本发明公开了一种基于卷积神经网络的太阳能电池板缺陷识别方法，包括离线训练和在线检测两个阶段，其中离线训练包括：收集电池板缺陷图像与合格图像；对样本做数据平衡和预处理；生成二分类数据集和多分类数据集；构建CNN二分类模型和CNN多分类模型；训练模型并保存。在线检测包括：对待识别电池板图像进行预处理；将图像输入到完成训练的CNN二分类模型，进行缺陷检测，将模型判断存在缺陷的图像输入到完成训练的CNN多分类模型，进行缺陷分类，输出缺陷的检测和分类结果。本发明相比传统的检测方法，提供了一种适用于多种缺陷识别方法，抗杂质阴影干扰能力强，准确率高，可用于太阳能电池组件的缺陷检测。

主要技术优势和性能指标：

技术优势：Python编程,利用卷积神经网络(CNN)，针对太阳能电池组件的EL图像识别。

性能指标：本方法简单快捷，五种缺陷识别准确率平均达95%以上，在线检测平均时间0.5秒。