基于涡流热成像与卷积神经网络的硅光伏电池缺陷智能分类

摘要： 由于硅光伏（Si-PV）电池生产过程中的缺陷会严重影响光伏系统的正常发电，因此亟需对其进行检测。针对现有工业生产线中存在的缺陷检测效率低、检测数据少、检测误判率高等问题，本研究的主要目的是完成一种高效创新的硅光伏电池及组件缺陷智能分类方法。该方法旨在提高硅光伏电池的检测效率，确保硅光伏电池生产过程的安全性与可靠性，实现大批量硅光伏电池缺陷的检测与分类。首先建立了硅光伏电池的涡流热成像（ECT）系统；其次比较了主成分分析（PCA）、独立成分分析（ICA）和非负矩阵分解（NMF）算法对热成像序列的处理效果；最后对比了LeNet-5、VGG-16和GoogleNet模型对硅光伏电池缺陷的分类性能。结果表明，所提出的方法成功应用于硅光伏电池缺陷的检测与分类。