文章开放获取 发表时间：2026年8月12日 科学报告（2026年） 引用此文章 我们提供了该手稿的未编辑版本，以便尽早获取其发现。在最终出版之前，手稿将进行进一步编辑。请注意，可能存在影响内容的错误，所有法律免责声明均适用。摘要 光伏（PV）电池中缺陷的检测和严重性评估对于确保高效的能源收集及降低成本具有重大意义。电致发光（EL）成像是光伏缺陷检测中采用的重要技术。缺陷在低对比度的EL图像中表现为微妙的模式，使得严重性分级变得困难。这种困难进一步受到输入数据集中类别不平衡的影响。本研究通过提出一种创新的多尺度自监督序数学习网络（MS-OSSLNet），解决了这些研究空白，用于EL图像中光伏电池表面缺陷严重性分级。所提出的框架从全局和局部补丁级别的信息中提取多尺度特征，利用基于DINO的自监督表示学习和通过CORAL框架的序数回归来建模光伏电池缺陷严重性的进展。此外，使用平滑的类加权损失函数来解决数据集中的类不平衡。该框架在ELPV数据集上的测试准确率为60.91%，加权F1分数为0.6417，平衡精度为53.27%。然而，Earth Mover’s Distance指标为0.2234显示出分布相似性，而均绝对误差为0.6497，二次加权Kappa为0.5479则表明大多数误分类发生在相邻的严重性级别之间，从而保持了序数一致性。此外，Spearman等级和Kendall Tau值分别为0.5169和0.4770，显示出中等的正单调序数关联。模型的平均处理时间为11.28毫秒，帧速率为88帧每秒。消融分析支持多尺度特征提取的影响，同时GradCAM解释显示模型能够捕捉跨空间尺度和序数一致性的特征。模型的稳健性通过各种随机初始化的性能指标的最小标准偏差得到支持。获得的结果支持将自监督表示学习技术与多尺度表示和关注不平衡的序数优化相结合用于光伏缺陷分析。在其在严重性分级方面的有效性基础上，所提出的框架可以进一步增强，以便在可再生能源应用中实现智能检测系统。资助 由贾普尔的曼尼帕尔大学提供开放获取资金。作者信息 作者及相关单位 机械工程系，M.Kumarasamy工程学院，印度卡鲁尔 Ramesh C 电子与通信工程系，KIT- Kalaignarkarunanidhi技术学院，印度泰米尔纳德邦科印拜陀 Umapathi Krishnamoorthy Symbiosis技术学院，浦那校园，Symbiosis国际（被认定的大学），印度浦那 Chandrakant R. Sonawane Symbiosis纳米科学与纳米技术中心，Symbiosis国际（被认定的大学），印度浦那 Chandrakant R. Sonawane 机械工程系，贾普尔的曼尼帕尔大学，印度贾普尔 Rahul Goyal 作者 Ramesh C Umapathi Krishnamoorthy Chandrakant R. Sonawane Rahul Goyal 通讯作者 联系人：Rahul Goyal。伦理声明 竞争利益 作者声明没有竞争利益。附加信息 出版者声明 Springer Nature在已发表的地图和机构归属方面保持中立。权利和许可 开放获取 本文在创意共享署名4.0国际许可协议下被授权，允许在任何媒体或格式中使用、分享、改编、分发和复制，只要适当引用原作者和来源，提供创意共享许可的链接，并指明是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在材料的信用行中另有说明。如果材料不包括在文章的创意共享许可中，并且您计划的用途不被法定规定允许或超出了允许的使用，您需要直接向版权持有人获得许可。要查看此许可的副本，请访问http://creativecommons.org/licenses/by/4.0/。关于此文章 引用此文章 C, R., Krishnamoorthy, U., Sonawane, C.R.等。多尺度自监督序数学习用于光伏缺陷在电致发光图像中的严重性分级。《科学报告》（2026）。https://doi.org/10.1038/s41598-