东南大学AI新突破：光伏电池缺陷检测更精准！
东南大学AI新突破：光伏电池缺陷检测更精准！
东南大学自动化学院张金霞教授团队在光伏电池缺陷检测领域取得重大突破，提出了一种基于神经结构搜索（NAS）和知识蒸馏的轻量级缺陷检测模型，将检测精度提升至91.74%。这一创新不仅提高了检测效率，还降低了硬件资源要求，为光伏产业的智能化升级提供了有力支持。
随着全球对绿色能源需求的持续增长，光伏产业作为新能源的重要组成部分，其发展速度令人瞩目。然而，光伏组件在制造、运输及安装过程中极易产生缺陷，这些缺陷若未能及时发现并处理，将严重影响光伏系统的整体性能和安全性。因此，高效、精准的光伏电池缺陷检测技术显得尤为重要。
传统检测方法如电流-电压（I-V）曲线和红外热成像（IRT）存在识别精度低的问题，难以有效识别微裂纹等潜在风险因素。而基于卷积神经网络（CNN）的方法虽然性能优越，但模型参数量大，对硬件资源要求高，难以在工业现场大规模部署。
针对这一难题，东南大学研究团队创新性地将神经结构搜索（NAS）和知识蒸馏技术应用于光伏电池缺陷检测。研究团队采用基于连续梯度的NAS框架DARTS，结合光伏电池缺陷的视觉多尺度特征，设计了合适的搜索空间，成功构建出轻量级且高效的检测模型。同时，通过知识蒸馏技术，将大模型的先验知识迁移到轻量级模型中，进一步提升了模型性能。
实验结果表明，该轻量级模型在公共数据集上的准确率达到91.74%，在私有数据集上对缺陷样本的准确率更是高达94.26%。值得一提的是，该模型可部署在低功耗嵌入式设备上，如Raspberry Pi-4B和NVIDIA Jetson Nano，实现了检测效率与硬件成本的完美平衡。
这一研究成果不仅展示了科研人员在光伏电池缺陷检测领域的深厚功底和创新能力，也为光伏产业的可持续发展提供了重要支持。随着技术的不断进步和应用的深入推广，该模型有望在更多领域得到应用，为绿色能源的发展贡献更多力量。