基于深度學習的太陽能電池片表面缺陷檢測方法分析

呂喜臣，張敏

（1.黃河上游水電開發有限責任公司，青海 西寧 810008；2.西安交通大學微電子學院，陜西 西安 710049；3.青海黃河上游水電開發有限責任公司光伏產業技術分公司，青海 西寧 810008）

光伏行業的發展使其質量標準呈現出規范化及統一化的發展趨勢，行業內對太陽能電池片的質量檢測越來越嚴格，特別是太陽能電池片表面缺陷的檢測。就目前的檢測技術而言，雖然機器檢測的效率相對較高，但是并不適用于電池片檢測，從而使得電池片缺陷檢測需要采用人工檢測方法，但是人工檢測成本較高，而且準確率得不到保障。因此，研究一種全新的太陽能電池片表面缺陷檢測方法是很有必要的。

1 深度學習技術分析

1.1 深度學習技術的優勢

深度學習這一概念來自于人工神經網絡領域，屬于機械學習的范疇。深度學習主要是通過模擬人腦的方式進行相關操作的神經網絡，可以按照人的思維進行圖像、聲音以及文本等內容的分析。隨著科學技術的發展，人工智能技術在工業領域的應用越來越廣泛，技術人員也可以將深度學習技術引入到工業領域，通過深度學習技術的應用，實現工業行業的自動化發展。以光伏行業為例，將深度學習技術應用于太陽能電池片表面缺陷檢測，可以顯著降低人工檢測成本，提高檢測效率及檢測準確性。深度學習技術的優勢主要體現在以下兩方面。

第一，從統計和計算角度而言，深度學習技術非常適用于大數據的處理，深度學習技術具備完善且豐富的建模語言，利用深度學習技術的建模語言系統，技術人員可以明確表示不同數據間的豐富關系與架構,實現算法優化,避免數據分析出現失誤，有效提升數據分析的準確性。

第二，深度學習技術可以實現端對端的學習，通過少量且簡單的參數下項目，自動完成大數據的學習，且學習效果較為顯著。有技術人員將深度學習技術應用于單晶和多晶電池片檢測和圖像特征法相比，結果表明深度學習技術檢測的漏檢率及過檢率均得到了顯著提升。

1.2 基于深度學習的太陽能電池片表面缺陷檢測方法的優勢

在太陽能電池片生產企業及相關制造行業中，基于深度學習的太陽能電池片表面缺陷檢測方法的設計及應用具備顯著優勢，具體體現在以下方面。

第一，提升質檢的準確率。傳統的太陽能電池片檢測采用人工檢測方法，很容易受到檢測人員的主觀影響，對太陽能電池片表面缺陷檢測準確率產生影響。因此，許多太陽能電池片生產企業拋開傳統的人工檢測方法，采用自動化檢測方法，避免缺陷檢測工作受到主觀影響，這樣可以顯著提升質檢的準確率，保障太陽能電池片生產企業的可持續發展。

第二，降低人工成本。傳統的太陽能電池片檢測采用人工檢測方法，在人員招聘和培訓方面都要花費大量的人力和財力。而基于深度學習的太陽能電池片表面缺陷檢測系統，可以實現檢測的自動化進行，從而大大降低了太陽能電池片生產企業的人工成本。

第三，促進視覺檢測領域發展。將深度學習技術作為基礎，對太陽能電池片表面缺陷進行檢測的方法，可以拓展到半導體及LED制作領域，提高半導體及LED等生產企業的質檢準確率，降低其人工成本，這樣可以有效促進我國制造行業的自動化及智能化發展。

2 基于深度學習的太陽能電池片表面缺陷檢測方法分析

2.1 基于深度學習的太陽能電池片表面缺陷檢測系統的設計思路

本文設計的太陽能電池片表面缺陷系統是以電致發光缺陷檢測儀作為基礎，向晶體硅太陽能電池的外部施加正向偏置電壓，并通過電源實現擴散區非平衡載流子的注入，以此在太陽能電池中形成電致發光。在太陽能電池片應用過程中，擴散區部位的非平衡載流子會進行持續的復合發光，載流子發出的光為波長為1060nm左右的近紅外光，因此能夠通過CCD相機捕捉成像；在相機采集到復合發光的圖像時，應用類神經網絡分析方法對其進行深入且全面的分析，從而找出太陽能電池片存在的缺陷區域，并對缺陷區域進行分類，檢測系統會將分類結果自動傳輸到控制系統中，由控制系統將存在缺陷的太陽能電池放置于相應的料盒。由此可以看出，本文設計的太陽能電池片表面缺陷檢測系統可以實現自動化檢測，不需要借助人工檢測方式，這樣不僅可以節約太陽能電池片生產企業的生產成本，還可以提高太陽能電池片產品檢測的效率與準確性，極大地提高了太陽能電池片生產企業的自動化水平。

