Новый ИИ-метод точнее оценивает дефекты солнечных панелей по изображениям

Исследователи разработали метод машинного обучения, который автоматически оценивает степень серьёзности дефектов на солнечных панелях по изображениям электролюминесценции. Это может ускорить контроль качества и снизить затраты на производство фотоэлектрических модулей.

Как автоматизировать контроль качества солнечных панелей, чтобы быстрее и точнее выявлять дефекты? Группа исследователей предложила новый подход, основанный на самообучающемся алгоритме, который анализирует изображения электролюминесценции и присваивает каждому дефекту степень серьёзности. Метод, описанный в статье, опубликованной в журнале Scientific Reports, показывает многообещающие результаты и может найти применение в промышленности.

Новый метод: самообучающееся ранжирование для оценки дефектов

Международная команда учёных разработала алгоритм, который использует технику многомасштабного самообучающегося порядкового обучения (multi-scale self-supervised ordinal learning) для классификации дефектов на изображениях электролюминесценции (ЭЛ) солнечных элементов. В отличие от традиционных подходов, которые требуют большого количества размеченных данных, новый метод использует самообучение: алгоритм сам генерирует обучающие примеры, сравнивая изображения между собой и определяя, какое из них показывает более серьёзные повреждения.

В основе метода лежит идея порядкового обучения: модель учится не просто классифицировать изображения на «дефект/нет дефекта», а выстраивать их в порядке возрастания серьёзности. Это позволяет более точно оценивать градации повреждений, что важно для практического применения. Исследователи протестировали алгоритм на наборе данных из 10 000 изображений ЭЛ от разных производителей и добились точности 89% при определении уровня серьёзности.

Предыстория и контекст: почему это важно для солнечной энергетики

Солнечная энергетика стремительно развивается: по данным Международного энергетического агентства, в 2024 году в мире было установлено более 400 ГВт новых солнечных мощностей. Однако производство фотоэлектрических модулей — сложный процесс, и на разных этапах могут возникать дефекты: микротрещины, разрывы контактов, загрязнения. Эти дефекты снижают эффективность панелей и могут привести к преждевременному выходу из строя.

Традиционный контроль качества включает визуальный осмотр и электрические тесты, но они не всегда способны выявить скрытые повреждения. Изображения электролюминесценции позволяют увидеть внутренние дефекты: при подаче напряжения панель излучает свет, и на снимке видны тёмные области, соответствующие повреждениям. Однако анализ этих изображений вручную — трудоёмкий процесс, требующий высокой квалификации. Автоматизация с помощью ИИ могла бы значительно ускорить и удешевить контроль качества.

Существующие методы машинного обучения для этой задачи обычно требуют больших размеченных наборов данных, что дорого и трудоёмко. Новый подход, основанный на самообучении, позволяет обойти это ограничение, используя неразмеченные данные.

Как это работает?

Алгоритм использует многомасштабный анализ: он рассматривает изображение на разных уровнях детализации — от общего вида панели до отдельных ячеек. На каждом уровне модель извлекает признаки, которые затем объединяются для оценки серьёзности дефекта. Самообучение реализовано через сравнение пар изображений: модель учится определять, какое из них показывает более серьёзные повреждения. Это позволяет ей выстраивать шкалу серьёзности без явных меток.

Технические подробности: как устроен алгоритм и его результаты

Архитектура модели включает свёрточную нейронную сеть с многомасштабным входом. Сеть обрабатывает изображение на трёх уровнях: полное изображение панели, изображение отдельной ячейки и фрагмент с высоким разрешением. Каждый уровень имеет отдельную ветвь, а их выходы объединяются для получения итоговой оценки. Обучение происходит в два этапа: сначала модель обучается на парах изображений предсказывать, какое из них имеет более серьёзный дефект, затем на основе этих предсказаний строится регрессионная модель, которая присваивает конкретные баллы.

Исследователи сравнили свой метод с несколькими базовыми подходами, включая классификацию с учителем и стандартные свёрточные сети. Новый метод показал лучшие результаты: точность 89% против 82% у лучшего из сравниваемых методов. Кроме того, метод оказался более устойчивым к шуму в данных и требовал в два раза меньше размеченных примеров для достижения сопоставимой точности.

Кого затронет и как: влияние на производителей и потребителей

Для производителей солнечных модулей это означает возможность внедрения автоматизированного контроля качества, который будет быстрее и точнее ручного. Это может снизить производственные издержки и уменьшить количество бракованных панелей, попадающих на рынок. Для потребителей — более надёжные солнечные панели с меньшим риском преждевременных отказов.

В России и странах СНГ солнечная энергетика также развивается, хотя и медленнее, чем в мире. Внедрение таких технологий может стать частью модернизации производства и повышения конкурентоспособности отечественных производителей.

Что будет дальше: перспективы и ограничения

Исследователи планируют расширить набор данных, включив изображения от большего числа производителей и типов панелей. Также они работают над адаптацией метода для обнаружения дефектов в реальном времени на производственной линии. Однако есть и ограничения: метод пока не различает типы дефектов (например, микротрещины и разрывы контактов), а только оценивает общую серьёзность. Для полной диагностики может потребоваться комбинация с другими методами.

Итог

Новый метод автоматической оценки дефектов солнечных панелей на основе самообучающегося ИИ показывает высокую точность и может стать важным инструментом для контроля качества в солнечной промышленности. Он позволяет снизить затраты на ручную инспекцию и повысить надёжность фотоэлектрических модулей. Следите за развитием этой технологии — она может изменить подход к производству солнечных батарей в ближайшие годы.