EL缺陷"按灰度定量分级"靠谱吗?灰度能当严重度标尺的前提

“按灰度定量分级”,先问灰度是不是一把稳的尺子

这两年挑 EL 设备和判图软件,很容易看到一句卖点:“依据灰度值自动定量分级”——系统读出某片电池、某块区域在图上有多暗,再把这个暗度映射成缺陷等级,一到五级或者 A 到 D，看起来干净利落。它之所以动人,是因为许下了一个承诺:用一个客观数字,替换掉判读员”我觉得这片偏暗”的主观。

但这件事能不能成立,前提只有一个:灰度得是一把稳定、可比的尺子。如果同一道隐裂在这台设备上读出来是 120、换台设备或换次拍就变成 80,那把这两个数字分别套进分级表,得到的”等级”自然对不上——定量分级也就成了伪定量。所以在接受”按灰度分级”之前,得先弄清楚:EL 图里的灰度,到底是组件的固有属性,还是一堆设置凑出来的结果。

灰度不是组件的属性,是一连串设置的结果

答案偏向后者。一片电池在 EL 图上有多亮,取决于它发出多少近红外光、相机又把这些光记成多大的数字,中间每一环都带着可调的旋钮。

电流注入的大小直接决定发光强度:注入电流开大,整片组件都更亮,一些本来偏暗的弱发光区被”抬”了上来;注入开小,连健康电池都显暗。曝光时间同理,曝光拉长,灰度整体上移。再往后,相机的增益设置、本底噪声、镜头的渐晕(画面边缘比中心暗)、拍摄距离与入射角度,全都会改变最终落到每个像素上的灰度数字。同一块组件,把这些旋钮各拧一点,拍出来的灰度分布就是另一张图。

这就是问题所在:灰度是”组件状态”和”成像设置”两样东西的乘积。不把成像设置这一半锁死,单看灰度数字,根本分不清一片电池偏暗是因为它真有缺陷,还是因为这次注入电流小了、曝光短了、或者它恰好落在镜头渐晕的边角。

同一道缺陷,换台设备、换次拍,灰度可以完全不同

把上面一条落到实拍,结论很直接:跨设备、跨次拍的原始灰度,不能直接拿来比较。

甲机构用一组参数拍,某片隐裂区灰度读数偏低,套进自家分级表判为”重度”;乙机构参数不同,同一片区读数没那么低,判成”中度”。两边都没造假,图也都是真的,分歧全来自那把尺子本身没对齐。更隐蔽的是同一台设备不同时间拍:换了批次组件、调过一次参数、甚至环境温度变化影响了相机本底,灰度基线就悄悄漂了。拿漂移过的灰度去比”这次比上次重还是轻”,很可能比的是参数差异,不是缺陷变化。

这也解释了为什么 EL 判读里的很多争议,表面吵的是”几级缺陷”,根子却在”灰度这把尺子当时是什么刻度”。断栅和隐裂在图上怎么区分这类判读,靠的是暗纹的形态走向,而不是单纯某个点有多暗——形态比绝对灰度稳得多,这本身就说明了只盯灰度数字的脆弱。

要让灰度”可定量”,得先补上归一化

那灰度就彻底没法量化了吗?也不是。关键在于归一化——在读灰度之前,先把那半边”成像设置”的影响抵消掉,让剩下的灰度变化尽量只反映组件状态。

具体有几件事要做。一是固定并记录成像参数:注入电流、曝光时间、相机增益、拍摄距离这些量锁定下来写进报告,下一次照着复现,不同次的灰度才有共同的坐标系。二是同图内取参照:在同一张图里挑一片明显健康的电池作为”亮度基准”,用相对灰度(某片相对健康片暗了多少)代替绝对灰度,这样即便整体亮度随参数浮动,相对关系还能保留。三是用标准件标定:拿已知状态的样品定期校准设备响应,把相机本底、渐晕这些系统性偏差标出来、扣掉。四是把设备和流程纳入可计量、可追溯的体系,参照 IEC 60904-13 这类 EL 测量规范——这样不同机构的灰度才有共同的物理基准,而不是各读各的。

做到这几步,灰度才从”一个会随手漂的数字”变成”一个可计量的参照量”。省掉归一化直接分级,等于用一把没刻度、还会热胀冷缩的尺子量长度——量得再精细,也只是精细的误差。顺带一提,分辨率和信噪比不够时,细微暗纹本身就埋在噪声里,这时谈灰度定量更是无从谈起。

灰度分级能做什么,不能做什么

就算归一化做到位,也得清楚灰度分级的边界:它量的是”暗到什么程度”,不直接等于”缺陷有多严重”。

两者常常相关,但不是一回事。有些暗是设计使然而非缺陷:透光型组件稀疏排布的电池间隙、彩釉或镀膜带来的整体偏暗、某些工艺的正常底纹,灰度都低,却不该计为缺陷——EL 图像里的明暗到底代表什么要先分清这一层。反过来,有些真正危险的缺陷未必最暗:一道刚形成、还没切断电流通路的细微隐裂,灰度变化可能很小,但它会扩展,长期风险不低。

所以灰度只是输入,不是结论。要把它变成有意义的严重度等级,还得叠上缺陷的形态、位置、类型判据——隐裂看走向和是否贯穿、发暗看面积和落点、断栅看规律性。一套事先约定、双方都认的缺陷分级规则,本质上就是把”灰度+形态+位置”综合成等级的那本规程。单靠灰度一个维度,顶多是分级的一半。

AI 自动分级,没有绕开这道前提

那上了 AI 判图软件、让算法自动给灰度打分,是不是就省心了?算法确实能把”读灰度—套判据—出等级”这条流水线跑得又快又一致,这是它实打实的价值。但要注意:AI 并没有取消归一化这道前提,它只是继承了这道前提。

喂给模型的若是没固定参数、没归一化的灰度,模型学到和输出的,就是带着参数漂移的”等级”——快、稳定、可复现,却可能稳定地错。模型的一致性只保证”同样的输入给同样的输出”,不保证”这个输入本身是对齐过的”。所以 AI 自动分级靠不靠谱,底座还是那几件事:参数固定、同图参照、标定、可追溯。底座打牢了,AI 是放大器;底座是歪的,AI 就是把歪的结论高效地批量复制。

小结:灰度可以量化,但”定量”二字是有前提的

回到开头那句卖点。“依据灰度值定量分级”不是不能成立,而是只有在参数固定、灰度归一化、判据对齐、设备可追溯这几样都到位时才成立。缺了归一化这一环,灰度就是会漂的数字,再漂亮的分级表也只是给主观读图套了个数字外衣;补齐了,灰度才真正成为一把别人也能复现、换台设备换次拍都对得上的严重度参照。

朗思孚在白天 EL 现场检测与相关检测服务里一直坚持的,正是先把成像参数、归一化方法和分级判据做成可复现、可追溯的闭环,再谈”定量”——因为对电站和买卖双方来说,他们要的从来不是一个好看的数字,而是一个换谁来读、换时间再读都对得上的数字。