JP7319733B1 - 電池性能推定装置、電池性能推定方法、及び電池性能推定プログラム - Google Patents
電池性能推定装置、電池性能推定方法、及び電池性能推定プログラム Download PDFInfo
- Publication number
- JP7319733B1 JP7319733B1 JP2022137782A JP2022137782A JP7319733B1 JP 7319733 B1 JP7319733 B1 JP 7319733B1 JP 2022137782 A JP2022137782 A JP 2022137782A JP 2022137782 A JP2022137782 A JP 2022137782A JP 7319733 B1 JP7319733 B1 JP 7319733B1
- Authority
- JP
- Japan
- Prior art keywords
- battery
- image
- subject
- layer
- image information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 239000000284 extract Substances 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims abstract description 10
- 238000003475 lamination Methods 0.000 claims abstract 2
- 239000013078 crystal Substances 0.000 claims description 46
- OGIDPMRJRNCKJF-UHFFFAOYSA-N titanium oxide Inorganic materials [Ti]=O OGIDPMRJRNCKJF-UHFFFAOYSA-N 0.000 claims description 41
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 19
- 230000005525 hole transport Effects 0.000 claims description 19
- 238000005520 cutting process Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000010191 image analysis Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000000635 electron micrograph Methods 0.000 description 13
- 239000002245 particle Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 230000001681 protective effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000001878 scanning electron micrograph Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910003471 inorganic composite material Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 238000000879 optical micrograph Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- WKBOTKDWSSQWDR-UHFFFAOYSA-N Bromine atom Chemical compound [Br] WKBOTKDWSSQWDR-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- GDTBXPJZTBHREO-UHFFFAOYSA-N bromine Substances BrBr GDTBXPJZTBHREO-UHFFFAOYSA-N 0.000 description 1
