Para abordar el problema de la falta de imágenes de entrenamiento y la baja calidad de las imágenes generadas en el estudio del reconocimiento automático de defectos en la electroluminiscencia de módulos fotovoltaicos, se utilizó cycleGAN para generar imágenes de defectos EL de células solares, realizando una comparación integral con las imágenes generadas por DCGAN. Las imágenes EL capturadas se clasificaron y aumentaron para formar el conjunto de entrenamiento. Luego, se entrenaron cycleGAN y DCGAN con este conjunto. Finalmente, se compararon las imágenes generadas desde tres aspectos: efectividad, similitud y diversidad. Los resultados experimentales mostraron que la proporción de imágenes efectivas generadas por cycleGAN fue significativamente mayor que la de DCGAN. En comparación con las imágenes reales capturadas, las imágenes generadas por cycleGAN presentan una similitud visual muy alta, difícil de distinguir para el ojo humano. El índice FID de las imágenes generadas por cycleGAN es significativamente menor que el de DCGAN. El modelo de clasificación entrenado con imágenes generadas por cycleGAN alcanzó una precisión del 93.45% en imágenes reales, y cuando se incorporaron unas pocas imágenes reales al conjunto de entrenamiento, esta precisión aumentó al 98.26%, superando notablemente a DCGAN. El índice medio MS-SSIM de las imágenes generadas por cycleGAN es significativamente menor que el de DCGAN. Utilizar cycleGAN para aumentar los datos de imágenes EL de células solares es un método efectivo, que supera significativamente a DCGAN en efectividad, similitud y diversidad.

Módulos fotovoltaicos; células solares; electroluminiscencia; cycleGAN; DCGAN