第57 卷第**期2 0 2 1 年* 月机 械 工 程 学 报JOURNAL OF MECHANICAL ENGINEERINGVol.57 No.***** 2 0 2 1** 福建省自然科学基金(2020J01312)、国家自然科学基金(52077063)、国家自然科学基金委员会与英国皇家学会合作交流(6171101561)、湖南省科技创新计划项目科技人才专项(2018RS3039)、无损检测技术福建省高校重点实验室(福建技术师范学院)开放基金(S2-KF2013)、机械结构强度与振动国家重点实验室开放基金(SV2019-KF-17)、博士后科学基金(2017M612549、2018M630898)和远东无损检测新技术论坛创新人才支持计划资助项目。20190710 收到初稿，20200305 收到修改稿光伏电池图像序列的深度学习检测方法*Key words：photovoltaic cell；non-destructive testing；image fusion；deep learninginformation entropy index, and make the network converge faster in the training of convolution network.principal component analysis (PCA) and independent component analysis (ICA) in mean square error, average gradient andcovers, cracks and defects. The experimental results show that the deep learning method based on optical flow is superior toneural network is used to effectively identify the artificial defects and internal defects of photovoltaic cells, such as scr atches,detection is established by fusing the abnormal light source found by short -wave infrared imaging. The deep convolutionflow field of photovoltaic cells is proposed to find the abnormal heat source accurately. The database of photovolta ic cellelectroluminescence (EL). A thermal image sequence analysis method based on optical flow method to deal with the thermalusing thermal infrared camera acquiring electro-thermography (ET) and short-wave infrared camera acquiringAbstract：In order to realize intelligent factory inspection of photovoltaic cell, the defects of photovoltaic cell are detected byCollege of Civil Engineering, Changsha 3. University, Changsha 410022)Fuqing 350300；2. Fujian Province University Key Laboratory of Nondestructive Testing, Fujian Polytechnic Normal University,(1. College of Electrical and Information Engineering, Hunan University, Changsha 410082；MA Minmin1 MU Xinying1 YANG Ruizhen 3DENG Baoyuan1,2 HE Yunze1,2 WANG Hongjin1 ZHANG Hong2 YANG Yuan1Deep Learning Inspection for Photovoltaic Cell Image Sequence关键词：光伏电池；无损检测；图像融合；深度学习analysis, ICA)，并在卷积网络的训练中，能使网络更快地收敛。差、平均梯度、信息熵指标上优于主成分分析(Principal component analysis, PCA)与独立成分分析(Independent component对光伏电池内部缺陷与划痕、覆盖、裂纹、缺损等人工缺陷的有效识别。