術(shù)進(jìn)行多晶太陽(yáng)能晶片表面缺陷檢測(cè)，通過(guò)自適應(yīng)閾值分割濾波出熵圖像中的缺陷區(qū)域。該方法在檢測(cè)太陽(yáng)能晶圓表面的指紋和污染缺陷方面有明顯效果，但僅適用于缺陷邊緣梯度變化較大的缺陷類(lèi)型，不能直接擴(kuò)展到其他缺陷類(lèi)型。

文獻(xiàn)［26］針對(duì)太陽(yáng)能硅片圖像中微裂紋具有低灰度和高梯度的特征來(lái)調(diào)整擴(kuò)散系數(shù)，以實(shí)現(xiàn)對(duì)圖像中不同梯度區(qū)域進(jìn)行圖像銳化和圖像平滑。模型檢測(cè)速度快且能夠擴(kuò)展到各種表面圖像中的缺陷檢測(cè)，但該模型無(wú)法有效地反映出對(duì)角方向的像素信息缺陷。針對(duì)上述情況，文獻(xiàn)［27］在文獻(xiàn)［26］提出的算法基礎(chǔ)上進(jìn)行改進(jìn)，所提出的方法基于對(duì)角核和交叉核進(jìn)行各向異性擴(kuò)散，有效地提高了微裂紋缺陷檢測(cè)性能。與傳統(tǒng)方法相比計(jì)算量更大，但所提方法在交叉核上的微裂紋檢測(cè)性能更好。上述方法在迭代次數(shù)不足時(shí)，特征圖像中仍包含殘余干擾，無(wú)法完全檢測(cè)對(duì)角微裂紋。為解決該問(wèn)題，文獻(xiàn)［28］將東、西、南、北以及延伸方向中較大的梯度值作為擴(kuò)散函數(shù)的系數(shù)，充分利用周?chē)袼匦畔?，使得模型?jì)算時(shí)間不會(huì)因?yàn)榈螖?shù)的增加而延長(zhǎng)。

文獻(xiàn)［29］將局部梯度特征與粒子群優(yōu)化（Particle Swarm Optimization， PSO）算法相結(jié)合，并將其應(yīng)用在太陽(yáng)能電池片的裂紋缺陷檢測(cè)中。在此基礎(chǔ)上，文獻(xiàn)［30］中提出了一種基于分割優(yōu)化技術(shù)的框架來(lái)檢測(cè)裂紋，其中優(yōu)化技術(shù)包括PSO、差分粒子群優(yōu)化和分?jǐn)?shù)階差分粒子群優(yōu)化，該技術(shù)能夠以較低的計(jì)算成本獲得高精度和更完整的裂紋輪廓。

文獻(xiàn)［31］提出了一種用于PV微裂紋檢測(cè)的增強(qiáng)裂紋分割技術(shù)，其基本原理是利用高斯分布的各向異性尺度描述裂紋結(jié)構(gòu)，調(diào)整不同方向的各向異性系數(shù)值以達(dá)到裂紋增強(qiáng)效果，能夠有效地在指定方向上分割裂紋。文獻(xiàn)［32］使用Sobel算子在太陽(yáng)能電池表面圖像上對(duì)缺陷形態(tài)進(jìn)行邊緣檢測(cè)并提取其特征，在加強(qiáng)缺陷邊緣的同時(shí)突出缺陷特征，提高了識(shí)別太陽(yáng)能電池缺陷的精確性。

3.1.1.2 基于其他特征的太陽(yáng)能電池片缺陷檢測(cè)方法

缺陷通常表現(xiàn)出與正常區(qū)域不同的紋理結(jié)構(gòu)、形狀變化或顏色分布，使得基于特征的方法能夠有效地區(qū)分并識(shí)別太陽(yáng)能電池片表面的缺陷。文獻(xiàn)［33］引入了四個(gè)選定的特征與SVM相結(jié)合，完成對(duì)PL圖像和紅外圖像中的裂紋缺陷進(jìn)行識(shí)別，其算法分類(lèi)準(zhǔn)確率為81%。由于PL圖像上缺陷的紋理信息比EL圖像更模糊，因此該方法準(zhǔn)確率低于文獻(xiàn)［24］。文獻(xiàn)［34］設(shè)計(jì)了一個(gè)以徑向基為核函數(shù)的SVM分類(lèi)器，對(duì)斷柵、缺角、裂紋等常見(jiàn)缺陷檢測(cè)的準(zhǔn)確率達(dá)到90%，但該方法對(duì)部分灰度變化小的缺陷識(shí)別率相對(duì)較低。文獻(xiàn)［35］使用多種手工特征（包括KAZE［36］，SIFT［37］，SURF［38］和SVM分類(lèi)器）對(duì)有缺陷的太陽(yáng)能電池進(jìn)行有監(jiān)督分類(lèi)，在ELPV數(shù)據(jù)集上分類(lèi)檢測(cè)準(zhǔn)確率達(dá)到82.44%。雖然該方法的精度低于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）算法的檢測(cè)精度，但訓(xùn)練和檢測(cè)的速度均高于CNN算法。文獻(xiàn)［39］從EL圖像中提取相應(yīng)特征，并利用SVM分類(lèi)器對(duì)圖像進(jìn)行二分類(lèi)，從而識(shí)別出有缺陷的太陽(yáng)能電池。文獻(xiàn)［40］針對(duì)斷柵缺陷的特點(diǎn)對(duì)太陽(yáng)能電池圖像進(jìn)行分析，使用正則化RBF分類(lèi)器進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，該分類(lèi)器在斷柵缺陷的正確識(shí)別率高達(dá)98.57%，計(jì)算時(shí)間相對(duì)較短（0.107 s）。文獻(xiàn)［41］將SVM分類(lèi)器與DFB（Deep Feature-Based）相結(jié)合，在不均衡數(shù)據(jù)集上能夠有效完成EL圖像分類(lèi)任務(wù)，但數(shù)據(jù)集中有標(biāo)記的圖像較少，因此系統(tǒng)分類(lèi)的準(zhǔn)確率有待進(jìn)一步提高。文獻(xiàn)［42］通過(guò)決策樹(shù)分類(lèi)方法對(duì)單晶和多晶太陽(yáng)能電池硅片進(jìn)行缺陷檢測(cè)，檢測(cè)分類(lèi)的準(zhǔn)確率達(dá)到95%以上。但實(shí)驗(yàn)樣本過(guò)小且不具有代表性，因此該方法存在一定的局限性。

3.1.2 基于區(qū)域的太陽(yáng)能電池片缺陷檢測(cè)方法

基于區(qū)域的缺陷檢測(cè)方法包括聚類(lèi)法、閾值法和區(qū)域生長(zhǎng)法等。文獻(xiàn)［43］采用了高斯-拉普拉斯變換來(lái)銳化圖像，再通過(guò)聚類(lèi)的方法分割出缺陷輪廓，該方法對(duì)內(nèi)部脊?fàn)盍鸭y有較好的識(shí)別效果，但僅能檢測(cè)出太陽(yáng)能電池的邊緣缺陷。文獻(xiàn)［44］將EL圖像感興趣區(qū)域（Region of Interest， ROI）內(nèi)提取到的每個(gè)斷柵特征映射到光譜嵌入空間中，最后使用光譜聚類(lèi)算法來(lái)聚類(lèi)斷柵缺陷的特征。文獻(xiàn)［45］采用均勻分布聚類(lèi)完成多晶太陽(yáng)能電池缺陷檢測(cè)，該方法設(shè)計(jì)并提取了能代表局部晶粒特征的Haar特征。然后利用提取到的特征對(duì)無(wú)缺陷樣品進(jìn)行聚類(lèi)，最終提高了對(duì)多種類(lèi)型裂紋缺陷的檢測(cè)精度，該算法下每張圖處理時(shí)間為0.1 s。但此方法需要針對(duì)不同形狀的缺陷設(shè)計(jì)不同的判別特征。

文獻(xiàn)［46］提出一種基于Otsu分割的太陽(yáng)能電池裂紋缺陷檢測(cè)方法，利用邊緣檢測(cè)和圖像分割技術(shù)對(duì)預(yù)處理后的太陽(yáng)能電池表面圖像進(jìn)行分割，通過(guò)Hough變換獲得最終檢測(cè)結(jié)果。文獻(xiàn)［47］利用原始圖像的相鄰像素信息計(jì)算中心像素梯度信息，并引入了CPICSLBP（Center Pixel Gradient Informati on to Center-Symmetric Local Binary Pattern）來(lái)提取EL圖像中的梯度特征。同時(shí)采用了相似性分析和聚類(lèi)方法獲取圖像的全局特征，最后用SVM分類(lèi)器對(duì)裂紋、斷柵和正常樣本三類(lèi)圖像進(jìn)行分類(lèi)。與傳統(tǒng)局部二值模式特征相比，有效地改善了對(duì)不同形狀裂紋缺陷的檢測(cè)效果，在EL-2019數(shù)據(jù)集上的準(zhǔn)確率達(dá)到88.66%，檢測(cè)一張1 024×1 024的圖像消耗時(shí)間為0.768 s。上述研究中采用的LBP（Local Binary Pattern）不能表達(dá)出重復(fù)圖案的表面缺陷特征，因此文獻(xiàn)［48］提出一種基于人體視覺(jué)特征的太陽(yáng)能電池表面缺陷檢測(cè)方法。通過(guò)線(xiàn)段檢測(cè)器（Line Segment Detector， LSD）和Gabor濾波器進(jìn)行紋理分割，實(shí)現(xiàn)初步定位缺陷區(qū)域，最后采用閾值分割方法完成缺陷檢測(cè)和定位，該方法具有較高的通用性和準(zhǔn)確性。文獻(xiàn)［49］設(shè)計(jì)了一個(gè)基于局部閾值分割和區(qū)域生長(zhǎng)兩種算法分別進(jìn)行裂紋提取的裝置，可用于檢測(cè)硅太陽(yáng)能晶片的污漬、針孔、夾雜物和宏觀裂紋缺陷，但這種方法可能會(huì)將太陽(yáng)能晶片中的深色細(xì)長(zhǎng)的晶粒誤識(shí)別為缺陷。

3.2 變換域分析法

在變換域分析法中，通常使用矩陣分解、傅里葉變換、小波變換和獨(dú)立成分分析（Independent Component Analysis， ICA）等算法來(lái)完成太陽(yáng)能電池片表面缺陷檢測(cè)任務(wù)。矩陣分解法主要是通過(guò)某種矩陣算法將待測(cè)太陽(yáng)能電池片圖像分解成正常背景對(duì)應(yīng)的低秩矩陣和缺陷或噪聲所對(duì)應(yīng)的稀疏矩陣；傅里葉變換檢測(cè)方法通過(guò)設(shè)置合適的缺陷特征頻率來(lái)檢測(cè)線(xiàn)狀等周期性缺陷類(lèi)型；小波變換具有多分辨率和多解析度等特點(diǎn)，在提取異質(zhì)紋理特征方面具有一定優(yōu)勢(shì)；獨(dú)立成分分析在太陽(yáng)能電池缺陷檢測(cè)中側(cè)重于分離圖像中獨(dú)立的成分，有助于捕捉特定的缺陷特征。

3.2.1 基于矩陣分解的太陽(yáng)能電池片缺陷檢測(cè)方法

矩陣分解法不涉及任何類(lèi)型的特征提取方法，具體包括奇異值分解和主成分分析等方法。文獻(xiàn)［50］采用魯棒主成分分析法分別提取出缺陷太陽(yáng)能電池圖像的背景信息和缺陷信息，利用提取出的缺陷信息對(duì)輸入圖像進(jìn)行缺陷檢測(cè)。但此方法需要依照模板進(jìn)行檢測(cè)，且在電池生產(chǎn)批次不一致或光源照明不均勻時(shí)需更換檢測(cè)模板，因此該方法不具有普適性。文獻(xiàn)［51］利用視覺(jué)顯著性對(duì)太陽(yáng)能電池片表面進(jìn)行缺陷定位，先通過(guò)自適應(yīng)學(xué)習(xí)法得到圖像特征矩陣，并對(duì)其進(jìn)行低秩矩陣復(fù)原4從而獲得視覺(jué)顯著性圖，最后通過(guò)圖像分割技術(shù)對(duì)缺陷區(qū)域精準(zhǔn)定位，其檢測(cè)精確率為0.867，F(xiàn)1-score為0.778。但該方法需要針對(duì)每種缺陷類(lèi)型制定不同的優(yōu)化方案，其計(jì)算過(guò)程過(guò)于復(fù)雜。文獻(xiàn)［52］將提取的裂紋缺陷紋理特征通過(guò)主成分分析法進(jìn)行降維，從而得到低維度電池片組件紋理特征矩陣。

