CN117790353B - 一种el检测系统及el检测方法 - Google Patents

Abstract

本申请涉及EL检测技术领域，且更为具体地公开了一种EL检测系统及EL检测方法，通过采集太阳能电池板的电致发光图像并提取特征，利用分类器判断太阳能电池板是否存在缺陷，以提高产品的合格率和等级。这样具有低成本、快速扫描和高清晰度成像的特点，对太阳能电池板生产具有重要影响。

Description

一种EL检测系统及EL检测方法

技术领域

本申请涉及EL检测技术领域，且更为具体地，涉及一种EL检测系统及EL检测方法。

背景技术

自动化生产线对电池片的多次加工会使电池片破损率增大，在生产过程中就会产生隐裂、碎片、崩边、虚焊、断栅等缺陷，这样会使太阳能电池的转换效率更低。如果能在各个生产流程环节中及时发现，便可以相应调整生产设备的运行状态，从而提高成品的合格率及成品等级，这样就需要大量的在线缺陷检测设备。出于成本考虑，目前的生产线多数只是在层压之前和层压之后各做一次EL测试。因此开发研制成本低、扫描速度快、成像清晰度高的在线缺陷检测设备就成为了太阳能电池板生产过程中的一个关键性问题，该设备的研制将对光伏产业的发展产生重要影响。

因此，期望一种EL检测系统及EL检测方法。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种EL检测系统及EL检测方法，通过特征提取和分类器判断太阳能电池板是否存在缺陷。

相应地，根据本申请的一个方面，提供了一种EL检测系统，其包括：

电致发光图像采集模块，用于获取由部署于单晶硅太阳能电池暗室的近红外摄像头采集的电致发光图像；

电致发光图像处理模块，用于将所述电致发光图像通过特征提取以分别得到电致发光特征语义特征向量和电致发光灰度校正特征向量；

电致发光图像融合模块，用于融合所述电致发光特征语义特征向量和所述电致发光灰度校正特征向量以得到电致发光特征检测特征向量；

特征检测分析模块，用于将所述电致发光特征检测特征向量通过分类器以得到分类结果，所述分类结果用于表示太阳能电池板是否存在缺陷。

在上述EL检测系统中，所述电致发光图像处理模块，包括：灰度图像提取单元，用于将所述电致发光图像转化为灰度图像后进行校正以得到电致发光灰度校正图像；灰度特征统计单元，用于将所述电致发光灰度校正图像通过编码以得到所述电致发光特征语义特征向量；校正图像处理单元，用于将所述电致发光灰度校正图像通过使用卷积编码以得到所述电致发光灰度校正特征向量。

在上述EL检测系统中，所述灰度图像提取单元，包括：灰度图像子单元，用于将所述电致发光图像转化为灰度图像以得到电致发光灰度图像；校正子单元，用于对所述电致发光灰度图像进行校正以得到所述电致发光灰度校正图像。

在上述EL检测系统中，所述灰度特征统计单元，包括：提取统计量子单元，用于基于灰度共生矩阵从所述电致发光灰度校正图像得到多个电致发光灰度特征统计量；上下文编码子单元，用于将所述多个电致发光灰度特征统计量通过包含嵌入层的上下文编码器以得到多个电致发光灰度特征统计语义特征向量；双向长短期记忆子单元，用于将所述多个电致发光灰度特征统计语义特征向量进行一维排列后通过双向长短期记忆神经网络模型以得到所述电致发光特征语义特征向量。

在上述EL检测系统中，所述上下文编码子单元，包括：嵌入转化二级子单元，用于将所述多个电致发光灰度特征统计量通过嵌入层以将所述多个电致发光灰度特征统计量中各个维度统计量转化为嵌入向量以得到嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个维度统计量进行嵌入编码；编码二级子单元，用于将所述嵌入向量的序列通过所述基于转换器的上下文编码器以得到所述多个电致发光灰度特征统计语义特征向量。

在上述EL检测系统中，所述双向长短期记忆子单元，包括：一维排列二级子单元，用于将所述多个电致发光灰度特征统计语义特征向量进行一维排列以得到电致发光灰度特征统计语义特征向量的序列；序列编码二级子单元，用于使用所述双向长短期记忆神经网络模型对所述电致发光灰度特征统计语义特征向量的序列进行上下文语义编码以得到所述电致发光特征语义特征向量。

在上述EL检测系统中，所述校正图像处理单元，包括：空间注意力子单元，用于将所述电致发光灰度校正图像通过使用空间注意力机制的第一卷积神经网络模型以得到电致发光灰度校正特征图；特征图降维子单元，用于将所述电致发光灰度校正特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述电致发光灰度校正特征向量。

在上述EL检测系统中，还包括用于对所述包含嵌入层的上下文编码器、所述双向长短期记忆神经网络模型、所述空间注意力机制的第一卷积神经网络模型和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括训练电致发光图像；训练灰度图像单元，用于将所述训练电致发光图像转化为灰度图像以得到训练电致发光灰度图像；训练校正单元，用于对所述训练电致发光灰度图像进行校正以得到训练电致发光灰度校正图像；训练统计量单元，用于基于灰度共生矩阵从所述训练电致发光灰度校正图像得到多个训练电致发光灰度特征统计量；训练上下文编码单元，用于将所述多个训练电致发光灰度特征统计量通过包含嵌入层的上下文编码器以得到多个训练电致发光灰度特征统计语义特征向量；训练长短期记忆单元，用于将所述多个训练电致发光灰度特征统计语义特征向量进行一维排列后通过双向长短期记忆神经网络模型以得到训练电致发光特征语义特征向量；训练注意力单元，用于将所述训练电致发光灰度校正图像通过使用空间注意力机制的第一卷积神经网络模型以得到训练电致发光灰度校正特征图；训练降维单元，用于将所述训练电致发光灰度校正特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到训练电致发光灰度校正特征向量；训练融合单元，用于融合所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量以得到训练电致发光特征检测特征向量；训练补偿损失函数值单元，用于计算所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；分类损失单元，用于将所述训练电致发光特征检测特征向量通过分类器以得到分类损失函数值模型训练单元，用于计算所述补偿损失函数值和所述分类损失函数值的加权和作为最终损失函数值，对所述包含嵌入层的上下文编码器、所述双向长短期记忆神经网络模型、所述空间注意力机制的第一卷积神经网络模型和所述分类器进行训练。

