在自己电脑上，搭一套会“自我学习”的EL缺陷识别AI
导读
EL（电致发光）是组件厂最常用的“X光”：隐裂、断栅、黑芯、虚焊，在EL图上一目了然。但一条产线每天成千上万张EL图，全靠判片员盯着屏幕看——看久了会累，换人了标准会变，老师傅走了经验也跟着走。这篇我们不讲论文，只做一件事：手把手在自己电脑上搭一套能用的EL自动识别程序，而且让它越用越准。全文不需要你会写代码，跟着做即可。
01先看全貌：这套系统由哪三部分组成
很多人一听“AI自我学习”，以为是程序自己琢磨、自己进步。在工厂里，可靠的做法恰恰相反：机器负责“看”，人负责“教”，再加一个公平的“考场”负责把关。三者缺一不可。
图1 会“自我学习”的EL识别系统由三部分组成
- 眼睛：检测模型。我们用开源的YOLO目标检测模型。它看一张EL图，就能把缺陷框出来，说出是哪一类，并给出一个0~1之间的“把握”（置信度）。
- 老师：人工复核。AI拿不准的图，交给判片员看。判片员在标注软件里改框、删框、补框，每一次修改都会变成新的“教材”。
- 成绩单：版本管理。准备一个固定不变的“考场”。每次学习后，新模型和旧模型在同一个考场考试，新的考过了才转正，没考过就继续用旧的。
为什么选YOLO？它开源、文档全，几行代码就能训练自己的模型。Ultralytics在2026年1月发布了YOLO26，采用无需NMS的端到端设计，主打在普通CPU和边缘设备上跑得快，目前是官方推荐的模型；下一代YOLO27已在YOLO Vision 2026发布会上亮相，官网目前标注为“即将推出”，尚未公布具体日期。本文代码用YOLO26，以后换新模型只需改配置文件里的一个名字。
为什么在自己电脑上跑？EL图是工厂的核心数据，里面藏着片源、工艺和良率信息。本地运行，数据不出电脑，断网也能用，这对很多工厂来说是硬要求。
这套系统的核心不是“模型多先进”，而是“眼睛 + 老师 + 考场”的配合：AI看大部分图，人只教AI拿不准的，考场保证每次升级都是真进步。
02准备工作：一台电脑、三个软件
先看电脑。不需要专门买服务器，办公室里一台带独立显卡的台式机就够用；没有显卡也能跑，只是训练慢很多。
| 项目 | 能跑起来 | 推荐配置 |
|---|---|---|
| 系统 | Windows 10/11（64位） | 同左 |
| 显卡 | 无（用CPU，训练很慢） | NVIDIA独显，显存8GB及以上 |
| 内存 | 16GB | 32GB |
| 硬盘 | 剩余50GB | 固态硬盘，剩余200GB以上 |
表1 电脑配置建议
再装三个软件，按顺序来：
- ① Python 3.12。到python.org下载安装，安装界面第一页一定要勾选“Add python.exe to PATH”。
- ② PyTorch（有N卡才需要这一步）。打开pytorch.org首页，在选择器里选Windows、Pip、Python和对应的CUDA版本，复制它给出的命令到命令行运行。
- ③ Ultralytics。在命令行运行下面这行命令；国内网络建议加上清华镜像。
pip install ultralytics # 国内网络慢时，改用清华镜像： pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple # 检查显卡：True=GPU就绪，False=用CPU python -c "import torch; print(torch.cuda.is_available())"
最后装一个标注软件。我们推荐开源的X-AnyLabeling：界面中文，能读写YOLO格式，还能直接调用YOLO模型做“预标注”，正好用在后面的人工复核环节。
然后解压代码包，双击“0_初始化文件夹.bat”，所有需要的文件夹就自动建好了（见图3）。小提示：第一次训练时程序会自动从GitHub下载预训练模型，如果下载失败，可以手动下载yolo26s.pt放到代码文件夹里。
03数据：把“判定标准”翻译成“标注规范”
这是全篇最重要的一节。模型能做到多好，上限由数据决定；而EL数据的质量，本质上就是判定标准的一致性。同一种暗线，A判片员标“隐裂”，B判片员标“划伤”，模型就会无所适从。
图2 EL缺陷识别的输出长什么样（示意图）