3.2.2 基于傅里葉變換的太陽(yáng)能電池片缺陷檢測(cè)方法

傅里葉變換法通過(guò)帶通濾波將缺陷部分濾除后對(duì)圖像進(jìn)行重構(gòu)，并對(duì)重構(gòu)圖像和原始圖像進(jìn)行差分運(yùn)算以檢測(cè)缺陷區(qū)域。由于文獻(xiàn)［26］提出的方法不能擴(kuò)展到檢測(cè)太陽(yáng)能晶片圖像中的鋸痕缺陷，文獻(xiàn)［53］提出了一種基于傅里葉圖像重建和Hough類(lèi)非平穩(wěn)線(xiàn)檢測(cè)的缺陷檢測(cè)方法，通過(guò)傅里葉變換消除晶體顆粒圖案，再對(duì)無(wú)紋理表面的重建圖像做Hough線(xiàn)檢測(cè)。假陰率為0.05，該算法下每張圖處理時(shí)間為0.26 s。所提方法能夠有效檢測(cè)多晶太陽(yáng)能硅片中的各種鋸痕缺陷，尤其是黑線(xiàn)、白線(xiàn)和雜質(zhì)，但僅限于檢測(cè)特定的鋸痕缺陷。文獻(xiàn)［54］提出了傅里葉圖像重建技術(shù)來(lái)檢測(cè)太陽(yáng)能電池中的裂紋缺陷，該模型推理速度為0.29 s。但研究?jī)H對(duì)線(xiàn)形或條形缺陷有較好的檢測(cè)效果，對(duì)具有復(fù)雜幾何形狀的裂紋缺陷檢測(cè)效果不好。文獻(xiàn)［55］使用二進(jìn)制邏輯運(yùn)算，依據(jù)從離散傅里葉變換和灰度閾值獲得的頻譜圖和二進(jìn)制圖像之間的差異提取裂紋特征。該方法縮短了檢測(cè)時(shí)間，但未能實(shí)現(xiàn)對(duì)復(fù)雜形狀的裂紋進(jìn)行分割。

3.2.3 基于小波變換的太陽(yáng)能電池片缺陷檢測(cè)方法

小波變換中，空間域和頻率域之間的局部變換能有效地提取到圖像中的主要信息，通過(guò)平移、伸縮等操作實(shí)現(xiàn)多尺度分析，能夠解決傅里葉變換無(wú)法解決的諸多問(wèn)題，但該檢測(cè)方法對(duì)噪聲不敏感。文獻(xiàn)［56］使用小波變換技術(shù)對(duì)太陽(yáng)能晶片進(jìn)行檢測(cè)，通過(guò)兩個(gè)連續(xù)分解層下對(duì)角細(xì)節(jié)分量的平均能量差，對(duì)紋理不均勻的太陽(yáng)能晶片圖像進(jìn)行缺陷檢測(cè)，假陽(yáng)率為0.02且無(wú)誤判，算法運(yùn)行時(shí)間為每張圖0.23 s。實(shí)驗(yàn)結(jié)果表明其對(duì)指紋、污痕等缺陷具有良好的檢測(cè)效果，但這種方法不能有效地檢測(cè)出鋸齒邊緣缺陷。文獻(xiàn)［57］提出了一種基于二維張量經(jīng)驗(yàn)小波的多光譜圖像融合算法，在多光譜圖像融合方面具有較好的性能，適用于太陽(yáng)能電池弱缺陷檢測(cè)。文獻(xiàn)［52］在頻域上利用Gabor變換對(duì)圖像進(jìn)行紋理特征提取，從而獲得太陽(yáng)能電池的裂縫缺陷特征。

3.2.4 基于獨(dú)立成分分析的太陽(yáng)能電池片缺陷檢測(cè)方法

在太陽(yáng)能電池片缺陷檢測(cè)任務(wù)中利用獨(dú)立成分分析技術(shù)對(duì)太陽(yáng)能電池圖像進(jìn)行分離，提取獨(dú)立成分中與缺陷相關(guān)的特征，最后通過(guò)機(jī)器學(xué)習(xí)算法完成缺陷的檢測(cè)與分類(lèi)。文獻(xiàn)［58］采用了一種基于獨(dú)立成分分析的監(jiān)督學(xué)習(xí)方法，用于識(shí)別太陽(yáng)能電池EL圖像中是否存在隱裂、破片和斷柵這三類(lèi)缺陷。其算法運(yùn)行時(shí)間為每張圖0.04 s，但該方法無(wú)法區(qū)分和定位這三類(lèi)缺陷。文獻(xiàn)［59］提出一種基于ICA模型和PSO算法的太陽(yáng)能電池組件表面缺陷檢測(cè)方法，能很好地區(qū)分圖片里的背景和缺陷區(qū)域，但檢測(cè)細(xì)微裂紋缺陷的效果不是很明顯。文獻(xiàn)［60］提出一種基于自學(xué)習(xí)特征和低秩矩陣恢復(fù)的微裂紋檢測(cè)方法，由于該算法采用了ICA進(jìn)行特征提取，因此其提取的特征表達(dá)能力有限。這種方法能夠有效地從復(fù)雜的圖像數(shù)據(jù)中捕捉缺陷的特殊模式，為太陽(yáng)能電池片質(zhì)量控制提供有力支持。

3.3 小結(jié)

表2對(duì)比了上述幾類(lèi)基于傳統(tǒng)機(jī)器視覺(jué)具體算法的優(yōu)缺點(diǎn)，目前工業(yè)生產(chǎn)中利用傳統(tǒng)機(jī)器視覺(jué)檢測(cè)太陽(yáng)能電池表面缺陷依然存在如小樣本、小目標(biāo)、缺陷種類(lèi)多樣等諸多問(wèn)題。所以，切實(shí)解決上述問(wèn)題就成了行業(yè)關(guān)注的焦點(diǎn)。表3列出了基于傳統(tǒng)機(jī)器視覺(jué)的太陽(yáng)能電池表面缺陷檢測(cè)各類(lèi)算法特點(diǎn)以及適用圖像類(lèi)型，相比于人工檢測(cè)以及物理算法，此類(lèi)型檢測(cè)方法的精準(zhǔn)度、速度以及在線(xiàn)檢測(cè)性能都有明顯提高。傳統(tǒng)機(jī)器視覺(jué)主要依靠人工設(shè)計(jì)提取器進(jìn)行特征提取，需要技術(shù)人員具備專(zhuān)業(yè)知識(shí)、熟悉調(diào)參流程，而且傳統(tǒng)機(jī)器視覺(jué)算法所提取的特征大多以低級(jí)特征為主，很難提取到高級(jí)語(yǔ)義特征及復(fù)雜的信息。

表2 基于傳統(tǒng)機(jī)器視覺(jué)具體算法優(yōu)缺點(diǎn)Tab.2 Advantages and disadvantages of specific algorithms based on traditional machine vision

表3 基于傳統(tǒng)機(jī)器視覺(jué)各類(lèi)算法比較Tab.3 Comparison of various algorithms based on traditional machine vision

4 基于深度學(xué)習(xí)的太陽(yáng)能電池片缺陷檢測(cè)方法

本節(jié)總結(jié)概述基于深度學(xué)習(xí)的太陽(yáng)能電池表面缺陷檢測(cè)方法。在深度神經(jīng)網(wǎng)絡(luò)架構(gòu)中堆疊了各種隱藏層，與傳統(tǒng)的機(jī)器視覺(jué)算法相比，深度學(xué)習(xí)在特征提取方面具有更強(qiáng)的能力，可以利用大量的數(shù)據(jù)樣本來(lái)獲得更深層次的特征，更準(zhǔn)確和高效地表示數(shù)據(jù)樣本所包含的信息。依據(jù)數(shù)據(jù)標(biāo)簽的不同，將基于深度學(xué)習(xí)的太陽(yáng)能電池片缺陷檢測(cè)方法分為有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和弱監(jiān)督及半監(jiān)督學(xué)習(xí)。

4.1 有監(jiān)督學(xué)習(xí)

有監(jiān)督學(xué)習(xí)通過(guò)有標(biāo)記的數(shù)據(jù)調(diào)整網(wǎng)絡(luò)參數(shù)從而完成相應(yīng)任務(wù)，在算法具有較強(qiáng)的泛化能力和魯棒性基礎(chǔ)上，達(dá)到較高的檢測(cè)準(zhǔn)確率。在有監(jiān)督學(xué)習(xí)模型中根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)的不同可以分為分類(lèi)網(wǎng)絡(luò)、檢測(cè)網(wǎng)絡(luò)和分割網(wǎng)絡(luò)，深度網(wǎng)絡(luò)發(fā)展歷程如圖6所示。

4.1.1 分類(lèi)網(wǎng)絡(luò)

現(xiàn)有表面缺陷分類(lèi)的主干網(wǎng)絡(luò)大多采用機(jī)器視覺(jué)中現(xiàn)有的網(wǎng)絡(luò)結(jié)構(gòu)，除了傳統(tǒng)的多層結(jié)構(gòu)外，還包含卷積神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)（Deep Convolu-tional Neural Network， DCNN）和遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN）等。目前常用的CNN分類(lèi)網(wǎng)絡(luò)通常由特征提取模塊和分類(lèi)模塊構(gòu)成，其中特征提取模塊是由級(jí)聯(lián)的卷積層和池化層組成，分類(lèi)模塊由全連接層或平均池化層和softmax函數(shù)構(gòu)成。在太陽(yáng)能電池片表面缺陷檢測(cè)的實(shí)際應(yīng)用過(guò)程中能夠利用分類(lèi)網(wǎng)絡(luò)直接對(duì)缺陷進(jìn)行分類(lèi)或定位，還可以使用目前已有的一些網(wǎng)絡(luò)框架作為backbone去提取圖像中的特征，例如VGG-Net，GoogLeNet和ResNet，從而完成缺陷檢測(cè)任務(wù)。除此之外也可以依據(jù)實(shí)際應(yīng)用圖片特征進(jìn)行簡(jiǎn)易網(wǎng)絡(luò)搭建。

4.1.1.1 直接利用分類(lèi)網(wǎng)絡(luò)

早期CNN應(yīng)用在太陽(yáng)能電池片缺陷檢測(cè)領(lǐng)域時(shí)，主要是直接利用分類(lèi)網(wǎng)絡(luò)完成太陽(yáng)能電池片圖像分類(lèi)任務(wù)。由于太陽(yáng)能電池缺陷樣本相對(duì)較少，在缺陷檢測(cè)研究中通常會(huì)先將網(wǎng)絡(luò)在大規(guī)模公開(kāi)數(shù)據(jù)集上進(jìn)行遷移訓(xùn)練，再針對(duì)所用數(shù)據(jù)集特點(diǎn)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)所得到的預(yù)訓(xùn)練權(quán)重進(jìn)行微調(diào)，以提高模型檢測(cè)精度。根據(jù)研究工作的特點(diǎn)，可將其該方法劃分為單類(lèi)別分類(lèi)和多類(lèi)別分類(lèi)。

（1）單類(lèi)別分類(lèi)

