摘要
由于化石能源的大量使用，造成了全世界范围内多起因温室效应导致的自然灾害的产生，因此各国都在努力增加对清洁能源的使用。太阳能在清洁能源中扮演着重要角色，而由于在生产太阳能电池生产过程中，将产生微小缺陷、表面污染、点阵等缺陷，造成电池内存在大量的杂质及晶体缺陷，降低电池的使用寿命，导致电性能的下降，因此提升缺陷检测能力对太阳能电池行业的发展十分重要。 应用于太阳能电池缺陷检测的方法较多，光致发光检测技术是目前应用范围最广、发展最成熟的太阳能电池检测技术之一，基于此检测技术并结合深度学习目标检测神经网络，能够更好的对太阳能电池进行分类分级以及后续的评价和处理。本文将目标检测神经网络于光致发光检测技术相结合，针对太阳能电池缺陷多分类多分级问题展开深入研究。 首先，对太阳能电池光致发光特征图像进行采集，通过图像预处理方法对其表面的各类缺陷进行增强提取处理。根据各缺陷类别的分布情况和每类缺陷的特征将其分为13个类别和3个等级，对每种类别及各个类别的每个级别进行定义，来规范太阳能电池缺陷的标记过程。基于Python的Labelimg模块对预处理过的光致发光特征图像进行缺陷标注和多种数据增强组合处理，以扩充数据样本。 其次，基于YOLOv5模型框架进行了神经网络的预搭建，通过对比选择合适的激活函数和神经网络中的部分结构，提高对太阳能电池缺陷类别级别分辨能力。包括在网络结构中分别对主干网络的各个模块和激活函数进行对比、改进和替换，使用更高效的模块和算法插入到模型的各个部分中，以求更好的缓解梯度消失和梯度爆炸。对搭建好的卷积神经网络模型进行训练，分析不同调制参数和对比图像预处理前后对缺陷识别准确率的影响。 再次，针对已搭建的神经网络所产生的各种缺陷识别问题进行算法和网络结构的优化和调整，通过将优化过程分为网络结构全局优化、颈部网络结构优化和头部结构优化三部分，分别对其进行优化以解决识别检测分类中存在的问题，分析优化后的网络模型对识别检测速度的影响，并针对其影响提出解决方案。也对神经网络超参数组合针对太阳能电池缺陷进行迭代更新。 最后，利用最终优化的模型结构，配合最优超参数组合，对太阳能电池光致发光特征数据集进行不同目标识别神经网络的对比实验，分析优化后的模型的识别提升效果与其他模型的差异。最后基于获得的优化模型网络权重，基于PyQt5和Eric6框架，搭建太阳能电池缺陷分类分级检测平台，以满足实际需求。
NETL