- 229910052794 bromium Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 150000004820 halides Chemical class 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- SOQBVABWOPYFQZ-UHFFFAOYSA-N oxygen(2-);titanium(4+) Chemical class [O-2].[O-2].[Ti+4] SOQBVABWOPYFQZ-UHFFFAOYSA-N 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/549—Organic PV cells
Landscapes
- Photovoltaic Devices (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
【課題】電池として組み立てた後の性能を評価、計測過程の簡素化を図り、結晶質の構造体段階の画像解析から電池性能を評価して、電池としての適正を推定するための電池性能推定装置を提供する。【解決手段】積層方向の切断面の電子顕微鏡による断面画像を取得する画像取得部と、積層構造体に含まれる複数の層の層構造部を特定する特定部と、画像を教師データ画像情報として抽出する抽出部と、教師データ画像情報と電池の電池性能とを関連付け構造性能情報を蓄積する情報蓄積部と、被検体電池の積層方向の切断面の電子顕微鏡による被検体断面画像を取得する被検体画像取得部と、積層構造体に含まれる複数の層からなる被検体層構造部を特定する被検体特定部と、被検体層構造部の画像を被検体画像情報として抽出する被検体画像抽出部と、被検体画像情報と教師データ画像情報との対応関係に基づいて被検体電池の電池性能を推定する推定部とを備える。【選択図】図４
Description
本発明は、電池性能推定装置、電池性能推定方法、及び電池性能推定プログラムに関し、特に電池の切断面画像から当該電池の電池性能を推定するための電池性能の推定装置、電池性能の推定方法、及び電池性能の推定プログラムに関する。
太陽電池の発電効率を改善する試みにおいて、従来のケイ素結晶の太陽電池に加えて色素増感太陽電池の開発が着目されている。さらに、色素増感太陽電池の分野において、有機－無機複合物質であるハロゲン化鉛系ペロブスカイト太陽電池等の開発が進められている。この場合、電池を形成する無機成分の結晶質の状態、各層の状態により電池性能が左右されることが予想される。
また、電池の性能（出力、発電効率）は、実際に電池の用いる結晶質の合成、構造体を構成する各層の組み合わせ等により実際に組み立てた後に、規定の検査方法により計測され、性能の良否が評価される。このため、電池の設計、製造、評価と各段階を踏まえなければ電池の性能の評価はできなかった。
このようなことから、電池を実際に製造し評価、計測する前の段階において、簡便に電池性能を評価する手法が検討されてきた。例えば、顕微鏡画像に基づく画像解析の手法が提案されている（例えば、特許文献１等参照）。
特許文献１に開示の手法は主に光学顕微鏡画像の分析に主眼が置かれている。このため、ペロブスカイト太陽電池に代表される複数種類の結晶質に特有の画像解析については言及されていない。
本発明は上記の点に鑑みなされたものであり、電池に必要とされる結晶質を合成して構造体として電池に組み立てた後、規定の検査方法により電池性能を評価、計測する過程の簡素化を図り、結晶質の構造体段階の画像解析から電池性能を評価して、電池としての適正を推定するための電池性能推定装置、電池性能推定方法、及び電池性能推定プログラムを提供する。
すなわち、実施形態の電池性能推定装置は、電池の積層構造体を積層方向に切断した切断面の電子顕微鏡による断面画像を取得する画像取得部と、断面画像において積層構造体に含まれる複数の層の層構造部を特定する特定部と、層構造部の画像を教師データ画像情報として抽出する抽出部と、教師データ画像情報と当該教師データ画像情報を抽出した電池の電池性能とを関連付けた構造性能情報を蓄積する情報蓄積部と、被検体電池の積層構造体を積層方向に切断した切断面の電子顕微鏡による被検体断面画像を取得する被検体画像取得部と、被検体断面画像において積層構造体に含まれる複数の層からなる被検体層構造部を特定する被検体特定部と、被検体層構造部の画像を被検体画像情報として抽出する被検体画像抽出部と、被検体画像情報と教師データ画像情報との対応関係に基づいて被検体電池の電池性能を推定する推定部とを備えることを特徴とする。