在上述EL检测系统中，所述训练补偿损失函数值单元，包括：计算概率值子单元，用于将所述训练电致发光特征语义特征向量通过Softmax函数以得到概率值；计算均值特征向量子单元，用于计算所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量的按位置均值以得到均值特征向量；计算范数值子单元，用于计算所述均值特征向量的Frobenius范数以得到范数值；计算系数子单元，用于计算所述概率值乘以以范数值为幂的自然指数函数值以得到所述概率密度分布单调性超凸度量系数。

根据本申请的另一个方面，还提供了一种EL检测方法，其包括：

获取由部署于单晶硅太阳能电池暗室的近红外摄像头采集的电致发光图像；

将所述电致发光图像通过特征提取以分别得到电致发光特征语义特征向量和电致发光灰度校正特征向量；

融合所述电致发光特征语义特征向量和所述电致发光灰度校正特征向量以得到电致发光特征检测特征向量；

将所述电致发光特征检测特征向量通过分类器以得到分类结果，所述分类结果用于表示太阳能电池板是否存在缺陷。

与现有技术相比，本申请提供的一种EL检测系统及EL检测方法，通过采集太阳能电池板的电致发光图像并提取特征，利用分类器判断太阳能电池板是否存在缺陷，以提高产品的合格率和等级。这样具有低成本、快速扫描和高清晰度成像的特点，对太阳能电池板生产具有重要影响。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的EL检测系统的框图示意图。

图2为根据本申请实施例的EL检测系统中电致发光图像处理模块的框图示意图。

图3为根据本申请实施例的EL检测系统中灰度图像提取单元的框图示意图。

图4为根据本申请实施例的EL检测系统中灰度特征统计单元的框图示意图。

图5为根据本申请实施例的EL检测系统中校正图像处理单元的框图示意图。

图6为根据本申请实施例的EL检测方法的流程图。

具体实施方式

以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好地说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

图1图示了根据本申请实施例的EL检测系统的框图示意图。如图1所示，根据本申请实施例的EL检测系统100，包括：电致发光图像采集模块110，用于获取由部署于单晶硅太阳能电池暗室的近红外摄像头采集的电致发光图像；电致发光图像处理模块120，用于将所述电致发光图像通过特征提取以分别得到电致发光特征语义特征向量和电致发光灰度校正特征向量；电致发光图像融合模块130，用于融合所述电致发光特征语义特征向量和所述电致发光灰度校正特征向量以得到电致发光特征检测特征向量；特征检测分析模块140，用于将所述电致发光特征检测特征向量通过分类器以得到分类结果，所述分类结果用于表示太阳能电池板是否存在缺陷。

在本申请实施例中，电致发光图像采集模块110，用于获取由部署于单晶硅太阳能电池暗室的近红外摄像头采集的电致发光图像。应可以理解，在太阳能电池板工作时，当光照射到电池板表面时，电池板会产生电致发光现象。这种发光可以反映出电池板的电学性能和结构特征。通过采集电致发光图像，可以观察到电池板的发光分布情况和亮度变化，从而判断是否存在缺陷。近红外摄像头被选择用于采集电致发光图像，是因为近红外光具有较高的透过能力，可以穿透一定深度的材料，包括太阳能电池板。通过近红外摄像头采集的图像可以更好地显示电池板内部的发光情况，以便更准确地检测缺陷。部署在单晶硅太阳能电池暗室中的摄像头可以提供稳定的光照条件和背景环境，以减少外界光干扰，并确保电致发光图像的质量和可靠性。同时，单晶硅太阳能电池暗室可以有效隔绝外界光线，提供较低的噪声水平，有利于准确捕捉和分析电致发光图像中的细节和特征。因此，获取由部署于单晶硅太阳能电池暗室的近红外摄像头采集的电致发光图像可以为后续的缺陷检测提供可靠的数据基础。

具体地，红外工业照相机通过USB接口与计算机连接，用户可以通过显示屏直接观察电池板的状态。采集到的图像经过软件处理，减少了温度、背景等因素对成像的影响，从而有效提高了缺陷成像的清晰度，并缩短了检测时间。

在本申请实施例中，电致发光图像处理模块120，用于将所述电致发光图像通过特征提取以分别得到电致发光特征语义特征向量和电致发光灰度校正特征向量。应可以理解，通过特征提取，可以从电致发光图像中提取出与电池板发光特性相关的语义特征。这些特征可以包括发光区域的位置、形状、大小、亮度等信息。通过对这些特征的分析和比较，可以判断电池板是否存在缺陷，并进一步识别和分类不同类型的缺陷。这种语义特征向量可以提供更高级别的信息，帮助确定电池板的质量和可靠性。电致发光图像可能受到光照条件、摄像机设置或其他因素的影响，导致图像的灰度值不准确或不一致。通过特征提取和灰度校正，可以获得电致发光灰度校正特征向量，用于调整图像的灰度级别，使得不同图像之间的比较和分析更加准确和可靠。这有助于消除图像中的噪声、背景干扰等因素，提高缺陷的可视化效果，从而更好地检测和评估电池板的质量。因此，通过提取电致发光特征语义特征向量和电致发光灰度校正特征向量，可以将电池板的发光特性量化为数值化的特征向量，方便后续的数据分析和处理。这些特征向量可以用于建立模型、进行机器学习和深度学习等算法的训练和优化，以实现更精确和自动化的电池板缺陷检测和评估。

具体地，在本申请的一个实施例中，图2图示了根据本申请实施例的EL检测系统中电致发光图像处理模块的框图示意图。如图2所示，在上述EL检测系统100中，所述电致发光图像处理模块120，包括：灰度图像提取单元121，用于将所述电致发光图像转化为灰度图像后进行校正以得到电致发光灰度校正图像；灰度特征统计单元122，用于将所述电致发光灰度校正图像通过编码以得到所述电致发光特征语义特征向量；校正图像处理单元123，用于将所述电致发光灰度校正图像通过使用卷积编码以得到所述电致发光灰度校正特征向量。

