近年来,随着全球工业化进程的不断加快,能源与环境危机成为一个亟待解决的问题。为此,太阳能作为一种清洁可再生的能源,现已被广泛应用于各领域。太阳能电池片作为太阳能转换为电能的核心载体,其质量的好坏决定着电能的转换效率。论文通过电致发光检测平台实现了对太阳能电池片红外图像的采集。在图像识别系统中,针对单晶类电池片的缺陷检测,利用Halcon图像处理软件来识别出各种缺陷;而对多晶类电池片,为了提高缺陷的识别效果,采用基于Keras的卷积神经网络对缺陷进行判别。在软硬件控制系统中,通过C#编写图像识别系统,以PLC对系统进行控制,实现对太阳能电池片质量的在线检测。论文的主要研究工作如下:电池片图像预处理。提出一种结合高斯滤波与均值滤波的加权融合滤波算法,相比较单一滤波算法,该算法既能够保护图像的局部边缘特征又能够很好的降低图像的噪声,满足后续图像处理需要的高清图像要求。另外,采用priwitt边缘检测算法对图像目标区域和背景区域进行分离,提取图像感兴趣区域。缺陷检测算法设计。单晶硅电池片:1、针对太阳能电池片隐裂缺陷,提出了一种改进灰度阈值方法,其利用变异系数法和改进的动态阈值法实现对特征平面的构建以及对该平面上隐裂缺陷的定位。2、划伤缺陷,通过分析划伤缺陷的特征,采用了高斯线检测方法,并根据划伤样本库确定高斯核函数以及滞后阈值参数。3、对于黑斑、断栅等块状缺陷,首先通过常规的局部阈值法初步定位缺陷位置,接着通过形态学和面积特征对小区域进行筛除,防止出现误检,最后根据形状特征(矩形度、圆度)对断栅和黑斑进行分类。多晶硅电池片:在经典VGGNet的基础上增加批归一化层和全局池化层分别对模型进行规范化以及降低对计算机资源的占用率,并在keras深度学习框架上实现。通过实验表明,改进后的VGGNet相比较传统的卷积神经网络在测试准确率、收敛性等性能方面效果更好。系统调试与实验分析。对硬件模块进行集成及图像识别软件开发,搭建了完整的检测系统;实验表明,单晶类电池片隐裂缺陷的识别率达到99.6%;断栅的识别率在95.6%;黑斑、脏污无漏检;划伤的识别率为98%;另外多晶类电池片的识别率总体在91%以上系统单片图像识别的时间在250ms到300ms之间。