摘 要：為解決在太陽電池數(shù)據(jù)集域偏移問題，提出一種針對動態(tài)開放場景下光伏缺陷檢測的數(shù)據(jù)歸一化控制器（DNC），以提高網(wǎng)絡(luò)的域適應(yīng)能力。在測試階段，該文的DNC方法通過修改模型參數(shù)，根據(jù)小批次樣本數(shù)據(jù)（0.5%）來實現(xiàn)領(lǐng)域統(tǒng)計糾正。DNC可將目標(biāo)域產(chǎn)生域偏移的數(shù)據(jù)映射到與源域數(shù)據(jù)相同的分布空間，而無需提前標(biāo)注數(shù)據(jù)或訪問目標(biāo)域的全部數(shù)據(jù)。實驗結(jié)果表明，DNC能顯著提高目標(biāo)檢測模型對域偏移數(shù)據(jù)的適應(yīng)能力。僅使用少量未標(biāo)記的目標(biāo)域數(shù)據(jù)（少于0.5%）就可在分布外數(shù)據(jù)上獲得顯著的性能提升，同時不會降低模型的預(yù)測速度（FPS）。

關(guān)鍵詞：太陽電池；無監(jiān)督域適應(yīng)；目標(biāo)檢測；數(shù)據(jù)歸一化；缺陷檢測

中圖分類號：TK391.4 文獻標(biāo)志碼：A

0 引 言

太陽電池在生產(chǎn)制造過程中易產(chǎn)生多種類型的缺陷。不合格的太陽電池片會降低光電轉(zhuǎn)換效率和壽命，極大地降低產(chǎn)品合格率。因此，太陽電池表面缺陷檢測在生產(chǎn)制造過程中具有至關(guān)重要的作用。然而，當(dāng)前的人工質(zhì)檢方法存在培訓(xùn)周期長、主觀因素強的問題，而傳統(tǒng)圖像處理方法則過度依賴人工定義參數(shù)提取特征，導(dǎo)致模型泛化性能不佳［1］?；谏疃葘W(xué)習(xí)的目標(biāo)檢測算法能關(guān)聯(lián)上下文信息并提取深層特征和高層語義信息，同時端到端的訓(xùn)練方式使得模型易于訓(xùn)練和使用。應(yīng)用這種方法可有效解決上述問題，且目前已取得顯著成果［2-4］。

基于深度學(xué)習(xí)的目標(biāo)檢測算法要求訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)遵循相同的分布［5］。然而，不同時間和機器型號采集的數(shù)據(jù)在背景、缺陷對比度和分辨率方面可能存在差異。對于經(jīng)典的目標(biāo)檢測模型，如果數(shù)據(jù)存在偏移（Data Shift）或域轉(zhuǎn)移（Domain Shift），那么當(dāng)測試集數(shù)據(jù)來自不同的域時，目標(biāo)檢測模型的精度將大幅度下降。本研究從不同時段的不同工廠產(chǎn)線采集3 個批次的數(shù)據(jù)：EL202009-D1（D1）、EL202105-D2（D2）和EL202110-D3（D3），采集時間分別為2020 年9 月、2021 年5 月和2021 年10 月。本文將D1 隨機劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，而將D2 和D3 用作測試數(shù)據(jù)。由于模型泛化能力不足，其在另外2 個批次的產(chǎn)生域偏移的數(shù)據(jù)上性能大幅下降。盡管通過旋轉(zhuǎn)、對稱、調(diào)整亮度與對比度以及直方圖均衡化等方法對訓(xùn)練集數(shù)據(jù)進行增強［6］，或采用模型自帶的數(shù)據(jù)增強方式，如YOLOv5 和YOLOx［7］，訓(xùn)練得到的目標(biāo)檢測模型仍無法在其他域的數(shù)據(jù)上達到滿意效果。目標(biāo)檢測模型的域適應(yīng)能力受到很大的挑戰(zhàn)，即使僅存在輕微的分布變化，神經(jīng)網(wǎng)絡(luò)的性能也會明顯下降［8］。

