在新能源需求日益增长的今天,光伏发电成为了一个很好的选择。光伏发电的使用率越来越高,作用也越来越重要。光伏发电中,光伏电池组件的缺陷检测及其质量监控对于保障光伏发电设备的光电转换效率、安全稳定运行及避免灾难性事故的发生具有重大意义。实际生产生活中,光伏电池组件缺陷检测一般采用电致发光（ElectroLuminescent,EL）检测成像配合人工目测的方法完成。本文提出了EL检测和电致热成像（Electrothermal,ET）检测数据融合的方法检测光伏电池缺陷,并基于光伏电池片的EL检测图像相关数据集,建立了使用传统图像处理与深度学习相结合的光伏电池片阵列缺陷检测模型,完成了对多种光伏电池片常见缺陷的缺陷类别识别和定位以及光伏电池组件等级的评价工作。论文的主要研究工作如下:一、光伏电池各缺陷类型表征分析。主要分析了数十种不同的缺陷在光伏电池EL检测中的形成原因、特点及影响等,包括大裂纹、隐裂、划伤、虚焊、过焊、断栅、黑斑、污染、崩角、失效以及混档等。通过分析及结合实际,制定了一个关于光伏电池EL检测等级评价的标准。分析过程和该标准为最后对缺陷检测结果的评估提供了基础。二、针对EL检测无法检测光伏电池内部预击穿缺陷的缺点,进行了EL和ET相结合的检测实验,实验中主要检测了裂纹、断栅、污染、预击穿等缺陷。对于ET检测图像,经过光流法的处理之后和EL检测图像融合,可更好的检测出缺陷。最后还采用了深度学习方法对融合后的光伏电池图像进行检测。该过程为使用深度学习方法检测工业光伏电池图像提供了基础。三、研究光伏电池组件精准分割技术方法。针对光伏电池组件EL检测图像大尺寸而缺陷为小目标的特点建立了光伏电池组件分割为光伏电池片的方法。提出了基于点特征的模板匹配检测角点方法,根据和基于线特征的霍夫变换直线检测方法分割结果的比较,最终使用点特征分割方法完成了光伏电池组件EL检测图像较为准确的分割。为深度学习方法检测光伏电池提供了数据集支持。四、基于深度学习方法研究光伏电池缺陷目标检测模型。在光伏电池数据集的基础上,建立了基于深度学习的光伏电池缺陷检测模型,并通过对比模型在不同数据集上的检测效果,验证了光伏电池组件分割的必要性。最终实现了光伏电池缺陷的类别检测与定位,并根据光伏电池EL检测等级评价标准实现了从目标检测到光伏电池组件等级评价的转换过程。