單類(lèi)別分類(lèi)是將缺陷數(shù)據(jù)集放入網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，最終網(wǎng)絡(luò)能判斷出圖像中是否包含缺陷。如圖7所示，文獻(xiàn)［61］用四個(gè)結(jié)構(gòu)為全連接層加Softmax函數(shù)的CNN模塊構(gòu)建出檢測(cè)故障光伏電池的網(wǎng)絡(luò)框架，該研究通過(guò)遷移學(xué)習(xí)對(duì)所提出的隔離模型進(jìn)行參數(shù)調(diào)整，但其所用數(shù)據(jù)集中的樣本缺陷是人為添加的。文獻(xiàn)［62］利用改進(jìn)的LeNet-5網(wǎng)絡(luò)對(duì)太陽(yáng)能電池片的缺陷進(jìn)行識(shí)別和分類(lèi)，其效果和性能遠(yuǎn)遠(yuǎn)優(yōu)于經(jīng)典LeNet-5網(wǎng)絡(luò)和采用RBF的SVM分類(lèi)器。文獻(xiàn)［63］提出了一種名為SEF-CNN框架來(lái)解決缺陷檢測(cè)問(wèn)題，采用SEF（Steerable Evidence Filter）對(duì)圖像進(jìn)行濾波，從而使得卷積神經(jīng)網(wǎng)絡(luò)提取的特征更具有判別性和魯棒性，實(shí)驗(yàn)結(jié)果表明該方法能夠有效地提高整體分類(lèi)效果，精確率為97.92%，速度為每1 000張圖片2.58 s。文獻(xiàn)［64］使用VGG-16網(wǎng)絡(luò)的遷移學(xué)習(xí)對(duì)太陽(yáng)能電池的遙感圖像進(jìn)行分類(lèi)，但由于自建的太陽(yáng)能組件光電圖像數(shù)據(jù)集中的圖像分辨率較低，實(shí)驗(yàn)中CNN的精度僅約為70%。文獻(xiàn)［65］通過(guò)減少濾波器的數(shù)量和FC層的大小來(lái)修改VGG-16網(wǎng)絡(luò)，實(shí)現(xiàn)自動(dòng)檢測(cè)太陽(yáng)能電池缺陷，從而有效降低了網(wǎng)絡(luò)的誤檢率。

圖7 文獻(xiàn)［61］提出的網(wǎng)絡(luò)框架圖Fig.7 Network framework diagram proposed in ［61］

文獻(xiàn)［66］提出了一種利用光學(xué)CNN結(jié)構(gòu)識(shí)別EL圖像缺陷的方法，算法精確率為92.00%，召回率為93.00%，F(xiàn)1-score為91.98%，測(cè)試時(shí)間為每1 000張電池圖片8.07 s，該模型計(jì)算量及時(shí)間均相對(duì)較少。文獻(xiàn)［67］將改進(jìn)的AlexNet與CNN相結(jié)合，使用具有遷移學(xué)習(xí)的深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)太陽(yáng)能電池板的缺陷表面和正常表面進(jìn)行分類(lèi)，但該算法的泛化能力還有待提高。文獻(xiàn)［68］中對(duì)多種預(yù)訓(xùn)練模型進(jìn)行評(píng)估，并用集成學(xué)習(xí)方法將CNN聚合，不僅提高了分類(lèi)準(zhǔn)確性，還降低了依賴(lài)單一模型產(chǎn)生的影響。但當(dāng)CNN層數(shù)過(guò)深時(shí)，用反向傳播算法修改參數(shù)的速度會(huì)變慢。梯度下降算法可能會(huì)使訓(xùn)練結(jié)果收斂到局部極小值，導(dǎo)致局部信息與整體信息之間的關(guān)聯(lián)性減弱。文獻(xiàn)［69］選擇Inceptionv4和Inception-ResNet-v2作為缺陷檢測(cè)模型的主干，并采用Hessian矩陣和多尺度線(xiàn)檢測(cè)進(jìn)行缺陷特征的提取，有效地提高了模型檢測(cè)性能。但該模型需要針對(duì)不同的任務(wù)手動(dòng)設(shè)計(jì)不同的提取器和分類(lèi)器。文獻(xiàn)［70］提出一種名為DSMPCNN（Dual Spin Max Pooling）的網(wǎng)絡(luò)對(duì)太陽(yáng)能電池裂紋缺陷進(jìn)行檢測(cè)，通過(guò)結(jié)合最大池化層和雙自旋池化機(jī)制，使網(wǎng)絡(luò)能提取太陽(yáng)能電池上裂紋和其他缺陷的細(xì)節(jié)特征，進(jìn)而提高裂紋檢測(cè)的準(zhǔn)確性。

（2）多類(lèi)別分類(lèi)

對(duì)超過(guò)兩類(lèi)缺陷類(lèi)型的數(shù)據(jù)集進(jìn)行分類(lèi)，通常先利用基礎(chǔ)網(wǎng)絡(luò)進(jìn)行一次二分類(lèi)以區(qū)分缺陷和正常樣本，并在該網(wǎng)絡(luò)上共享特征提取部分，以便對(duì)缺陷類(lèi)別的分類(lèi)分支進(jìn)行修改或增加。在對(duì)缺陷樣本和正常樣本進(jìn)行二分類(lèi)訓(xùn)練過(guò)程中獲取預(yù)訓(xùn)練權(quán)重參數(shù)，能夠?yàn)楹罄m(xù)多目標(biāo)缺陷分類(lèi)網(wǎng)絡(luò)做準(zhǔn)備。文獻(xiàn)［35］利用ELPV數(shù)據(jù)集設(shè)計(jì)了一個(gè)基于VGG19的CNN分類(lèi)網(wǎng)絡(luò)，能夠?qū)L圖像分為四類(lèi)：無(wú)缺陷、可能正常、可能有缺陷和有缺陷。該模型平均準(zhǔn)確率約為88.42%，F(xiàn)1-score為88.39，測(cè)試時(shí)間為19.33 s每個(gè)組件。文獻(xiàn)［41］提出一種名為L(zhǎng)-CNN的輕量級(jí)CNN架構(gòu)對(duì)ELPV數(shù)據(jù)集進(jìn)行二分類(lèi)（正常、有缺陷）和四分類(lèi)（無(wú)缺陷、可能正常、可能有缺陷、有缺陷），其最高準(zhǔn)確率分別為89.33%和84.95%。文獻(xiàn)［71］設(shè)計(jì)了一種基于CNN的EL圖像缺陷自動(dòng)分類(lèi)模型，將CNN提取的EL圖像深層特征輸入到全連接層中，完成對(duì)4類(lèi)缺陷圖像進(jìn)行分類(lèi)，模型檢測(cè)準(zhǔn)確率為83%。文獻(xiàn)［72］提出了一種基于遷移學(xué)習(xí)的太陽(yáng)能電池缺陷檢測(cè)模型，該模型僅在背景簡(jiǎn)單的EL圖像上具有較好的檢測(cè)效果。文獻(xiàn)［73］基于AlexNet結(jié)構(gòu)進(jìn)行改進(jìn)，設(shè)計(jì)了一個(gè)用于多光譜太陽(yáng)能電池表面缺陷檢測(cè)的模型，有效地解決了表面缺陷多樣、形狀多樣、背景干擾嚴(yán)重等問(wèn)題，檢測(cè)100張圖片所需時(shí)間為4.25 s，模型準(zhǔn)確率為88.41%，召回率為98.40%。多光譜卷積神經(jīng)網(wǎng)絡(luò)提取小面積缺陷和線(xiàn)型缺陷的特征能力較弱，對(duì)斷柵、劃痕等缺陷的檢測(cè)率相對(duì)較低，但對(duì)粗柵和色差等缺陷檢測(cè)效果好。文獻(xiàn)［74］通過(guò)修改預(yù)訓(xùn)練AlexNet架構(gòu)設(shè)計(jì)一種新型多尺度CNN模型對(duì)太陽(yáng)能電池板多種缺陷進(jìn)行檢測(cè)，該方法具有較高的魯棒性和分類(lèi)性能。文獻(xiàn)［75］將模糊卷積與常規(guī)卷積相結(jié)合，設(shè)計(jì)了HFCNN（Hybrid Fuzzy）結(jié)構(gòu)來(lái)優(yōu)化太陽(yáng)能電池?cái)?shù)據(jù)的不確定性，在減少參數(shù)和網(wǎng)絡(luò)寬度的同時(shí)提高檢測(cè)精度，算法準(zhǔn)確率在81%以上，F(xiàn)1-score在72%以上。文獻(xiàn)［76］收集了345張大小為200×200的RGB太陽(yáng)能電池缺陷圖像，并使用CNN對(duì)無(wú)缺陷、裂縫缺陷、陰影缺陷和灰塵缺陷進(jìn)行檢測(cè)和分類(lèi)。由于數(shù)據(jù)集分辨率較低，模型分類(lèi)的平均準(zhǔn)確率較低。文獻(xiàn)［77］提出了一個(gè)CNN模型對(duì)預(yù)處理后的圖像進(jìn)行缺陷分類(lèi)，該模型能夠識(shí)別出七種類(lèi)型的太陽(yáng)能電池缺陷，提高了整體的分類(lèi)準(zhǔn)確率，其分類(lèi)準(zhǔn)確率達(dá)到91.58%。

文獻(xiàn)［78］利用SeFNet（Self-Fusion Network）代替HRNet（High-Resolution Network）中的分類(lèi)層，提出一種名為SeF-HRNet的太陽(yáng)能電池EL圖像缺陷檢測(cè)模型，有效提高了模型的檢測(cè)性能，但是測(cè)試集中圖像數(shù)據(jù)的匱乏影響了識(shí)別的準(zhǔn)確性。文獻(xiàn)［79］基于DCNN設(shè)計(jì)了一種PV故障檢測(cè)與分類(lèi)系統(tǒng)，可實(shí)現(xiàn)對(duì)陰影缺陷、光伏組件表面積塵、光伏組件短路和旁路二極管故障四種常見(jiàn)缺陷進(jìn)行識(shí)別。系統(tǒng)用一個(gè)二分類(lèi)器對(duì)PV進(jìn)行故障檢測(cè)，然后用一個(gè)多分類(lèi)器對(duì)缺陷類(lèi)型進(jìn)行分類(lèi)，其檢測(cè)準(zhǔn)確率為99%、分類(lèi)準(zhǔn)確率為95.55%。但該研究中采用的數(shù)據(jù)集較小，且沒(méi)有考慮到微裂紋、材料缺陷等不可見(jiàn)的缺陷。文獻(xiàn)［80］通過(guò)多輪PSO Pruner來(lái)自動(dòng)搜索最優(yōu)DCNN結(jié)構(gòu)，在模型復(fù)雜度方面有效地壓縮DCNN。文獻(xiàn)［81］將特征融合模塊與ResNet50主干相結(jié)合，并結(jié)合自注意力機(jī)制聚合深層和淺層特征，從而有效提高了太陽(yáng)能電池微裂紋缺陷檢測(cè)效果。同時(shí)該方法通過(guò)遷移學(xué)習(xí)將太陽(yáng)能電池缺陷檢測(cè)的準(zhǔn)確率提高了11.6%，實(shí)驗(yàn)結(jié)果表明模型能在工業(yè)微裂紋數(shù)據(jù)集上實(shí)現(xiàn)98.29%的檢測(cè)準(zhǔn)確率。

4.1.1.2 利用網(wǎng)絡(luò)做特征提取器

由于CNN在特征提取方面具有較大的優(yōu)勢(shì)，故分類(lèi)網(wǎng)絡(luò)應(yīng)用在太陽(yáng)能電池片缺陷檢測(cè)領(lǐng)域初期時(shí)，許多文獻(xiàn)將圖像輸入到預(yù)訓(xùn)練的網(wǎng)絡(luò)中獲取圖像的表征特征，最后利用提取出的特征作為傳統(tǒng)機(jī)器學(xué)習(xí)分類(lèi)器的分類(lèi)標(biāo)準(zhǔn)，從而完成缺陷分類(lèi)任務(wù)。如圖8所示，文獻(xiàn)［41］用四種模型對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，并對(duì)從ELPV數(shù)據(jù)集中提取出的缺陷特征進(jìn)行選擇，最后用機(jī)器學(xué)習(xí)模型對(duì)太陽(yáng)能電池EL圖像進(jìn)行分類(lèi)。

圖8 文獻(xiàn)［41］提出的網(wǎng)絡(luò)框架圖Fig.8 Network framework diagram proposed in ［41］