或許解決上述問題的最直觀方法是標(biāo)注更多其他域的數(shù)據(jù)，但這需要大量的財力和物力成本。另一種解決方案是采用無監(jiān)督域適應(yīng)（unsupervised domain adaptation， UDA）方法提高模型的域適應(yīng)能力［9-10］。現(xiàn)有的深度學(xué)習(xí)域適應(yīng)方法要求模型在訓(xùn)練期間訪問源域的標(biāo)記數(shù)據(jù)和目標(biāo)域中全部的未標(biāo)記數(shù)據(jù)，但這并不適用于動態(tài)開放場景下太陽電池生產(chǎn)線的實時檢測。因為在生產(chǎn)線經(jīng)過短暫調(diào)整、原材料的略微變化、機器的不斷磨損，或不同產(chǎn)線和不同型號的機器之間，獲得的圖像數(shù)據(jù)將不斷發(fā)生變化，并在背景、缺陷對比度和分辨率等方面存在差異。在這種情況下，收集并標(biāo)記新數(shù)據(jù)以重新訓(xùn)練已部署到生產(chǎn)線的模型是不現(xiàn)實的［11］。因此，為了應(yīng)對動態(tài)開放的光伏產(chǎn)線場景，本文考慮根據(jù)場景變化設(shè)計一種數(shù)據(jù)歸一化控制器。

本文認(rèn)為影響檢測模型泛化能力的關(guān)鍵因素是測試集和訓(xùn)練集之間的均值和方差的統(tǒng)計差異。一些方法［12］需要獲取全部測試數(shù)據(jù)以修改當(dāng)前模型，但在實時生產(chǎn)線上無法一次性獲取所有測試數(shù)據(jù)。本文認(rèn)為卷積層和全連接層存儲與圖像類別和紋理相關(guān)的知識，而批量歸一化層（batchnormalization， BN）儲存著與領(lǐng)域相關(guān)的知識。因此，本文提出一種數(shù)據(jù)歸一化控制器（data normalization controller，DNC），該控制器能在線根據(jù)一小部分無標(biāo)記測試集數(shù)據(jù)動態(tài)地調(diào)整BN 層參數(shù)。DNC 將目標(biāo)域產(chǎn)生域偏移的數(shù)據(jù)映射到與源域數(shù)據(jù)相同的分布空間，從而提高網(wǎng)絡(luò)的域適應(yīng)能力，同時無需提前注釋數(shù)據(jù)或訪問目標(biāo)域的全部數(shù)據(jù)。

本文的貢獻如下：1）提出一種基于歸一化控制器的無監(jiān)督域適應(yīng)檢測網(wǎng)絡(luò)，并在光伏數(shù)據(jù)集上充分評估了其性能。

2）提出一種數(shù)據(jù)歸一化控制器（DNC）。僅需使用少量（少于0.5%）未標(biāo)記的分布外數(shù)據(jù)來修改模型參數(shù)，即可實現(xiàn)領(lǐng)域統(tǒng)計糾正和提高模型泛化能力，同時不會增加計算開銷。

3）為有效評估目標(biāo)檢測模型的泛化能力，本文根據(jù)預(yù)測標(biāo)簽與真實標(biāo)簽的交叉距離（intersection over union， IOU）和均方距離，使用一種新的用于衡量目標(biāo)檢測預(yù)測質(zhì)量的指標(biāo)：檢測分?jǐn)?shù)（detection brier score， DBS）。

1 相關(guān)工作

域適應(yīng)（domain adaptation， DA）可根據(jù)目標(biāo)域是否具有標(biāo)簽分為有監(jiān)督域適應(yīng)和無監(jiān)督域適應(yīng)。無監(jiān)督域適應(yīng)因不需要目標(biāo)域標(biāo)簽而能節(jié)省大量標(biāo)注成本，因此受到廣泛關(guān)注。