相应地，在本申请一个具体的示例中，所述灰度图像提取单元121，用于将所述电致发光图像转化为灰度图像后进行校正以得到电致发光灰度校正图像。应可以理解，电致发光图像在拍摄过程中可能受到光照条件的影响，导致图像中不同区域的亮度不一致。这种光照不均匀性会干扰对电池板发光特性的分析和判断，影响缺陷的检测和评估结果。通过将图像转化为灰度图像，并进行光照校正处理，可以消除光照不均匀性，使得图像中各个区域的亮度更加均匀和一致。电致发光图像可能存在色彩偏差，即图像中的颜色与实际发光特性不符。这可能是由于摄像机的色彩校正问题、光源的色温不匹配等因素引起的。通过将图像转化为灰度图像，可以消除色彩信息，使得色彩偏差对图像的影响降低。然后，进行灰度校正处理，调整图像的灰度级别，使得不同图像之间的比较和分析更加准确和可靠。因此，通过电致发光灰度校正，可以得到经过光照均匀性和色彩偏差校正的图像，提高了图像的质量和一致性。这样处理后的图像更适合进行后续的特征提取、缺陷检测和评估等分析工作，有助于提高电池板发光特性的可视化效果和准确性。

进一步，图3图示了根据本申请实施例的EL检测系统中灰度图像提取单元的框图示意图。如图3所示，在上述EL检测系统100的电致发光图像处理模块120中，所述灰度图像提取单元121，包括：灰度图像子单元1211，用于将所述电致发光图像转化为灰度图像以得到电致发光灰度图像；校正子单元1212，用于对所述电致发光灰度图像进行校正以得到所述电致发光灰度校正图像。

具体地，所述灰度图像子单元1211，用于将所述电致发光图像转化为灰度图像以得到电致发光灰度图像。应可以理解，灰度图像只包含亮度信息，而不包含颜色信息。对于电致发光图像而言，颜色信息并不是特别重要，因为发光强度和亮度是我们更关注的特征。通过将图像转化为灰度图像，可以去除颜色的干扰，简化图像的表示，使得后续的处理更加方便和高效。电致发光图像的主要特征是亮度的变化和对比度的差异，而不是颜色的变化。将图像转化为灰度图像可以突出亮度和对比度信息，使得电致发光的特征更加明显。这样可以更容易地观察和分析电致发光图像中的细节和变化。灰度图像只有一个通道，相对于彩色图像的三个通道，数据维度更低。这意味着在进行图像处理和分析时，需要处理的数据量更小，计算量更少，更容易实现实时性和效率。许多图像处理算法和技术都是基于灰度图像的。通过将电致发光图像转化为灰度图像，可以直接应用这些算法和技术，如边缘检测、滤波、分割等，以进一步分析和处理电致发光图像。

具体地，所述校正子单元1212，用于对所述电致发光灰度图像进行校正以得到所述电致发光灰度校正图像。应可以理解，电致发光图像可能受到各种噪声的影响，例如图像传感器噪声、电子噪声等。这些噪声会降低图像的清晰度和质量，干扰对电致发光特征的观察和分析。通过对灰度图像进行校正处理，可以使用各种噪声滤波算法来减少或去除噪声，从而提高图像的清晰度和可靠性。在电致发光图像中，可能存在伪影或图像畸变，这些畸变可能由于光学系统、图像采集设备或其他因素引起。对灰度图像进行校正可以应用图像校正算法，如几何校正、畸变校正等，来消除或修复这些伪影和畸变，使得图像更符合实际情况。电致发光灰度图像可能在亮度和对比度方面存在一定程度的不均匀性或缺失。通过校正处理，可以应用直方图均衡化、对比度增强等算法来调整图像的亮度和对比度，使得图像中的细节更加清晰可见，有助于更准确地分析和识别电致发光特征。对电致发光灰度图像进行校正也可以涉及标定和校准过程。通过对已知亮度和灰度值的参考物体进行测量和比较，可以建立灰度校准模型，将图像的灰度值映射到实际亮度值，从而实现图像的定量化和标准化。通过对电致发光灰度图像进行校正处理，可以去除噪声、伪影和图像畸变，增强对比度和细节，并进行标定和校准，以得到更准确、更可靠的电致发光灰度校正图像。这样的图像可以更好地支持电致发光特性的分析、检测和评估，并为后续的数据处理和应用提供更可靠的基础。

相应地，在本申请一个具体的示例中，所述灰度特征统计单元122，用于将所述电致发光灰度校正图像通过编码以得到所述电致发光特征语义特征向量。应可以理解，电致发光灰度校正图像通常具有较高的分辨率，包含大量的像素信息。直接使用原始图像数据进行分析和处理可能会导致高维度的数据空间，增加计算和存储的复杂性。通过将图像编码为语义特征向量，可以将图像数据映射到低维度的特征空间，降低数据维度，提高计算效率。通过编码，可以将电致发光灰度校正图像转化为语义特征向量。这些向量在表示图像时会捕捉到图像的语义信息，即图像中的重要特征和结构。通过提取图像的语义信息，可以更好地理解和解释电致发光图像中的特征，如光斑形状、边缘特征、纹理等，从而支持后续的特征分析和应用。通过编码得到的语义特征向量，可以使不同电致发光灰度校正图像之间具有可比性和可匹配性。这意味着可以通过比较特征向量的距离或相似度来评估图像之间的相似性或差异性。这对于电致发光图像的分类、聚类、检索等任务非常有用，可以更好地组织和管理大量的电致发光图像数据。

进一步，图4图示了根据本申请实施例的EL检测系统中灰度特征统计单元的框图示意图。如图4所示，在上述EL检测系统100的电致发光图像处理模块120中，所述灰度特征统计单元122，包括：提取统计量子单元1221，用于基于灰度共生矩阵从所述电致发光灰度校正图像得到多个电致发光灰度特征统计量；上下文编码子单元1222，用于将所述多个电致发光灰度特征统计量通过包含嵌入层的上下文编码器以得到多个电致发光灰度特征统计语义特征向量；双向长短期记忆子单元1223，用于将所述多个电致发光灰度特征统计语义特征向量进行一维排列后通过双向长短期记忆神经网络模型以得到所述电致发光特征语义特征向量。

