光伏缺陷严重程度智能分级技术

光伏（PV）电池缺陷的精准识别与严重程度分级，对提升太阳能发电效率、降低运维成本至关重要。电致发光（EL）成像是目前主流的无损检测手段，但实际EL图像往往对比度低、缺陷特征微弱，导致人工或传统算法难以准确分级；同时，不同严重程度的缺陷样本数量差异大（类别不平衡），进一步加大了自动判别的难度。针对这些问题，本研究提出一种名为‘多尺度序数自监督学习网络’（MS-OSSLNet）的新型AI方法。该方法有三大创新：第一，融合全局图像与局部图像块信息，提取多尺度特征，更好捕捉从细微裂纹到大面积暗斑等不同尺度的缺陷；第二，采用基于DINO的自监督预训练技术学习图像本质表征，减少对大量人工标注数据的依赖；第三，引入序数回归（CORAL框架）建模缺陷严重程度的天然顺序关系（如“无缺陷→轻微→中等→严重”），而非简单分类，并通过平滑加权损失函数缓解样本不平衡问题。在公开ELPV数据集上的测试表明：模型整体准确率为60.91%，加权F1得分为0.6417，平衡准确率为53.27%。虽然绝对准确率看似不高，但关键指标显示其判断逻辑合理——地球移动距离（EMD）为0.2234，说明预测严重程度分布与真实分布高度相似；平均绝对误差仅0.6497（即平均只差不到1个等级），二次加权Kappa系数达0.5479，表明绝大多数错误都发生在相邻等级之间（如把‘中等’误判为‘轻微’或‘严重’），严格保持了‘轻→中→重’的递进一致性。斯皮尔曼秩相关系数（0.5169）和肯德尔等级相关系数（0.4770）也证实模型输出与真实严重程度存在中等强度的正向单调关联。此外，单张图像平均处理仅需11.28毫秒，相当于每秒可分析88张图像，满足产线实时检测需求。消融实验证明，多尺度特征提取模块贡献显著；Grad-CAM可视化显示，模型能自主关注从像素级到区域级的多尺度缺陷特征，并稳定维持序数逻辑。多次随机初始化实验显示各指标标准差极小，证明模型鲁棒性强。综上，该工作成功将自监督学习、多尺度建模与面向不平衡数据的序数优化三者有机结合，为光伏智能质检提供了新思路——未来可直接嵌入光伏电站巡检系统，实现缺陷自动定级与预警。