2.2 基于深度學習的太陽能電池片表面缺陷檢測系統的組成

在上述設計思路的指導下，基于深度學習的太陽能電池片表面缺陷檢測系統共包括近紅外成像子系統、檢測分選子系統以及智能分析子系統這三個部分。

（1）近紅外成像子系統。近紅外成像子系統是檢測系統的核心部分，該系統通過捕捉太陽能電池片的近紅外光，對太陽能電池片進行表面缺陷的檢測。需要注意的是，近紅外成像子系統捕捉的圖像并不是普通的可見光圖像，而是將拍攝近紅外光作為核心。因此，在進行近紅外光系統的設計與應用時，需要注意以下兩點。第一，保障成像的清晰度。近紅外成像子系統功能的發揮是在圖像具備一定清晰度的條件下，要求相機捕捉到的近紅外圖像具備最大化的視野，與CCD最大尺寸相適應，以此通過CCD的有效像素保障成像照片分辨率的最大化。對于近紅外相機鏡頭而言，不同的光具備不同的折射率和焦距，為了避免近紅外相機捕捉到可見光，技術人員需要在暗室狀態下，對近紅外相機進行對焦，確保近紅外相機鏡頭可以全面捕捉近紅外光。與此同時，技術人員還需要在相機鏡頭上設置可見光濾波片，避免相機捕捉到可見光圖片，確保圖像全部是近紅外圖像，保障缺陷檢測結果的正確性。第二，保障成像速度。在實際的太陽能電池片表面缺陷檢測系統檢測過程中，要求具備較高的檢測速度，所以近紅外相機需要具備較高的成像速度。一般來說，太陽能電池片生產企業的檢測速度約為1小時2200片，在這一檢測速度下，近紅外相機的曝光時間需要控制在1.6s內。但是一般的近紅外相機都是應用硅基感光芯片，需要應用3～5s的曝光時間，才可以捕捉完全的近紅外圖像。從經濟性及可行性角度分析，本文選擇硅基SCOMS感光芯片近紅外相機，這類相機為CMOS架構，具備近紅外濾鏡以及cameralink接口，大大提升了成像速度，可以將圖像捕捉和處理的時間控制在2s以內，符合太陽能電池片生產企業對成像速度的需求。

（2）檢測分選子系統。檢測分選子系統的應用，可以將傳統太陽能電池片表面缺陷檢測的單一化流程，轉變成復合一體化流程。簡而言之，在傳統的太陽能電池片表面缺陷檢測中，檢測人員需要按照順序一步一步地完成檢測工作，檢測效率相對較低。而在檢測分選子系統應用下，系統能夠將太陽能電池片的測試流程進行劃分，同時進行多個步驟，這樣就可以顯著提升太陽能電池片表面缺陷檢測的效率。

（3）智能分析子系統。智能分析子系統由多個分析軟件組成，主要負責太陽能電池片表面缺陷的分析。一般來說，智能分析子系統的表面缺陷分析主要集中于色差和外觀缺陷。具體的色差和外觀缺陷分析要點如下：智能分析子系統應用Lab色彩空間進行人眼視覺體驗的模擬，并通過片內連續擬合測量分析技術的應用，對太陽能電池片的片內和片間色差進行全面準確地分析，實現準確判斷太陽能電池片在色彩和外觀方面的缺陷。目前通過圖像分析技術的應用，已經能夠檢測出絕大部分太陽能電池片存在的表面缺陷。另外，在太陽能電池片表面缺陷檢測系統的實踐應用中，技術人員可以通過對智能分析子系統的拓展，使其具備內部缺陷檢測功能，在智能分析子系統中應用相應的圖像分析算法，對近紅外圖像上的暗區花紋進行分析，從而明確太陽能電池片是否具備隱裂、污染或者斷柵等內部缺陷。

3 結語

綜上所述，傳統的太陽能電池片表面缺陷檢測方法為人工檢測，檢測效率和檢測準確性偏低。通過本文的分析可知，太陽能電池片生產企業可以借鑒電致發光缺陷檢測儀的工作原理，結合深度學習技術，進行太陽能電池片表面缺陷檢測系統的設計，通過近紅外成像子系統、檢測分選子系統以及智能分析子系統的設計與應用，捕捉太陽能電池片的近紅外圖像，通過對圖像的分析明確其是否存在表面缺陷，提高檢測效率及準確性，降低生產企業的成本。