1.一种EL检测系统，其特征在于，包括：

电致发光图像采集模块，用于获取由部署于单晶硅太阳能电池暗室的近红外摄像头采集的电致发光图像；

电致发光图像处理模块，用于将所述电致发光图像通过特征提取以分别得到电致发光特征语义特征向量和电致发光灰度校正特征向量；

电致发光图像融合模块，用于融合所述电致发光特征语义特征向量和所述电致发光灰度校正特征向量以得到电致发光特征检测特征向量；

特征检测分析模块，用于将所述电致发光特征检测特征向量通过分类器以得到分类结果，所述分类结果用于表示太阳能电池板是否存在缺陷；

其中，所述电致发光图像处理模块，包括：

灰度图像提取单元，用于将所述电致发光图像转化为灰度图像后进行校正以得到电致发光灰度校正图像；

灰度特征统计单元，用于将所述电致发光灰度校正图像通过编码以得到所述电致发光特征语义特征向量；

校正图像处理单元，用于将所述电致发光灰度校正图像通过使用卷积编码以得到所述电致发光灰度校正特征向量；

其中，所述灰度特征统计单元，包括：

提取统计量子单元，用于基于灰度共生矩阵从所述电致发光灰度校正图像得到多个电致发光灰度特征统计量；

上下文编码子单元，用于将所述多个电致发光灰度特征统计量通过包含嵌入层的上下文编码器以得到多个电致发光灰度特征统计语义特征向量；

双向长短期记忆子单元，用于将所述多个电致发光灰度特征统计语义特征向量进行一维排列后通过双向长短期记忆神经网络模型以得到所述电致发光特征语义特征向量；

其中，还包括：用于对包含嵌入层的上下文编码器、双向长短期记忆神经网络模型、空间注意力机制的第一卷积神经网络模型和分类器进行训练的训练模块；

其中，所述训练模块，包括：

训练数据采集单元，用于获取训练数据，所述训练数据包括训练电致发光图像；

训练灰度图像单元，用于将所述训练电致发光图像转化为灰度图像以得到训练电致发光灰度图像；

训练校正单元，用于对所述训练电致发光灰度图像进行校正以得到训练电致发光灰度校正图像；

训练统计量单元，用于基于灰度共生矩阵从所述训练电致发光灰度校正图像得到多个训练电致发光灰度特征统计量；

训练上下文编码单元，用于将所述多个训练电致发光灰度特征统计量通过包含嵌入层的上下文编码器以得到多个训练电致发光灰度特征统计语义特征向量；

训练长短期记忆单元，用于将所述多个训练电致发光灰度特征统计语义特征向量进行一维排列后通过双向长短期记忆神经网络模型以得到训练电致发光特征语义特征向量；

训练注意力单元，用于将所述训练电致发光灰度校正图像通过使用空间注意力机制的第一卷积神经网络模型以得到训练电致发光灰度校正特征图；

训练降维单元，用于将所述训练电致发光灰度校正特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到训练电致发光灰度校正特征向量；

训练融合单元，用于融合所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量以得到训练电致发光特征检测特征向量；

训练补偿损失函数值单元，用于计算所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；

分类损失单元，用于将所述训练电致发光特征检测特征向量通过分类器以得到分类损失函数值；

模型训练单元，用于计算所述补偿损失函数值和所述分类损失函数值的加权和作为最终损失函数值，对所述包含嵌入层的上下文编码器、所述双向长短期记忆神经网络模型、所述空间注意力机制的第一卷积神经网络模型和所述分类器进行训练；

其中，所述训练补偿损失函数值单元，包括：

计算概率值子单元，用于将所述训练电致发光特征语义特征向量通过Softmax函数以得到概率值；

计算均值特征向量子单元，用于计算所述训练电致发光特征语义特征向量和所述训练电致发光灰度校正特征向量的按位置均值以得到均值特征向量；

计算范数值子单元，用于计算所述均值特征向量的Frobenius范数以得到范数值；

计算系数子单元，用于计算所述概率值乘以以范数值为幂的自然指数函数值以得到所述概率密度分布单调性超凸度量系数。

2.根据权利要求1所述的EL检测系统，其特征在于，所述灰度图像提取单元，包括：灰度图像子单元，用于将所述电致发光图像转化为灰度图像以得到电致发光灰度图像；

校正子单元，用于对所述电致发光灰度图像进行校正以得到所述电致发光灰度校正图像。

3.根据权利要求2所述的EL检测系统，其特征在于，所述上下文编码子单元，包括：嵌入转化二级子单元，用于将所述多个电致发光灰度特征统计量通过嵌入层以将所述多个电致发光灰度特征统计量中各个维度统计量转化为嵌入向量以得到嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个维度统计量进行嵌入编码；

编码二级子单元，用于将所述嵌入向量的序列通过基于转换器的上下文编码器以得到所述多个电致发光灰度特征统计语义特征向量。

4.根据权利要求3所述的EL检测系统，其特征在于，所述双向长短期记忆子单元，包括：一维排列二级子单元，用于将所述多个电致发光灰度特征统计语义特征向量进行一维排列以得到电致发光灰度特征统计语义特征向量的序列；

序列编码二级子单元，用于使用所述双向长短期记忆神经网络模型对所述电致发光灰度特征统计语义特征向量的序列进行上下文语义编码以得到所述电致发光特征语义特征向量。

5.根据权利要求4所述的EL检测系统，其特征在于，所述校正图像处理单元，包括：空间注意力子单元，用于将所述电致发光灰度校正图像通过使用空间注意力机制的第一卷积神经网络模型以得到电致发光灰度校正特征图；

特征图降维子单元，用于将所述电致发光灰度校正特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述电致发光灰度校正特征向量。

6.一种EL检测方法，应用于权利要求1所述的EL检测系统，其特征在于，包括：获取由部署于单晶硅太阳能电池暗室的近红外摄像头采集的电致发光图像；

将所述电致发光图像通过特征提取以分别得到电致发光特征语义特征向量和电致发光灰度校正特征向量；

融合所述电致发光特征语义特征向量和所述电致发光灰度校正特征向量以得到电致发光特征检测特征向量；

将所述电致发光特征检测特征向量通过分类器以得到分类结果，所述分类结果用于表示太阳能电池板是否存在缺陷。