歸一化方法認(rèn)為來自不同域的數(shù)據(jù)在通過深度學(xué)習(xí)模型時存在域間隙，因此采用特定方式消除域間隙，將其歸一化至同一分布空間。自歸一化概念提出以來，批量歸一化（BN）、實例歸一化（instance normalization， IN）、小組歸一化（group normalization， GN）等方法被相繼提出，用于解決數(shù)據(jù)偏移和提高訓(xùn)練過程穩(wěn)定性。然而，由于其形式的限制性，這些方法仍無法完全解決域偏移問題，因此針對域偏移的歸一化研究不斷增多。文獻［13］認(rèn)為權(quán)重和梯度的優(yōu)化方向包括特定域方向和域不變方向兩部分，提出抑制特定域方向，優(yōu)化域不變方向；文獻［14］提出一個可放置于各卷積階段的條件域歸一化模塊，該模塊學(xué)習(xí)的權(quán)重將不同域的特征映射成相同的域?qū)傩裕晃墨I［15］認(rèn)為之前的對齊圖像級和實例級轉(zhuǎn)換工作中忽略了跨域匹配關(guān)鍵區(qū)域和重要實例的問題，提出分類正則化框架。

歸一化方法相較于其他方法優(yōu)勢在于，無需設(shè)計復(fù)雜的模型結(jié)構(gòu)和增加計算復(fù)雜度，同時能有效解決由背景明暗和對比度變化引起的域偏移問題。然而，針對域偏移下歸一化的現(xiàn)有研究仍存在不足。例如，文獻［16］提出的方法需要在訓(xùn)練期間訪問全部的測試域無標(biāo)簽數(shù)據(jù)，文獻［17］提出模型性能高度依賴測試批次的大小。鑒于光伏產(chǎn)線實際生產(chǎn)過程中無法獲取大量未標(biāo)記的目標(biāo)域數(shù)據(jù)，只能獲取少量目標(biāo)域數(shù)據(jù)，因此訓(xùn)練階段訪問全部目標(biāo)域數(shù)據(jù)的無監(jiān)督域適應(yīng)方法難以適用。為應(yīng)對實際需求和現(xiàn)有研究的不足，本文提出的數(shù)據(jù)歸一化控制器方法在測試階段根據(jù)小批次樣本數(shù)據(jù)（0.5%）修改模型參數(shù)，糾正領(lǐng)域統(tǒng)計差異。值得注意的是，每次獲取到目標(biāo)域小批次樣本的數(shù)量大小并不會對模型性能產(chǎn)生顯著影響。

本文所提出的歸一化控制器在測試階段僅需使用少量目標(biāo)域數(shù)據(jù)在線調(diào)整模型參數(shù)，便可獲得顯著的增益效果，同時并不會降低模型的預(yù)測速度。

2 方法介紹

下面兩部分分別介紹本文提出的數(shù)據(jù)歸一化控制器和用于評估目標(biāo)檢測模型泛化能力的指標(biāo)：DBS。

2.1 數(shù)據(jù)歸一化控制器

基于深度卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）的經(jīng)典目標(biāo)檢測模型在D1、D2 和D3 測試中獲得的平均準(zhǔn)確度均值（mean average precision， mAP）指標(biāo)如圖1 所示。模型精度下降的原因在于測試集和訓(xùn)練集數(shù)據(jù)來自不同的域，D1、D2 和D3 之間產(chǎn)生數(shù)據(jù)偏移，即協(xié)方差偏移。

本文認(rèn)為深度學(xué)習(xí)模型中卷積層和全連接層儲存著與圖像的類別、紋理相關(guān)的知識，BN 層有著與領(lǐng)域相關(guān)的知識。本文提出的數(shù)據(jù)歸一化控制器在預(yù)測階段采用無監(jiān)督的方式使用少量的分布外數(shù)據(jù)的統(tǒng)計信息迭代更新模型參數(shù)信息，將目標(biāo)域數(shù)據(jù)和源域數(shù)據(jù)映射到相同的分布空間，提高模型對分布外數(shù)據(jù)的適應(yīng)能力，網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。