文獻(xiàn)［82］結(jié)合VGG-16和SVM算法提出一種高效混合機(jī)器學(xué)習(xí)模型，將其用于檢測(cè)光伏電池中是否存在缺陷。同近期相關(guān)文獻(xiàn)對(duì)比，該模型在ELPV數(shù)據(jù)集上的分類(lèi)精度最高，但仍存在位于電池角落的缺陷無(wú)法被模型正確分類(lèi)的問(wèn)題。文獻(xiàn)［83］利用預(yù)訓(xùn)練的VGG-16進(jìn)行特征提取，并用全連接層和SVM分類(lèi)器對(duì)太陽(yáng)能電池板表面缺陷進(jìn)行分類(lèi)。

4.1.2 檢測(cè)網(wǎng)絡(luò)

太陽(yáng)能電池片缺陷檢測(cè)任務(wù)中，檢測(cè)網(wǎng)絡(luò)的實(shí)現(xiàn)步驟如下：初始化設(shè)置（錨點(diǎn)框、角點(diǎn)等）、生成候選框、提取輸入圖像關(guān)鍵特征、特征融合以得到多尺度特征、進(jìn)行綜合分析以識(shí)別圖像中是否存在缺陷。在檢測(cè)頭中，網(wǎng)絡(luò)同時(shí)進(jìn)行類(lèi)別預(yù)測(cè)和位置回歸，確定缺陷的類(lèi)別及其邊界框。檢測(cè)網(wǎng)絡(luò)不僅擁有分類(lèi)網(wǎng)絡(luò)功能，還能通過(guò)外接矩形框確定缺陷位置與尺寸，實(shí)現(xiàn)太陽(yáng)能電池片缺陷的類(lèi)型識(shí)別與準(zhǔn)確定位。可以依據(jù)網(wǎng)絡(luò)結(jié)構(gòu)將基于深度學(xué)習(xí)的太陽(yáng)能電池缺陷檢測(cè)網(wǎng)絡(luò)劃分為兩類(lèi)：以Faster R-CNN為代表的兩階段網(wǎng)絡(luò)；以SSD、YOLO為代表的單階段網(wǎng)絡(luò)。

4.1.2.1 基于兩階段的缺陷檢測(cè)網(wǎng)絡(luò)

兩階段網(wǎng)絡(luò)在生成缺陷預(yù)選框基礎(chǔ)上對(duì)缺陷的位置和類(lèi)別進(jìn)行預(yù)測(cè)，F(xiàn)aster R-CNN通過(guò)引入?yún)^(qū)域生成網(wǎng)絡(luò)（Region Proposal Network，RPN）實(shí)現(xiàn)了幾乎無(wú)成本的區(qū)域生成算法，極大地提高了目標(biāo)檢測(cè)的速度。文獻(xiàn)［84］設(shè)計(jì)了MF-RPN（Multi-Feature Region Proposal Fusion network）結(jié)構(gòu)來(lái)優(yōu)化Faster R-CNN模型從而提高輸出預(yù)測(cè)框的準(zhǔn)確性，實(shí)現(xiàn)有效檢測(cè)多種尺度的太陽(yáng)能電池片表面缺陷，算法檢測(cè)精度為91.30%，但其檢測(cè)時(shí)間為每張圖0.947 s，較其他算法相比該模型的檢測(cè)速度相對(duì)較慢。文獻(xiàn)［85］改進(jìn)了Faster R-CNN中特征提取部分和RPN部分并提出了GA-Faster R-CNN模型，實(shí)現(xiàn)對(duì)太陽(yáng)能電池上的缺陷進(jìn)行識(shí)別并標(biāo)記。該模型通過(guò)應(yīng)用GA-RPN（Region Proposal by Guided Anchoring）結(jié)構(gòu)減少候選幀的數(shù)量，將檢測(cè)速度由每張圖0.91 s提高到0.19 s。文獻(xiàn)［86］將Faster R-CNN和R-FCN （Region-based Fully Convolutional Networks）進(jìn)行模型融合，并用改進(jìn)后的模型來(lái)檢測(cè)太陽(yáng)能電池表面缺陷。該模型充分地利用了深度卷積神經(jīng)網(wǎng)絡(luò)提取到的小目標(biāo)特征，有效地提高了太陽(yáng)能電池小缺陷檢測(cè)精度，但此模型無(wú)法對(duì)缺陷尺寸進(jìn)行測(cè)量。文獻(xiàn)［87］設(shè)計(jì)了一種Faster RPAN-CNN網(wǎng)絡(luò)來(lái)檢測(cè)原始EL圖像中的缺陷，網(wǎng)絡(luò)中的RPAN（Region Proposal Attention Network）采用新型CAN（Complementary Attention Network）結(jié)構(gòu)細(xì)化CNN提取的特征圖像，算法在缺陷分類(lèi)任務(wù)上的準(zhǔn)確率達(dá)到95.15%以上，F(xiàn)1-score達(dá)95.70%以上，檢測(cè)精度在85.78%以上，IoU在69.13%以上，每張圖的檢測(cè)時(shí)間為150~170 ms。該網(wǎng)絡(luò)對(duì)于在原始EL圖像中檢測(cè)多類(lèi)型缺陷具有較好的通用性，但對(duì)微裂紋等多尺度缺陷的檢測(cè)效果并不理想。為了解決上述問(wèn)題，文獻(xiàn)［88］提出新型目標(biāo)檢測(cè)器BAF-Detector用于光伏電池缺陷檢測(cè)，將設(shè)計(jì)的雙向特征金字塔融合到Faster R-CNN中，顯著提高了EL圖像中多尺度缺陷的檢測(cè)效果（F1-score為98.70%、mAP為88.07%和IOU為73.29%），算法檢測(cè)速度為7.75 frame/s。但算法中的特征平衡因子仍需要人工進(jìn)行設(shè)置，沒(méi)有利用自適應(yīng)算法進(jìn)行自動(dòng)設(shè)置。

4.1.2.2 基于單階段的缺陷檢測(cè)網(wǎng)絡(luò)

單階段網(wǎng)絡(luò)直接利用提取出的特征對(duì)缺陷進(jìn)行分類(lèi)和定位，SSD和YOLO是目標(biāo)檢測(cè)中常見(jiàn)的兩種單階段網(wǎng)絡(luò)結(jié)構(gòu)。SSD引入的特征金字塔結(jié)構(gòu)可以提高檢測(cè)的準(zhǔn)確性，但其檢測(cè)速度低于YOLO網(wǎng)絡(luò)。文獻(xiàn)［89］收集了5 400張光伏組件缺陷的RGB圖像，并使用YOLOv3網(wǎng)絡(luò)對(duì)太陽(yáng)能電池片表面的異常陰影進(jìn)行缺陷檢測(cè)，將網(wǎng)絡(luò)異常陰影檢測(cè)的準(zhǔn)確率提高到94.5%。文獻(xiàn)［90］用Densenet121作為YOLOv4的主干網(wǎng)絡(luò)，并采用Softer-NMS 進(jìn)行預(yù)選框篩選。最終檢測(cè)結(jié)果表明，該網(wǎng)絡(luò)提升了缺陷檢測(cè)的精確度并且降低了漏檢、錯(cuò)檢率。文獻(xiàn)［91］設(shè)計(jì)了一種新型缺陷目標(biāo)檢測(cè)器BPGA-Detector，將雙通道特征金字塔嵌入到Y(jié)OLOv5中，顯著提高了在復(fù)雜背景干擾下識(shí)別小目標(biāo)缺陷特征的能力，在太陽(yáng)能電池表面缺陷檢測(cè)上取得了較好的檢測(cè)結(jié)果（mAP50為88.8%）。文獻(xiàn)［92］針對(duì)太陽(yáng)能電池缺陷特征對(duì)YOLOV5目標(biāo)檢測(cè)模型進(jìn)行改進(jìn)，通過(guò)引入可變卷積CSP（Cross Stage Partial）模塊、添加ECA-Net（Efficient Channel Attention）結(jié)構(gòu)、增加預(yù)測(cè)頭數(shù)量以實(shí)現(xiàn)不同尺度的缺陷檢測(cè)，其方法平均準(zhǔn)確率達(dá)到89.64%，較原檢測(cè)模型的mAP提高了7.85%。文獻(xiàn)［93］將可變形卷積和坐標(biāo)注意力模塊融合到Y(jié)OLOv5模型中，使得網(wǎng)絡(luò)能夠有效地提取到不同尺度的缺陷特征。上述研究大多僅針對(duì)太陽(yáng)能電池圖像進(jìn)行缺陷定位，沒(méi)有對(duì)其缺陷程度進(jìn)行分析。因此，文獻(xiàn)［94］設(shè)計(jì)了一種基于新型DCNN的視覺(jué)缺陷檢測(cè)模型，第一階段先檢測(cè)出包含缺陷的太陽(yáng)能電池樣本，并依據(jù)其損壞程度進(jìn)行排序；第二階段對(duì)所選樣本進(jìn)行分類(lèi)，在復(fù)雜背景下有效提高了對(duì)小面積缺陷的檢測(cè)性能。由于系統(tǒng)從低成本角度出發(fā)，其數(shù)據(jù)集中圖像的分辨率相對(duì)較低。

4.1.2.3 基于Transformer網(wǎng)絡(luò)

文獻(xiàn)［95］在Swin Transformer網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行改進(jìn)，提出一種名為DPiT新型Transformer網(wǎng)絡(luò)用于高效檢測(cè)檢測(cè)太陽(yáng)能電池板的缺陷，用強(qiáng)注意力機(jī)制CW-MSA增強(qiáng)全局語(yǔ)義特征的提取，利用特征聚合模塊融合多尺度特征，充分利用每個(gè)層級(jí)的特征信息，實(shí)現(xiàn)較高的分類(lèi)性能。

4.1.3 分割網(wǎng)絡(luò)

分割網(wǎng)絡(luò)在太陽(yáng)能電池片表面缺陷檢測(cè)任務(wù)中，主要完成缺陷區(qū)域與背景區(qū)域的語(yǔ)義分割甚至實(shí)例分割過(guò)程。其主要包括編碼器和解碼器兩部分，編碼器通常使用預(yù)訓(xùn)練后的分類(lèi)網(wǎng)絡(luò)逐步提取圖像特征，解碼器將特征圖恢復(fù)為原始分辨率并進(jìn)行像素級(jí)分類(lèi)。分割網(wǎng)絡(luò)可以學(xué)習(xí)從輸入圖像到像素級(jí)別分割結(jié)果之間的映射，最終輸出像素級(jí)別的缺陷分割結(jié)果，并且還能獲取缺陷的位置、類(lèi)別及相應(yīng)的幾何屬性，實(shí)現(xiàn)對(duì)太陽(yáng)能電池片缺陷的檢測(cè)和定位。按照分割功能的區(qū)別，大致可以分為FCN方法和Mask R-CNN方法。

4.1.3.1 FCN方法

常規(guī)FCN、U-net和SegNet作為分割網(wǎng)絡(luò)的代表，其模型包括編碼器和解碼器兩個(gè)部分。通常采用VGG-16和ResNet等網(wǎng)絡(luò)作為編碼器部分，主要通過(guò)卷積和池化過(guò)程完成特性提取操作。解碼器部分使用反卷積或上采樣操作恢復(fù)圖像原始尺寸，同時(shí)加入跨層連接結(jié)構(gòu)以解決細(xì)節(jié)信息丟失問(wèn)題。文獻(xiàn)［96］使用FPN，UNet和DeepLabV3+這三個(gè)分割模型對(duì)太陽(yáng)能電池板進(jìn)行缺陷檢測(cè)，其分割效果優(yōu)于傳統(tǒng)分割算法，其中U-Net模型Dice系數(shù)為0.94。文獻(xiàn)［97］提出了一種名為ERDCF-Net（Efficient and Refined Deep Convolutional Features Network）的網(wǎng)絡(luò)，實(shí)現(xiàn)在具有背景干擾的太陽(yáng)能電池EL圖像中精確、高效地分割出裂紋缺陷，所提出的網(wǎng)絡(luò)在太陽(yáng)能電池裂紋數(shù)據(jù)集上有較好的分割效果（MIoU為92.82%，F(xiàn)1-score為93.58%）。