试验结果表明，基于光流的深度学习方法在均方误准确找到异常发热源。并与短波红外成像找到的异常发光源融合，建立光伏电池检测数据库。通过深度卷积神经网络，实现电致发光现象(Electroluminescence, EL)检测光伏电池缺陷。提出一种基于光流法处理光伏电池热流场的热图像序列分析方法，摘要：为了实现光伏电池工厂端的智能检测，使用热红外相机采集电致热成像(Electro-thermography, ET)与短波红外相机采集3. 长沙学院土木学院 长沙 410022)2. 无损检测技术福建省高等学校重点实验室(福建技术师范学院) 福清 350300；(1. 湖南大学电气与信息工程学院长沙 410082；牟欣颖1 杨瑞珍3邓堡元1,2 何赟泽1,2 王洪金1 张 宏 2 杨 渊 1 马敏敏1网络首发时间：2021-03-05 14:50:33网络首发地址：https://kns.cnki.net/kcms/detail/11.2187.th.20210304.1507.014.html机 械 工 程 学 报 第57 卷第**期期20 前言能源发展战略行动计划(2014—2020 年)提出绿色低碳战略，大幅增加太阳能等可再生能源和核电消费比重。现阶段，光伏发电是最有效开发利用太阳能的方法，而光伏电池片及其组件成为光伏发电中最前端与最关键的一环。随着光伏电池技术的发展，光伏电池的应用从军事领域、航天领域逐渐进入发电、通信、家用电器以及公用设施等领域，发挥着越来越重要的作用。光伏电池由于其生产加工及应用导致的缺陷可以根据生产过程分为三类：一是光伏电池裸片生产过程中的缺陷。在这一过程中，由于原材料的污染或型材不良和光伏电池制造工艺等原因可能会导致生产加工出来的光伏电池片具有漏电、暗片、断栅等问题。二是将裸片制为光伏电池组件过程中的缺陷。光伏电池组件的主流制造工艺为乙烯-醋酸乙烯酯共聚物(EVA)胶膜封装，需要多道工序才能完成，在每一道工序中都会使光伏电池生产缺陷，这一过程所导致的主要缺陷包括裂纹、异物、焊接不良、裂片、崩角、EVA 未溶气泡等。三是光伏电池系统在实际使用中造成的缺陷。光伏电池组件在实际使用过程中可能会产生热斑、短路等问题，同时受到恶劣天气的影响，也可能会产生其他缺陷，影响组件的正常运行。光伏电池的各种缺陷会导致光伏电池的光电转化效率降低、减少光伏电池组件或系统的使用寿命甚至可能会使正在使用的光伏电池发生爆炸等威胁人们安全的事故，这就使人们对光伏电池片的质量提出了更高的要求。光伏电池的检测方法可分为两类：第一类是断电检测[1]。使用共振超声方法检测多晶硅的裂纹缺陷[2]。使用涡流热成像法非接触地检测单晶硅的裂纹、掺杂等缺陷。第二类是通电检测，电参数测量法[3-4]检测较快，但是不能细微评价；电致发光法[5-6]可以快速检测缺陷，并对表面缺陷敏感，但是成像分辨率受限于波长限制；热成像[7-9]对于光伏电池由于漏电流等故障产生的热现象敏感，可用于检测内部欲击穿缺陷，但是检测较慢，另一方面搭载热成像的无人机已经应用于光伏发电厂[10-11]；太赫兹[12]等其他方法因为成本高、检测时间过长等原因较少应用于光伏电池片的检测。使用单一检测方法难以获得准确的检测结果，因此我们提出利用电致发光和热成像法检测出不同的缺陷类型，并在检测结果进行融合后进行深度学习，对光伏电池片进行细微、精确评估。1 光伏电池的智能检测方法1.1 电致热成像与电致发光的检测原理电致发光的原理与发光二极管类似，对光伏电池施加一定的正向偏压时，使得其内部PN 结导通，电子与空穴复合，向外辐射光子进而发光。其中，硅光伏电池电致发光的的波长范围为近红外波段850～1 200 nm。这一波段的图像可以使用CCD、CMOS 或者InGaAs 传感器进行采集，使用CCD 或者CMOS 需要增加滤光片滤除可见光。当光伏电池内部存在断栅、隐裂等缺陷时，缺陷处的电子与空穴无法正常复合辐射光子，会产生发光异常或不发光的现象，因此可以利用光伏电池的电致发光效应进行缺陷检测。当对光伏电池片施加反向偏压时，其特性与对二极管施加反向偏压类似。当对光伏电池施加的反向偏压值较小时，PN 结基本不导通，只有极少载流子运动产生热量，发热分布比较均匀。当对光伏电池施加的反向偏压的值达到一定时，光伏电池中如果存在击穿或预击穿部位，该部位会由于大量的载流子运动通过电流，电路等效于短路，发出大量热量。光伏电池的温度变化使用热像仪进行采集，因此可以利用光伏电池的反偏激励热成像检测光伏电池的内部缺陷。图1 是试验中采集的正向与反向偏压时的热成像与短波红外成像。根据试验效果，本文主要对正向偏压下的短波红外成像与反向偏压下的热成像进行处理。图1 正向与反向偏压下的热成像与短波红外成像1.2 光流法处理热图像序列对于图像序列I(x,y,t)，记t 时刻一点(x,y)处的像素值为I(x,y,t)。在t+dt 时刻，该像素点运动新位置月2021 年*月 邓堡元等：光伏电池图像序列的深度学习检测方法3(x+dx,y+dy)，该位置像素值为I(x+dx,y+dy,t+dt)。