文獻［18］為了解決訓(xùn)練過程產(chǎn)生的內(nèi)部協(xié)方差偏移而提出的BN 層，現(xiàn)已成為CNN 模型的重要組成部分。BN 層對輸入的一個批次數(shù)據(jù)x 求取平均值μ 和方差σ，并做歸一化處理，如式（1）所示。

式中：μ =E （x）；σ2 =D （x）；ξ——分母修正項；γ、β——可學(xué)習(xí)參數(shù)，對運算結(jié)果進行仿射變換。為了訓(xùn)練過程中的數(shù)值穩(wěn)定性，當(dāng)前批次的均值和方差通過加權(quán)所得，如式（2）和式（3）所示。

μ?k +1 =（1-ρ）·μ?k +ρ·μk +1 （2）

σ?2k+1 =（1-ρ）·σ?2k+ρ ?σ2k+1 （3）

式中：μ?k +1、σ?2k+1——當(dāng)前批次均值和方差的估計值；ρ——動量超參數(shù)項，直觀上可理解為前面批次的數(shù)據(jù)對當(dāng)前批次數(shù)據(jù)均值和方差的影響程度，一般取值為0.1；μ?k、σ?2k——上一次迭代結(jié)束后的均值和方差的預(yù)測值；μk +1、σ2k+1——當(dāng)前批次數(shù)據(jù)的實際值。

目前實驗已證明批量規(guī)范化有助于加快收斂速度、縮短訓(xùn)練時間、穩(wěn)定訓(xùn)練過程。然而上述BN 層的工作過程是在模型訓(xùn)練過程中進行，在模型的測試階段BN 層的參數(shù)是固定不變的。

本文提出的數(shù)據(jù)歸一化控制器方法在模型訓(xùn)練階段不對模型進行任何改動，即已在源域上訓(xùn)練好的模型無需進行重新訓(xùn)練，只需在測試階段根據(jù)輸入的無注釋數(shù)據(jù)進行調(diào)整就可獲得很大的收益效果。本文提出的數(shù)據(jù)歸一化控制器的工作邏輯如圖3 所示。圖3 中左右2 幅三維瀑布圖為網(wǎng)絡(luò)的特征分布密度圖，繪制了D1 和D2 域數(shù)據(jù)的統(tǒng)計圖，可看出左圖中2 個域的統(tǒng)計圖不完全重合，有左右的偏移和高低的不對齊。已訓(xùn)練好的網(wǎng)絡(luò)在分布外數(shù)據(jù)上的測試指標(biāo)會有大幅度下降的原因是訓(xùn)練數(shù)據(jù)和分布外測試數(shù)據(jù)的激活分布不一致。右圖中D1 域和D2 域數(shù)據(jù)的統(tǒng)計圖重合度很高，代表D1 域和D2 域獲得相同的激活分布。DNC 在測試階段獲取目標(biāo)域樣本的均值和方差等統(tǒng)計信息，將分布不同的兩者調(diào)整為同一分布空間，提升模型對分布外樣本的泛化能力。

式中：B——檢測分?jǐn)?shù)DBS，0～1 之間，越接近0 表示兩者分布越接近；k——某一類別；K——總類別數(shù)；Y——真實框標(biāo)簽；P——預(yù)測框的概率值；預(yù)測框與標(biāo)簽的IOU 值大于0.5 且與真實框具有最大IOU 的預(yù)測框。