下面是我们代码里预设的8个类别，可以直接用，也可以按你们工厂的标准改：
| 代号 | 缺陷 | EL上的典型表现 | 标注要点 |
|---|---|---|---|
| crack | 隐裂 | 暗色细线，线状、树枝状或星状 | 框住整条裂纹，交叉裂纹框成一个 |
| finger | 断栅 | 沿细栅方向的条状暗区 | 框住暗区即可 |
| black_core | 黑芯 | 片子中心区域整体发暗，常呈同心圆 | 框住发暗区域 |
| dark_spot | 黑斑/暗片 | 局部或整片亮度偏低 | 局部框暗区，整片暗就框整片 |
| short_circuit | 短路黑片 | 整片几乎全黑 | 框整片 |
| broken | 碎片/缺角 | 边角缺失或碎裂，边界清晰 | 框缺失区及周边裂纹 |
| scratch | 划伤 | 细长暗线，通常较直 | 与隐裂易混，规范里要附对比图 |
| solder_defect | 焊接不良 | 沿焊带两侧的暗区或亮度不均 | 框住异常的那一段 |
表2 预设的8个缺陷类别
这份清单只是示例。类别怎么分，就按你们现有的EL判定标准来；原则是宁少勿多，相似难分的先合并，等数据多了再拆。
标注时守住三条铁律：
- 同一把尺子。把判定标准写成带示例图的“标注规范”；多人标注前，先拿同一批图各标一遍，对齐分歧后再开工。
- 框要贴。框住缺陷本身，不留大片空白，也不要切掉缺陷的一部分。
- 好片也要有。无缺陷的图也放进训练集，标签留空，让模型知道“什么是好片”，否则它会到处“找茬”。
数据量方面，经验上每类缺陷先攒到一两百个样本，总量几千张图，就能训练出一个可用的起点。手上还没有数据的，可以先用公开数据集练手：PVEL-AD由河北工业大学和北京航空航天大学联合发布，有36543张近红外EL图、12类缺陷（另含无缺陷图）和标注框，需填写签字申请表并用机构邮箱申请；ELPV由德国ZAE Bayern等机构发布，有2624张300×300的单片灰度图，但标的是“缺陷概率”而不是框，更适合做分类练习。
要提醒的是，这些公开数据以早期多晶、单晶片为主，和现在的TOPCon、HJT、多主栅/0BB片子在EL形貌上差别不小，只适合练手，不能直接拿来上线。
图3 代码包的文件夹结构
数据要分成三份：训练集（train）相当于课本，验证集（val）相当于随堂测验，测试集（test）相当于期末考场，比例大约8:1:1。考场一旦定下，永远不再改动——后面每一次“升级”的判断都靠它。考场里要覆盖各类缺陷、各条产线和各台EL设备的图。
标注规范就是判定标准的“数字版”。先统一标准再标注，比换任何更先进的模型都管用。
04第一次训练：让模型“入门”
打开config.yaml（用记事本就行），通常只需要确认三处：有没有显卡、用多大的模型、缺陷类别。
# 起点模型：n更快、s均衡、m更准 model_base: yolo26s.pt # 单片图用640；细小缺陷多可试1024 imgsz: 640 # 有NVIDIA显卡填0；没有填 cpu device: 0 # 缺陷类别，顺序定下后不再改 classes: [crack, finger, black_core, dark_spot, short_circuit, broken, scratch, solder_defect]
改好后双击“1_首次训练.bat”。程序会依次做四件事：读取数据 → 从预训练模型出发训练 → 在考场考试 → 把模型存为v001。核心代码只有几行：
from ultralytics import YOLO
# 加载预训练模型
model = YOLO("yolo26s.pt")
# 开始训练：EL图上下、左右翻转都合理；
# 灰度图，关掉色彩增强
model.train(data="data.yaml",
epochs=100, imgsz=640,
fliplr=0.5, flipud=0.5,
hsv_h=0.0, hsv_s=0.0)为什么几千张图就够？因为预训练模型已经在海量图片上学会了“看边缘、看纹理、看形状”，我们只是教它认识EL缺陷，这叫迁移学习。训练时间取决于图片数量和显卡，几千张图在主流独显上通常是几十分钟到几小时；纯CPU可能要一天以上。
训练完会给出一组成绩，看懂这四个数就够了：
