Для решения проблемы недостатка тренировочных изображений и низкого качества сгенерированных изображений при автоматическом распознавании дефектов электролюминесценции фотоэлектрических модулей использовали cycleGAN для генерации изображений дефектов EL солнечных батарей и провели комплексное сравнение с изображениями, сгенерированными DCGAN. Снятые EL-изображения классифицировались и увеличивались для формирования тренировочного набора данных. Затем тренировочным набором обучали cycleGAN и DCGAN. В итоге сравнили сгенерированные изображения по трем критериям: эффективность, сходство и разнообразие. Результаты экспериментов показали, что доля эффективных изображений, сгенерированных cycleGAN, значительно выше, чем у DCGAN. По сравнению с реальными снимками сгенерированные cycleGAN изображения обладают высокой визуальной схожестью, трудноразличимой человеческим глазом. Показатель FID для изображений cycleGAN значительно ниже, чем у DCGAN. Классификационная модель, обученная на изображениях, сгенерированных cycleGAN, достигает точности 93.45% на реальных снимках, а при добавлении небольшого количества реальных изображений в тренировочный набор точность повышается до 98.26%, что значительно выше, чем у DCGAN. Средний показатель MS-SSIM у изображений cycleGAN значительно ниже, чем у DCGAN. Использование cycleGAN для увеличения данных EL-изображений солнечных батарей является эффективным методом и значительно превосходит DCGAN по эффективности, сходству и разнообразию.

Фотовольтаические модули; солнечные батареи; электролюминесценция; cycleGAN; DCGAN