3 實 驗

3.1 數(shù)據(jù)集

本文所使用的數(shù)據(jù)集為太陽電池電致發(fā)光（electroluminescence， EL）圖像數(shù)據(jù)集，包含斷柵、開焊、黑斑、隱裂和劃痕5 類缺陷。在不同的時段從不同的機器上采集到不同批次的數(shù)據(jù)集分別為：EL202009-D1， EL202105-D2， EL202110-D3。其中EL 表示太陽電池在電壓激發(fā)下拍攝得到圖像，202009 表示在2020 年9 月采集到的數(shù)據(jù)集。3批數(shù)據(jù)集的詳細情況如表1 所示，本文將第1 批次D1 的數(shù)據(jù)作為訓(xùn)練集，將第2、3 批次的數(shù)據(jù)（D2、D3）作為測試集，其中好片和缺陷片的比例約為1∶1。在模型訓(xùn)練階段使用訓(xùn)練集及其標(biāo)簽，在測試階段得出預(yù)測框之前只需測試集的統(tǒng)計信息即可，稱之為無監(jiān)督域適應(yīng)檢測。由于機器型號、損耗程度的差異或工藝流程的變化，3 批數(shù)據(jù)背景的明暗、缺陷對比度、分辨率等有明顯差異。第1 批次的數(shù)據(jù)分辨率為384×384，第2 批次數(shù)據(jù)分辨率為700×668，第3 批次數(shù)據(jù)分辨率為640×589。如圖4 所示，從左到右分別為D1、D2、D3數(shù)據(jù)集的真實圖像。最右邊的圖為3 批數(shù)據(jù)的高斯概率密度統(tǒng)計。由于測試集的變化，3 批數(shù)據(jù)集經(jīng)非線性降維算法（t-distributed stochastic neighbor embedding， TSNE）降維后的高斯概率統(tǒng)計圖的峰值產(chǎn)生了偏移。

3.2 實驗設(shè)置及評價指標(biāo)

本文采用的實驗平臺軟件部分是Ubuntu20.04 系統(tǒng)，硬件部分是酷睿i7 系列的CPU、TITAN Xp 顯卡和32G 內(nèi)存。

本文采用mAP、DBS 作為衡量檢測模型預(yù)測質(zhì)量的定量指標(biāo)。模型均采用MMdetection 框架并使用默認(rèn)超參數(shù)設(shè)置，且在原始模型加入本文提出的DNC 方法前后使用相同的超參數(shù)設(shè)置。其中AP 和mAP 均是基于IOU 為0.5，即AP50。DBS 是歸一化到0～1 之間的指標(biāo)，其越低代表模型預(yù)測結(jié)果質(zhì)量越高，即模型泛化能力越強。

3.3 對比實驗

為評估本文提出的DNC 方法的有效性和通用性，本文選用不同類別的檢測模型作為基準(zhǔn)測試，包括：一階段的Retinanet、YOLOv4、YOLOx-S 網(wǎng)絡(luò)、二階段的Faster RCNN、Cascade RCNN 網(wǎng)絡(luò)以及Deformable DETR 網(wǎng)絡(luò)。如表2 所示，首先本文給出針對太陽電池EL 數(shù)據(jù)集的經(jīng)典目標(biāo)檢測模型基準(zhǔn)以及域適應(yīng)方法的基準(zhǔn)。其次給出本文提出的DNC 方法的性能指標(biāo)。本文對EL 數(shù)據(jù)集各類別的精度（AP）、所有類別的平均精度（mAP）以及DBS 這3 個指標(biāo)進行對比。表2 中Cycle-GAN［18］屬于域適應(yīng)對抗性方法；ASRNorm和DUA 屬于域適應(yīng)歸一化方法；Faster RCNN 代表原版模型；Faster RCNN+DNC 代表在Faster RCNN 原版模型基礎(chǔ)上加入本文提出的DNC 方法。表2 中給出D2 和D3 數(shù)據(jù)集中的每一類的AP50、mAP 以及本文提出的DBS 指標(biāo)。DNC 方法在Faster RCNN、Cascade RCNN、Retinanet、Deformable DETR、YOLOv4、YOLOx-S 這6 個模型上取得1%～3% 的mAP 的提升，即更低的誤檢和漏檢；0.01～0.1 的DBS 分?jǐn)?shù)的降低，即更強的定位能力。

