准确率达 91.74%！东南大学提出光伏电池缺陷检测模型，首次引入神经结构搜索
内容提要
东南大学的研究团队提出了一种基于神经结构搜索和知识蒸馏的轻量级高性能光伏电池缺陷检测模型，准确率高达91.74%，参数量小，易于在实际工业项目中部署。研究结果表明，该模型具有较高的性能和泛化能力，为光伏产业的发展提供了有效工具。
延伸解读
轻量化与高精度的平衡之道
光伏电池缺陷检测模型需兼顾精度与部署效率。该研究通过神经结构搜索自动设计轻量级网络，并利用知识蒸馏转移先验知识，使模型在参数量较小的前提下达到91.74%的准确率，甚至超过教师模型。这为工业场景中低功耗嵌入式设备的部署提供了可行方案，避免了传统CNN模型参数大、硬件要求高的问题。
神经结构搜索的引入与创新
这是首次将神经结构搜索（NAS）应用于光伏电池缺陷检测领域。研究采用基于连续梯度的DARTS框架，针对光伏缺陷的多尺度特征设计搜索空间，自动构建由Normal cells和Reduction cells堆叠的轻量级网络。这种方法减少了手工设计的工作量，同时提升了模型对不同缺陷尺寸的识别能力，为后续研究提供了新思路。
泛化能力与实际部署潜力
模型在公开数据集和私有数据集上均表现出良好的泛化性能。在私有数据集上，对缺陷样本的准确率达到94.26%，比教师模型高出约5.7%。在CPU平台上的效率评估显示，该模型优于其他小型甚至大型经典模型，可满足Raspberry Pi-4B等低功耗嵌入式设备的部署需求，具备实际工业应用潜力。
产业背景与政策驱动
我国光伏发电已成为全国第二大电源，截至2023年3月底累计装机量超越水电。国家政策持续推动光伏产业发展，如2019年明确平价上网项目建设，2023年多部门文件将光伏列为能源行业重点方向。该研究从应用侧为光伏电池缺陷检测提供有效工具，有望促进深度学习在光伏领域的进一步落地。
Q&A
东南大学提出的光伏电池缺陷检测模型准确率是多少？
该模型在测试集上的准确率达到91.74%，甚至超过了Teacher模型1.22%。
这个模型为什么适合在工业项目中部署？
因为该模型是轻量级设计，参数量小，对硬件资源要求低，在CPU平台上表现优异，适合低功耗嵌入式设备如Raspberry Pi-4B和NVIDIA Jetson Nano的部署。
研究团队是如何实现轻量级网络设计的？
他们首次将神经结构搜索（NAS）引入光伏电池缺陷检测领域，采用基于连续梯度的DARTS框架自动搜索网络结构，减少了手工设计工作量。
知识蒸馏在这个模型中起到了什么作用？
知识蒸馏通过Teacher-Student模式，将预训练大规模模型中的先验知识（如注意力信息、特征信息、logit信息和面向任务的信息）转移到轻量级学生模型中，从而提升模型性能。
该模型在缺陷样本识别上的准确率如何？
在私有数据集上，该模型对缺陷样本的准确率达到94.26%，比Teacher模型高出约5.7%。
这个模型在不同类型的光伏电池上表现如何？
该模型在单晶和多晶光伏电池上均表现出色，尤其在多晶模型上优于其他方法。
