太阳电池组件是新能源系统中用于光伏发电的核心部件,而太阳能电池片是构成电池组件的关键部分。但是在其生产过程中,由于工艺的限制及生产环境的影响,电池片表面易出现断栅、缺角、划痕、脏污等缺陷。这些缺陷不仅会降低产品的良率,还会影响电池片原本就不高的转换效率,在其构成组件之前进行检测并剔除缺陷产品尤为重要。目前常用的人工检测手段受经验和主观因素影响较大,机器视觉检测则受制于缺陷检测的算法。本文从工业生产对电池片缺陷检测实时性、准确性、快速性要求出发,围绕太阳能电池片缺陷高效检测展开研究。首先提出了基于欠定方程模型的电池片缺陷检测算法,实现了线型、斑点型等微弱缺陷的快速、准确检测;其次,针对欠定方程对边缘型、环型缺陷的检测识别率较低现象提出了基于深度学习的Dp-Unet模型,并达到了精确率、识别准确率的要求;最后,将二者统一实现了系统级检测平台。本文的具体内容和创新点如下:(1)针对广泛采用的频域分析法,提出了基于欠定方程的缺陷检测算法。该算法借助压缩感知原理,考察电池片表面数字图像,基于一维傅里叶变换,构建关于缺陷列在小波域中的投影系数的欠定方程,而后通过内积比较确定各高频系数中的大值所在位置,进而实现对图像缺陷点的检测。实验表明,由于算法引入了压缩感知思想,复杂度低、能快速准确检测太阳电池片表面的线型、斑点型及复合型等微弱缺陷。(2)针对欠定方程模型在检测具有边缘型缺陷时效果不理想的现象,基于第三章中在小波变换域内比较投影系数以确定高频分量大值位置的思想,提出了基于动态池化(Dynamic Pooling)的深度学习缺陷检测模型Dp-Unet。该算法将电池片数字图像看成离散列信号,通过小波变换检测信号中的跳变点位置,从而实现动态池化,并由此提取特征信息。模型训练结果表明,Dp-Unet在识别准确率、召回率、精确率等方面都可满足工业生产的实时性、快速性和准确性等要求。该算法是对欠定方程模型在某些具有边缘型缺陷检测时效果不佳的有力补充。(3)最后,采用Visual Basic 6.0设计并实现了基于欠定方程与Dp-Unet模型的电池片缺陷检测系统,该系统能满足16条生产线缺陷检测过程的并行处理,有效地提高了生产效率,实现了电池片在线检测、缺陷产品剔除、实时/历史数据查询等功能。