硅（Si）太陽能電池是目前最突出的光伏技術，市場份額超過95%。然而，需要不斷提高太陽能電池的效率和可靠性，以進一步加快向太陽能發電的過渡。在制造過程中，太陽能電池和模組會承受不同的機械、熱和化學應力，這些應力會引入缺陷并降低輸出轉換效率。光伏制造監測在保持高性能和可靠性標準方面發揮著重要作用，同時指明了進一步發展和改進的途徑。
電致發光（EL）和光致發光（PL）成像是關鍵的表征方法，通過實現快速和空間分辨的檢測改變了光伏世界，并有望在不久的將來監測大部分光伏制造。隨著采用發光成像作為關鍵的終端表征工具，大量信息可用于評估電池性能和分類缺陷，這適用于用戶無需輸入的深度學習分析。
在此，澳大利亞新南威爾士大學Yoann Buratti（通訊作者）等人將現有技術與新開發的生成對抗網絡（GAN）架構相結合以進一步推動EL圖像分析，從而實現自動效率損失分析。在所提出的框架中，首先識別太陽能電池發光圖像中的缺陷區域。然后，基于GAN的修復模型重建缺陷區域，從而生成無缺陷圖像。通過卷積神經網絡（CNN）模型評估了所得圖像的電池效率，并與重建前的效率進行比較以估計效率損失。該方法可區分不同類型的缺陷并查明導致最高效率損失的缺陷，使制造商能夠以快速且具有成本效益的方式對生產線進行故障排除。因此，這項研究所提出的方法釋放了發光成像作為有效的終端表征工具的潛力。該研究以“Automated efficiency loss analysis by luminescence image reconstruction using generative adversarial networks”為題發表于國際頂級期刊Joule（IF=41.248）。
要點1：深度學習框架流程
本文提出的用于自動效率損失分析的深度學習框架，由3種算法組成：（1）效率預測，（2）缺陷定位及（3）圖像重建。電池的效率首先通過效率預測算法進行評估，然后通過缺陷定位算法掃描EL圖像以查找缺陷和偽影。圖像重建算法完全去除缺陷區域，然后將EL圖像重建為無缺陷圖像。最后將重建的圖像傳回效率預測算法以預測無缺陷電池效率，重建前后電池效率之間的圖像差異用于評估由于存在缺陷而導致的效率損失。
具體而言，作者基于一個名為LumiNet的CNN模型從EL圖像中預測電池效率，基于GAN實現電池EL圖像的缺陷定位和重建。數據集包含37800個雙面九母線單晶硅工業生產的太陽能電池，共分為三個子集：1）用于微調LumiNet CNN和訓練GAN的訓練集（A，30000個電池），2）用于訓練機器學習（ML）效率回歸器的訓練集（B，7300個電池），3）不用于訓練任何模型的測試集（C，500個電池）。
LumiNet算法使用訓練集A和B進行訓練以從EL圖像中預測電池效率，預測的效率表示為500個電池測量效率的函數。最終實現了0.03% 絕對效率的RMSE和0.89的R2，這與之前報道的結果相當。進一步，GAN生成器在電池的重建無缺陷區域時進行了訓練和評估。值得注意的是，重建圖像與原始圖像無法區分。所選區域被無縫重建，再現了諸如母線和背景發光的變化或梯度等特征。使用差異圖像突出顯示了重建的高精度，其中對比度增強了10倍以獲得更好的可視化效果。
結合GAN和LumiNet CNN訓練的網絡，作者對測試集中的每個電池圖像進行了隨機選擇區域的重建。由于隨機蒙版區域不太可能有缺陷，因此預計重建不會影響預測的效率。數據證實，LumiNet CNN效率預測算法生成的分布與實際效率幾乎相同。此外，重建圖像的預測效率也與實際效率分布相匹配，具有相似的標準差。因此，發光圖像無缺陷部分的去除和重建對預測效率沒有顯著影響，證明了基于GAN的重建方法的適用性。