根据像素值一致性假设，即图像中像素点(x,y)的值，与其在dt 时间后运动到的新位置(x+dx,y+dy)的像素值相等，有I (x, y,t) = I (x + dx, y + dy,t + dt) (1)假设图像序列在(x,y,t)处连续，将其泰勒展开，有I (x + dx, y + dy,t + dt)=I (x, y,t) +2 2 2 d d d (d ,d ,d )I I Ix y t O x y tx y t¶ ¶ ¶+ + +¶ ¶ ¶(2)式(2)中忽略二阶小量，结合式(1)、(2)，有d d d =0I I Ix y tx y t¶ ¶ ¶+ +¶ ¶ ¶(3)同时除以dt，有d d=0d dI x I y Ix t y t t¶ ¶ ¶+ +¶ ¶ ¶(4)式中，dx/dt 与dy/dt 为I(x,y,t)处x 与y 方向的速度或称之为光流，记为Vx 与Vy。∂I/∂x、∂I/∂y 与∂I/∂t 表示I(x,y,t)沿X、Y、T 方向的偏导数，式(4)写为0 x x y y t I V + I V + I = (5)一个方程，两个未知量Vx 与Vy，求解需要添加额外约束。Horn-Schunck 法添加额外假设：图像全局光流平滑，即光流的梯度应趋近于零，构造全局能量函数式(6)，该方程可以通过拉格朗日乘子求极小值的方法求取Vx 与Vy。d d dI I IE x y tx y téæ ¶ ¶ ¶ ö= êç + + ÷ +ëè ¶ ¶ ¶ øòò( ) 2 2 2 d d x y a ÑV + ÑV ù x yúû(6)文献[13-14]的研究表明光流法可以有效地追踪热传播过程，本文将光流与热流等价，记热流场为( )= ( ) ( ) x y V x, y V x, y i +V x, y j (7)假定每一个点均为发热点，对其做一个环绕的曲面，求其积分，便得到一个点的热通量，有= dSWF Ñò V ×n (8)式中，Ω 表示光流场中围绕发热点任一有向曲面，对坐标为(x,y)做闭合曲面Ω，此时该点的热通量等于其散度。( , )div lim dS x yS® WV = Ñò V×n (9)对于点(x,y)，如果散度div V>0，表明该点是热源。对于点(x,y)，如果div V<0，表明该点是冷源。根据试验，提出假设，本试验中不存在冷源，即只存在热源或者不发热两种状态，对div V<0 的点抹零处理。具体算法示意图如图2 所示， 通过Horn-Schunck 法求取热图像序列的光流场，分为X与Y 方向分别处理。通过初始卷积核对图像卷积求取每个像素点的通量，即该点的散度。散度的计算通过卷积实现，每个像素点X 与Y 方向的初始卷积核大小设置为1，卷积核设置为(-1 0 1)与(-1 0 1)T。再对这个时间序列求和，获取这一段时间内每个像素热通量之和。将每个点的热通量通过log 函数映射到新的卷积核尺寸。如果一个像素点卷积核尺寸为0，则认为该点不发热，设置新卷积核为[0]；如果一个像素点卷积核尺寸不为0，则认为该点为发热点，设置新卷积核为(-1 … -1 0 1 … 1)与(-1 … -1 0 1 … 1)T。使用新的卷积核再计算原热图序列X 与Y 方向热流量、热通量，便能获取图像序列每个点的热通量。图2 光流法示意图机 械 工 程 学 报 第57 卷第**期期41.3 深度学习在热图像序列识别中的应用深度学习在可见光图像序列识别、行为识别中，主要思路是将图像时空序列解耦成时间序列与空间序列。最典型是双流法[15]，使用光流法将图像解耦成单帧空间流与时间流，分别训练卷积网络，对两个网络的结果进行融合。在此基础上[16]，将长时间序列切割成多个短时序列，获得了更好的效果。文献[17]中使用三维卷积代替光流。文献[18]在试验比较后，提出光流与三维卷积结合的网络结构，在公开数据集上获得了目前最好的效果。CARREIRA 等[19]模仿人类视觉系统提出slowfast 网络，slow部分用于识别类别，fast 部分用于识别动作，认为空间序列与时间序列并不完全没有耦合，而是存在一些连接。在热成像领域中，文献[14]表明光流法能有效的追踪热流的传播，文献[13]使用光流法提取碳纤维材料脉冲涡流激励热图像序列的特征。受这两点启发，认为基于光流的卷积网络能检测主动热成像序列中的缺陷。但是使用光流计算的热流序列与热图像序列大小相等，直接作为卷积网络的输入会使得网络过于复杂，难以训练。在试验与数据处理中观察到，在温度场稳定后，热流场基本为零，可以忽略热流场为零的图像。但是每块光伏电池片的达到温度场相对稳定的时间长度并不一致，不能归一化输入数据。针对这两个问题，本文使用基于光流的热通量法计算出每个像素一段时间内发出的热量，将一段时间序列压缩成一张图片，减少了输入神经网络的数据量，也实现了输入数据的归一化。使用热通量算法，提取了热通量这一有用信息，但是损失了其他几乎全部信息，比如光伏电池片的类别、空间信息。