| 指标 | 通俗含义 | 低了意味着 |
|---|---|---|
| 精确率 Precision | AI判NG的图里，真NG占多少 | 误判多，复判工作量大 |
| 召回率 Recall | 真NG的图里，AI抓到了多少 | 漏检多，缺陷片流到下游 |
| mAP50 | 框的位置大致对就算对的综合分 | 整体识别能力弱 |
| mAP50-95 | 对框的位置要求更严的综合分 | 框得不准 |
表3 看懂四个训练指标
对EL来说，召回率比精确率更要紧：误判一张，判片员多看一眼；漏检一张，可能就是一块隐裂组件到了电站。所以后面的升级规则里，召回率是“一票否决”项。训练结束后，runs文件夹里还有一张混淆矩阵图，能看出每一类缺陷分别学得怎么样。
05上线检测：把“拿不准”的图挑出来
日常使用很简单：把新的EL图放进inbox文件夹，双击“2_检测新图.bat”。和常见的“OK/NG二选一”不同，我们让程序分三路走：
图4 检测结果“三分流”
- NG：所有缺陷框的置信度都在0.60以上，AI直接判定。
- 复核：只要有一个框的置信度落在0.25~0.60之间，就送人工复核，并附上AI的预标注。
- OK：没有任何框（低于0.25的框忽略），AI直接放行。
置信度可以理解为AI的“把握”。把握大的交给AI，把握小的交给人——AI省掉的是大量“一眼就能判”的图，人只看真正难的那部分。阈值都在配置文件里，可以调：上线初期保守一些，多送复核；模型变准以后再逐步收紧。
另外，程序还会从OK和NG里随机抽2%送去复核。原因是AI最危险的错误不是“拿不准”，而是“很自信地判错”，抽检就是专门抓这类问题的。分流的核心逻辑如下：
if 任一框置信度在0.25~0.60之间:
判定 = "复核"
elif 有框（且都≥0.60）:
判定 = "NG"
else:
判定 = "OK"
抽检 = 判定不是复核 且 随机数 < 0.02每次检测会生成一个带时间的结果文件夹，里面OK、NG、复核三个子文件夹放着画好框的图，report.csv汇总每张图的判定和缺陷，用Excel直接打开。
三分流的意义：让AI承担“确定的多数”，让人专注“不确定的少数”，而人处理这些少数的过程，正是下一节自我学习的原料。
06自我学习：人判一次，模型记一次
图5 自我学习闭环
检测之后，review_queue文件夹里就攒下了一批“AI拿不准的图 + AI的预标注”。接下来的闭环分五步：
- ① 复核。用X-AnyLabeling打开review_queue里的图片，按YOLO格式导入预标注（类别表classes.txt已经备好），改框、删框、补框；确认是好片的，把框全部删掉。
- ② 移交。把改好的图片和对应的标签文件，一起剪切到review_done文件夹。
- ③ 学习。双击“3_学习升级.bat”。复核图90%进训练集、10%进验证集，然后在当前模型基础上继续训练。
- ④ 考试。新旧模型在同一个考场考试。
- ⑤ 择优。新模型的mAP50-95至少提高0.005，且召回率下降不超过0.01，才转正为新版本；否则继续用旧的。
旧成绩 = 考试(当前模型)
新成绩 = 考试(新训练的模型)
if (新成绩.mAP50_95 - 旧成绩.mAP50_95 >= 0.005
and 新成绩.召回率 >= 旧成绩.召回率 - 0.01):
升级为新版本（v002…），旧版本保留
else:
继续用旧模型，本次成绩记入 history.csv这里有三个容易被忽略、但决定成败的设计：
- 用全部数据继续训练。只用新图训练，模型会“学了新的、忘了旧的”，这在AI里叫灾难性遗忘。所以每次学习都把新旧数据放在一起。
- 考场永远不动。复核图只进训练集和验证集，不进测试集。否则就像提前把考题给了学生，分数好看，上线就露馅。
- 每个版本都留着。models文件夹保存每一版模型，history.csv记录每次成绩。哪天发现新版本有问题，把旧版本复制成current.pt就能退回。
图6 版本迭代示意：考场成绩上升，送复核比例下降
节奏上，攒够一两百张复核图学一次就行，大约一到两周一次。遇到换电池技术路线、换EL设备、出现新缺陷类型时，适当调低阈值，让更多图进入复核。