具体地，所述提取统计量子单元1221，用于基于灰度共生矩阵从所述电致发光灰度校正图像得到多个电致发光灰度特征统计量。具体地，所述多个电致发光灰度特征统计量，包括：均值、方差、协同性、对比度、相异度、熵、角二矩阵和相关性。应可以理解，提取图像的纹理特征信息。灰度共生矩阵是一种用于描述图像纹理特征的统计工具，通过计算像素之间的灰度关系，可以获取图像的纹理信息。具体地，均值表示图像中像素灰度级的平均值，可以反映图像的亮度水平，方差描述图像中像素灰度级的离散程度，用于衡量图像的对比度，协同性衡量图像中像素灰度级对比度的统计量，用于描述图像中纹理的一致性，对比度度量图像中相邻像素之间灰度级的差异程度，用于描述图像的纹理细节，相异度反映图像中相邻像素之间灰度级的差异程度，用于描述图像的纹理粗糙度，熵用于描述图像中纹理的复杂程度，衡量图像中像素灰度级的不确定性，角二矩阵衡量图像中像素灰度级在不同方向上出现的概率，用于描述图像的纹理均匀性，相关性描述图像中相邻像素之间的线性相关性，用于衡量图像的纹理方向性。

通过计算灰度共生矩阵并提取这些特征统计量，可以捕捉到电致发光图像的纹理特征，例如纹理的细腻程度、粗糙度、均匀性、方向性等。这些特征统计量可以用于图像分类、目标检测、图像匹配等应用中，帮助我们理解和分析电致发光图像中的纹理信息。

具体地，所述上下文编码子单元1222，用于将所述多个电致发光灰度特征统计量通过包含嵌入层的上下文编码器以得到多个电致发光灰度特征统计语义特征向量。应可以理解，原始的特征统计量通常是以数值形式表示的，每个特征都有一个单独的数值。通过将这些特征统计量编码为语义特征向量，可以将原始特征的维度压缩到一个较低维度的向量中，从而减少数据的存储和处理成本。将多个特征统计量编码为语义特征向量可以将不同的特征信息融合在一起。语义特征向量中的每个维度可以表示不同特征的重要性或相关性，从而使得整体特征更具表达能力。通过包含嵌入层的上下文编码器，可以利用上下文信息来提高特征编码的效果。上下文编码器可以学习到特征之间的关系和依赖性，从而更好地捕捉特征之间的语义信息。语义特征向量是对特征统计量的抽象表示，它们可以更好地反映图像的语义信息。通过编码为语义特征向量，可以将原始的数值特征转化为更具有语义含义的向量表示，有助于后续的语义分析和应用。

进一步，所述上下文编码子单元，包括：嵌入转化二级子单元，用于将所述多个电致发光灰度特征统计量通过嵌入层以将所述多个电致发光灰度特征统计量中各个维度统计量转化为嵌入向量以得到嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个维度统计量进行嵌入编码；编码二级子单元，用于将所述嵌入向量的序列通过所述基于转换器的上下文编码器以得到所述多个电致发光灰度特征统计语义特征向量。

相应地，所述嵌入转化二级子单元，用于将所述多个电致发光灰度特征统计量通过嵌入层以将所述多个电致发光灰度特征统计量中各个维度统计量转化为嵌入向量以得到嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个维度统计量进行嵌入编码。应可以理解，多个电致发光灰度特征统计量可能具有不同的维度和量纲，不便于直接进行比较和处理。通过嵌入层的编码，可以将这些统计量维度转换为相同的嵌入向量维度，使得它们具有一致的表示形式。通过嵌入层编码，可以将多个电致发光灰度特征统计量的维度转化为嵌入向量序列。这样做可以将不同维度的统计量融合在一起，形成一个更全面、更具表达能力的特征向量序列。通过使用可学习的嵌入矩阵，嵌入层可以学习到特征之间的关系和依赖性。嵌入矩阵可以通过训练数据进行学习，使得编码后的嵌入向量能够更好地捕捉特征之间的语义信息，提高特征的表达能力。通过嵌入层编码，可以将原始的多维特征统计量转化为低维的嵌入向量序列。这有助于减少数据的存储和计算成本，并提高后续特征处理和分析的效率。通过将多个电致发光灰度特征统计量通过嵌入层进行编码，可以将各个维度的统计量转化为嵌入向量的序列，以获得更一致、更具表达能力的特征表示。这样的编码过程利用可学习的嵌入矩阵将统计量转化为嵌入向量，从而更好地捕捉特征之间的语义信息。

相应地，所述编码二级子单元，用于将所述嵌入向量的序列通过所述基于转换器的上下文编码器以得到所述多个电致发光灰度特征统计语义特征向量。应可以理解，基于转换器的上下文编码器可以捕捉嵌入向量序列中的上下文信息，即每个嵌入向量的语义依赖关系。通过考虑嵌入向量序列中的上下文，编码器可以更好地理解每个嵌入向量的语义含义，并将这些信息整合到最终的语义特征向量中。基于转换器的上下文编码器可以对嵌入向量序列进行自注意力机制的操作，使得每个嵌入向量能够考虑到其他嵌入向量的信息。这种特征交互可以帮助捕捉嵌入向量之间的相关性和重要性，从而更好地表达电致发光灰度特征统计的语义信息。通过基于转换器的上下文编码器，嵌入向量序列可以被编码为更具语义含义的特征向量。编码器可以通过自注意力机制和多层感知机等操作，将嵌入向量序列转化为更具表达能力和语义信息的特征向量表示。基于转换器的上下文编码器可以将嵌入向量序列整合为一个综合的语义特征向量。这个特征向量可以综合考虑嵌入向量序列中的每个嵌入向量的信息，从而更全面地表达电致发光灰度特征统计的语义特征。

