Um das Problem des Mangels an Trainingsbildern und der schlechten Qualität der generierten Bilder in der automatischen Erkennung von elektrolumineszenten Defekten bei Photovoltaikmodulen zu lösen, wurde cycleGAN verwendet, um EL-Defektbilder von Solarzellen zu erzeugen, und eine umfassende Gegenüberstellung mit den von DCGAN erzeugten Bildern vorgenommen. Die aufgenommenen EL-Bilder wurden klassifiziert und durch Datenaugmentation für den Trainingssatz erweitert. Anschließend wurden cycleGAN und DCGAN mit dem Trainingssatz trainiert. Abschließend wurden die generierten Bilder aus den drei Perspektiven Wirksamkeit, Ähnlichkeit und Vielfalt verglichen. Die Versuchsergebnisse zeigen, dass der Anteil wirksamer Bilder, die von cycleGAN generiert wurden, signifikant höher ist als bei DCGAN. Im Vergleich zu den echten aufgenommenen Bildern weisen die von cycleGAN generierten Bilder eine sehr hohe visuelle Ähnlichkeit auf, die mit bloßem Auge kaum zu unterscheiden ist. Der FID-Wert der cycleGAN-Bilder ist deutlich niedriger als der von DCGAN. Das mit cycleGAN-generierten Bildern trainierte Klassifikationsmodell erreicht eine Genauigkeit von 93,45 % bei echten Bildern und steigt auf 98,26 %, wenn einige echte Bilder in den Trainingssatz aufgenommen werden, was deutlich höher als bei DCGAN ist. Der durchschnittliche MS-SSIM-Wert der cycleGAN-Bilder ist deutlich niedriger als der von DCGAN. Die Verwendung von cycleGAN zur Datenaugmentation von EL-Bildern von Solarzellen ist eine effektive Methode und übertrifft DCGAN hinsichtlich Wirksamkeit, Ähnlichkeit und Vielfalt erheblich.

Photovoltaikmodule; Solarzellen; Elektrolumineszenz; cycleGAN; DCGAN