近日，由河北工业大学教授陈海永牵头承担的国家自然科学基金联合基金项目“跨场景光伏电池甄别技能迁移与小样本特征调控仿人视觉质检理论与方法”顺利通过结题验收。该项目瞄准河北省光伏产业发展痛点，聚焦光伏电池制造与运维过程中的缺陷智能识别、跨场景泛化、小样本学习和模型自主进化等关键问题，形成了一套模拟人类质检员观察与判断方式的视觉质检新方法，破解了光伏电池检测多项行业难题，多项成果达到国际领先水平。

技术团队开展视觉检测相关研究工作

光伏产业是河北省重点发展的战略性新兴产业之一。随着制造工艺不断升级和应用场景持续拓展，光伏电池在生产、检测和运维中面临一系列现实难题：有些缺陷非常细微，在反光或背景干扰下容易“看不清”；换了产线或不同应用场景后，原有的检测模型常常“识不准”；一些罕见但致命的缺陷类型，因为真实样本极少，模型“学不好”；长期运行后产线工艺漂移，模型性能下降，会造成“用不稳”。

“传统人工质检依赖熟练工人的经验，效率低且标准不一；常规机器视觉系统又难以适应动态变化的场景。”陈海永介绍，针对这些痛点，项目团队提出了一套“仿人视觉质检”的理论与方法体系。

项目团队和企业质检团队联合调试推进项目算法应用

所谓仿人视觉质检，就是让机器模拟一位经验丰富的质检员的工作方式。为了帮它“看得清”，团队研发了多角度、多光谱、高速频闪、明暗场和自主调焦相结合的仿人成像方法，好比质检员在不同光线下反复端详产品，能把复杂背景、强反光或弱对比条件下的缺陷“照”出来。为了让它“识得准”，团队提出了跨场景知识驱动的甄别技能迁移技术，模型可以把在一种产线或光照条件下学到的缺陷识别能力，迁移到全新场景中，减少重复训练成本；同时针对样本稀缺问题，设计了多重属性调控的小样本自主学习方法，使模型只见过几个例子就能归纳出同类缺陷的共性特征，实现举一反三。此外，团队还开发了多场景光伏电池缺陷识别原型系统和模型自主进化软件平台，让质检系统在实际运行中能够持续吸收新知识、适应产线变化，不必频繁停机重训，真正做到边用边学。

技术人员与现场质检员交流沟通检测工艺要求

项目取得了一批具有代表性的创新成果。在数据层面，项目发布了定义行业标准的太阳能电池缺陷跨场景开源数据集，以缺陷类别多、模态覆盖全、数据规模大、场景适配性强为特色，填补了国际空白。截至目前，全球已有32个国家和地区的514个科研和产业团队申请使用该数据集，这一原创性战略资源有力支撑了光伏缺陷检测的基础研究，也进一步夯实了我国在光伏智能检测领域的全球引领优势。在模型算法层面，项目推动了检测范式从传统的“数据驱动”向“知识驱动”升级。研究团队构建了连接图像大数据与光伏缺陷视觉属性的知识关联网络，不再只靠海量图片让系统“死记硬背”，而是开发了多模态检测视觉大模型，实现跨场景、多属性缺陷知识的高效迁移；提出基于多重属性解离化特征调控的对抗生成学习模型，能够在生成缺陷图像时兼顾一致性与多样性，有效缓解真实缺陷样本不足的问题。在系统层面，团队建立了“手-眼-脑”协同的仿人感知规则，构建了缺陷物理属性与成像机理之间的映射模型，实现缺陷检测的可信控制，从根源上减少因光学信息丢失导致的漏检和误检。

值得一提的是，这项先进技术并未局限在光伏行业，还成功跨界拓展应用。“目前，相关质检技术已推广至航空发动机叶片、核燃料元件制造、空间柔性太阳翼等生产检测环节，为我国高风险场景下关键能源部件的质量保障提供了新的技术路径。”陈海永说。

项目执行期间，研究团队获得省部级科技进步奖一等奖1项、二等奖1项，提升了河北省在光伏智能质检、工业视觉检测和新能源装备质量管控领域的研发能力，也为我国光伏、高端装备、新能源产业发展提供技术保障。