硅（Si）太阳能电池是目前最突出的光伏技术，市场份额超过95%。然而，需要不断提高太阳能电池的效率和可靠性，以进一步加快向太阳能发电的过渡。在制造过程中，太阳能电池和模组会承受不同的机械、热和化学应力，这些应力会引入缺陷并降低输出转换效率。光伏制造监测在保持高性能和可靠性标准方面发挥着重要作用，同时指明了进一步发展和改进的途径。
电致发光（EL）和光致发光（PL）成像是关键的表征方法，通过实现快速和空间分辨的检测改变了光伏世界，并有望在不久的将来监测大部分光伏制造。随着采用发光成像作为关键的终端表征工具，大量信息可用于评估电池性能和分类缺陷，这适用于用户无需输入的深度学习分析。
在此，澳大利亚新南威尔士大学Yoann Buratti（通讯作者）等人将现有技术与新开发的生成对抗网络（GAN）架构相结合以进一步推动EL图像分析，从而实现自动效率损失分析。在所提出的框架中，首先识别太阳能电池发光图像中的缺陷区域。然后，基于GAN的修复模型重建缺陷区域，从而生成无缺陷图像。通过卷积神经网络（CNN）模型评估了所得图像的电池效率，并与重建前的效率进行比较以估计效率损失。该方法可区分不同类型的缺陷并查明导致最高效率损失的缺陷，使制造商能够以快速且具有成本效益的方式对生产线进行故障排除。因此，这项研究所提出的方法释放了发光成像作为有效的终端表征工具的潜力。该研究以“Automated efficiency loss analysis by luminescence image reconstruction using generative adversarial networks”为题发表于国际顶级期刊Joule（IF=41.248）。
要点1：深度学习框架流程
本文提出的用于自动效率损失分析的深度学习框架，由3种算法组成：（1）效率预测，（2）缺陷定位及（3）图像重建。电池的效率首先通过效率预测算法进行评估，然后通过缺陷定位算法扫描EL图像以查找缺陷和伪影。图像重建算法完全去除缺陷区域，然后将EL图像重建为无缺陷图像。最后将重建的图像传回效率预测算法以预测无缺陷电池效率，重建前后电池效率之间的图像差异用于评估由于存在缺陷而导致的效率损失。
具体而言，作者基于一个名为LumiNet的CNN模型从EL图像中预测电池效率，基于GAN实现电池EL图像的缺陷定位和重建。数据集包含37800个双面九母线单晶硅工业生产的太阳能电池，共分为三个子集：1）用于微调LumiNet CNN和训练GAN的训练集（A，30000个电池），2）用于训练机器学习（ML）效率回归器的训练集（B，7300个电池），3）不用于训练任何模型的测试集（C，500个电池）。
LumiNet算法使用训练集A和B进行训练以从EL图像中预测电池效率，预测的效率表示为500个电池测量效率的函数。最终实现了0.03% 绝对效率的RMSE和0.89的R2，这与之前报道的结果相当。进一步，GAN生成器在电池的重建无缺陷区域时进行了训练和评估。值得注意的是，重建图像与原始图像无法区分。所选区域被无缝重建，再现了诸如母线和背景发光的变化或梯度等特征。使用差异图像突出显示了重建的高精度，其中对比度增强了10倍以获得更好的可视化效果。
结合GAN和LumiNet CNN训练的网络，作者对测试集中的每个电池图像进行了随机选择区域的重建。由于随机蒙版区域不太可能有缺陷，因此预计重建不会影响预测的效率。数据证实，LumiNet CNN效率预测算法生成的分布与实际效率几乎相同。此外，重建图像的预测效率也与实际效率分布相匹配，具有相似的标准差。因此，发光图像无缺陷部分的去除和重建对预测效率没有显著影响，证明了基于GAN的重建方法的适用性。
此外，对于重复的单次重建，从重建图像预测的平均单次效率和大部分电池效率分布都落在测量效率的一个RMSE内。相比之下，从连续重建预测的效率具有偏离实际效率3倍的RMSE。作者通过将#2电池的单个和连续重建效率作为对数尺度上连续重建次数的函数，进一步阐明了这一观察结果。在平均20次连续重建后，预测的重建电池效率从测量的效率下降超过一个RMSE。因此，为谨慎起见，建议连续重建10次。请注意，10个不同的重建区域（覆盖EL图像的15%）通常足以掩盖生产线中的大多数缺陷。
一组新的十个电池通过在特定位置划伤而被故意损坏，其中一半的电池被划伤一次，而另一半在两个不同的位置被损坏。然后，通过LumiNet CNN基于EL图像估计原始和划痕电池的效率。使用训练的GAN从选定的边界框中无缺陷地重建划痕图像，最多只进行了4次连续重建。
对于同时具有一个和两个划痕区域的电池，其重建图像与原始图像非常相似，显示成功去除了图像中的缺陷。3#电池的重建EL预测效率与测量的23.18% 的效率完全匹配，显示出由于诱导损伤造成的0.29%的绝对效率损失。#8电池的重建也恢复了大部分效率，重建的预测效率为23.13%，而测量效率为23.18%。最后，#2和#9电池显示了应用于验证集的故意损坏的多样性，缺陷穿过母线（#2电池）或沿母线垂直延伸（#9电池）。
为满足自动损失分析框架的最终要求，作者提出了一种基于GAN的缺陷定位算法，该算法使用重建和原始区域之间的差异图像来识别EL图像中的缺陷区域。一旦EL图像中的所有缺陷被定位，就会生成无缺陷的重建图像并评估由于存在缺陷而导致的效率损失。应用这种扫描方法能够在不到一小时的时间内对整个数据集（37800张图像）进行分类，并识别多个电池中的感兴趣区域。
图5. 基于GAN的缺陷定位和自动化效率损失分析方法的应用
基于GAN的定位算法成功地识别和定位了各种各样的缺陷，包括污迹、明显的指纹和其他表面缺陷（#0和#3电池）、裂缝（#1和#2电池）和电隔离区域（#4电池）。基于GAN的缺陷定位算法识别的电池缺陷分布显示重建后的平均效率提升显著（0.06%），是LumiNet RMSE的两倍。当将566幅重建EL图像的预测效率纳入生产线数据集时，测量效率的蓝色峰值在主要效率分布内移动。由于重建的分布仅占生产线分布的1.5%，因此重建对平均线分布效率的影响很小。该方法被开发用于处理在EL图像中引起对比度的中小缺陷（<50 mm），这使制造商能够识别导致其生产线效率损失的主要缺陷。
总之，本研究展示了一种基于发光图像和深度学习最先进算法的自动电池效率损失分析方法。该方法使用基于GAN的缺陷定位算法，可识别EL图像中的各种缺陷。作者还展示了使用GAN生成器来重建无缺陷的EL图像，基于LumiNet CNN效率预测算法预测原始和重建图像的效率，从而能够量化由于缺陷的存在而导致的效率损失。其中，预测速度达到了30000个电池/小时，远快于国际光伏路线图要求的10000个电池/小时的吞吐量。使用专用硬件可以显著提高吞吐量，而算法的训练时间可离线完成，不会影响预测速度。这种分析使制造商能够快速、经济地量化与工艺相关缺陷的潜在影响，进而提高其生产线的整体效率和可靠性。因此，开发的深度学习算法提供了一种释放发光成像潜力的强大方法。
Automated efficiency loss analysis by luminescence image reconstruction using generative adversarial networks, Joule 2022. DOI: 10.1016/j.joule.2022.05.001
https://www.sciencedirect.com/science/article/pii/S2542435122001921
原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/13/4a734fcf9c/