可能有人会问：为什么不让模型完全自己学，用它自己的判定结果训练自己？因为它判错的图如果再拿来训练，错误会被“强化”，越学越偏。人在环路里，是工业场景的底线。
所谓“自我学习”，本质是把每一次人工复判沉淀成训练数据——判片员的经验不再随人走，而是留在了模型里。
07避坑清单：我们踩过、也见别人踩过的坑
- 标准漂移。不同判片员、不同班次判法不一，模型学到的就是“混乱”。先统一规范，再大规模标注。
- 设备差异。不同EL设备的曝光、分辨率、相机不一样。换设备或新增产线时，先抽几百张图做验证，必要时补一批该设备的数据。
- 整版图直接缩小。组件整版EL图分辨率很高，缺陷相对很小，直接缩到640像素，细隐裂可能就“缩没了”。建议先按电池片切图，或者调大imgsz。
- 类别不平衡。隐裂成百上千，短路黑片寥寥无几。稀有类别要有意识地收集，实在太少就先合并。
- 考场污染。把测试图混进训练集，分数虚高。测试集单独存放，定期检查有没有重复图片。
- 只看总分。mAP总分涨了，某一类（比如隐裂）可能反而变差。升级后看一眼混淆矩阵，重点类别单独盯。
- 开源许可。Ultralytics采用AGPL-3.0开源许可。如果要把程序集成进产品对外销售或提供服务，需要评估开源义务，或向官方购买商业许可。
08写在最后
AI不是来替代判片员的。真正有价值的，是把老师傅“一眼看出这是隐裂还是划伤”的经验，变成一套可复制、可积累、不会随人员流动而流失的能力。
这套程序一个人、一台电脑就能跑起来，试错成本很低。我们建议先在一个工序、一种片型上小范围试点，跑上一两个月，重点看两件事：送复核的比例有没有逐步下降，抽检有没有抓到AI的“自信误判”。这两个数字说明闭环真的在转。
如需本文的完整代码包（含双击运行的bat文件、配置文件和使用说明），或者你在工厂里最想让AI帮忙解决哪个问题，欢迎与我们交流。AI+光伏系列我们会继续更新。
参考资料
- Ultralytics. Models Supported by Ultralytics（YOLO26等）；Ultralytics Roadmap
- Ultralytics. Key Highlights from Ultralytics YOLO Vision 2026（YOLO27发布）
- Su B, Zhou Z, Chen H. PVEL-AD: A Large-Scale Open-World Dataset for Photovoltaic Cell Anomaly Detection. IEEE Transactions on Industrial Informatics. github.com/binyisu/PVEL-AD
- Buerhop-Lutz C, Deitsch S, et al. A Benchmark for Visual Identification of Defective Solar Cells in Electroluminescence Imagery. 35th EU PVSEC, 2018. github.com/zae-bayern/elpv-dataset
- Deitsch S, et al. Automatic Classification of Defective Photovoltaic Module Cells in Electroluminescence Images. Solar Energy, 2019, 185: 455-468.
- X-AnyLabeling: A Unified Desktop Platform for AI-Assisted Data Annotation. github.com/CVHub520/X-AnyLabeling
- Ultralytics Licensing（AGPL-3.0与商业许可）
十余年光伏研发与技术团队｜硬核专业知识分享
材料 · 可靠性 · 失效分析 · 标准认证 · 产品 · 工艺
AI+光伏探索交流，欢迎合作
声明：
1. 原创内容仅代表作者个人观点，仅供参考，不构成投资建议。
2. 转载及引用内容均注明出处，尊重原创。
3. 部分内容含AI辅助（图表生成、数据检索、概念说明等），核心框架与重点内容由本技术团队撰写，并经人工审核。
4. 如有不实或侵权，请留言或联系我们处理