現(xiàn)存方法中針對域偏移下歸一化的研究仍存在不足，為了驗證本文提出的DNC 方法能有效解決域偏移下歸一化問題，本文將DNC 與現(xiàn)存歸一化方法GN、IN、BN 做對比，如圖5 所示。實驗表明DNC 相較于其他3 種方法具有最優(yōu)的mAP 指標(biāo)。IN 層雖然可應(yīng)對光照變化，但是會破壞特征圖中的特征，易造成特征丟失。而DNC 方法可應(yīng)對圖像明暗和對比度變化加強模型對特征的提取能力。

3.4 消融實驗

文獻［19］提出模型的性能高度依賴測試批次的大小，這也是域適應(yīng)歸一化方法中的一個通病。光伏產(chǎn)線實際生產(chǎn)過程中質(zhì)檢過程包含3 個環(huán)節(jié)：太陽電池質(zhì)檢、電池串質(zhì)檢（6 個太陽電池）和組件質(zhì)檢（12 個電池串）［20］。本文所述的方法是將電池串或組件的EL 圖像切割為最小質(zhì)檢單位，并將檢測結(jié)果按照切割規(guī)則拼接為原始圖像，最后達到生成過程中自動化質(zhì)檢的目的。為了驗證本文提出的DNC 方法對小批次目標(biāo)域樣本數(shù)量的低依賴，本文改變測試時BatchSize 的大小并統(tǒng)計模型性能指標(biāo)得到表3，其中Faster RCNN（8）代表原始網(wǎng)絡(luò)測試時設(shè)置Batchsize 大小為8，F(xiàn)aster RCNN+DNC（8）代表加入DNC 方法后測試時設(shè)置Batchsize 大小為8。結(jié)果表明即使每次傳入的小批次包含的樣本數(shù)量會不一樣，DNC 方法的指標(biāo)有輕微的浮動，但mAP 指標(biāo)相對于基準(zhǔn)線仍有1%～2% 的提升，且DBS 指標(biāo)也仍有0.01 的降低。使用DNC 的網(wǎng)絡(luò)分類定位和泛化能力也相較于原模型有很大提高。這適用于實際生產(chǎn)產(chǎn)線，因為生產(chǎn)過程中一個批次中的樣本數(shù)量大小不一。這樣無論一次性能訪問的目標(biāo)域樣本的大小如何，DNC 都能相比于基線結(jié)果得到提高。

為了求證DNC 不受目標(biāo)域的測試樣本送入模型的順序影響，具有更強的穩(wěn)定性和通用性，對不同方向的分布外數(shù)據(jù)都有很好的適應(yīng)效果，本文將D2 和D3 的數(shù)據(jù)集混合并打亂測試樣本的輸入順序來對模型進行測試，結(jié)果如圖6 所示。其中括號中的數(shù)字表示BatchSize 的大小。mAP 指標(biāo)越高表示模型分類性能越好，DBS 指標(biāo)越低表示模型預(yù)測質(zhì)量越好。DNC 相對于基線均取得2%～3% 的mAP 增益和0.01～0.02 的DBS 指標(biāo)增益。

3.5 主觀實驗

為更直觀地展示DNC 對分布外樣本有更強的特征提取能力和更強的分類能力與定位能力，也意味著更低的漏檢和誤檢，對模型使用DNC 方法前后的特征層進行TSNE 可視化。如圖7 所示，圖7a 是Faster RCNN 模型的ROI 層特征圖的TSNE 降維圖，圖7b 是使用DNC 方法后的ROI 層特征圖的TSNE 降維圖。其中共5 種缺陷類別：斷柵、開焊、黑斑、隱裂和劃痕。圖7a 可看出5 類缺陷之間混淆較多，類間距很短，且類內(nèi)集中度不高。而圖7b 中同一類別的缺陷集中程度更高，且有顯著的類間距，反映模型對分布外數(shù)據(jù)的提取特征和分類能力更強。該可視化體現(xiàn)出DNC 方法可將分布外數(shù)據(jù)調(diào)整為同一分布，使得目標(biāo)檢測模型獲得更高的性能指標(biāo)。

