EL画像を用いた太陽電池欠陥分類のための畳み込みおよびTransformerアーキテクチャの評価
Evaluating Convolutional and Transformer Architectures for Photovoltaic Defect Classification via Electroluminescence Imagery
太陽電池(PV)の欠陥検査では、発光(EL)イメージングが広く利用されているが、深層学習バックボーンの公平な比較は困難であった。本研究では、単結晶および多結晶セルを対象に、5つの階層的タスクで6つのアーキテクチャ(ConvNeXt-T、ViT-B/16、DeiT-B/16、Swin-T、DenseNet121、MobileNetV3-Large)の制御された画像レベルベンチマークを、バイナリおよびマルチクラスラベルで提示する。20,000枚の単セルEL画像からなるバランスの取れた独自データセットを、同一の前処理、拡張、トレーニング、層化5分割交差検証で評価し、150回の実行を行った。ConvNeXt-Tは、ベースのViT/DeiTモデルの約3分の1のパラメータ数で、最も高い平均マクロF1(93.12%)を達成した。4クラスの多結晶タスクでは、DenseNet121の70.08±1.19%、MobileNetV3-Largeの59.43±1.71%と比較して、84.94±0.45%のマクロF1に達した。エラー分析により、軽量CNNでは、特に表面劣化や亀裂のカテゴリにおいて、保守的な見逃し欠陥の挙動が明らかになった。この結果は、制御されたベンチマークのための画像レベルの交差検証証拠を提供し、将来のモジュールレベルのグループ化検証を促進する。
- 単結晶・多結晶PVセルのEL画像による6つの深層学習アーキテクチャの制御されたベンチマークを実施
- ConvNeXt-TがViT/DeiTの約3分の1のパラメータ数で最高平均マクロF1 93.12%を達成
- 4クラス多結晶タスクでConvNeXt-TはマクロF1 84.94±0.45%(DenseNet121: 70.08%、MobileNetV3: 59.43%)
本研究は太陽電池の品質検査における深層学習モデルの制御されたベンチマークを提供しており、PVモジュール製造の品質管理自動化や歩留まり向上に直結する技術評価として注目される。特にConvNeXt-Tが少ないパラメータ数で高い分類精度を達成した点は、エッジデバイスへの実装コスト低減につながり、太陽電池製造装置・検査装置ベンダーやPVメーカーの競争力に影響を与えうる。ただし現時点では研究段階であり、産業実装にはさらなる検証が必要。