简介：东南大学研究团队提出一种基于神经结构搜索和知识蒸馏的轻量级光伏电池缺陷检测模型，准确率高达91.74%，为光伏产业提供高效、精准的缺陷检测解决方案。
随着全球对绿色能源需求的持续增长，光伏产业作为新能源的重要组成部分，其发展速度令人瞩目。然而，光伏组件在制造、运输及安装过程中极易产生缺陷，这些缺陷若未能及时发现并处理，将严重影响光伏系统的整体性能和安全性。因此，高效、精准的光伏电池缺陷检测技术显得尤为重要。近日，东南大学自动化学院张金霞教授团队在这一领域取得了重大突破，提出了一种基于神经结构搜索（NAS）和知识蒸馏的轻量级光伏电池电致发光（EL）图像缺陷检测模型，其准确率高达91.74%，为光伏电池缺陷检测带来了新的解决方案。
在光伏电池缺陷检测领域，传统的检测方法如电流-电压（I-V）曲线、红外热成像（IRT）等，虽然在一定程度上能够识别出部分缺陷，但受限于识别精度，往往无法有效识别微裂纹等潜在风险因素。而卷积神经网络（CNN）凭借其强大的特征捕获能力，结合高分辨率的电致发光（EL）成像技术，逐渐成为主流检测方法。然而，基于CNN的模型通常参数较大，对硬件资源要求严格，难以在实际工业项目中大规模部署。
为了克服传统方法的不足，张金霞教授团队首次将神经结构搜索（NAS）引入光伏电池缺陷检测领域。NAS技术能够自动化地设计网络结构，减少手工设计的工作量，同时提高模型的性能。团队采用了基于连续梯度的NAS框架DARTS，结合光伏电池缺陷的视觉多尺度特征，设计了合适的搜索空间，成功构建出轻量级且高效的检测模型。
为了进一步提升模型性能，团队还引入了知识蒸馏技术。知识蒸馏是一种模型压缩方法，能够将大模型（Teacher模型）的知识迁移到小模型（Student模型）中，从而提升小模型的性能。在本研究中，团队通过知识蒸馏充分利用了现有预训练大规模模型获取的先验知识，提高了轻量级模型的缺陷识别能力。
研究团队在公共光伏电池数据集上进行了大量实验，该数据集包含2624张分辨率为300x300像素的光伏电池EL图像，涵盖单晶和多晶两种类型。实验结果表明，该轻量级模型在测试集上的准确率达到了91.74%，甚至超过了Teacher模型水平的1.22%。同时，该模型在缺陷光伏电池识别上的正确率达到86.28%，远超其他方法。
此外，为了验证模型的泛化性能，研究团队还在一个私有光伏电池数据集上进行了测试。结果显示，该模型在平衡精度和缺陷样本精度上均表现出色，特别是对缺陷样本的准确率达到94.26%，显示出良好的实际应用潜力。
东南大学提出的这种基于NAS和知识蒸馏的轻量级光伏电池缺陷检测模型，不仅提高了检测的精度和速度，还降低了对硬件资源的要求，使其更易于在实际工业项目中部署。这一成果为光伏产业的发展提供了有力支持，有望推动光伏电池缺陷检测技术的进一步革新。
未来，随着技术的不断进步和应用的深入推广，该模型有望在更多领域得到应用，为绿色能源的发展贡献更多力量。同时，我们也期待更多的研究团队能够在这一领域取得更多创新成果，共同推动光伏产业的蓬勃发展。
东南大学自动化学院张金霞教授团队的这一研究成果，不仅展示了科研人员在光伏电池缺陷检测领域的深厚功底和创新能力，也为光伏产业的可持续发展提供了重要支持。我们相信，在不久的将来，这一领域将涌现出更多高效、精准的检测技术，为绿色能源的发展注入新的活力。