乘着从全球吹来的「绿色发展、低碳转型」东风，光伏 (photovoltaic, PV) 产业自进入 21 世纪以来，便以令世人惊叹的速度迅猛向前发展。在我国，光伏发电更是呈现出前所未有的活力。根据 2023 年 4 月国家能源局公布的当年 1-3 月份全国电力工业统计数据，截止当年 3 月底，我国光伏累计装机量已超越水电，成为全国第二大电源。
随着光伏发电的规模化应用，如何保障光伏供电稳定以及可持续发展也成为行业研究的重要课题。光伏组件是光伏的基本单元，受生产链条较长、应用场景复杂等多种外因影响，在其制造、运输、安装等过程中都极易发生模块破损，如果这些缺陷组件投入到实际运行中，极大可能造成整个供电系统功率降低甚至出现安全问题。因此，针对光伏的现场维护和故障诊断要求正变得越来越高。
目前，较为传统的 PV 缺陷检测手段包括电流-电压 (I-V) 曲线 (current–voltage (I–V) curve)、红外热成像 (IRT) 等，但囿于识别精度限制，上述方法均无法有效识别微裂纹等潜在风险因素。卷积神经网络 (CNN) 凭借其强大的特征捕获能力，结合基于高分辨率的电致发光 (electroluminescence, EL) 成像，正在成为 PV 缺陷检测的主流方法。不过基于 CNN 的模型参数通常较大，且对硬件资源要求严格，因此很难在实际的工业项目中得到大规模部署。
为了同时满足工业领域对缺陷检测的精度和速度要求，来自东南大学自动化学院的张金霞教授团队，提出了一种基于神经结构搜索 (neural architecture search, NAS) 和知识蒸馏 (Knowledge Distillation) 的新型轻量级高性能光伏电池电致发光 (EL) 图像缺陷自动检测模型。
目前，该研究成果已发布在 arXiv 上，标题为「A lightweight network for photovoltaic cell defect detection in electroluminescence images based on neural architecture search and knowledge distillation」。
研究亮点：
- 提出一种用于光伏电池缺陷检测的轻量级模型，准确率高达 91.74%；
- 首次将 NAS 引入到光伏电池缺陷检测领域，用于自动化轻量级网络设计，减少了手工设计的工作量；
- 引入知识蒸馏充分利用了各种先验知识 (prior knowledge)，且通过实验证明了该设计对提高缺陷光伏电池识别能力的有效性。
论文链接：
https://arxiv.org/abs/2302.07455
关注公众号，后台回复「光伏电池」即可下载论文
数据集和数据增强
本次研究的数据集为一个公共光伏电池数据集，含 2,624 张分辨率为 300 x 300 像素的光伏电池 EL 图像，包括单晶和多晶两种类型。研究团队以 0.5 为阈值，将样本分为功能样本和缺陷样本，将其中 75% 的图像，即 1,970 张图像随机选择为训练集，剩余的 654 张图像为测试集。训练集进一步被平分为搜索训练集与搜索测试集。所有图片的大小均调整为 150 x 150 像素。
数据增强是在小幅度增加数据的情况下，从原始数据中获得更多的表征，提升原始数据的质量，从而帮助模型减少过拟合，并增强鲁棒性。数据增强操作包括随机水平翻转、随机垂直翻转、在 (-2°，2°) 范围内随机旋转、在 {0°、90°、180°、270°} 范围内随机旋转和随机仿射变换。
该研究提出的模型由 Normal cells 和 Reduction cells 堆叠而成，通过搜索算法得到的内部结构如下图所示：
一种基于 NAS 和知识蒸馏的缺陷检测方法
该轻量级网络设计架构如下图所示。研究人员通过 NAS 算法在设计好的搜索空间中自动获得了轻量级网络，并通过知识蒸馏充分利用了现有预训练大规模模型获取的先验知识，从而提高模型性能。
首先，研究团队采用了基于连续梯度的 NAS 框架 DARTS 来自动设计用于光伏电池缺陷检测的模型，基于 DARTS 的快速搜索特性，研究人员进一步考虑了 PV 缺陷的视觉多尺度特征，设计了合适的搜索空间来增强对不同缺陷尺寸的特征识别。
轻量级网络所采用的搜索空间主要由两种单元结构堆叠而成，即 5 个 normal cell 和 4 个 reduction cell。设置 normal cell 是为了保持输入的大小，设置 reduction cell 是具有下采样的功能。如上图所示，每个单元融合前两个单元尺度不同的两个特征，第一个 normal cell 将相同的特征作为两次输入。
