太阳能电池片在生产过程中，因工序或材料原因会导致其存在缺陷。基于光致发光成像原理，提出了一种基于背景评估的太阳能电池片图像增强方法，以及一种基于形态特征和HOG特征融合的缺陷识别方法。首先分析了电池片缺陷的形态和位置特点，提出了缺陷两步分割法，对分割的缺陷提取多方向HOG特征，采取拉普拉斯特征映射法对HOG特征进行降维；然后融合长宽比、圆形度等形态特征；最后针对支持向量机（support vector machines，SVM）中的核函数和惩罚因子，采用粒子群算法（particle swarm optimization，PSO）加以优化，改善了缺陷分类效果。应用所确立的算法对50幅图像进行检测，分类识别的准确率最高可达98.3%。将新算法与传统的SVM算法以及Le-Net网络等进行对比，可知新算法具有较高的识别准确率。

光伏电池片中的缺陷会影响整个光伏系统使用寿命及发电效率。针对现有电池片自动检测中尺寸弱小缺陷漏检率高的问题，建立了一种特征增强型轻量化卷积神经网络模型。针对性地设计了特征增强提取模块，提高了弱边界的提取能力，同时根据多尺度识别原理，增加了小目标预测层，实现了多尺度特征预测。在实验测试中，该模型平均精度均值（mAP）达到87.55%，比传统模型提高了6.78个百分点，同时检测速度达到40帧/s，满足精准性与实时性的检测要求。

针对太阳能电池组件中电池片出现隐裂导致整片电池破碎,最终影响整个组件发电量的问题，在对电池组件光致发光（PL）图像待检测区域筛选定位的基础上，提出了一种利用卷积神经网络（CNN）进行电池组件隐裂缺陷检测的方法。首先利用PL成像方法获取电池组件图像，然后对图像进行预处理，基于聚类的方法对待检测目标区域进行筛选定位，最后利用3种不同结构的卷积神经网络模型对电池片进行缺陷检测，并进行准确率对比，使最优识别准确率达到99.25%。实验结果验证了该方法能准确地检测出太阳能电池组件的隐裂缺陷。