使用深度学习框架对矿形态的定量分析能够准确预测太阳能电池的性能
Haixin Zhou1, Kuo Wang2,3, Cong Nie1
1College of Railway Transportation, Hunan University of Technology, Zhuzhou, 412008, China.
Small (Weinheim an der Bergstrasse, Germany)
|March 20, 2025
概括
一个新的深度学习模型,Self-UNet,准确地检测SEM图像中的矿粒边界. 这使得能够精确预测太阳能电池效率,改善性能分析.
科学领域:
- 材料科学 材料科学 材料科学
- 可再生能源是可再生能源的来源.
- 人工智能的人工智能
背景情况:
- 矿太阳能电池的粒度边界是影响性能的关键缺陷点.
- 精确量化谷物形态对于预测太阳能电池效率至关重要.
研究的目的:
- 开发一种深度学习模型,用于精确的矿粒边界检测和形态分析.
- 建立谷物形态与矿太阳能电池性能之间的相关性.
主要方法:
- 开发Self-UNet深度学习模型,用于扫描电子显微镜 (SEM) 图像中的边缘检测.
- 形态特征的量化:谷物边界长度 (GBL),谷物数量 (NG) 和平均谷物表面积 (AGSA).
- 整合梯度增强决策树 (GBDT) 回归来预测太阳能电池效率.
主要成果:
- 与Canny和UNet相比,Self-UNet表现出更高的边缘检测准确性 (Dice: 91.22%,F1: 93.58%) 和UNet.
- 该模型准确地识别了细粒,并在低质量的SEM图像中从表面沟中区分真正的边界.
- 在预测太阳能电池效率方面,GBDT回归实现了高准确性,相对误差为<10%.
结论:
- 自我UNet为分析矿微结构及其对设备性能的影响提供了一种强大的方法.
- 通过Self-UNet准确的形态定量能够可靠地预测太阳能电池效率.
- 谷物边界长度 (GBL) 被验证为性能预测的关键形态特征.
