Resumen

Los defectos de los componentes de las células solares (SCC) afectan a la vida útil y a la eficiencia de la generación de energía. En este trabajo, las imágenes de defectos de SCC se tomaron mediante el método de fotoluminiscencia (PL) y se procesaron mediante una red neuronal convolucional ligera avanzada (CNN). En primer lugar, para resolver la detección de imágenes de SCC de píxeles altos, se segmentó cada imagen de oblea de silicio basándose en la proyección de extremos de diferencia local de bordes (LDEEP). En segundo lugar, para detectar los defectos de pequeño tamaño o bordes débiles en la oblea de silicio, se propuso un modelo CNN ligero mejorado con estructura de red de extracción de características de columna vertebral profunda, como capa de fusión de características mejoradas y capa de predicción de características de tres escalas; el modelo proporcionaba más detalles de las características. Los resultados experimentales finales mostraron que el modelo mejorado logra un buen equilibrio entre la precisión y la velocidad de detección, con una precisión media (mAP) del 87,55%, un 6,78% superior a la del algoritmo original. Además, la velocidad de detección alcanzó los 40 fotogramas por segundo (fps), lo que satisface los requisitos de precisión y detección en tiempo real. El método de detección puede completar mejor la tarea de detección de defectos de SCC, lo que sienta las bases para la detección automática de defectos de SCC.

• Materias:Energía solar Termodinámica Energía limpia Biofotónica Efecto fotoeléctrico
• Subjects:Solar energy Thermodynamics Clean energy Biophotonics Photoelectric effect
• Palabras claves:scc, velocidad de detección, red neuronal convolucional ligera avanzada, estructura de red de extracción de rasgos de backbone profundo, detección de imágenes scc de píxeles altos, capa de predicción de rasgos de escala, tarea de detección de defectos, capa de fusión de rasgos, resultados experimentales finales, modelo cnn ligero
• Keywords:scc, detection speed, advanced lightweight convolutional neural network, deep backbone feature extraction network structure, high pixel scc image detection, scale feature prediction layer, defect detection task, feature fusion layer, final experimental results, lightweight cnn model