さらに、電池性能推定装置において、教師データ画像情報と当該教師データ画像情報を抽出した電池の電池性能との関連付けに際して機械学習が使用されることとしてもよい。
さらに、電池性能推定装置において、被検体電池の電池性能の推定に際して人工知能により被検体画像情報と教師データ画像情報との画像照合が行われることとしてもよい。
さらに、電池性能推定装置において、電池及び被検体電池がペロブスカイト太陽電池であり、複数の層構造部及び複数の被検体層構造部が少なくともペロブスカイト結晶層と酸化チタン層であることとしてもよい。
さらに、電池性能推定装置において、
教師データ画像情報に、ペロブスカイト結晶層の厚さ、酸化チタン層の厚さ、ペロブスカイト結晶層の厚さと酸化チタン層の厚さとの比率、酸化チタン層における結晶粒子の粒径の情報が含まれ、推定部における被検体電池の電池性能の推定に用いられることとしてもよい。
教師データ画像情報に、ペロブスカイト結晶層の厚さ、酸化チタン層の厚さ、ペロブスカイト結晶層の厚さと酸化チタン層の厚さとの比率、酸化チタン層における結晶粒子の粒径の情報が含まれ、推定部における被検体電池の電池性能の推定に用いられることとしてもよい。
さらに、電池性能推定装置において、被検体電池の電池性能を推定した推定結果を出力する出力部が備えられることとしてもよい。
本発明の電池性能推定装置は、電池の積層構造体を積層方向に切断した切断面の電子顕微鏡による断面画像を取得する画像取得部と、断面画像において積層構造体に含まれる複数の層の層構造部を特定する特定部と、層構造部の画像を教師データ画像情報として抽出する抽出部と、教師データ画像情報と当該教師データ画像情報を抽出した電池の電池性能とを関連付けた構造性能情報を蓄積する情報蓄積部と、被検体電池の積層構造体を積層方向に切断した切断面の電子顕微鏡による被検体断面画像を取得する被検体画像取得部と、被検体断面画像において積層構造体に含まれる複数の層からなる被検体層構造部を特定する被検体特定部と、被検体層構造部の画像を被検体画像情報として抽出する被検体画像抽出部と、被検体画像情報と教師データ画像情報との対応関係に基づいて被検体電池の電池性能を推定する推定部とを備えるため、電池に必要とされる結晶質を合成して構造体として電池に組み立てた後、規定の検査方法により電池性能を評価、計測する過程の簡素化を図り、結晶質の構造体段階の画像解析から電池性能を評価して、電池としての適正を推定することができ、電池開発の迅速化を図ることが可能となる。また、電池性能推定方法及び電池性能推定プログラムにおいても同様の効果を発揮する。
図１の概略構成図を用い、実施形態の電池性能推定装置１を説明する。電池性能推定装置１は、ペロブスカイト太陽電池等に代表される有機－無機複合物質の構造体の複数の層を横切る縦断面の電子顕微鏡の画像を取得する。当該画像を解析することにより画像と関連付けられた電池性能とを比較することにより、実際に電池を組み立てること、及び規定の検査方法により電池性能を評価、計測することを省略して、構造体の複数の層の状態から電池性能を推定することを可能とする。
電池性能推定装置１は、パーソナルコンピュータ（ＰＣ）、メインフレーム、ワークステーション、クラウドコンピューティングシステム等、種々の電子計算機（計算リソース）である。図示の電池性能推定装置１はパーソナルコンピュータ（コンピュータ１０）であり、演算結果の表示（出力）のためのディスプレイ１６、その他、入力用のキーボード１７、マウス１８等が接続されている。そして、電子顕微鏡の画像を取得するスキャナ２等が接続されている。なお、電子顕微鏡の画像取得に際しては、インターネット回線（図示せず）を通じて受信する構成としてもよい。
図２はペロブスカイト太陽電池の主要部分の縦断面の走査電子顕微鏡（ＳＥＭ：Ｓｃａｎｎｉｎｇ Ｅｌｅｃｔｒｏｎ Ｍｉｃｒｏｓｃｏｐｅ）の写真である。この写真は電池の積層構造体を切断した切断面の断面画像に相当する。実施形態の電池性能推定装置１は専ら走査電子顕微鏡等の電子顕微鏡の写真を取得して解析する。
