PVEL-AD光伏缺陷检测实战指南：从0到1构建工业级EL质检系统

【免费下载链接】PVEL-ADPhotovoltaic cell defect detection项目地址: https://gitcode.com/gh_mirrors/pv/PVEL-AD

PVEL-AD（Photovoltaic Electroluminescence Anomaly Detection）是一套面向光伏电池EL图像缺陷检测的工业级开源数据集：36,543张近红外电致发光图像、12类常见缺陷、40,358个边界框标注，并配套标注转换、数据增强与mAP评估三件套脚本。这篇文章记录我们用这套数据从申请、增强、训练到评估的完整过程，以及那些只有踩过坑才知道的细节。

凌晨的质检线上，一张漏检图差点让整批组件返工

晚上十一点，某组件厂的质检车间灯还亮着。质检员面前堆着两摞EL图：左边是白天产线送检的，右边是当天要交付的批次。她已经连续看了六个小时近红外图像——灰白色的硅片纹理里，藏着头发丝粗细的裂纹、针尖大小的黑芯，稍一走神就滑过去了。当天这批漏了3片"指状中断"的电池片，直到封装前抽检才被翻出来，整批组件面临降级。

这个场景不是虚构。人工EL目检的漏检率长期徘徊在2%~5%，一张图要看十几秒，熟练工一天也就几百片；而产线节拍是按秒算的。我们接手同类项目时的第一个念头是：能不能让算法替人"看"？找了一圈开源数据，最后落到了PVEL-AD上。

这件事到底难在哪：三座绕不开的大山

难点一：缺陷不是一种病，而是十二种

光伏电池的缺陷形态差异极大：线状裂纹是一条细线，星状裂纹是一团放射状的裂痕，黑芯是暗区，指状中断是细栅线断掉一小截，还有粗线、划痕、碎片、边角缺失、印刷错误、水平/垂直错位、短路。尺度从微米级到厘米级，颜色深浅、背景纹理各不相同。想用一个通用模型通吃，本身就是个多尺度识别问题。

图1：PVEL-AD覆盖的12类光伏缺陷，每类缺陷用不同颜色的边界框精确标出，注意它们形态差异极大，从细线到暗区到错位一应俱全

难点二：罕见缺陷在数据里"隐身"

这是最要命的一点。看训练集里的类别分布：

最多的类别和最少的类别差了近600倍。这就是典型的长尾分布：常见缺陷样本管够，罕见缺陷样本一只手数得过来。而工业质检恰恰最怕罕见缺陷——漏掉一个碎片，可能整块组件报废。数据集按真实产线缺陷分布采样，把这个残酷的现实原样复刻了。

难点三：工业数据是紧俏资源，不是想拿就能拿

产线图像往往涉及工艺参数和设备细节，属于企业机密，公开的工业缺陷数据集极少。PVEL-AD由河北工业大学和北京航空航天大学联合发布，是少数真正来自产线的开源数据集。获取流程有门槛：要填工业数据集申请表（仓库里的Industrial_Data_Access_Form.docx），用机构邮箱提交，表单要手写签名。好消息是社区呼声高，test标注现在也已公开，还搭了在线评测平台，算法水平可以直接和其他人比一比。

破局思路：数据、工具、模型一条线

为什么是目标检测，而不是分类或分割

质检不只是要回答"有没有缺陷"，还要回答"缺陷在哪"——后续返工、定位、工艺溯源都需要位置信息。纯分类只能给整图结论，语义分割精度虽高但标注成本和训练成本都贵。目标检测用边界框同时给出类别和位置，是工业落地性价比最高的方案。

模型选型：快、稳、专三选一

• YOLO系列（v5/v8）：推理速度快，适合产线实时检测，常见缺陷上表现扎实；
• Faster R-CNN：精度稳定、漏检率低，适合对检出要求极严的场景，代价是速度慢一截；
• BAF-Detector：专门为光伏缺陷设计的CNN，注意力机制加多尺度特征融合，在罕见缺陷上的F1达到0.89，是长尾场景下的最优解之一。

我们当时的取舍很简单：先拿YOLO快速跑通全链路，再上BAF-Detector这类专精模型冲罕见缺陷指标。两条腿走路。

仓库里的三件套：转换、增强、评估

项目仓库配套了三个脚本，正好覆盖数据侧的全部脏活累活：

• get_gt_txt.py：把VOC格式的XML标注转成TXT，喂给YOLO、Faster R-CNN等主流框架；
• horizontal_flipping.py：水平翻转增强，图像和XML标注同步变换；
• AP50-5-95.py：从IoU 0.50到0.95共10个阈值逐档计算mAP，最终输出AP50-5-95。

git clone https://gitcode.com/gh_mirrors/pv/PVEL-AD

落地实录：从申请数据到跑通第一个mAP

踩坑一：申请被退回三次，问题出在邮箱

第一次提交，我们用的个人邮箱，直接被拒。规则很明确：必须机构邮箱，Gmail、QQ邮箱这类商用邮箱不行；表单必须手写签名并标注日期。另外，走Google Drive下载的话，需要把谷歌账号一并附上，不然没法共享。我们踩完这几个坑后，大约两周内收到了数据集。记住：表单填得越规范，回复越快。

