Para resolver o problema da insuficiência de imagens de treinamento e da baixa qualidade das imagens geradas no estudo do reconhecimento automático de defeitos por eletroluminescência em módulos fotovoltaicos, foi utilizado cycleGAN para gerar imagens de defeitos EL de células solares, realizando uma comparação abrangente com as imagens geradas pelo DCGAN. As imagens EL capturadas foram classificadas e aumentadas para formar o conjunto de treinamento. Em seguida, o cycleGAN e o DCGAN foram treinados com esse conjunto. Por fim, as imagens geradas foram comparadas sob três aspectos: eficácia, similaridade e diversidade. Os resultados experimentais indicam que a proporção de imagens eficazes geradas pelo cycleGAN é significativamente maior do que a do DCGAN. Em comparação com as imagens reais capturadas, as imagens geradas pelo cycleGAN apresentam uma altíssima similaridade visual, difícil de distinguir a olho nu. O índice FID das imagens geradas pelo cycleGAN é significativamente inferior ao do DCGAN. O modelo de classificação treinado com imagens geradas pelo cycleGAN atingiu uma precisão de 93,45% nas imagens reais, e quando uma pequena quantidade de imagens reais foi misturada no conjunto de treinamento, essa precisão aumentou para 98,26%, superando significativamente o DCGAN. O índice médio MS-SSIM das imagens geradas pelo cycleGAN é significativamente menor do que o do DCGAN. A utilização do cycleGAN para aumento de dados das imagens EL das células solares é um método eficaz e supera significativamente o DCGAN em eficácia, similaridade e diversidade.

Módulos fotovoltaicos; células solares; eletroluminescência; cycleGAN; DCGAN