基于CooVally的多晶硅太阳能板缺陷检测

随着全球气候变化对人类社会构成重大威胁，越来越多的国家将“碳中和”上升为国家战略 ，提出了无碳未来的愿景。2020年，我国基于推动实现可持续发展的内在要求和构建人类命运共同体的责任担当，宣布了碳达峰和碳中和的目标愿景。

关于可持续发展，第一想到的便是太阳能，它是一种可再生能源，人们利用太阳能进行发电是目前运用最为广泛的一种方式。

而太阳能电池板是太阳能发电系统中的核心部分，由太阳光照射后，把光的能量转换成电能。其中，多晶硅太阳能电池兼具单晶硅电池的高转换效率和长寿命，以及材料制备工艺相对简化等优点。

但是，在生产制备过程中会产生各种各样的缺陷，这些缺陷会极大影响电池的光电转化效率，因此对缺陷片进行检测和筛选是十分有必要的。

那么，今天主要介绍一种基于CooVally的多晶硅太阳能板缺陷检测方法。

CooVally|快速筛选可用AI模型https://www.sinoaus.net/CoovallyHome话不多说我们开始吧！下图是我们此次实验采用的数据集样本：

此次训练中采用的标签包含常见的多晶硅太阳能板缺陷的类型，一般有以下几种：暗斑、边裂、边缘黑斑、断线、黑斑、黑边、划伤、米裂、皮带印等。

部分标签预览

选择对应的标签进行数据分析，设置好训练时的模型配置。迭代次数、实验次数以及并发次数根据自己需求选择即可。

然后便开始训练，在等待训练的时候我们可以切换网页或关闭网页专注其他事务，实验交给CooVally就可以啦！

当训练结束后，可以在信息总览页面查看任务详情，包括参数设置、任务持续时间、实验次数、实验信息、mAP等。

在数据详情页面，我们可以通过扇形图查看到各个缺陷的占比，清晰了解缺陷分布情况！

从扇形图的比例可以看出其中断线占比最高，其次是划伤。

在实验详情页面，可以分别查看实验结果和训练损失的折线图，在实验结果中，可以看到mAP呈现出一条越来越接近1且平行于X轴的直线；在训练损失中，也呈现出一条越来越接近X轴的水平直线。

训练结果逐渐收敛，所以训练的也会越来越好。

查看完所有信息后，来到训练列表，通过训练日志可以查看评估结果。

最后可以进行模型转换啦，在训练列表中，点击右侧的“模型转换”即可。

在模型转换的时候，可以选择云端或者边端进行模型的转换，将模型部署在不同的平台上。

将模型分别进行云端及边端的部署，关于GPU也做了不同的选择。毕竟小孩才做选择，而我选择全都要。

我们来看一看云端rtx3090和边端xavier_nx最终的识别结果有何区别。

xavier_nx识别结果

rtx3090识别结果

通过最终的识别结果，我们可以看到并没有任何区别，所以将模型部署在两个不同的平台上，依然可以达到相同的效果。

基于CooVally的多晶硅太阳能板缺陷检测简单高效，其原理是通过对大量缺陷图片模型的训练，可以检测出如暗斑、边裂、断线、黑斑、黑边、米裂、皮带印等缺陷类型，而且训练的图片越多，检测结果越精准。

CooVally不仅内置了多种模型类型，而且还可以帮助用户快速筛选可用的AI模型，使用户不必浪费过多的时间在模型筛选上。

所以，你还在等什么？

参考文章：https://www.sohu.com/a/471453544_120815451

https://baike.baidu.com/item/%E