図２の電子顕微鏡写真に示される構造体における主要な層構造部は、上から順に、ホール輸送層、ペロブスカイト結晶層、酸化チタン層（メソポーラス酸化チタン層）、透明導電膜層等である。実施形態の電池性能推定装置１は、既知の電子顕微鏡写真に示される前出の構造体の層構造部に含まれる画像上の特徴とその画像の電池の電池性能を結びつけ、未知の電子顕微鏡写真に示される構造体の層構造部に含まれる画像上の特徴を把握して電池の電池性能を推定する。
図３の模式図は、図２の電子顕微鏡写真に示される構造体から構成されるペロブスカイト太陽電池２０の模式図である。ペロブスカイト太陽電池２０は、正極層（金等）２１、ホール輸送層２２、ペロブスカイト結晶層２３、酸化チタン層（メソポーラス酸化チタン層）２４、透明導電膜層（負極層）２５、保護ガラス２６により構成される。図２の電子顕微鏡写真、図３の模式図はペロブスカイト太陽電池の一例の開示であり、ペロブスカイト太陽電池の他の構造及び材質、さらにはペロブスカイト太陽電池以外の電池の構造及び材質も電池性能推定装置１による電池性能の推定の対象となる。
図４は電池性能推定装置１の構成と機能部を示すブロック図である。電池性能推定装置１のコンピュータ１０には、各種の演算実行のためのＣＰＵ１１、処理用のプログラムを記憶するＲＯＭ１２、データ等の記憶のためのＲＡＭ１３、各種のデータ及び演算結果等の記憶のための記憶部１４、さらに、Ｉ／Ｏ（インプット・アウトプットインターフェース）１５等が備えられる。Ｉ／Ｏ１５は通信（送受信）用のインターフェース、バッファ等である。Ｉ／Ｏ１５は、スキャナ２等からの入力信号の受信等に用いられ。
さらに図４のブロック図はＣＰＵ１１内の機能部を示す。ＣＰＵ１１の各機能部をソフトウェアにより実現する場合、ＣＰＵ１１は各機能を実現するソフトウェアであるプログラムの命令を実行することで実現する。詳細には、画像取得部１１０、特定部１２０、抽出部１３０、情報蓄積部１４０、被検体画像取得部１５０、被検体特定部１６０、被検体画像抽出部１７０、推定部１８０、出力部１９０等を備える。
画像取得部１１０は、推定の基準となる教師データ作成のため、電池の積層構造体を積層方向に切断した切断面の電子顕微鏡による断面画像をスキャナ２等により通じて取得する。取得される断面画像は、前出の図２の縦断面の走査電子顕微鏡写真の画像である。さらに、画像取得部１１０は、電子顕微鏡写真の画像に加えて、電子プローブマイクロアナライザー（ＥＰＭＡ：Ｅｌｅｃｔｒｏｎ Ｐｒｏｂｅ Ｍｉｃｒｏ Ａｎａｌｙｚｅｒ）の画像の取得も可能である。電子プローブマイクロアナライザーは分析面の原子の分布を解析することができる。
特定部１２０は、断面画像（走査電子顕微鏡写真の画像）において、積層構造体に含まれる複数の層の層構造部を特定する。層構造部の特定に際しては、公知の画像認識の手法が用いられる。図２の断面画像の例示の場合、特定される複数の層の層構造部は、例えば、ホール輸送層、ペロブスカイト結晶層、酸化チタン層等の層である。電池の種類に応じて、特定される複数の層の層構造部の種類は異なる。ペロブスカイト太陽電池２０の場合、後出の被検体層構造部は層構造部と同様に、ホール輸送層、ペロブスカイト結晶層、酸化チタン層等の層である。
抽出部１３０は、特定部１２０により特定された複数の層構造部のそれぞれの画像を教師データ画像情報として抽出する。図５は、図２の縦断面の走査電子顕微鏡写真の画像中の層構造部（後出の被検体層構造部も同様）の模式図である。光学顕微鏡と比較して電子顕微鏡写真の画像とすることにより、解像度が高まり、より微細な層構造部の画像を得ることができる。層構造部の高解像度の画像により、明確化されていない微細な特徴も情報として取得可能となる。図５の模式図は教師データ画像情報としての抽出の例示であり、他の抽出の仕方も存在する。
図５の模式図はペロブスカイト結晶層２３の結晶自体の相違に関する教師データ画像情報として抽出例である。例えば、ペロブスカイト結晶層２３において、例えばハロゲンとして含有される臭素とヨウ素の原子では原子半径が相違する。すると、ペロブスカイトの構造としては共通するものの、結晶として相違する。また、金属元素を鉛から他の金属元素に置換してペロブスカイト結晶を生成する場合においても結晶として相違する。さらには、他の元素のドーピング等によりペロブスカイト結晶の変化が予想される。このような微細な相違点が電子顕微鏡写真の画像から教師データ画像情報として抽出される。
