基于卷积神经网络的光伏组件玻璃裂纹原位检测与性能影响研究

《IEEE Journal of Photovoltaics》：Using Convolutional Neural Networks to Detect In-Field PV Module Glass Cracks

本研究针对双玻光伏(PV)组件玻璃裂纹现场检测难题，开发了基于卷积神经网络(CNN)的自动识别系统。通过非标准化图像采集构建多数据集，验证了六层CNN模型可实现97.7%的裂纹分类准确率（CPU推理时间1.5秒），YOLOv11实现95.7%的实例分割精度。近红外吸收光谱显示裂纹区域水指数(WI)显著升高，为评估玻璃裂纹导致的潜在降解风险提供了新依据。

　　

随着双玻光伏组件在全球市场份额的快速增长（预计2025年占比达50%），其玻璃开裂现象逐渐成为行业关注的焦点。现有研究报告显示，现场光伏组件的玻璃裂纹发生率为1%-15%，成因涉及中风速、安装不当及自发性破裂等多种因素。然而，传统的裂纹检测方法存在明显局限：巡检人员需徒步穿越面积可达95平方公里的光伏电站，肉眼辨识难度极大——裂纹可能位于距离地面较高的组件正面，或贴近地面的背面，且裂纹可见度差异显著，从清晰可辨到近乎隐形。

更严峻的是，当前主流的高通量检测技术（如电致发光(EL)和红外成像）对玻璃裂纹完全无效。如图2所示，即使存在明显玻璃裂纹的组件，在EL图像中亦无法显现痕迹。这种检测盲区结合光伏电站庞大的规模（欧美电站平均容量20-30MW，中印电站达100MW）及高昂运维成本（每年5-8美元/kW_DC），亟需开发高效、低成本的自动化裂纹检测方案。

为突破此技术瓶颈，由Helmholtz Institute Erlangen-Nürnberg for Renewable Energy(HI-ERN)与KIWA PI Berlin AG组成的研究团队，创新性地将卷积神经网络(CNN)技术应用于光伏组件玻璃裂纹的识别与分割。研究通过非标准化图像采集方式（使用佳能相机与大疆无人机），在两类光伏电站中构建了包含3,540-12,600张图像的数据集，系统对比了六层CNN、四层CNN、VGG16、VGG19、ResNet18、ResNet34及ResNet50共七种模型的性能，并首次引入YOLOv11实现裂纹实例分割。此外，通过近红外吸收光谱(NIRA)对裂纹区域的水指数(WI)进行量化，揭示了玻璃裂纹可能导致水分侵入的关键风险。

本研究主要采用三类关键技术方法：一是基于多源异构图像数据的卷积神经网络(CNN)训练与十折交叉验证；二是利用YOLOv11架构的实例分割模型进行裂纹轮廓精准识别；三是采用近红外吸收光谱仪（Nirone， Spectral Engines）对裂纹区域进行水指数(WI)网格化测量（10×10测点/模块）。所有实验样本均来自现场实际运行的光伏电站，包含白色背板与蓝色电池片两种组件类型。

数据集创建与模型构建

研究团队在两个光伏电站中，使用佳能EOS 250D相机（4000×6000像素）和大疆Mini Pro 3无人机（3840×2160像素）采集图像，涵盖不同光照、角度及距离条件， intentionally避免标准化成像以降低未来部署成本。图像被分割为500×500或250×250像素的图块，人工标注为“裂纹”“无裂纹”及“不可用”三类。数据集进一步分为“无遮挡”（仅含裂纹与背景）与“有遮挡”（含接线盒、电缆等组件）两类，以模拟真实场景。

六层CNN模型采用逐步增加的卷积核（16-256）、ReLU激活函数与L2正则化，输入图像统一缩放至190×190像素。对比实验中，VGG与ResNet系列模型均采用ImageNet预训练权重，并添加自定义分类层。

CNN模型性能评估

十折交叉验证显示，六层CNN在多数数据集中达到92.3%-96.8%的分类准确率，而ResNet50模型进一步提升至98.5%，但CPU单图推理时间从0.29秒（六层）增至2.3秒。值得注意的是，蓝色组件因裂纹与背景总线反射色彩过渡缓慢（图7），模型识别难度显著高于白色组件。混淆矩阵与ROC曲线分析表明，所有模型对裂纹图像的召回率均高于无裂纹图像，说明模型更倾向于将疑似裂纹判为阳性。

裂纹分割与实地部署可行性

YOLOv11模型在蓝色组件数据集上实现95.7%的边界框精度、掩码精度、召回率及mAP@0.5（图10）。尽管掩码mAP@0.5-0.95仅为49.2%（因裂纹边界模糊），但模型能有效定位裂纹区域。研究提出两种自动化部署方案：无人机巡检（需加装避障传感器）与地面移动机器人（适于低矮组件），并强调六层CNN的低计算需求（CPU推理）更适合嵌入式设备集成。

水指数映射与风险预警

通过近红外吸收光谱对两个裂纹组件进行WI测量发现，裂纹周边区域WI值显著高于模块中心（图13）。十昼夜浸水后，模块WI最大值升高0.03-0.07，且数值分布离散度加倍（湿模块WI分布范围0.0498-0.104，干模块为0.0206-0.0268）。此结果提示玻璃裂纹可能导致封装材料水分渗透，进而引发电势诱导衰减(PID)、金属栅线腐蚀等退化风险。

本研究证实，轻量级CNN模型可突破现有技术局限，实现光伏组件玻璃裂纹的高精度、低成本自动化检测。裂纹导致的局部水分富集现象为评估组件长期可靠性提供了关键依据。未来工作需扩展数据集规模、优化模型超参数，并开发集成GPS定位的实时诊断系统。该研究成果发表于《IEEE Journal of Photovoltaics》，为光伏电站智能化运维与风险预警建立了技术范式。