由双流法等工作的启发，应该补充一些具有类别与空间信息的图像。因此本文融合具有空间结构信息的短波红外成像用于补偿损失的类别与空间信息。把配准好的两组反向偏压下的热通量图像与两组正偏偏压下的短波红外图像作为网络的输入，其中短波红外图像由短波红外序列经过平均值降噪得到。先将256×256×4 的图像分割成64张32×32×4 的小图像，根据每一个小图像的标签，使用图3 网络模型进行学习识别。该网络主要有四个计算层，卷积层使用5×5 的卷积核，ReLu 激活函数，与2×2 的最大池化。两个卷积层之间有一个dropout 层，防止过拟合。在第二次下采样后拉直成一个一维向量，经过两个全连接层，全连接层也使用ReLu 进行激活。最后一层使用softmax 进行分类，交叉熵作为误差函数。图3 基于融合短波红外成像与热成像的卷积神经网络2 试验与数据库2.1 试验系统的搭建试验示意图与系统实施图如图4 所示。该试验系统主要包括6 个部分，分别是光伏电池片、支架、直流源、笔记本、FLIR SC7100 短波红外相机、FLIRA6702sc 热像仪。光伏电池片出厂时带有部分欲击穿、内部不均匀等缺陷，并制作了包括划痕、裂纹、图4 试验示意图与系统实施图月2021 年*月 邓堡元等：光伏电池图像序列的深度学习检测方法5缺损、覆盖等缺陷。使用夹具将光伏电池片固定在。支架上，使用两台电脑分别同时控制两台相机调整两个相机的位置和角度使得光伏电池片清晰。直流源可以作为0～31 V 恒压源以及0～3.1 A 的恒流源输出。打开电源前开始记录热成像与短波红外成像视频。笔记本装载FLIR ResearchIR 软件用来控制相机、存储数据。试验系统中所使用的短波红外相机型号为FLIR SC7100，热像仪型号为FLIR A6702sc，其主要参数如表1 所示表1 短波红外相机SC7100 和热像仪A6702sc 部分主要参数相机型号 FLIR SC7100 FLIR A6702sc探测器类型 InGaAs InSb波长范围 0.9～1.7 μm 1～5 μm分辨率 320×256 640×512像素大小 30 μm 15 μm精度 ±2℃或读数的±2% ±2℃或读数的±2%2.2 数据库的建立使用该试验系统进行了一系列的光伏电池片的缺陷检测试验。试验中所使用的检测对象如图5 所示，试验对象包括单晶硅与多晶硅。试验过程中，共检测光伏电池片45 片，其中多晶硅11 片，单晶硅有A、B、C 三类，分别有为11、14、9 块。试验中所使用的光伏电池片为裸片，在进行试验之前需要先进行焊接并预留引线，以便于直流源的连接。反向偏压下，对光伏电池施加恒定电压，从1 V开始，步进1 V，每3 V 记录一次图像，增加至31 V，得到每类电池片的反向临界击穿电压，设定一个略小于临界击穿电压为阈值电压。对每块电池片施加阈值电压的一半与阈值电压两个反向偏压，记录其电流与热成像。正向偏压下，电源设置为恒流源。对光伏片施加1.6 A 与3.1 A 的恒流激励，记录其电压与短波红外成像。由相机获得的图像大小分别为320×256 和640×512，具有一定的畸变，数据处理过程中首先采用霍夫变换截取出只包括光伏电池片的部分，然后将大小缩放到256×256。将归一化后的图像分割成64 个32×32 的图像。采用深度学习算法对得到的32×32的图像进行分类，主要包括无缺陷、划痕、覆盖、裂纹、缺损和内部缺陷几种情况。选取A 类与C 类共12 块光伏电池片，分割出的图像块合计12×64块，将这些图像块使用独热码进行标记编码，各种缺陷状况所得到的数据量如表2 所示。表2 缺陷检测试验结果缺陷状况 图像数量无 605划痕 19覆盖 2裂纹 39缺损 5内部缺陷 98由表中数据可知，划痕、覆盖、裂纹、缺损等人为缺陷数据量较少，难以分别进行训练，因此将这几种缺陷统一归纳为人为缺陷。所以在数据分类训练中将图像分为3 大类：无缺陷、人为缺陷和内部缺陷。图5 试验中检测的不同的硅光伏电池3 试验结果与评估3.1 预处理找到打开电源时刻对应的图像，只选用图像序列中这之后的图像；再使用霍夫变换找到光伏电池的边界，缩放到256×256，试验效果如图6。处理后图像中只保留了光伏电池的部分，并且对图像畸变完成了校正，实现了像素级的图像对齐，以便于下一步处理。图6 霍夫变换效果图3.2 多种处理结果对比使用了平均值降噪、PCA、ICA、光流法对于机 械 工 程 学 报 第57 卷第**期期6光伏电池的热图像序列与短波红外图像序列进行了处理，其中一块光伏电池板的试验结果如图7。在热图像中，通过光流法计算得出热图像中的热流场后，进一步计算每个像素点处的热通量，能准确地找出光伏电池缺陷处的发热点，去除发热不均等背景。而PCA 和ICA 对发热点的检测不如光流法精确，只能显示发热点大致范围，不能去除背景。在短波红外图像中，因为图像序列变化不大，因此使用平均值降噪、PCA、ICA 三种方法的差异不大。图7 光流法、PCA、ICA 处理效果图3.3 光流法处理热图像序列评估图7 可以直观地看到光流法在处理热图像序列中优于PCA 与ICA，也需要客观指标加以评估。