4 結(jié) 論

測試數(shù)據(jù)相較于訓(xùn)練數(shù)據(jù)的輕微分布變化可能顯著影響神經(jīng)網(wǎng)絡(luò)檢測模型的精度。為解決此問題，本文提出一種數(shù)據(jù)歸一化控制器。在預(yù)測階段，DNC 利用少量分布外數(shù)據(jù)更新模型參數(shù)，將目標(biāo)域數(shù)據(jù)和源域數(shù)據(jù)映射到相同的分布空間，從而顯著提高模型對分布外數(shù)據(jù)的適應(yīng)能力。DNC 通過順序地使用未標(biāo)記測試樣本的統(tǒng)計信息動態(tài)修正神經(jīng)網(wǎng)絡(luò)參數(shù)，實現(xiàn)對數(shù)據(jù)分布變化的調(diào)整，無需重新訓(xùn)練模型。所增加的計算開銷可忽略不計。DNC 方法無需一次性訪問目標(biāo)域的全部數(shù)據(jù)，僅需訪問一個小批次的目標(biāo)域未標(biāo)記樣本（少于0.5%），便可獲得顯著的增益效果。此外，DNC 對目標(biāo)域樣本數(shù)量具有極低依賴性。為確保預(yù)測過程中的快速適應(yīng)與穩(wěn)定，本文采用自適應(yīng)動量調(diào)整方案。本文在3 批EL數(shù)據(jù)集上驗證該方法的有效性和通用性，并提出一個用于衡量目標(biāo)檢測任務(wù)中預(yù)測質(zhì)量的指標(biāo)（DBS）。

［參考文獻］

［1］ DEITSCH S， CHRISTLEIN V， BERGER S， et al.Automatic classification of defective photovoltaic modulecells in electroluminescence images［J］. Solar energy，2019， 185： 455-468.

［2］ 周穎， 毛立， 張燕， 等. 改進CNN的太陽電池缺陷識別方法研究［J］. 太陽能學(xué)報， 2020， 41（12）： 69-76.

ZHOU Y， MAO L， ZHANG Y， et al. Research on defectdetection and classification for solar cells based onimproved convolutional neural network［J］. Acta energiaesolaris sinica， 2020， 41（12）： 69-76.

［3］ 周穎， 葉紅， 王彤， 等. 基于多尺度 CNN 的光伏組件缺陷識別［J］. 太陽能學(xué)報， 2022， 43（2）： 211-216.

ZHOU Y， YE H， WANG T， et al. Photovoltaic modulesdefect identification base on multi-scale convolution neuralnetwork［J］. Acta energiae solaris sinica， 2022， 43（2）：211-216.

［4］ SU B Y， CHEN H Y， CHEN P， et al. Deep learningbasedsolar-cell manufacturing defect detection withcomplementary attention network［J］. IEEE transactions onindustrial informatics， 2021， 17（6）： 4084-4095.

［5］ CHEN C， FU Z H， CHEN Z H， et al. HoMM： higherordermoment matching for unsupervised domain adaptation［C］//AAAI Conference on Artificial Intelligence. NewYork， USA， 2020： 3422-3429.

［6］ LUO Y W， ZHENG L， GUAN T， et al. Taking a closerlook at domain shift： category-level adversaries forsemantics consistent domain adaptation［C］//Proceedingsof the IEEE/CVF Conference on Computer Vision andPattern Recognition. Long Beach， CA， USA， 2019： 2502-2511.

［7］ LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss fordense object detection ［C］//2017 IEEE InternationalConference on Computer Vision （ICCV）. Venice， Italy，2017： 2999-3007.

［8］ RECHT B， ROELOFS R， SCHMIDT L， et al. DoImageNet classifiers generalize to ImageNet？ ［EB/OL］.2019： arXiv： 1902.10811. http：//arxiv. org/abs/1902.10811.