具体地，所述双向长短期记忆子单元1223，用于将所述多个电致发光灰度特征统计语义特征向量进行一维排列后通过双向长短期记忆神经网络模型以得到所述电致发光特征语义特征向量。应可以理解，电致发光灰度特征统计语义特征向量是按照时间顺序获取的，具有序列性质。通过将这些特征向量进行一维排列，可以将序列信息保留下来，使得模型能够对序列中的时间关系进行建模。双向长短期记忆神经网络模型在处理序列数据时，能够同时考虑当前时间步之前和之后的上下文信息。这种双向性质使得模型能够更好地理解电致发光特征的语义含义，并捕捉特征序列中的长期依赖关系。双向长短期记忆神经网络模型具有较强的特征提取能力，能够从输入的序列中提取出重要的语义特征。通过经过双向长短期记忆神经网络模型的处理，可以得到更抽象、更具表达能力的电致发光特征的语义特征向量。双向长短期记忆神经网络模型能够对序列数据进行灵活的建模，适应不同长度和复杂度的序列。这种模型在处理电致发光特征时，可以更好地捕捉特征之间的时序关系，提高语义特征的表达能力。

更进一步，所述所述双向长短期记忆子单元，包括：一维排列二级子单元，用于将所述多个电致发光灰度特征统计语义特征向量进行一维排列以得到电致发光灰度特征统计语义特征向量的序列；序列编码二级子单元，用于使用所述双向长短期记忆神经网络模型对所述电致发光灰度特征统计语义特征向量的序列进行上下文语义编码以得到所述电致发光特征语义特征向量。

相应地，所述一维排列二级子单元，用于将所述多个电致发光灰度特征统计语义特征向量进行一维排列以得到电致发光灰度特征统计语义特征向量的序列。应可以理解，电致发光灰度特征统计语义特征向量是按照时间顺序获取的，每个特征向量对应一个特定的时间点。通过将这些特征向量进行一维排列，可以将时间上的顺序信息保留下来，使得模型能够识别和建模特征之间的时序关系。这对于电致发光灰度特征的分析和预测任务非常重要。排列后的电致发光灰度特征统计语义特征向量序列可以被看作是一个时间序列的特征表示。这样的序列可以被传递给一些时序模型，如循环神经网络（RNN）或卷积神经网络（CNN），从而利用这些模型的特性进行特征提取。这有助于提取出电致发光灰度特征统计语义特征向量序列中的重要时序特征。排列后的特征向量序列可以帮助模型更好地理解上下文信息。模型可以通过观察前一个特征向量和后一个特征向量之间的关系，从而更好地理解每个特征向量的语义含义。这样的上下文理解有助于提高电致发光灰度特征统计语义特征向量的表达能力。

进一步，所述序列编码二级子单元，用于使用所述双向长短期记忆神经网络模型对所述电致发光灰度特征统计语义特征向量的序列进行上下文语义编码以得到所述电致发光特征语义特征向量。应可以理解，双向长短期记忆神经网络模型能够同时考虑当前时间步之前和之后的上下文信息。对于电致发光灰度特征统计语义特征向量序列，每个特征向量都包含了一定的上下文信息。通过使用双向长短期记忆神经网络模型，可以有效地捕捉特征序列中的长期依赖关系，并更好地理解特征向量的语义含义。电致发光灰度特征统计语义特征向量序列是按照时间顺序排列的。双向长短期记忆神经网络模型能够对序列数据进行建模，从而充分利用序列中的时序关系。通过在正向和反向两个方向上运行两个长短期记忆神经网络网络，双向长短期记忆神经网络能够同时捕捉到过去和未来的上下文信息，提高语义特征的表达能力。双向长短期记忆神经网络模型具有较强的特征提取能力，可以从输入的序列中提取出重要的语义特征。对于电致发光灰度特征统计语义特征向量序列，双向长短期记忆神经网络可以将序列中的每个特征向量转化为对应的语义特征向量。这样的特征表示更具有表达能力，可以更好地表示电致发光特征的语义含义。双向长短期记忆神经网络模型在处理序列数据时具有较强的建模能力。它能够自适应不同长度和复杂度的序列，并捕捉序列中的时序关系。对于电致发光灰度特征统计语义特征向量序列，双向长短期记忆神经网络可以更好地捕捉特征之间的时序关系，提高语义特征的表达能力。

相应地，在本申请一个具体的示例中，所述校正图像处理单元123，用于将所述电致发光灰度校正图像通过使用卷积编码以得到所述电致发光灰度校正特征向量。应可以理解，卷积编码是一种有效的图像特征提取方法。卷积神经网络（CNN）作为一种常见的卷积编码模型，可以通过卷积层和池化层来提取图像中的局部特征和全局特征。对于电致发光灰度校正图像，使用卷积编码可以有效地捕捉图像中的纹理、形状和边缘等特征，从而得到具有丰富语义信息的特征向量。卷积编码具有尺度不变性的特点。对于电致发光灰度校正图像，使用卷积编码可以在不同尺度下提取特征，使得特征向量对于图像的尺度变化具有一定的鲁棒性。这对于电致发光特征的分析和识别任务非常重要。卷积编码可以通过多个卷积层和池化层构建层次结构的特征表示。低层次的卷积层可以提取图像的基本特征，如边缘和纹理，而高层次的卷积层可以提取更抽象的语义特征，如物体的形状和结构。通过层次结构的特征表示，可以更好地捕捉电致发光灰度校正图像的语义信息。卷积编码可以将输入的高维图像数据映射到低维的特征向量空间。这有助于减少特征的维度，降低计算复杂度，并提高后续任务的效率。对于电致发光灰度校正图像的特征提取，使用卷积编码可以将图像数据转化为具有较低维度的特征向量，便于后续的分析和处理。

进一步，图5为根据本申请实施例的EL检测系统中校正图像处理单元的框图示意图。如图5所示，在上述EL检测系统100的电致发光图像处理模块120中，所述校正图像处理单元123，包括：空间注意力子单元1231，用于将所述电致发光灰度校正图像通过使用空间注意力机制的第一卷积神经网络模型以得到电致发光灰度校正特征图；特征图降维子单元1232，用于将所述电致发光灰度校正特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述电致发光灰度校正特征向量。