文獻(xiàn)［98］提出了DAD-U-Net（Dual Attention Dense）網(wǎng)絡(luò)對(duì)太陽(yáng)能電池圖像進(jìn)行缺陷分割，在U-Net網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上引入密集連接結(jié)構(gòu)和雙注意力機(jī)制，從而提升模型整體缺陷檢測(cè)精度。文獻(xiàn)［99］提出MAU-net（Multi Attention）網(wǎng)絡(luò)用于光伏EL圖像缺陷檢測(cè)，將兩個(gè)注意力網(wǎng)絡(luò)整合到改進(jìn)的U-net架構(gòu)中，能有效地提取多尺度特征。該網(wǎng)絡(luò)的MIoU（0.699）、F1-score（0.799）均優(yōu)于改進(jìn)前的方法，且其檢測(cè)速度符合生產(chǎn)需求，因此可用于實(shí)際工業(yè)應(yīng)用。文獻(xiàn)［100］提出一種改進(jìn)U2-Net網(wǎng)絡(luò)結(jié)構(gòu)用于分割太陽(yáng)能電池片缺陷，實(shí)現(xiàn)了小目標(biāo)缺陷的準(zhǔn)確分割，有效減少了漏分割情況的發(fā)生。文獻(xiàn)［101］使用全卷積網(wǎng)絡(luò)Pre-trained U-net一步生成缺陷分割圖，實(shí)現(xiàn)對(duì)缺陷進(jìn)行精準(zhǔn)定位。文獻(xiàn)［102］通過(guò)集成學(xué)習(xí)技術(shù)對(duì)U-Net、attention U-Net、FPN和LinkNet四種模型進(jìn)行組合，顯著地提高了對(duì)深裂紋和微裂紋缺陷的分割效果，其模型MIoU從48.5%提高到54.19%。

4.1.3.2 Mask R-CNN方法

Mask R-CNN算法是一種結(jié)合檢測(cè)網(wǎng)絡(luò)與分割網(wǎng)絡(luò)的多任務(wù)學(xué)習(xí)方法，能夠同時(shí)實(shí)現(xiàn)目標(biāo)檢測(cè)和像素級(jí)分割。文獻(xiàn)［89］使用檢測(cè)器提取并定位太陽(yáng)能電池片表面異常陰影，然后用Mask R-CNN網(wǎng)絡(luò)對(duì)異常陰影進(jìn)行分類(lèi)。同分類(lèi)網(wǎng)絡(luò)和檢測(cè)網(wǎng)絡(luò)的方法相比，分割網(wǎng)絡(luò)能更有效地提取缺陷信息。但這種方法對(duì)標(biāo)注數(shù)據(jù)要求較高，需要大量的標(biāo)注成本來(lái)完成像素級(jí)信息標(biāo)注。

4.1.4 混合網(wǎng)絡(luò)及輕量化網(wǎng)絡(luò)

4.1.4.1 混合網(wǎng)絡(luò)

混合網(wǎng)絡(luò)是將不同類(lèi)型的深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行結(jié)合，從而充分利用每種網(wǎng)絡(luò)的優(yōu)質(zhì)性能，進(jìn)一步提高模型檢測(cè)精度和魯棒性。文獻(xiàn)［103］提出一種基于VGG-Net和U-Net++的改進(jìn)融合模型進(jìn)行太陽(yáng)能電池EL圖像的缺陷檢測(cè)和分割，改進(jìn)后的VGG-16網(wǎng)絡(luò)在ELPV數(shù)據(jù)集上的缺陷檢測(cè)準(zhǔn)確率提高了1.3%，基于UNet++框架構(gòu)建缺陷分割模型平均MIoU值為0.955。文獻(xiàn)［104］中指出大多數(shù)自動(dòng)檢測(cè)方法在光伏組件上缺乏缺陷定位，因此該研究結(jié)合檢測(cè)、分類(lèi)和弱監(jiān)督分割提出一種端到端的缺陷檢測(cè)框架，實(shí)現(xiàn)對(duì)EL圖像進(jìn)行缺陷檢測(cè)、定位以及分割。

4.1.4.2 輕量化網(wǎng)絡(luò)

深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)硬件設(shè)備要求較高，許多學(xué)者在保證網(wǎng)絡(luò)檢測(cè)精度的情況下減小其體積，開(kāi)發(fā)出了MobileNet系列、ShuffleNet系列、Xnception等網(wǎng)絡(luò)。文獻(xiàn)［105］基于ShuffleNetV2網(wǎng)絡(luò)針對(duì)光伏模塊故障檢測(cè)任務(wù)進(jìn)行模型改進(jìn)，將其與原始ShuffleNet V2網(wǎng)絡(luò)和MobileNet V2網(wǎng)絡(luò)進(jìn)行比較，改進(jìn)方法對(duì)故障診斷的效果有明顯提升，但對(duì)于個(gè)別故障類(lèi)型的診斷效果較差。文獻(xiàn)［106］在InceptionV3網(wǎng)絡(luò)基礎(chǔ)上采用平衡因子δ，同時(shí)引入一種新的損失函數(shù)并結(jié)合遷移學(xué)習(xí)來(lái)構(gòu)建太陽(yáng)能電池板缺陷檢測(cè)模型，其準(zhǔn)確率比原始InceptionV3網(wǎng)絡(luò)提高了2.45%，分類(lèi)時(shí)間減少了4.5 ms。文獻(xiàn)［107］基于YOLOv3-Tiny網(wǎng)絡(luò)模型進(jìn)行改進(jìn)完成在線(xiàn)對(duì)太陽(yáng)能電池片進(jìn)行缺陷檢測(cè)任務(wù)。模型增加了FPN結(jié)構(gòu)以實(shí)現(xiàn)三尺度預(yù)測(cè)，通過(guò)加深主特征提取網(wǎng)絡(luò)的結(jié)構(gòu)，有效地提高了模型檢測(cè)小目標(biāo)缺陷的精度。文獻(xiàn)［108］設(shè)計(jì)了一種用于太陽(yáng)能電池缺陷檢測(cè)的輕量級(jí)網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)引入神經(jīng)框架搜索（Neural Architecture Search， NAS）從而充分利用多尺度特征，同時(shí)使用知識(shí)蒸餾（Knowledge Distillation， KD）模型完成輕量級(jí)網(wǎng)絡(luò)的遷移學(xué)習(xí)，提高了輕量級(jí)模型的整體性能。該模型能夠在項(xiàng)目設(shè)備上快速完成部署，滿(mǎn)足了實(shí)際工業(yè)應(yīng)用的生產(chǎn)需求。

表4總結(jié)了上述有監(jiān)督學(xué)習(xí)具有代表性算法，并給出相應(yīng)算法的優(yōu)缺點(diǎn)，由于太陽(yáng)能電池片缺陷的多樣性和復(fù)雜性，確保足夠數(shù)量和多樣性的標(biāo)記數(shù)據(jù)對(duì)有監(jiān)督學(xué)習(xí)方法十分重要，這在太陽(yáng)能電池片缺陷檢測(cè)中成本較高且所需時(shí)間較長(zhǎng)。

表4 有監(jiān)督學(xué)習(xí)具體方法優(yōu)缺點(diǎn)Tab.4 Advantages and disadvantages ofw specific methods of supervised learning

4.2 無(wú)監(jiān)督學(xué)習(xí)

目前基于深度學(xué)習(xí)的太陽(yáng)能電池表面缺陷檢測(cè)方法大多基于有監(jiān)督學(xué)習(xí)方向，但無(wú)監(jiān)督學(xué)習(xí)同樣是一個(gè)值得研究的內(nèi)容。相比于有監(jiān)督學(xué)習(xí)，無(wú)監(jiān)督學(xué)習(xí)通過(guò)沒(méi)有類(lèi)別標(biāo)簽的樣本對(duì)模型進(jìn)行訓(xùn)練，這種方法能夠更加靈活地適用在不同數(shù)據(jù)集和缺陷類(lèi)型上，其模式結(jié)構(gòu)主要體現(xiàn)為對(duì)數(shù)據(jù)進(jìn)行聚類(lèi)分組或異常檢測(cè)。本節(jié)以生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN） 深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）和自編碼器（Auto-Encoder， AE）為例，簡(jiǎn)要介紹無(wú)監(jiān)督學(xué)習(xí)在太陽(yáng)能電池表面缺陷檢測(cè)任務(wù)中的研究現(xiàn)狀。

4.2.1 生成對(duì)抗網(wǎng)絡(luò)

生成對(duì)抗網(wǎng)絡(luò)由生成器和鑒別器組成，根據(jù)真實(shí)數(shù)據(jù)的內(nèi)在規(guī)律生成新的數(shù)據(jù)，通過(guò)比較輸入樣本和重建樣本檢測(cè)出缺陷區(qū)域。在訓(xùn)練數(shù)據(jù)集不足時(shí)，模型會(huì)出現(xiàn)過(guò)擬合現(xiàn)象。為解決上述問(wèn)題，文獻(xiàn)［109］將GAN中的多層感知機(jī)用CNN來(lái)代替，并通過(guò)添加批量歸一化等操作來(lái)增強(qiáng)GAN的穩(wěn)定性，通過(guò)隨機(jī)融合原始訓(xùn)練圖像和深度卷積對(duì)抗生成網(wǎng)絡(luò)（Deep Convolutional Generative Adversarial Networks，DCGAN） 生成的圖像來(lái)完成數(shù)據(jù)集的擴(kuò)充。文獻(xiàn)［71］利用生成對(duì)抗網(wǎng)絡(luò)在ELPV數(shù)據(jù)集中生成圖像，根據(jù)缺陷的類(lèi)型對(duì)光伏電池EL圖像進(jìn)行分類(lèi)，其分類(lèi)準(zhǔn)確率在81%~84%。在上述方法基礎(chǔ)上，文獻(xiàn)［78］設(shè)計(jì)了一種數(shù)據(jù)增強(qiáng)方法，利用ProGAN（Progressive GAN）和WGANGP （Wasserstein GAN with Gradient Penalty）算法構(gòu)建圖像生成網(wǎng)絡(luò)，并將網(wǎng)絡(luò)與傳統(tǒng)數(shù)據(jù)增強(qiáng)技術(shù)相結(jié)合，以解決樣本稀缺和樣本類(lèi)別間不平衡的問(wèn)題。文獻(xiàn)［110］提出了一種基于CEGAN （Counter Example Generative Adversarial Network）的太陽(yáng)能電池EL缺陷檢測(cè)方法，該方法將背景圖像的負(fù)樣本送入GAN中，并將其映射成相應(yīng)的背景樣本。解決了由于太陽(yáng)能電池的多晶硅分布形式不固定，非均勻紋理背景的太陽(yáng)能電池EL圖像背景重構(gòu)誤差大、缺陷檢測(cè)精度較低的問(wèn)題。文獻(xiàn)［111］使用無(wú)缺陷樣本訓(xùn)練基于GAN的異常檢測(cè)模型，并用訓(xùn)練好的模型來(lái)檢測(cè)和定位缺陷，從而生成自動(dòng)標(biāo)記的數(shù)據(jù)集，以提高缺陷檢測(cè)模型的性能。

4.2.2 深度置信網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)由多個(gè)受限玻爾茲曼機(jī)（Restricted Boltzmann Machine， RBM）組成，整個(gè)網(wǎng)絡(luò)的訓(xùn)練過(guò)程通過(guò)逐層單獨(dú)訓(xùn)練RBM完成，能夠快速地完成權(quán)值的訓(xùn)練。通常在DBN最上層加入分類(lèi)層，并根據(jù)輸入圖像特征權(quán)重對(duì)其進(jìn)行分類(lèi)。文獻(xiàn)［17］提出了一種基于DBN的太陽(yáng)能電池缺陷檢測(cè)算法，并通過(guò)反向傳播算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，有效地提高了缺陷檢測(cè)速度。但該算法中使用的數(shù)據(jù)集數(shù)量較少，并且存在檢測(cè)精度較低的問(wèn)題。文獻(xiàn)［112］通過(guò)將全連接將卷積限制玻爾茲曼機(jī)（Convolutional Restricted Boltzmann Machine， CRBM）與池化層交替鏈接，設(shè)計(jì)了一種具有較高識(shí)別率的深度卷積信念網(wǎng)絡(luò)，在太陽(yáng)能電池片與膠囊缺陷檢測(cè)上取得了通用性的效果。文獻(xiàn)［113］使用DBN訓(xùn)練網(wǎng)絡(luò)初始值，再將重建圖像和訓(xùn)練圖像作為監(jiān)督數(shù)據(jù)，同時(shí)利用神經(jīng)網(wǎng)絡(luò)對(duì)參數(shù)進(jìn)行微調(diào)。上述方法能夠準(zhǔn)確、快速地檢測(cè)缺陷，且具有一定的通用性。但仍存在網(wǎng)絡(luò)訓(xùn)練耗時(shí)較長(zhǎng)，對(duì)高分辨率圖像處理效果有待提高等問(wèn)題。