选择了均方差、平均梯度与信息熵三个参数用于评估。式(10)均方误差计算公式，均方误差大表示图像全局变化明显。式(11)平均梯度公式，平均梯度大表示图像信息局部变化明显。信息熵计算公式为，表示图像携带的信息量。评估前，将全部图像归一化到0～1 区间，使用三个评估参数对多块光伏电池片的结果如表3 所示。光流法的均方误差与平均梯度均最大，表示使用光流法处理的结果缺陷特征明显，对比度高；而信息熵最低表示光流法处理的结果稀疏，能去掉大部分结构信息。1 1 1 12, ,1 1 1 11( )M N M Ni j i ji j i jstd I IMN- - - -= = = == åå -åå (10)1( 1)( 1)gM N= ´- -( ) ( )1 12 2, 1, , , 11 112M Ni j i j i j i ji jI I I I- -+ += =é - + - ùêë úû å å (11), ,1 1logM Ni j i ji jen p p= == -åå (12)表3 光流法的评估结果PCA ICA 光流法均方误差 3 787.30 138.85 175 739.12平均梯度 67.38 7.19 11 619.47信息熵 3.29 0.91 0.263.4 深度学习效果建立的卷积神经网络结构示意图如图3 所示。由表2 可以看出不同缺陷类型数量差异较大，因此使用了图像增广技术增加数据集的数量，使得各类训练数据尽量相等。在使用旋转90°、180°、270°，水平翻转，垂直翻转，加不同强度的椒盐噪声后，获得了605 个无缺陷样本、585 个人为缺陷样本和588 内部缺陷样本。训练集与测试按照5∶1的比例进行分配。训练中，每批次数据进行批归一化，训练40 个周期。主要对批次训练的大小进行了讨论，设置了20、30、40、80、100 五个批次大小分别进行了训练，对训练集与测试集使用损失函数月2021 年*月 邓堡元等：光伏电池图像序列的深度学习检测方法7与准确率两个参数进行评估，结果如图8 所示。对于训练集，批次越大，下降越慢，精度越低；对于测试集，批次大小对最终精度影响不大，但是对下降过程中的波动影响较大。在综合训练集与测试集的结果后，决定使用30 大小的批次进行后续处理。图8 批处理大小对训练结果的影响对批处理大小为30 的结果，使用混淆矩阵对结果进行评定。深灰色格子上方的数字表示分类正确的样本数，下方百分比由该数量除以全体样本；浅灰色格子表示分类错误的样本数，下方的百分比由该数字除以全体样本；最下方的白色格由该列正样本数除以该列全体样本数，为召回率；最右方白色格子由该行正样本数除以该行全体样本数，为精确率；最右下角的格子为全体样本的准确率，如图9 所示。说明在训练过程中，各类数据量接近，使得各类的误差相对较小，在总数据集上达到了95.3%的准确率。图9 混淆矩阵评价在相同训练参数下，将数据更换成PCA、ICA处理的热图像序列与短波红外图像序列，重新训练，其在训练集与验证的准确率如表4 所示。在相同的训练周期中，PCA 与ICA 的训练结果类似。光流法在训练集中先达到了较高的值，但是在验证集中，三者准确率相差不大。推测光流法过于稀疏导致在同样复杂度的模型中达到了过拟合状态，有进一步简化卷积网络的潜力。表4 PCA、ICA、光流法深度学习准确率PCA ICA 光流法测试集准确率 86.74% 84.53% 98.45%验证集准确率 85.25% 85.25% 86.26%使用模型对光伏电池片图像缺陷进行检测时，将原图像分割为64 张小图像分别输入模型，每张小图像对应获得一个缺陷类别预测值，将这些标签按原图像位置排列为8×8 的预测值矩阵，即可得到对应完整原图像的缺陷预测情况图。4 结论(1) 文章从检测试验、图像序列处理、数据集标定、深度学习一整套光伏电池检测流程，实现了机 械 工 程 学 报 第57 卷第**期期8对光伏电池片的细致、智能检测。在试验中，采用正向恒流采集短波红外成像与反向恒压采集热图像序列的方式，充分利用光伏电池片的电致发光与欲击穿的电流热效应。图像序列处理中，提出了基于光流的热图像序列处理方法，在主观与客观指标上显著优于PCA 与ICA 算法。(2) 使用独热编码对图像块做标签，能在一块光伏电池片上检测出多种缺陷。搭建卷积神经网络，对光流法处理后的热图像进行训练，以实现对缺陷的智能、准确识别。在相同训练条件下，训练数据集采用光流法处理相对于ICA 与PCA 算法，效果最快最好。(3) 文章的局限性主要有两点，一点是整体算法较为繁杂与数据量较大，需要较多的计算量与时间，后续需要一定程度简化算法与工作流程，降低计算量。第二点是对于机器学习，样本量太少，仅仅使用了32×32×4×768 的数据进行训练，使用了防过拟合手段但仍存在过拟合现象。后续过程需要与光伏电池工厂进行合作获取更多的样本，实现更优秀的识别效果，推向产业化。参 考 文 献[1] 杨瑞珍，杜博伦，何赟泽. 