さらに、各層構造部の厚さ、各層構造部の厚さ同士の関係も教師データ画像情報として抽出される。図５の模式図の例では、ホール輸送層の厚さｔ１、ペロブスカイト結晶層の厚さｔ２、酸化チタン層の厚さｔ３が電子顕微鏡写真の撮像画像中の各層の厚さと、拡大倍率に基づいて、実際の層の厚さが算出される。そして、ホール輸送層の厚さｔ１とペロブスカイト結晶層の厚さｔ２との比率（Ｒ１＝ｔ１／ｔ２）、ペロブスカイト結晶層の厚さｔ２と酸化チタン層の厚さｔ３との比率（Ｒ２＝ｔ２／ｔ３）等の各層構造部の厚さ同士の関係が併せて算出される。
図６の模式図は酸化チタン層（メソポーラス酸化チタン層）２４の結晶自体の相違に関する教師データ画像情報として抽出例である。メソポーラス酸化チタン層の場合、ルチル型、アナターゼ型等の形態の酸化チタンが用いられる。これらの酸化チタンは粒状の形態である。そこで、酸化チタン層２４の評価として、酸化チタン粒子２７（結晶粒子）の平均粒径の算出、酸化チタン層２４内の空隙部２８の定量化が実行される。電子顕微鏡写真の画像から、酸化チタン層２４内の個々の酸化チタン粒子が画像認識され、拡大倍率から粒径が算出可能となる。また、メソポーラス等の多孔質構造であることから、画像中の酸化チタン粒子の有無（明暗の特定）により、酸化チタン層２４に占める空隙部２８の体積も算出可能となる。
図５及び図６に例示した項目が教師データ画像情報となる。むろん、図５及び図６に例示した項目以外の電子顕微鏡による断面画像から認識可能な項目、情報も教師データ画像情報に含められる。
情報蓄積部１４０は、教師データ画像情報と当該教師データ画像情報を抽出した電池の電池性能とを関連付けた構造性能情報を蓄積する。電池の電池性能は、教師データ画像情報の取得に際して使用した電池について規定（規格）された方法に準拠して測定、計測される。
具体的には、太陽電池の出力特性は、光照射時と未照射時の電流－電圧特性（Ｉ－Ｖ特性）を測定することにより得ることができる。当該特性は。図７の太陽電池の電流－電圧特性（Ｉ－Ｖ曲線）のグラフとして表される。横軸が電圧（Ｖ）、縦軸が電流（Ｉ）である。
曲線の任意の点Ｐ（ｉ，ｖ）は動作点と呼ばれ、太陽電池の最大出力（Ｐｍａｘ）を得るためには、ｐの値、つまり、電圧と電流の積が最大になる点で動作させれば良いこととなる。また、太陽電池の変換効率はこの最大出力（Ｐｍａｘ）を入射光の強度により割った値として示される。面積当たりの出力の高い太陽電池を得るためには、最大出力（Ｐｍａｘ）を「Ｖｏｃ×Ｉｓｃ」により割って得られる値が１に近づけられる。なお、この最大出力は曲線因子（ＦＦ：Ｆｉｌｌ Ｆａｃｔｏｒ）と称され、「ＦＦ＝（Ｐｍａｘ）／（Ｖｏｃ×Ｉｓｃ）の関係式となる。
電池性能の指標として、他に、内部量子効率（ＩＱＥ：Ｉｎｔｅｒｎａｌ Ｑｕａｎｔｕｍ Ｅｆｆｉｃｉｅｎｃｙ）と外部量子効率（ＥＱＥ：Ｅｘｔｅｒｎａｌ Ｑｕａｎｔｕｍ Ｅｆｆｉｃｉｅｎｃｙ）等が存在する。
内部量子効率（ＩＱＥ）は吸収した光子の数に対して外部回路を流れた電子の数の割合を百分率により示した数値であり、ＩＱＥ＝（外部回路を流れる電子数）／（吸収した光子数）＝励起子拡散効率×電荷分離効率×電荷輸送捕集効率として表される。
外部量子効率（ＥＱＥ）は外部回路を流れる電子の数を入射した光子の数により割って百分率により示した数値であり、ＥＱＥ＝（外部回路を流れる電子数）／（入射した光子数）＝活性層における入射光の吸収効率×ＩＱＥとして表される。
内部量子効率（ＩＱＥ）は吸収した光子の数に対して外部回路を流れた電子の数の割合を百分率により示した数値であり、ＩＱＥ＝（外部回路を流れる電子数）／（吸収した光子数）＝励起子拡散効率×電荷分離効率×電荷輸送捕集効率として表される。
外部量子効率（ＥＱＥ）は外部回路を流れる電子の数を入射した光子の数により割って百分率により示した数値であり、ＥＱＥ＝（外部回路を流れる電子数）／（入射した光子数）＝活性層における入射光の吸収効率×ＩＱＥとして表される。
情報蓄積部１４０は、教師データ画像情報と当該教師データ画像情報を抽出した電池の電池性能との関連付けに際して人工知能による機械学習を使用する。具体的には、サポートベクターマシン、ロジスティック回帰、ランダムフォレスト、順伝播型ニューラルネットワーク、ナイーブベイズ、主成分分析、ｋ近傍法、再帰型ニューラルネットワーク等の学習手法が採用される。特に、教師データ画像情報と電池性能との関連付けには深層学習として、畳み込みニューラルネットワーク、回帰型ニューラルネットワークの学習方法が使用される。列記の学習方法により教師データ画像情報中の特徴量が教師データ画像情報毎に明らかとなり、電池性能との関連付けが容易となる。