［9］ HE Z W， ZHANG L. Multi-adversarial faster-RCNN forunrestricted object detection［C］//2019 IEEE/CVFInternational Conference on Computer Vision （ICCV）.Seoul， Korea， 2019： 6667-6676.

［10］ ZHENG Y T， HUANG D， LIU S T， et al. Cross-domainobject detection through coarse-to-fine feature adaptation［C］//2020 IEEE/CVF Conference on Computer Vision andPattern Recognition （CVPR）. Seattle， WA， USA， 2020：13763-13772.

［11］ WANG H Y， ZHU Y K， ADAM H， et al. MaX-DeepLab：end-to-end panoptic segmentation with mask transformers［C］//2021 IEEE/CVF Conference on Computer Vision andPattern Recognition （CVPR）. Nashville， TN， USA，2021： 5459-5470.

［12］ WANG Y， ZHANG R， ZHANG S， et al. Domain-specificsuppression for adaptive object detection［C］//2021 IEEE/CVF Conference on Computer Vision and PatternRecognition （CVPR）. Nashville， TN， USA， 2021： 9598-9607.

［13］ SU P， WANG K， ZENG X Y， et al. Adapting objectdetectors with conditional domain normalization ［C］//Computer Vision-ECCV 2020： 16th EuropeanConference. Glasgow， UK， 2020： 403-419.

［14］ XU C D， ZHAO X R， JIN X， et al. Exploring categoricalregularization for domain adaptive object detection［C］//2020 IEEE/CVF Conference on Computer Vision andPattern Recognition （CVPR）. Seattle， WA， USA， 2020：11721-11730.

［15］ CHEN C Q， ZHENG Z B， DING X H， et al. Harmonizingtransferability and discriminability for adapting objectdetectors［C］//2020 IEEE/CVF Conference on ComputerVision and Pattern Recognition （CVPR）. Seattle， WA，USA， 2020： 8866-8875.

［16］ XU M H， WANG H， NI B B， et al. Cross-domaindetection via graph-induced prototype alignment［C］//2020IEEE/CVF Conference on Computer Vision and PatternRecognition （CVPR）. Seattle， WA， USA， 2020： 12352-12361.

［17］ ZHU J Y， PARK T， ISOLA P， et al. Unpaired image-toimagetranslation using cycle-consistent adversarialnetworks［C］//2017 IEEE International Conference onComputer Vision （ICCV）. Venice， Italy， 2017： 2242-2251.

［18］ 楊振宇， 蘇建徽， 汪海寧， 等. 光伏陣列I-V 特性曲線測量誤差分析與修正方法［J］. 太陽能學(xué)報， 2023， 44（5）：210-216.

YANG Z Y， SU J H， WANG H N， et al. Measurementerror analysis and correction for I-V characteristic ofphotovoltaic array［J］. Acta energiae solaris sinica， 2023，44（5）： 210-216.

［19］ 張東， 俞凱， 景金龍， 等. 積塵形態(tài)及密度對太陽能PV/T系統(tǒng)的性能影響研究［J］. 太陽能學(xué)報， 2023， 44（5）：171-177.

ZHANG D， YU K， JING J L， et al. Effect of dustmorphology and density on performance of solar PV/Tsystem［J］. Acta energiae solaris sinica， 2023， 44（5）：171-177.

［20］ 王道累， 李明山， 姚勇， 等. 改進SSD的光伏組件熱斑缺陷檢測方法［J］. 太陽能學(xué)報， 2023， 44（4）： 420-425.

WANG D L， LI M S， YAO Y， et al. Method of hotspotdetection of photovoltaic panels modules on improved SSD［J］. Acta energiae solaris sinica， 2023， 44（4）： 420-425.

基金項目：國家自然科學(xué)基金（U21A20482；62073117）；中國國家重點研發(fā)計劃（2022YFB3303800）；河北省創(chuàng)新能力培養(yǎng)資助項目（CXZZSS2023021）