晶体硅光伏电池电磁感应激励红外热辐射缺陷检测与成像技术 [J]. 电工技术学报，2018，33(2)：321-330.YANG Ruizhen，DU Bolun，HE Yunze. Infrared radiationdefect detection and imaging technique under activeelectromagnetic induction excitation for crystalline siliconphotovoltaic cells[J]. Transactions of ChinaElectrotechnical Society，2018，33(2)：321-330.[2] BELYAEV A，POLUPAN O，OSTAPENKO S，et al.Resonance ultrasonic vibration diagnostics of elastic stressin full-size silicon wafers [J]. Semiconductorence &Technology，2006，21(3)：254-260.[3] HE Y，DU B，HUANG S. Non-contact electromagneticinduction excited infrared thermography for photovoltaiccells and modules inspection [J]. IEEE Transactions onIndustrial Informatics，2018(99)：1.[4] COTFAS D T，COTFAS P A，KAPLANIS S. Methods todetermine the dc parameters of solar cells：A criticalreview [J]. Renewable & Sustainable Energy Reviews，2013，28(8)：588-596.[5] COTFAS D T，COTFAS P A，KAPLANIS S. Methods andtechniques to determine the dynamic parameters of solarcells ： Review [J]. Renewable & Sustainable EnergyReviews，2016，61：213-221.[6] HUANG Z，SONG X，ZHONG S，et al. 20.0% efficiencySi nano/microstructures based solar cells with excellentbroadband spectral response [J]. Advanced FunctionalMaterials，2016，26(12)：1892-1898.[7] 陈文志，张凤燕，张然，等. 基于电致发光成像的太阳能电池缺陷检测 [J]. 发光学报， 2013 ， 34(8) ：1028-1034.CHEN Wenzhi，ZHANG Fengyan，ZHANG Ran，et al.Defect detection of solar cells based onelectroluminescence imaging [J]. Chinese Journal ofLuminescence，2013，34(8)：1028-1034.[8] CHUNG T Y，WANG C H，CHANG K J，et al. Evaluationof the spatial distribution of series and shunt resistance ofa solar cell using dark lock-in thermography [J]. Journalof Applied Physics，2014，115(3)：271-282.[9] RILAND S，MICARD G，BREITENSTEIN O，et al.Comparison of the recombination velocity at grainboundaries gained by lock-in thermography and lightbeam induced current measurements [C]// 28th EuropeanPhotovoltaics Solar Energy Conference and Exhibition，2013：1659-1664.[10] RIßLAND S，PLETZER T M，WINDGASSEN H，et al.Local Thermographic efficiency analysis ofmulticrystalline and cast-mono silicon solar cells [J].IEEE Journal of Photovoltaics，2013，3(4)：1192-1199.