具体地，所述空间注意力子单元1231，用于将所述电致发光灰度校正图像通过使用空间注意力机制的第一卷积神经网络模型以得到电致发光灰度校正特征图。应可以理解，空间注意力机制可以帮助模型在处理图像时更加关注重要的空间位置或区域。对于电致发光灰度校正图像，空间注意力机制的第一卷积神经网络模型可以通过空间注意力机制来自适应地调整每个像素的权重，使得模型能够更加关注对电致发光特征有意义的图像区域，从而提高特征图的表达能力。第一卷积神经网络模型是指对图像进行卷积操作的模型。通过使用卷积层，模型可以提取图像的局部特征。对于电致发光灰度校正图像，第一卷积神经网络模型可以通过卷积操作捕捉图像中的边缘、纹理和形状等特征。这些特征对于电致发光特征的分析和识别非常重要。空间注意力机制的第一卷积神经网络模型可以将电致发光灰度校正图像输入第一卷积神经网络模型，通过卷积操作提取特征。这些特征被组织成特征图，其中每个特征图对应一个特定的特征。通过空间注意力机制，空间注意力机制的第一卷积神经网络模型可以调整特征图中每个像素的权重，使得模型更加关注对电致发光特征有意义的图像区域，从而得到更具表达能力的电致发光灰度校正特征图。

具体地，所述特征图降维子单元1232，用于将所述电致发光灰度校正特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述电致发光灰度校正特征向量。应可以理解，电致发光灰度校正特征图通常具有较高的维度，每个特征矩阵表示了不同的特征。通过进行全局均值池化，可以将每个特征矩阵的空间维度降低为一个标量，即该特征在整个图像上的平均值。这样可以有效地降低特征的维度，减少计算复杂度，并且更适合后续的特征分析和处理。电致发光灰度校正特征图的各个特征矩阵表示了不同的局部特征，通过全局均值池化可以将这些局部特征整合成一个全局特征。这样做的好处是保留了整个图像的全局信息，而不仅仅关注局部细节。对于电致发光灰度校正特征的分析和识别任务，全局特征通常更能反映图像的整体特征和语义信息。全局均值池化操作具有一定的平移不变性。即无论特征在图像中的位置如何变化，其全局均值池化结果保持不变。这对于电致发光灰度校正特征的分析和识别任务非常重要，因为电致发光特征通常不依赖于其在图像中的具体位置，而更关注整体的发光分布情况。

在本申请实施例中，电致发光图像融合模块130，用于融合所述电致发光特征语义特征向量和所述电致发光灰度校正特征向量以得到电致发光特征检测特征向量。应可以理解，电致发光特征语义特征向量和电致发光灰度校正特征向量分别代表了不同的特征信息。电致发光特征语义特征向量通常包含了图像中的语义信息，可以用于表示不同物体的类别或特征。而电致发光灰度校正特征向量则包含了电致发光图像的局部和全局特征。通过融合这两种特征向量，可以综合利用它们所代表的不同信息，从而得到更全面和丰富的电致发光特征检测特征向量。融合不同类型的特征向量可以提高电致发光特征的检测性能。电致发光特征语义特征向量可以提供物体的语义信息，有助于更准确地识别和定位电致发光物体。而电致发光灰度校正特征向量则可以提供更细节的电致发光特征信息，有助于增强检测的鲁棒性和准确性。通过融合这两种特征向量，可以充分利用它们的优势，提升电致发光特征检测的性能。融合不同类型的特征向量可以强化特征的表达能力。电致发光特征语义特征向量和电致发光灰度校正特征向量具有不同的表达方式和特征表示能力。通过融合它们，可以将它们的表达能力相互补充和增强，从而得到更具判别力和区分度的电致发光特征检测特征向量。

相应地，在本申请的一个实施例中，所述电致发光图像融合模块，用于：以如下融 合公式来融合所述电致发光特征语义特征向量和所述电致发光灰度校正特征向量以获得 所述电致发光特征检测特征向量，其中，所述融合公式为： 其中，为所述电 致发光特征检测特征向量，为所述电致发光特征语义特征向量，为所述电致发光灰度校 正特征向量，“”表示所述电致发光特征语义特征向量和所述电致发光灰度校正特征向量 相对应位置处的元素相加，为用于控制所述电致发光特征检测特征向量中所述电致发 光特征语义特征向量和所述电致发光灰度校正特征向量之间的平衡的加权参数。

在本申请实施例中，特征检测分析模块140，用于将所述电致发光特征检测特征向量通过分类器以得到分类结果，所述分类结果用于表示太阳能电池板是否存在缺陷。应可以理解，电致发光特征检测特征向量包含了用于描述太阳能电池板的各种特征信息。通过使用分类器，可以将这些特征向量与已知的缺陷和非缺陷样本进行比较和判别。分类器可以学习到不同特征向量与缺陷之间的关联，从而将太阳能电池板分为有缺陷和无缺陷两类。通过使用分类器对电致发光特征检测特征向量进行分类，可以实现自动化的太阳能电池板缺陷检测。相比传统的人工检测方法，自动化的缺陷检测具有更高的效率和一致性。分类器能够快速处理大量的特征向量，并根据预定义的分类标准判断太阳能电池板是否存在缺陷。分类结果可以直接用于表示太阳能电池板是否存在缺陷。分类器将特征向量分为有缺陷和无缺陷两类，可以根据分类结果来判断太阳能电池板的状态。例如，如果分类结果为有缺陷，则表示太阳能电池板存在缺陷；如果分类结果为无缺陷，则表示太阳能电池板无缺陷。这样的分类结果可以用于进一步的处理和决策，例如进行维修、替换或其他相关操作。

相应地，在本申请的一个实施例中，所述特征检测分析模块140，用于：使用所述分类器以如下公式对所述电致发光特征检测特征向量进行处理以得到所述分类结果；

其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为电致发光特征检测特征向量，表示softmax函数，表示所述分 类结果。

应可以理解，在利用上述神经网络模型进行推断之前，需要对所述包含嵌入层的上下文编码器、所述双向长短期记忆神经网络模型、所述空间注意力机制的第一卷积神经网络模型和所述分类器进行训练。也就是说，根据本申请的EL检测系统100，还包括训练模块200，用于对所述包含嵌入层的上下文编码器、所述双向长短期记忆神经网络模型、所述空间注意力机制的第一卷积神经网络模型和所述分类器进行训练。