4.2.3 自編碼器

AE網(wǎng)絡(luò)包括編碼器網(wǎng)絡(luò)和解碼器網(wǎng)絡(luò)，利用正常樣本訓(xùn)練自編碼器模型。根據(jù)正常樣本訓(xùn)練出來(lái)的AE能夠?qū)⒄颖局亟ㄟ€原，但是無(wú)法將缺陷樣本較好地還原，將輸入的缺陷圖像轉(zhuǎn)換為像素級(jí)的預(yù)測(cè)Mask，最終通過(guò)重建誤差區(qū)分缺陷圖像。自編碼器為解決文獻(xiàn)［60］中提取的特征表達(dá)能力有限的問(wèn)題，文獻(xiàn)［114］提出了基于自適應(yīng)深度特征和視覺(jué)顯著性的微裂紋檢測(cè)方法，通過(guò)堆疊降噪自編碼器（Stacked Denoising Autoencoder ， SDAE）提取自適應(yīng)深度特征，并通過(guò)特征矩陣分解來(lái)檢測(cè)視覺(jué)顯著性。但由于數(shù)據(jù)集中標(biāo)注數(shù)據(jù)過(guò)少，模型泛化能力相對(duì)較低。針對(duì)上述問(wèn)題，文獻(xiàn)［115］將檢測(cè)網(wǎng)絡(luò)提取的長(zhǎng)期特征與SDAE提取的短期深度特征相融合，有效地實(shí)現(xiàn)了對(duì)太陽(yáng)能電池表面各種常見(jiàn)微裂紋缺陷進(jìn)行檢測(cè)。該方法不局限于太陽(yáng)能電池表面缺陷檢測(cè)、具有一定的通用性，但無(wú)法直接對(duì)初始圖像進(jìn)行處理。

4.3 弱監(jiān)督及半監(jiān)督學(xué)習(xí)

弱監(jiān)督學(xué)習(xí)模型可以利用部分標(biāo)記數(shù)據(jù)或弱標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練，半監(jiān)督學(xué)習(xí)模型同時(shí)使用已標(biāo)注數(shù)據(jù)和未標(biāo)記數(shù)據(jù)完成模型訓(xùn)練。文獻(xiàn)［116］在分類(lèi)網(wǎng)絡(luò)基礎(chǔ)上實(shí)現(xiàn)只用圖像標(biāo)簽對(duì)太陽(yáng)能板上的裂紋缺陷進(jìn)行分割，其中深度網(wǎng)絡(luò)的激活圖作為異常區(qū)域的導(dǎo)向。文獻(xiàn)［117］提出一種基于注意力機(jī)制的CNN弱監(jiān)督學(xué)習(xí)分類(lèi)及分割框架，能夠在訓(xùn)練期間使用全局圖像級(jí)標(biāo)簽來(lái)解決自動(dòng)表面檢測(cè)的問(wèn)題。對(duì)于分類(lèi)任務(wù)，所提RWSLDC（Robust Weakly Supervised Learning of Deep Conv-Nets）結(jié)構(gòu)通過(guò)注意力機(jī)制和隨機(jī)森林分類(lèi)器將分類(lèi)的準(zhǔn)確率提高到93.29%。相比于原始CAM，SA-CAM （Spatial Attention Class Activation Map）在分割任務(wù)中將模型的IOU值提高約4%，運(yùn)行時(shí)間為每100張圖4.05 s。文獻(xiàn)［118］提出了一種名為ppFDetector的半監(jiān)督缺陷檢測(cè)模型，通過(guò)生成對(duì)抗網(wǎng)絡(luò)進(jìn)行正樣本圖像重建，利用ppFDetector模型計(jì)算重建圖像與原始圖像之間的差異，從而完成對(duì)太陽(yáng)能電池板的故障檢測(cè)，但該研究中沒(méi)有給出實(shí)現(xiàn)該模型性能所需的計(jì)算成本。

表5總結(jié)了無(wú)監(jiān)督學(xué)習(xí)、弱監(jiān)督及半監(jiān)督學(xué)習(xí)具有代表性算法，并給出相應(yīng)算法的優(yōu)缺點(diǎn)。

表5 無(wú)監(jiān)督學(xué)習(xí)、弱監(jiān)督及半監(jiān)督學(xué)習(xí)具體網(wǎng)絡(luò)優(yōu)缺點(diǎn)Tab.5 Advantages and disadvantages of unsupervised learning， weakly supervised and semi-supervised learning

4.4 小結(jié)

通過(guò)上述文獻(xiàn)分析可看出：近年來(lái)學(xué)者針對(duì)太陽(yáng)能電池圖像背景非均勻紋理分布，導(dǎo)致缺陷特征提取困難；獲取的缺陷數(shù)據(jù)過(guò)少，導(dǎo)致數(shù)據(jù)集中樣本不均衡；模型參數(shù)量大，不符合實(shí)際工業(yè)需求等問(wèn)題展開(kāi)研究。有不少學(xué)者對(duì)網(wǎng)絡(luò)特征提取部分進(jìn)行改進(jìn)，以提升網(wǎng)絡(luò)檢測(cè)精度。大多數(shù)研究所用數(shù)據(jù)集規(guī)模都小于10 000張，許多學(xué)者正在積極研究除數(shù)據(jù)增強(qiáng)以外的數(shù)據(jù)擴(kuò)充方法，以提高模型的泛化能力。研究方向更加聚焦于輕量化模型和硬件設(shè)備的高效部署，以在保證檢測(cè)精度的同時(shí)滿(mǎn)足實(shí)際工業(yè)需求。為了解決有監(jiān)督學(xué)習(xí)中標(biāo)注數(shù)據(jù)需求大的問(wèn)題，一些研究通過(guò)弱監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)等策略來(lái)降低標(biāo)注成本。弱監(jiān)督學(xué)習(xí)方法如文獻(xiàn)［116］中提到的基于圖像標(biāo)簽的分割，能夠有效地對(duì)太陽(yáng)能電池板上的裂紋等缺陷進(jìn)行分割，而不需要大量詳細(xì)標(biāo)注的數(shù)據(jù)。這一思路為實(shí)際應(yīng)用中的標(biāo)注問(wèn)題提供了一種可行的解決方案。針對(duì)深度學(xué)習(xí)模型在實(shí)際應(yīng)用中的硬件資源要求較高的問(wèn)題，研究者們提出了一系列輕量化網(wǎng)絡(luò)，如ShuffleNet V2［105］和Inception V3［106］等。這些網(wǎng)絡(luò)在保持一定檢測(cè)精度的同時(shí)，降低了模型的體積和計(jì)算復(fù)雜度，使其更適合在資源受限的環(huán)境中部署。而YOLOv3-Tiny［107］等方法在速度和精度上實(shí)現(xiàn)了平衡。文獻(xiàn)［108］中設(shè)計(jì)的輕量級(jí)網(wǎng)絡(luò)結(jié)合了神經(jīng)框架搜索和知識(shí)蒸餾等技術(shù)，成功地提高了模型的整體性能，能夠很好地適應(yīng)實(shí)際工業(yè)應(yīng)用的需求。遷移學(xué)習(xí)［81］和MF-RPN+Faster R-CNN［84］等通用性強(qiáng)的方法在不同任務(wù)和領(lǐng)域中都具備良好的性能。因此，在實(shí)際應(yīng)用中，建議根據(jù)具體需求綜合考慮各方法的優(yōu)缺點(diǎn)，以獲得最佳實(shí)際效果?；仡櫧陙?lái)基于深度學(xué)習(xí)算法的研究進(jìn)展，表6中總結(jié)了各類(lèi)算法的特點(diǎn)。

表6 基于深度學(xué)習(xí)各類(lèi)算法特點(diǎn)Tab.6 Characteristics of various algorithms based on deep learning

5 太陽(yáng)能電池片數(shù)據(jù)集及評(píng)價(jià)指標(biāo)

5.1 數(shù)據(jù)集概述

太陽(yáng)能電池片表面缺陷檢測(cè)研究工作的基礎(chǔ)是需要較為完備的數(shù)據(jù)集，太陽(yáng)能電池片圖像具有數(shù)據(jù)量少、結(jié)構(gòu)較為固定、圖像語(yǔ)義較為簡(jiǎn)單的特點(diǎn)。在不同的廠家生產(chǎn)的電池以及不同的場(chǎng)景下，每個(gè)研究人員通常使用的缺陷數(shù)據(jù)集不同，導(dǎo)致各個(gè)研究之間缺乏對(duì)比。目前太陽(yáng)能電池片表面圖像的公開(kāi)數(shù)據(jù)集較為有限，本節(jié)搜集整理了9個(gè)目前公開(kāi)的數(shù)據(jù)集，具體如表7所示。表7中部分?jǐn)?shù)據(jù)集的樣例如圖9所示。

表7 太陽(yáng)能電池表面缺陷檢測(cè)公開(kāi)數(shù)據(jù)集Tab.7 Solar cell surface defect detection public dataset

圖9 常用數(shù)據(jù)集示例Fig.9 Example of common datasets

光伏異常檢測(cè)數(shù)據(jù)集是由“百度飛漿”提供的一個(gè)開(kāi)源的光伏電池異常檢測(cè)數(shù)據(jù)集，其中包含光伏電池劃痕缺陷和黑心缺陷兩種缺陷類(lèi)型。數(shù)據(jù)集圖像有四類(lèi)：無(wú)缺陷、有裂紋無(wú)失效區(qū)、無(wú)裂紋有失效區(qū)、有裂紋有失效區(qū)。

PTID（Photovoltaic Thermal Images Dataset）數(shù)據(jù)集［119］包含3個(gè)文件夾，每個(gè)文件夾包含1 009張大小為 512×640 pixels的圖像。第一個(gè)文件夾存儲(chǔ)無(wú)人機(jī)直升機(jī)拍攝的預(yù)處理熱圖像，第二個(gè)文件夾包含通過(guò)直升機(jī)拍攝的相同熱圖像的等效灰度圖像，而第三個(gè)文件夾包含顯示分離的單個(gè)缺陷電池或連續(xù)故障電池序列的掩膜圖像。

ELPV數(shù)據(jù)集由Buerhop等［120］提出，包含2 624個(gè)太陽(yáng)能電池的電致發(fā)光8位灰度圖像，分辨率為每張圖像300×300 pixels［35，120-121］。數(shù)據(jù)集中包括各種類(lèi)型的缺陷，例如微裂紋、退化的零件、短路電池和焊接故障，但ELPV數(shù)據(jù)集中的原始圖像數(shù)量很少且數(shù)據(jù)集標(biāo)簽僅包含缺陷程度信息沒(méi)有的空間定位。

ELDDS1400c5數(shù)據(jù)集［122］由1400張單晶光伏板EL圖像構(gòu)成，是武漢日升光電科技有限公司用太陽(yáng)能組件EL-1600/2400型EL測(cè)試儀進(jìn)行采集所得，其中共計(jì)含有109 200個(gè)電池單元。該數(shù)據(jù)包括五種缺陷類(lèi)型的21 000個(gè)基于邊界框的注釋?zhuān)宸N缺陷類(lèi)型分別為黑斑、微裂紋、裂紋、短路電池、短路串。

BELI（Benchmark EL images）數(shù)據(jù)集［123］［124］是由三個(gè)私人來(lái)源和兩個(gè)公共來(lái)源的593個(gè)太陽(yáng)能電池EL圖像組成，多晶硅片和單晶晶片的數(shù)量大致相等。