[11] KIM D，YOUN J，KIM C. Automatic fault recognition ofphotovoltaic modules based on statistical analysis of UAVthermography [C/CD]//International Conference onUnmanned Aerial Vehicles in Geomatics，4-7 September2017，Bonn，Germany，2017.[12] AGHAEI M，GRIMACCIA F，GONANO C A，et al.Innovative automated control system for PV fieldsinspection and remote control [J]. IEEE Transactions onIndustrial Electronics，2015，62(11)：7287-7296.[13] NAKANISHI H，FUJIWARA S，TAKAYAMA K，et al.Imaging of a polycrystalline silicon solar cell using a laserterahertz emission microscope [J]. Applied PhysicsExpress，2012，5(11)：2301.[14] REN W， LIU J ， TIAN G Y， et al. Quantitativenon-destructive evaluation method for impact damageusing eddy current pulsed thermography [J]. CompositesPart B：Engineering，2013，54：169-179.[15] HAUSSECKER H W. Simultaneous estimation of opticalflow and heat transport in infrared image sequences[C/CD]// Proceedings of the Proceedings IEEE Workshopon Computer Vision Beyond the Visible Spectrum：Methods and Applications (Cat No PR00640)，F，2000.[16] SIMONYAN K ， ZISSERMAN A. Two-streamconvolutional networks for action recognition in videos[C]//Proceedings of the 27th International Conference on月2021 年*月 邓堡元等：光伏电池图像序列的深度学习检测方法9Neural Information Processing Systems，2014：568-576.[17] WANG L，XIONG Y，WANG Z，et al. Temporal segmentnetworks ： Towards good practices for deep actionrecognition[C]//Proceedings of the European Conferenceon Computer Vision，2016：20-36.[18] QIU Z ，YAO T，MEI T. Learning spatio-temporalrepresentation with pseudo-3d residual networks[C]//Proceedings of the IEEE International Conference onComputer Vision，2017：5534-5542.[19] CARREIRA J ， ZISSERMAN A. Quo vadis ， actionrecognition? a new model and the kinetics dataset[C/CD]//Proceedings of the IEEE Conference on Computer Visionand Pattern Recognition，2017.[20] FEICHTENHOFER C，FAN H，MALIK J，et al. SlowFastNetworks for Video Recognition [C]// InternationalConference on Computer Vision，2018：6201-6210.作者简介：邓堡元，男，1996 年出生，博士研究生。主要研究方向为红外机器视觉、红外检测。E-mail：dengbaoyuan@foxmail.com何赟泽(通信作者)，男，1983 年出生，副教授。主要研究方向为红外机器视觉、红外无损检测、电磁无损检测、声发射检测。E-mail：yhe@vip.163.com