此外，對于重復的單次重建，從重建圖像預測的平均單次效率和大部分電池效率分布都落在測量效率的一個RMSE內。相比之下，從連續重建預測的效率具有偏離實際效率3倍的RMSE。作者通過將#2電池的單個和連續重建效率作為對數尺度上連續重建次數的函數，進一步闡明了這一觀察結果。在平均20次連續重建后，預測的重建電池效率從測量的效率下降超過一個RMSE。因此，為謹慎起見，建議連續重建10次。請注意，10個不同的重建區域（覆蓋EL圖像的15%）通常足以掩蓋生產線中的大多數缺陷。
一組新的十個電池通過在特定位置劃傷而被故意損壞，其中一半的電池被劃傷一次，而另一半在兩個不同的位置被損壞。然后，通過LumiNet CNN基于EL圖像估計原始和劃痕電池的效率。使用訓練的GAN從選定的邊界框中無缺陷地重建劃痕圖像，最多只進行了4次連續重建。
對于同時具有一個和兩個劃痕區域的電池，其重建圖像與原始圖像非常相似，顯示成功去除了圖像中的缺陷。3#電池的重建EL預測效率與測量的23.18% 的效率完全匹配，顯示出由于誘導損傷造成的0.29%的絕對效率損失。#8電池的重建也恢復了大部分效率，重建的預測效率為23.13%，而測量效率為23.18%。最后，#2和#9電池顯示了應用于驗證集的故意損壞的多樣性，缺陷穿過母線（#2電池）或沿母線垂直延伸（#9電池）。
為滿足自動損失分析框架的最終要求，作者提出了一種基于GAN的缺陷定位算法，該算法使用重建和原始區域之間的差異圖像來識別EL圖像中的缺陷區域。一旦EL圖像中的所有缺陷被定位，就會生成無缺陷的重建圖像并評估由于存在缺陷而導致的效率損失。應用這種掃描方法能夠在不到一小時的時間內對整個數據集（37800張圖像）進行分類，并識別多個電池中的感興趣區域。
圖5. 基于GAN的缺陷定位和自動化效率損失分析方法的應用
基于GAN的定位算法成功地識別和定位了各種各樣的缺陷，包括污跡、明顯的指紋和其他表面缺陷（#0和#3電池）、裂縫（#1和#2電池）和電隔離區域（#4電池）。基于GAN的缺陷定位算法識別的電池缺陷分布顯示重建后的平均效率提升顯著（0.06%），是LumiNet RMSE的兩倍。當將566幅重建EL圖像的預測效率納入生產線數據集時，測量效率的藍色峰值在主要效率分布內移動。由于重建的分布僅占生產線分布的1.5%，因此重建對平均線分布效率的影響很小。該方法被開發用于處理在EL圖像中引起對比度的中小缺陷（<50 mm），這使制造商能夠識別導致其生產線效率損失的主要缺陷。
總之，本研究展示了一種基于發光圖像和深度學習最先進算法的自動電池效率損失分析方法。該方法使用基于GAN的缺陷定位算法，可識別EL圖像中的各種缺陷。作者還展示了使用GAN生成器來重建無缺陷的EL圖像，基于LumiNet CNN效率預測算法預測原始和重建圖像的效率，從而能夠量化由于缺陷的存在而導致的效率損失。其中，預測速度達到了30000個電池/小時，遠快于國際光伏路線圖要求的10000個電池/小時的吞吐量。使用專用硬件可以顯著提高吞吐量，而算法的訓練時間可離線完成，不會影響預測速度。這種分析使制造商能夠快速、經濟地量化與工藝相關缺陷的潛在影響，進而提高其生產線的整體效率和可靠性。因此，開發的深度學習算法提供了一種釋放發光成像潛力的強大方法。
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
原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/13/4a734fcf9c/