PVEL-AD（Photovoltaic Cell Anomaly Detection）數(shù)據(jù)集在原始 PVEL-AD-2019數(shù)據(jù)集的基礎(chǔ)上遞增，其由36 543張高分辨率圖像（1 024×1 024 pixels）組成；帶注釋的圖像數(shù)量從2 129張?jiān)黾拥?1 044張；無(wú)異常圖像從1 500增加到11 351。該數(shù)據(jù)集包含1類(lèi)正常圖像和12種不同類(lèi)別的缺陷圖像，其中缺陷圖像例如裂紋（線(xiàn)和星形）、斷柵、黑心、劃痕、碎片等缺陷［47，87-88，125］。此外，還針對(duì)12種缺陷提供了40 358個(gè)邊界框，可用于評(píng)估新提出的異常檢測(cè)方法。與ELPV數(shù)據(jù)集相比，PVEL-AD數(shù)據(jù)集圖像分辨率更高，異常類(lèi)型更全面。

PVMD（PV Multi Defect）數(shù)據(jù)集中包含1 108張大小為600×600 pixels的圖像，5種缺陷類(lèi)型分別為：破碎的電池、具有突出亮點(diǎn)的電池、具有規(guī)則形狀的黑色或灰色邊緣的電池、有劃痕的電池以及未帶電并且顯示為黑色的電池。

ISM（Infrared Solar Modules）［126］由Raptor Maps Inc團(tuán)隊(duì)使用駕駛飛機(jī)和無(wú)人機(jī)系統(tǒng)在太陽(yáng)能發(fā)電廠收集，其中包含20 000張分辨率為24×40 pixels且深度為8位的圖像，其中缺陷圖像10 000張、無(wú)異常圖像10 000張。數(shù)據(jù)集中定義了12類(lèi)太陽(yáng)能電池，其中11類(lèi)為不同種類(lèi)的缺陷圖像，還有一類(lèi)為無(wú)異常圖像［127］。該項(xiàng)目提出了一個(gè)新穎的標(biāo)注數(shù)據(jù)集，解決了紅外異常圖像缺乏公開(kāi)可用數(shù)據(jù)的問(wèn)題。

CS（Crack Segmentation）數(shù)據(jù)集來(lái)自Dura MAT數(shù)據(jù)中心網(wǎng)站［128-129］，數(shù)據(jù)是使用EL成像技術(shù)在576個(gè)太陽(yáng)能電池板上獲取，并用GitHub存儲(chǔ)庫(kù)從模塊圖像中裁剪出1 837張?zhí)?yáng)能電池圖像。

5.2 缺陷檢測(cè)評(píng)價(jià)指標(biāo)

在實(shí)際應(yīng)用中，通常采用定性評(píng)價(jià)和定量分析評(píng)估兩種方式對(duì)太陽(yáng)能電池缺陷檢測(cè)方法進(jìn)行評(píng)價(jià)，現(xiàn)有文獻(xiàn)大多采用定性評(píng)估進(jìn)行評(píng)價(jià)，該評(píng)價(jià)方式能評(píng)估出所用方法是否能準(zhǔn)確判斷出有缺陷的輸入圖像。本文主要對(duì)缺陷檢測(cè)領(lǐng)域中分類(lèi)網(wǎng)絡(luò)、檢測(cè)網(wǎng)絡(luò)和分割網(wǎng)絡(luò)的定量評(píng)價(jià)指標(biāo)進(jìn)行介紹。

5.2.1 分類(lèi)網(wǎng)絡(luò)和檢測(cè)網(wǎng)絡(luò)評(píng)價(jià)指標(biāo)

圖10所示的混淆矩陣中包含二分類(lèi)實(shí)驗(yàn)的相關(guān)結(jié)果，利用混淆矩陣中的數(shù)據(jù)來(lái)計(jì)算相應(yīng)算法的評(píng)價(jià)指標(biāo)，多分類(lèi)實(shí)驗(yàn)的混淆矩陣在上述矩陣基礎(chǔ)上進(jìn)行擴(kuò)展。分類(lèi)網(wǎng)絡(luò)和檢測(cè)網(wǎng)絡(luò)的性能通常使用準(zhǔn)確度（Accuracy）、召回率（Recall）、精確率（Precision）、誤檢率（False Positive Rate，F(xiàn)PR）、漏檢率（False Negative Rate， FNR）及F1-score來(lái)評(píng)價(jià)，表8中列出了相應(yīng)公式。準(zhǔn)確率表示算法預(yù)測(cè)正確的樣本數(shù)量與全部樣本數(shù)量的比；召回率描述預(yù)測(cè)集中被檢測(cè)出的有缺陷樣本與預(yù)測(cè)數(shù)據(jù)集中所有缺陷樣本數(shù)量之比；精確率是指預(yù)測(cè)集被預(yù)測(cè)為的有缺陷樣本中正確數(shù)量占比。F1-score指標(biāo)是召回率和精確度的加權(quán)平均值，能夠綜合考慮上述兩種指標(biāo)對(duì)模型進(jìn)行評(píng)估。在實(shí)際工業(yè)生產(chǎn)中，誤檢率和漏檢率是模型部署調(diào)試階段較為關(guān)注的兩個(gè)指標(biāo)，誤檢率是指實(shí)際預(yù)測(cè)數(shù)據(jù)集中有缺陷的圖片被誤判為無(wú)缺陷樣本的數(shù)量與被預(yù)測(cè)數(shù)據(jù)集中全部樣本總數(shù)量之比；漏檢率描繪了實(shí)際無(wú)缺陷樣本被預(yù)測(cè)成含缺陷樣本占所有被預(yù)測(cè)為有缺陷樣本的比例。

表8 分類(lèi)及分割評(píng)價(jià)指標(biāo)Tab.8 Evaluation metrics of classification and segmentation

圖10 二分類(lèi)混淆矩陣Fig.10 Confusion matrix

通過(guò)上述評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)需設(shè)置預(yù)分類(lèi)閾值，其設(shè)置的閾值會(huì)影響整體評(píng)估效果。因此有必要利用與設(shè)置的閾值無(wú)關(guān)的評(píng)價(jià)指標(biāo)來(lái)估計(jì)模型性能，結(jié)合上述評(píng)價(jià)指標(biāo)能夠全面地對(duì)模型進(jìn)行評(píng)價(jià)。在太陽(yáng)能電池表面缺陷檢測(cè)分類(lèi)任務(wù)中，采用不同閾值下兩指標(biāo)的變化情況來(lái)衡量相應(yīng)性能，例如描述召回率和精確率關(guān)系的PR（Precision Recall）曲線(xiàn)和描述誤檢率和召回率關(guān)系的ROC（Receiver Operator Characteristic）曲線(xiàn)，曲線(xiàn)下面積（Area Under Curve， AUC）為上述兩種曲線(xiàn)的主要衡量指標(biāo)。

5.2.2 分割網(wǎng)絡(luò)評(píng)價(jià)指標(biāo)

分割任務(wù)實(shí)質(zhì)上就是像素級(jí)的二分類(lèi)任務(wù)，將輸入圖像中的每個(gè)像素輸出為缺陷或背景標(biāo)簽，可以采用像素級(jí)混淆矩陣來(lái)衡量其性能，其衡量方法與分類(lèi)任務(wù)中采用指標(biāo)相同。針對(duì)分割任務(wù)評(píng)價(jià)指標(biāo)還有交并比（Intersection over Union， IoU）、平均交并比（Mean Intersection over Union，MIoU）、和Dice系數(shù)（Dice coefficient）、平均精度均值（mean Average Precision，mAP），表8列出了上述評(píng)價(jià)指標(biāo)的具體公式。IoU定義為預(yù)測(cè)圖和標(biāo)注圖兩個(gè)集合的交集元素在兩者并集中所占比例，可以體現(xiàn)出預(yù)測(cè)圖和標(biāo)注圖之間的相似性，其物理意義如圖11所示；測(cè)試集中全部圖像的IoU平均值定義為MIoU，Dice系數(shù)是一種像素級(jí)的測(cè)量系數(shù)，取值范圍為0~1，其本質(zhì)是表現(xiàn)手工標(biāo)注圖像和預(yù)測(cè)圖像之間的重合度。某一類(lèi)PR曲線(xiàn)的AUC定義為平均精確率（Average precision， AP），所有類(lèi)別PR曲線(xiàn)的AUC平均值為mAP。除與分類(lèi)指標(biāo)類(lèi)似的兩種曲線(xiàn)外，還可以采用IoU曲線(xiàn)和PR曲線(xiàn)作為與閾值無(wú)關(guān)的分割指標(biāo)。

5.3 性能評(píng)估

本文在表9中匯總了現(xiàn)有代表性基于傳統(tǒng)機(jī)器視覺(jué)算法的太陽(yáng)能電池片缺陷檢測(cè)方法，分別從檢測(cè)對(duì)象、檢測(cè)方式、樣本量和性能進(jìn)行了比較。但由于各項(xiàng)研究的實(shí)驗(yàn)設(shè)計(jì)和評(píng)估標(biāo)準(zhǔn)存在一定差異，且各文獻(xiàn)中所采用的數(shù)據(jù)集不同，因此各方法性能一欄只能評(píng)價(jià)該模型的效果好壞，無(wú)法進(jìn)行縱向?qū)Ρ取?/p>

表9 現(xiàn)有代表性傳統(tǒng)機(jī)器視覺(jué)算法比較Tab.9 Performance comparison and analysis of existing traditional machine vision algorithms

上述部分文獻(xiàn)基于自建數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，此類(lèi)方法無(wú)法利用評(píng)價(jià)指標(biāo)縱向?qū)Ρ饶Ｐ托阅?。為了更加客觀對(duì)比算法性能，本文針對(duì)在公開(kāi)數(shù)據(jù)集ELPV上進(jìn)行實(shí)驗(yàn)的代表性算法進(jìn)行比較，包括不同方法在準(zhǔn)確率、精度、召回率和F1-score等指標(biāo)上的表現(xiàn)，同時(shí)列出了各方法的設(shè)備信息，具體內(nèi)容如表10所示。通過(guò)對(duì)比表格中的數(shù)據(jù)，可以更好地理解不同算法在ELPV數(shù)據(jù)集上的表現(xiàn)。

表10 現(xiàn)有代表性算法在ELPV數(shù)據(jù)集上性能比較Table 10 Comparison of the performance of existing representative algorithms on ELPV datasets

6 現(xiàn)存問(wèn)題及進(jìn)一步研究工作的展望

6.1 現(xiàn)存問(wèn)題

機(jī)器視覺(jué)技術(shù)能夠精確檢測(cè)太陽(yáng)能電池片表面缺陷的數(shù)量、類(lèi)型、位置、尺寸及其他定量信息，對(duì)后續(xù)質(zhì)量控制與管理提供數(shù)據(jù)支撐，在缺陷檢測(cè)相關(guān)領(lǐng)域有巨大的進(jìn)步潛力，但也面臨著很多挑戰(zhàn)。

（1）小樣本問(wèn)題。由于太陽(yáng)能電池片生產(chǎn)流程的不斷優(yōu)化，導(dǎo)致缺陷樣品的數(shù)量減少?？捎糜谏疃葘W(xué)習(xí)的太陽(yáng)能電池缺陷檢測(cè)訓(xùn)練數(shù)據(jù)數(shù)量越來(lái)越少，在訓(xùn)練過(guò)程中很容易出現(xiàn)過(guò)擬合等一系列問(wèn)題。在小數(shù)據(jù)集上推廣深度學(xué)習(xí)模型是一個(gè)真正的挑戰(zhàn)。遷移學(xué)習(xí)是解決小樣本問(wèn)題的關(guān)鍵方法。

（2）不均衡樣本問(wèn)題。為了訓(xùn)練深度學(xué)習(xí)模型，通常需要一個(gè)不同類(lèi)別樣本數(shù)量均衡的樣本集。但是，在實(shí)際生產(chǎn)過(guò)程中每個(gè)缺陷出現(xiàn)的可能性相對(duì)較為隨機(jī)，使得樣本分布不能達(dá)到理想情況。數(shù)據(jù)集中大部分?jǐn)?shù)據(jù)都來(lái)自“正?！睒颖?，而“有缺陷”或“異?！钡臉颖局徽己苄∫徊糠?。不平衡樣本對(duì)于有監(jiān)督學(xué)習(xí)影響相對(duì)較大，算法會(huì)傾向于關(guān)注數(shù)據(jù)規(guī)模較大的圖像類(lèi)別，使得模型的泛化能力受到限制。