具体地，所述训练模块200，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括训练电致发光图像；训练灰度图像单元，用于将所述训练电致发光图像转化为灰度图像以得到训练电致发光灰度图像；训练校正单元，用于对所述训练电致发光灰度图像进行校正以得到训练电致发光灰度校正图像；训练统计量单元，用于基于灰度共生矩阵从所述训练电致发光灰度校正图像得到多个训练电致发光灰度特征统计量；训练上下文编码单元，用于将所述多个训练电致发光灰度特征统计量通过包含嵌入层的上下文编码器以得到多个训练电致发光灰度特征统计语义特征向量；训练长短期记忆单元，用于将所述多个训练电致发光灰度特征统计语义特征向量进行一维排列后通过双向长短期记忆神经网络模型以得到训练电致发光特征语义特征向量；训练注意力单元，用于将所述训练电致发光灰度校正图像通过使用空间注意力机制的第一卷积神经网络模型以得到训练电致发光灰度校正特征图；训练降维单元，用于将所述训练电致发光灰度校正特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到训练电致发光灰度校正特征向量；训练融合单元，用于融合所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量以得到训练电致发光特征检测特征向量；训练补偿损失函数值单元，用于计算所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；分类损失单元，用于将所述训练电致发光特征检测特征向量通过分类器以得到分类损失函数值模型训练单元，用于计算所述补偿损失函数值和所述分类损失函数值的加权和作为最终损失函数值，对所述包含嵌入层的上下文编码器、所述双向长短期记忆神经网络模型、所述空间注意力机制的第一卷积神经网络模型和所述分类器进行训练。

特别地，在本申请的技术方案中，考虑到在电致发光特征检测任务中，融合训练电致发光特征语义特征向量和训练电致发光灰度校正特征向量可以提高分类结果的准确性。这是因为两种特征向量分别捕捉了不同方面的信息，它们的融合可以综合利用这些信息，提高特征的表征能力。训练电致发光特征语义特征向量是通过上下文编码器和双向长短期记忆神经网络模型得到的。这种特征向量可以捕捉到电致发光图像的语义信息，例如图像中存在的缺陷类型、形状等。这些语义信息对于分类器来说是非常有用的，因为它们与太阳能电池板的缺陷直接相关。另一方面，训练电致发光灰度校正特征向量是通过灰度共生矩阵和空间注意力机制的卷积神经网络模型得到的。这种特征向量可以捕捉到电致发光图像的纹理和细节信息。这些信息可以提供更多的局部特征，例如缺陷的纹理、边缘等。通过融合这些特征向量，可以综合考虑图像的语义和纹理特征，提高分类器对缺陷的判别能力。在融合过程中，需要提高训练电致发光特征语义特征向量和训练电致发光灰度校正特征向量在高维特征空间的概率密度分布单调性之间的协调性。这意味着这两种特征向量应该在特征空间中有较为一致的分布模式，以确保它们能够互相补充和增强。通过增强特征的一致性，可以提高整体特征分布的概率密度单调性，从而增强分类器的判断精确度。基于此，在本申请技术方案中，计算所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值，以提高训练电致发光特征检测特征向量的整体特征分布的概率密度分布单调性，从而提升其通过分类器的分类判断的精准度。

具体地，所述训练补偿损失函数值单元，包括：计算概率值子单元，用于将所述训练电致发光特征语义特征向量通过Softmax函数以得到概率值；计算均值特征向量子单元，用于计算所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量的按位置均值以得到均值特征向量；计算范数值子单元，用于计算所述均值特征向量的Frobenius范数以得到范数值；计算系数子单元，用于计算所述概率值乘以以范数值为幂的自然指数函数值以得到所述概率密度分布单调性超凸度量系数。

也就是，考虑到在融合所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量以得到训练电致发光特征检测特征向量的过程中，如果能提高所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量在高维特征空间的概率密度分布单调性之间的协调性，则能够提高所述训练电致发光特征检测特征向量的整体特征分布的概率密度分布单调性，以提升其通过分类器的分类判断的精准度。

因此，在本申请的技术方案中，计算所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值，其通过构建一个基于特征向量的概率密度分布单调性的超凸度量系数的补偿损失函数，使得特征向量间的每个位置的概率密度分布都能够在其子维度上保持与目标域的一致性，从而实现特征向量的概率密度分布单调性的匹配，这样能够消除特征向量间的概率密度分布单调性的差异，提高特征向量的概率密度分布单调性的一致性，增强特征向量的融合质量。

综上，基于本申请实施例的所述EL检测系统及EL检测方法，通过采集太阳能电池板的电致发光图像并提取特征，利用分类器判断太阳能电池板是否存在缺陷，以提高产品的合格率和等级。这样具有低成本、快速扫描和高清晰度成像的特点，对太阳能电池板生产具有重要影响。

如上所述，根据本申请实施例的所述EL检测系统100可以实现在各种终端设备中，例如EL检测系统的服务器等。在一个示例中，根据EL检测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该EL检测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该EL检测系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该EL检测系统100与该终端设备也可以是分立的设备，并且该EL检测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图6为根据本申请实施例的EL检测方法的流程图。如图6所示，根据本申请实施例的所述EL检测方法，包括步骤：S110,获取由部署于单晶硅太阳能电池暗室的近红外摄像头采集的电致发光图像；S120,将所述电致发光图像通过特征提取以分别得到电致发光特征语义特征向量和电致发光灰度校正特征向量；S130,融合所述电致发光特征语义特征向量和所述电致发光灰度校正特征向量以得到电致发光特征检测特征向量；S140,将所述电致发光特征检测特征向量通过分类器以得到分类结果，所述分类结果用于表示太阳能电池板是否存在缺陷。

这里，本领域技术人员可以理解，上述EL检测方法中的各个步骤的具体操作已经在上面参考图1到图5的EL检测系统的描述中得到了详细介绍，并因此，将省略其重复描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等 )执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory )、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种EL检测系统，其特征在于，包括：