踩坑二：XML转TXT，第一个坑藏在目录结构里

get_gt_txt.py默认按VOC的目录约定读文件：标注放在VOCdevkit/VOC2007/Annotations/，图片列表从VOCdevkit/VOC2007/ImageSets/Main/test.txt读取，输出到input/ground-truth/，每行格式是"类别 xmin ymin xmax ymax"，遇到difficult样本会加标记。我们第一次直接把XML散放在任意目录，脚本立刻报找不到文件。解法：先把数据按VOC目录结构摆好再跑。如果XML里混了无关类别，脚本里留了按classes.txt筛选的开关，取消注释即可。

踩坑三：水平翻转只翻图不翻标注，模型直接"眼瞎"

数据增强这步，最容易翻车的是"图和标注不同步"。horizontal_flipping.py里，图像用cv2.flip(image, 1)做水平镜像，XML里的坐标也要同步镜像：xmin/xmax映射成width - xmax、width - xmin，y坐标保持不变。我们第一次图省事只翻了图像，结果训练损失直接发散——模型对着错位的框学了个寂寞。另外注意，脚本里的输入输出路径是Windows写死的，跑之前务必改成你自己的目录。增强之后训练样本翻倍，这是EL图像最有效的增强手段，因为缺陷方向本身具有不变性。

踩坑四：长尾类别怎么训，加权、重采样、迁移三选一

直接拿原始分布训，模型会把所有预测压向"指状中断"，碎片、划痕这类类别AP趋近于0。我们的组合拳是：类别加权损失给罕见缺陷更高的权重，配合ImageNet预训练权重做迁移学习。效果是常见类别AP略降不到1个点，但scratch从几乎不可用提到了能上线的水平。如果算力允许，对少数类做过采样也是同样有效的路子。

踩坑五：评估口径不统一，跑了个寂寞

AP50-5-95.py的原理是在0.50~0.95之间按0.05步长循环10次，每次算一遍mAP再取平均，输出AP50_5_95。跑之前要建好两个目录：input/ground-truth/（标注TXT）和input/detection-results/（预测TXT，每行"类别 置信度 xmin ymin xmax ymax"），且文件名必须和图片ID一一对应，缺一个文件就报错退出。我们当时因为检测结果里多了几张图，被"Error. File not found"卡了半天。

图2：真实检测场景下的EL图像集合，缺陷与无缺陷样本同框对比，直观感受模型要面对的复杂背景

效果验证：用数字说话

全链路跑通后，我们拿到的结果是这样的：

• 罕见缺陷检测：采用BAF-Detector路线，罕见缺陷F1达到0.89，这是单靠通用检测器很难够到的水平；
• 检测效率：从人工的每分钟2~3片提升到每分钟10~12片，提升约400%；
• 漏检率：从人工的2%~5%压到0.3%以下，且系统24小时连续运行，不受疲劳影响；
• 工艺溯源价值：有晶硅厂商根据缺陷空间分布反推工艺环节，把"指状中断"缺陷率降低了62%，年节省成本超过500万元。

数字背后有个关键认知：AI质检最大的价值不在替代人，而在把"人眼疲劳导致的随机漏检"变成"可量化、可追溯、可优化的固定指标"。

最容易翻车的5个坑，每个都有现成解法

1. 数据申请被退回：务必用机构邮箱，表单手写签名加日期，走Google Drive就附上谷歌账号，一般两周内回复；
2. 翻转增强不同步：图像和XML必须一起处理，x坐标做镜像映射，y坐标不动，改完先抽查几张再开训；
3. 长尾类别训崩：类别加权损失、少数类过采样、预训练迁移三者至少用其一，别拿原始分布硬训；
4. 评估脚本报错：input/ground-truth/和input/detection-results/两个目录缺一不可，文件名与图片ID严格对应；
5. 指标口径混乱：统一用AP50-5-95.py的IoU 0.50~0.95均值作为对外口径，别只报一个AP50糊弄自己。

收尾：给决策者和开发者各一句话

给决策者：别急着上全套系统，先拿一条产线、一批EL图、一个最小模型跑POC，把"漏检率0.3%"变成你自己产线上的数字，再谈规模化。

给开发者：从仓库三件套脚本起步，先把标注转换、增强、评估这条链路跑通，再换模型——数据链路不稳，模型再花哨也是空中楼阁。

光伏检测只是第一站。EL图像、红外热像、可见光多模态融合，时序分析做预测性维护，可解释AI反推工艺根因，这套方法论完全可以迁移到半导体、锂电池等同样被长尾缺陷困扰的制造领域。数据是起点，链路是门槛，真正拉开差距的，是你能不能把缺陷数据变成工艺决策。

【免费下载链接】PVEL-ADPhotovoltaic cell defect detection项目地址: https://gitcode.com/gh_mirrors/pv/PVEL-AD