前 3 个 reduction cell 执行下采样和信道扩展，最后一个 reduction cell 的信道数量保持不变。所提出的轻量级网络将输入的光伏电池分类为功能正常或有缺陷。
其次，知识蒸馏是最有效的模型压缩方法之一，采用 Teacher-Student 模式，能够将知识从 Teacher 模型转移到 Student 模型。那些无法利用预训练模型中先验知识的网络架构，可以通过学习 Teacher 网络的知识来提高性能。在该实验中，由于轻量级网络只能从头开始训练，通过使用知识蒸馏，可以更好地利用先验知识进行训练。
研究人员转移了 4 种不同的知识先验——注意力信息、特征信息、logit 信息和面向任务的信息，以增强对光伏电池缺陷检测任务的蒸馏效果。
模型性能出众
研究团队将其所提出的轻量级模型与 Teacher 模型以及其他研究进行了比较，并在私有数据集上进行了测试，进一步证明该网络架构的有效性。
研究团队将该模型与手动设计的 6 个神经网络和公开数据集上的 Teacher 模型，在 200 个相同的 epoch 下进行了对比，结果如下图所示：
结果显示，该研究提出的轻量级模型在测试集上的精度达到了 91.74%，甚至超过了 Teacher 模型水平的 1.22%。同时，该研究所提出的模型参数量更小，相比部分经典大模型所用资源更少，更易部署在实际的终端设备上。
上图为模型在识别缺陷光伏电池和功能正常的光伏电池上的准确率对比，研究人员所提模型在缺陷光伏电池识别上的正确率达到 86.28%，远超其他方法。
由此得出结论，与其他手动设计的模型相比，研究团队提出的模型不仅能够通过 NAS 算法自动搜索，减少了工作量，同时还能够在相对轻量级的架构下取得更高性能，证明了所提方法的有效性。
为进一步评估所提模型的性能，研究团队又提供了单晶或多晶 PV 上得性能对比，如表 4 所示：
在单晶 PV 电池上，所提模型的每一项指标都达到了最高水平，至于更难处理的多晶模型，该模型也远超其他模型。
效率和泛化能力
在终端设备上的部署需要综合考虑模型规模和计算量，为了测试效率，研究团队在 CPU 平台 (Intel i9-10980XE 24.75M Cache, 3 GHz) 上对该模型进行了评估。
综合评估发现，该模型远远优于其他小型模型、甚至大型经典模型。该轻量化模型可以满足一些常见的低功耗嵌入式设备的部署需求，如 Raspberry Pi-4B (4GB, 15W, 9~10 GFLOPS) 和 NVIDLA Jetson Nano (4GB, 10W, 7.368 GEFLOPS FP64)。
为了验证模型在不同数据源上的泛化性能，研究团队在一个私有光伏电池数据集上进行了模型训练。从 6 x 10、6 x 12、6 x 24 三种规格的光伏电池中提取出了8,580 张像素分辨率为 256 x 256 的图像，其中缺陷样品 482 张，功能正常样品 8,089 张。
结果显示，该模型在平衡精度和缺陷样本精度上分别比 Teacher 模型高出约 2.3% 和 5.7%。与其他方法相比差距很大。该模型对缺陷样本的准确率达到 94.26%，特别是在现实场景中表现出更好的缺陷识别能力。如下图所示：
始于百年前，光伏发电仍是绿色能源的「宠儿」
作为新能源的代表，关于光伏发电技术的研究实际上已有超百年之久。1839 年，法国物理学家贝克勒尔首次发现了光伏效应，在此之后，经过各国科学家的不断钻研和努力，第一块实用光伏电池终于在 1954 年问世。如今，光伏产业随着全球绿色发展的脚步又一次乘上了东风，尤其在国内明确提出「双碳」目标之后，光伏产业的发展可谓前途一片大好。
这从不久前国家能源局发布的 2023 年全国电力工业统计数据便可见微知著。数据显示，截止 12 月底，全国累计发电装机容量约 29.2 亿千瓦，同比增长 13.9%，其中，太阳能发电装机容量约 6.1 亿千瓦，实现同比 55.2% 的增长。
从政策方面来看，2019 年 5 月 30 日，国家能源局发布了《关于 2019 年风电、光伏发电项目建设有关事项的通知》，其中明确了优先推进无补贴的平价上网项目建设，再开展需要国家补贴项目的竞争配置工作。这表明了我国光伏产业虽然已经进入稳定发展的成熟期，但推动光伏产业发展也仍然会是未来国内实现能源结构转型的重点工作。
2023 年，国家能源局、国家发改委等多个部门相继印发多个关于能源工作的文件，其中都明确了光伏是 2023 年能源行业的重点方向。
而本次研究则从产业层面为光伏产业的发展带来了利好消息，张金霞教授团队的研究成果从实际的应用侧为光伏电池缺陷检测提供有效工具，尤其是引入了 NAS 与知识蒸馏，为应用场景设计模型提供了一种新的思路，这或许将有望为产业就深度学习在光伏领域应用带来新的启迪，从而让技术与产业更好的结合。
