简介：东南大学研究团队提出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，准确率达91.74%，为光伏产业提供高效、精准的缺陷检测解决方案，降低对硬件资源要求，易部署，具良好实际应用潜力。
在光伏产业蓬勃发展的当下，对光伏电池的缺陷检测显得尤为重要。传统的检测方法，如电流-电压（I-V）曲线和红外热成像（IRT）等，虽然在一定程度上能够识别出部分缺陷，但由于识别精度的限制，往往无法有效识别微裂纹等潜在风险因素。这些方法的局限性推动了新技术的研发，其中，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，逐渐成为主流的光伏电池缺陷检测方法。
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。为了克服这一难题，东南大学自动化学院的张金霞教授团队提出了一种创新的解决方案——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。该研究成果已发布在arXiv上，标题为《A lightweight network for photovoltaic cell defect detection in electroluminescence images based on neural architecture search and knowledge distillation》。
研究团队首次将NAS引入光伏电池缺陷检测领域，利用NAS技术自动化地设计网络结构，减少了手工设计的工作量，同时提高了模型的性能。他们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。该模型由Normal cells和Reduction cells堆叠而成，通过搜索算法得到的内部结构，能够增强对不同缺陷尺寸的特征识别。
为了进一步提升模型性能，研究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。他们转移了4种不同的知识先验——注意力信息、特征信息、logit信息和面向任务的信息，以增强对光伏电池缺陷检测任务的蒸馏效果。
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。
该研究成果不仅提高了光伏电池缺陷检测的精度和速度，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。这一创新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。同时，该模型的高效性和泛化能力也为其在更多领域的应用提供了可能。
在实际应用中，该轻量级模型可以部署在一些常见的低功耗嵌入式设备上，如Raspberry Pi-4B和NVIDLA Jetson Nano等，从而实现对光伏电池的实时缺陷检测。这不仅可以提高生产效率，还可以降低人力成本，为光伏产业的可持续发展注入新的活力。
值得一提的是，东南大学的这一研究成果也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。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。
在光伏电池缺陷检测领域，技术的不断创新和进步是推动产业发展的关键。东南大学的这一研究成果不仅为光伏电池缺陷检测提供了新的解决方案，也为其他领域的缺陷检测提供了有益的借鉴。未来，随着人工智能和机器学习技术的不断发展，我们有理由相信，光伏电池缺陷检测技术将会取得更加显著的进步和突破，为绿色能源的发展注入更加强劲的动力。而千帆大模型开发与服务平台等先进工具的应用，也将为科研人员在这一领域的探索提供更加强大的支持和帮助。