AI光伏EL隐裂检测定制：分块成像与缺陷归类

光伏组件 EL 检测要在暗室中给组件通正向电流，用近红外相机拍发光图像。做 AI 定制时，现场最常卡在三个地方：组件尺寸大，单张图分辨率不够；隐裂和断栅在弱光下对比度低；不同批次电池片亮度有差异，容易误判。 我们的做法是分块成像加缺陷归类。硬件上按组件版型把拍摄分成 6~12 块，块间重叠 10%~15% 方便拼接，曝光时间按电流档位标定，先拍暗场做本底扣除再拍亮场。算法上先用模板匹配定位电池片栅线网格，按电池片切分图像并做局部对比度增强；隐裂看细长低亮区域的形态特征，断栅看主栅连续性，黑斑与混档按相对亮度分位值区分。 两条落地经验： - 判定阈值不要一次定死。先按产线历史数据分档，每档保留一定人工复判比例，复判结果回灌成增量样本，逐周收紧。 - 拼接缝附近最容易误报。切分时让电池片网格避开拼接缝，或在缝区单独降低判定灵敏度。 上线后单块组件检测时间控制在 8~15 秒，隐裂漏检率按客户验收标准调优，误报靠复判闭环逐步下降。这类项目真正决定效果的，不是模型多大，而是成像一致性、电流档位稳定性和电池片网格对齐是否可靠。