（3）在光照分布不均情況下檢測(cè)效果差的問(wèn)題。在采集太陽(yáng)能電池片表面圖像過(guò)程中，其表觀特征會(huì)受到多種因素的影響，包括但不限于照明條件、拍攝角度和距離等。由于被檢太陽(yáng)能電池的背景不同，其檢測(cè)效果可能會(huì)受到多種噪聲干擾，且太陽(yáng)能電池缺陷的形狀具有隨機(jī)性，因此如何去除圖像中干擾或使用高層次特征來(lái)表達(dá)太陽(yáng)能電池的所有表面缺陷特征是一個(gè)十分重要的任務(wù)。

（4）檢測(cè)速度較慢，難以滿(mǎn)足實(shí)際生產(chǎn)需要的問(wèn)題。目前大多算法基于深度學(xué)習(xí)進(jìn)行太陽(yáng)能電池片表面缺陷檢測(cè)，此類(lèi)方法在實(shí)際生產(chǎn)應(yīng)用中主要包括數(shù)據(jù)標(biāo)注、模型訓(xùn)練與模型推理三個(gè)部分。其中推理的性能是模型表現(xiàn)之外最關(guān)注的點(diǎn)，現(xiàn)有的檢測(cè)方法大多側(cè)重在提高分類(lèi)和識(shí)別的精度，較少注重模型的推理效率。多數(shù)方法為離線(xiàn)檢測(cè)而不能達(dá)到實(shí)時(shí)檢測(cè)的目的，限制了算法在工業(yè)上的應(yīng)用。

（5）缺陷定位精度低，算法通用性不高的問(wèn)題。許多方法只能給出粗略的定位框，無(wú)法精確定位到缺陷的邊界，這將對(duì)后續(xù)的分類(lèi)和修復(fù)帶來(lái)困難。在缺陷目標(biāo)提取階段，當(dāng)前不存在一種算法可以對(duì)任意類(lèi)型缺陷進(jìn)行檢測(cè)。因此選擇合適的缺陷特征并進(jìn)行特征提取能夠降低特征數(shù)量的冗余度，并且能通過(guò)選擇的特征判斷出不同缺陷的類(lèi)型。

6.2 進(jìn)一步研究工作的展望

機(jī)器視覺(jué)系統(tǒng)能夠在短期內(nèi)自動(dòng)檢測(cè)出數(shù)量眾多的太陽(yáng)能電池片，其檢測(cè)速度和精度比人工檢測(cè)要高很多，能夠顯著提高太陽(yáng)能電池片生產(chǎn)的效率與品質(zhì)。雖然機(jī)器視覺(jué)技術(shù)已經(jīng)在太陽(yáng)能電池片缺陷檢測(cè)領(lǐng)域方面成功應(yīng)用，但仍存在小樣本、不均衡樣本、通用性低等問(wèn)題，未來(lái)將從以下幾方面展開(kāi)工作：

（1）應(yīng)用遷移學(xué)習(xí)，降低數(shù)據(jù)依賴(lài)。通過(guò)在豐富的源領(lǐng)域數(shù)據(jù)集上訓(xùn)練模型，遷移學(xué)習(xí)將學(xué)到的通用特征遷移到太陽(yáng)能電池片缺陷檢測(cè)的目標(biāo)領(lǐng)域。在目標(biāo)領(lǐng)域上進(jìn)行微調(diào)，模型能夠更好地適應(yīng)太陽(yáng)能電池片的特殊特征，從而提高在小樣本情況下的泛化能力。這一方法有助于克服因數(shù)據(jù)不足而引起的過(guò)擬合問(wèn)題，為缺陷檢測(cè)模型在實(shí)際生產(chǎn)環(huán)境中的性能提供有效支持。

（2）在線(xiàn)學(xué)習(xí)和聯(lián)邦學(xué)習(xí)。現(xiàn)有方法大多采用離線(xiàn)學(xué)習(xí)的方法，在部署過(guò)程中模型實(shí)際性能難以達(dá)到最優(yōu)。在實(shí)際生產(chǎn)應(yīng)用過(guò)程中，生產(chǎn)線(xiàn)上可以不間斷地提供新的缺陷樣本數(shù)據(jù)來(lái)擴(kuò)充數(shù)據(jù)集，同時(shí)還可能在原有檢測(cè)缺陷基礎(chǔ)上增加新的缺陷類(lèi)型。因此，采用在線(xiàn)學(xué)習(xí)的方式對(duì)模型進(jìn)行快速、實(shí)時(shí)地調(diào)整也是未來(lái)該領(lǐng)域研究的熱點(diǎn)。鑒于工業(yè)數(shù)據(jù)通常易涉及隱私，聯(lián)邦學(xué)習(xí)這一框架的提出有利于將各參與方樣本數(shù)據(jù)進(jìn)行有效組合，同時(shí)確保各合作者的隱私安全。

（3）優(yōu)化成像設(shè)備，降低噪聲干擾。在通過(guò)設(shè)備獲取太陽(yáng)能電池片樣本過(guò)程中可能會(huì)出現(xiàn)噪聲干擾的情況，未來(lái)可以從優(yōu)化設(shè)備內(nèi)部結(jié)構(gòu)方面入手，使得獲取的圖片背景相對(duì)簡(jiǎn)單，降低圖片中存在噪聲、污漬等帶來(lái)的影響。

（4）應(yīng)用強(qiáng)化學(xué)習(xí)，提高檢測(cè)實(shí)時(shí)性。未來(lái)可以從強(qiáng)化學(xué)習(xí)技術(shù)入手提高太陽(yáng)能電池缺陷檢測(cè)的實(shí)時(shí)性。引入強(qiáng)化學(xué)習(xí)算法使得檢測(cè)系統(tǒng)具備了自主學(xué)習(xí)和優(yōu)化的能力，能夠智能地適應(yīng)不同環(huán)境和缺陷類(lèi)型的變化。這種自適應(yīng)性學(xué)習(xí)方式有望解決當(dāng)前算法在實(shí)際生產(chǎn)中推理速度較慢的問(wèn)題，實(shí)現(xiàn)更高效、實(shí)時(shí)的缺陷檢測(cè)。還可以展開(kāi)基于3D視覺(jué)的太陽(yáng)能電池缺陷檢測(cè)方法，將其擴(kuò)展應(yīng)用至光伏組件中，從而提升檢測(cè)系統(tǒng)的全面性。

（5）在無(wú)監(jiān)督與弱監(jiān)督及半監(jiān)督方法中引入神經(jīng)框架搜索?，F(xiàn)有的太陽(yáng)能電池片缺陷檢測(cè)大多基于深度學(xué)習(xí)進(jìn)行，其網(wǎng)絡(luò)框架大多依靠研究人員手工設(shè)計(jì)，并通過(guò)對(duì)比試驗(yàn)篩選出最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)。因此，研究中設(shè)計(jì)的模型結(jié)構(gòu)在實(shí)際工業(yè)生產(chǎn)應(yīng)用中不一定為最優(yōu)解。目前已有學(xué)者利用NAS在有監(jiān)督學(xué)習(xí)方法上自動(dòng)選擇最優(yōu)模型，但NAS在無(wú)監(jiān)督與弱監(jiān)督及半監(jiān)督方法的參數(shù)設(shè)置上應(yīng)用相對(duì)較少，未來(lái)可以在太陽(yáng)能電池缺陷檢測(cè)領(lǐng)域得到發(fā)展。

（6）將缺陷特征與電池性能進(jìn)行量化。檢測(cè)太陽(yáng)能電池表面缺陷的最主要目的是識(shí)別太陽(yáng)能電池可用時(shí)長(zhǎng)和性能，同時(shí)替換其中有缺陷的電池。但現(xiàn)有的太陽(yáng)能電池缺陷檢測(cè)系統(tǒng)還沒(méi)有將缺陷特征與電池性能的關(guān)系進(jìn)行量化，也沒(méi)有相關(guān)指標(biāo)能夠衡量二者之間的關(guān)系。未來(lái)可以通過(guò)統(tǒng)計(jì)數(shù)據(jù)分析對(duì)兩者之間的關(guān)系進(jìn)行量化，從而減輕需要人為判斷的成本。

（7）Transformer的應(yīng)用。目前有學(xué)者基于Transformer進(jìn)行太陽(yáng)能電池缺陷檢測(cè)的研究，有效地證實(shí)了Transformer在缺陷檢測(cè)方面的潛力，其模型性能很大程度上取決于數(shù)據(jù)集的數(shù)量和質(zhì)量，但目前小樣本問(wèn)題和不均衡樣本問(wèn)題使得Transformer在該領(lǐng)域的應(yīng)用還未得到充分探索。為降低檢測(cè)前期工作量，未來(lái)可以考慮采用半標(biāo)記半監(jiān)督學(xué)習(xí)的方式制作數(shù)據(jù)集，能夠高效地制作出大量數(shù)據(jù)集。

綜上，機(jī)器視覺(jué)技術(shù)在太陽(yáng)能電池片缺陷檢測(cè)中具有十分顯著的優(yōu)勢(shì)。機(jī)器視覺(jué)系統(tǒng)能夠探測(cè)到更復(fù)雜、更細(xì)小的太陽(yáng)能電池片缺陷，從而提高生產(chǎn)太陽(yáng)能電池片的質(zhì)量。基于機(jī)器視覺(jué)對(duì)太陽(yáng)能電池片進(jìn)行缺陷檢測(cè)的技術(shù)仍在不斷地進(jìn)步，日益精確與智能。相信隨著機(jī)器視覺(jué)技術(shù)和計(jì)算能力的提高，太陽(yáng)能電池片機(jī)器視覺(jué)檢測(cè)將會(huì)取得更大的進(jìn)展。

7 結(jié) 論

在對(duì)近年太陽(yáng)能電池片缺陷檢測(cè)領(lǐng)域的研究成果進(jìn)行歸納和比較分析后，發(fā)現(xiàn)在機(jī)器學(xué)習(xí)未被廣泛應(yīng)用之前，大部分視覺(jué)軟件也都包含有定位、測(cè)量和檢測(cè)等功能。隨著硬件設(shè)備的快速發(fā)展，以機(jī)器學(xué)習(xí)為基礎(chǔ)的太陽(yáng)能電池缺陷檢測(cè)技術(shù)逐漸發(fā)展起來(lái)，大量學(xué)者開(kāi)始研究基于機(jī)器學(xué)習(xí)的太陽(yáng)能電池片表面缺陷檢測(cè)技術(shù)，很好地解決了傳統(tǒng)圖像處理方法無(wú)法或很難直接量化缺陷特征的問(wèn)題。

盡管機(jī)器學(xué)習(xí)技術(shù)已經(jīng)取得了一定的進(jìn)展，但仍有許多問(wèn)題需要進(jìn)一步完善。首先，我們需要更加注重構(gòu)建更為全面、具有代表性的太陽(yáng)能電池缺陷檢測(cè)數(shù)據(jù)集。當(dāng)前的數(shù)據(jù)集在規(guī)模和樣本多樣性上仍然存在一定的局限性，這可能導(dǎo)致模型在真實(shí)工業(yè)場(chǎng)景中的性能無(wú)法得到準(zhǔn)確的評(píng)估。其次，模型的適應(yīng)性問(wèn)題也是當(dāng)前研究的一個(gè)亟待解決的方面，因?yàn)樘?yáng)能電池片表面的光照和環(huán)境條件可能會(huì)因地理位置和季節(jié)變化而產(chǎn)生較大波動(dòng)。此外，對(duì)于硬件資源有限的情況，研究人員應(yīng)該更關(guān)注開(kāi)發(fā)計(jì)算資源更為高效利用的模型。未來(lái)的研究應(yīng)該注重提高算法的實(shí)用性和魯棒性，以確保其在實(shí)際工業(yè)應(yīng)用中能夠更好地發(fā)揮作用。本文綜合總結(jié)和深入分析，能夠?yàn)橄嚓P(guān)研究人員提供詳實(shí)而有效的參考資料，以期推動(dòng)相關(guān)領(lǐng)域的發(fā)展。