电致发光图像采集模块，用于获取由部署于单晶硅太阳能电池暗室的近红外摄像头采集的电致发光图像；

电致发光图像处理模块，用于将所述电致发光图像通过特征提取以分别得到电致发光特征语义特征向量和电致发光灰度校正特征向量；

电致发光图像融合模块，用于融合所述电致发光特征语义特征向量和所述电致发光灰度校正特征向量以得到电致发光特征检测特征向量；

特征检测分析模块，用于将所述电致发光特征检测特征向量通过分类器以得到分类结果，所述分类结果用于表示太阳能电池板是否存在缺陷；

其中，所述电致发光图像处理模块，包括：

灰度图像提取单元，用于将所述电致发光图像转化为灰度图像后进行校正以得到电致发光灰度校正图像；

灰度特征统计单元，用于将所述电致发光灰度校正图像通过编码以得到所述电致发光特征语义特征向量；

校正图像处理单元，用于将所述电致发光灰度校正图像通过使用卷积编码以得到所述电致发光灰度校正特征向量；

其中，所述灰度特征统计单元，包括：

提取统计量子单元，用于基于灰度共生矩阵从所述电致发光灰度校正图像得到多个电致发光灰度特征统计量；

上下文编码子单元，用于将所述多个电致发光灰度特征统计量通过包含嵌入层的上下文编码器以得到多个电致发光灰度特征统计语义特征向量；

双向长短期记忆子单元，用于将所述多个电致发光灰度特征统计语义特征向量进行一维排列后通过双向长短期记忆神经网络模型以得到所述电致发光特征语义特征向量；

其中，还包括：用于对包含嵌入层的上下文编码器、双向长短期记忆神经网络模型、空间注意力机制的第一卷积神经网络模型和分类器进行训练的训练模块；

其中，所述训练模块，包括：

训练数据采集单元，用于获取训练数据，所述训练数据包括训练电致发光图像；

训练灰度图像单元，用于将所述训练电致发光图像转化为灰度图像以得到训练电致发光灰度图像；

训练校正单元，用于对所述训练电致发光灰度图像进行校正以得到训练电致发光灰度校正图像；

训练统计量单元，用于基于灰度共生矩阵从所述训练电致发光灰度校正图像得到多个训练电致发光灰度特征统计量；

训练上下文编码单元，用于将所述多个训练电致发光灰度特征统计量通过包含嵌入层的上下文编码器以得到多个训练电致发光灰度特征统计语义特征向量；

训练长短期记忆单元，用于将所述多个训练电致发光灰度特征统计语义特征向量进行一维排列后通过双向长短期记忆神经网络模型以得到训练电致发光特征语义特征向量；

训练注意力单元，用于将所述训练电致发光灰度校正图像通过使用空间注意力机制的第一卷积神经网络模型以得到训练电致发光灰度校正特征图；

训练降维单元，用于将所述训练电致发光灰度校正特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到训练电致发光灰度校正特征向量；

训练融合单元，用于融合所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量以得到训练电致发光特征检测特征向量；

训练补偿损失函数值单元，用于计算所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；

分类损失单元，用于将所述训练电致发光特征检测特征向量通过分类器以得到分类损失函数值；

模型训练单元，用于计算所述补偿损失函数值和所述分类损失函数值的加权和作为最终损失函数值，对所述包含嵌入层的上下文编码器、所述双向长短期记忆神经网络模型、所述空间注意力机制的第一卷积神经网络模型和所述分类器进行训练；

其中，所述训练补偿损失函数值单元，包括：

计算概率值子单元，用于将所述训练电致发光特征语义特征向量通过Softmax函数以得到概率值；

计算均值特征向量子单元，用于计算所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量的按位置均值以得到均值特征向量；

计算范数值子单元，用于计算所述均值特征向量的Frobenius范数以得到范数值；

计算系数子单元，用于计算所述概率值乘以以范数值为幂的自然指数函数值以得到所述概率密度分布单调性超凸度量系数。

2.根据权利要求1所述的EL检测系统，其特征在于，所述灰度图像提取单元，包括：

灰度图像子单元，用于将所述电致发光图像转化为灰度图像以得到电致发光灰度图像；

校正子单元，用于对所述电致发光灰度图像进行校正以得到所述电致发光灰度校正图像。

3.根据权利要求2所述的EL检测系统，其特征在于，所述上下文编码子单元，包括：

嵌入转化二级子单元，用于将所述多个电致发光灰度特征统计量通过嵌入层以将所述多个电致发光灰度特征统计量中各个维度统计量转化为嵌入向量以得到嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个维度统计量进行嵌入编码；

编码二级子单元，用于将所述嵌入向量的序列通过基于转换器的上下文编码器以得到所述多个电致发光灰度特征统计语义特征向量。

4.根据权利要求3所述的EL检测系统，其特征在于，所述双向长短期记忆子单元，包括：

一维排列二级子单元，用于将所述多个电致发光灰度特征统计语义特征向量进行一维排列以得到电致发光灰度特征统计语义特征向量的序列；

序列编码二级子单元，用于使用所述双向长短期记忆神经网络模型对所述电致发光灰度特征统计语义特征向量的序列进行上下文语义编码以得到所述电致发光特征语义特征向量。

5.根据权利要求4所述的EL检测系统，其特征在于，所述校正图像处理单元，包括：

空间注意力子单元，用于将所述电致发光灰度校正图像通过使用空间注意力机制的第一卷积神经网络模型以得到电致发光灰度校正特征图；

特征图降维子单元，用于将所述电致发光灰度校正特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述电致发光灰度校正特征向量。

6.一种EL检测方法，应用于权利要求1所述的EL检测系统，其特征在于，包括：

获取由部署于单晶硅太阳能电池暗室的近红外摄像头采集的电致发光图像；

将所述电致发光图像通过特征提取以分别得到电致发光特征语义特征向量和电致发光灰度校正特征向量；

融合所述电致发光特征语义特征向量和所述电致发光灰度校正特征向量以得到电致发光特征检测特征向量；

将所述电致发光特征检测特征向量通过分类器以得到分类结果，所述分类结果用于表示太阳能电池板是否存在缺陷。