情報蓄積部１４０の機械学習の学習対象の画像（教師データ画像情報と当該教師データ画像情報）については、層の厚みの相違に加え、画像として表現される層構造自体の相違等の複数の観点から機械学習が実行される。こうして、電池（ペロブスカイト太陽電池）の構造体を切断した切断面の電子顕微鏡による断面画像（教師データ画像情報）と、当該教師データ画像情報に紐付けされた電池の電池性能は、構造性能情報として生成され記憶部１４等に蓄積される。
被検体画像取得部１５０は、被検体電池の積層構造体を切断した切断面の電子顕微鏡による被検体断面画像を取得する。被検体電池とは、実際に電池として組み立てられる前段階の状態であり、電極、保護ガラス等が接続される前の状態である。被検体断面画像は、電子顕微鏡写真の画像に加えて、電子プローブマイクロアナライザーの画像の取得も可能である。
被検体特定部１６０は、被検体断面画像において、積層構造体に含まれる複数の層の被検体層構造部を特定する。被検体特定部１６０における複数の被検体層構造部の特定は、前出の特定部１２０と同様の手法を採用し、特定部１２０と同一の層構造部を特定する。ペロブスカイト太陽電池の場合、被検体特定部１６０により特定される複数の層構造部は、ホール輸送層、ペロブスカイト結晶層、酸化チタン層等である。電池の種類に応じて特定される層構造部の種類は異なる。
被検体画像抽出部１７０は、被検体特定部１６０により特定された複数の被検体層構造部のそれぞれの画像を被検体画像情報として抽出する。被検体画像情報は、その比較対象となる教師データ画像情報と層構造部の種類が揃えられる。具体的な抽出は図４及び図５の模式図とその説明に準じる。
推定部１８０は、被検体画像情報と教師データ画像情報との対応関係に基づいて被検体電池の電池性能を推定する。当該推定部１８０は、被検体電池の電池性能の推定に際して人工知能により被検体画像情報と教師データ画像情報との画像照合を行う。
被検体画像情報と教師データ画像情報との差異を判別する場合、それぞれの電子顕微鏡写真（画像）を肉眼により目視で比較しても微細過ぎてほとんど差異を読み取ることができない。そこで、画像情報における特徴量の把握、算出と、相互比較、画像照合において人工知能（ＡＩ）が活用される。画像情報の相互比較、照合に関し、人工知能による機械学習、特には、深層学習として、畳み込みニューラルネットワーク、回帰型ニューラルネットワークの学習方法が使用される。
そこで、被検体画像情報と教師データ画像情報とが実質的に一致すると判定される場合、被検体画像情報を有し組み立てられる電池については、教師データ画像情報の基礎となる電池と同等の電池性能（構造性能情報）を充足すると推定される。構造性能情報は、条件を変えながら製造した電池の複数の切断面の電子顕微鏡による断面画像（教師データ画像情報）と、個々の電池の電池性能を双方の組み合わせとして生成される。そのため、被検体画像情報と教師データ画像情報とが実質的に一致する場合に限られることなく、被検体画像情報が、教師データ画像情報同士の間に位置する場合もあり得る。この場合、分散して存在する教師データ画像情報同士は線形性を満たしているとみなすことができる。そこで、教師データ画像情報と関連する電池性能の構造性能情報についても線形的であるとの当て嵌めが可能である。すると、教師データ画像情報同士の間の被検体画像情報の位置に応じて、線形性を踏まえて電池性能が推定される。
出力部１９０は、被検体電池の電池性能を推定した推定結果を出力する。出力に当たっては、図１のディスプレイ１６への表示である。このため、実際に電極、保護ガラス等を接続する前段階において切断面の電子顕微鏡による被検体断面画像のみからの電池性能の推定が可能となるため、電池としての組み立て、その後の規定の検査方法による電池性能を評価、計測が省略可能となる。結果、電池開発の迅速化が実現可能となる。
図８のフローチャートはコンピュータ１０（ＣＰＵ１１）における電池性能推定装置における電池性能推定方法の全体の流れであり、画像取得ステップ（Ｓ１１０）、特定ステップ（Ｓ１２０）、抽出ステップ（Ｓ１３０）、情報蓄積ステップ（Ｓ１４０）、被検体画像取得ステップ（Ｓ１５０）、被検体特定ステップ（Ｓ１６０）、被検体画像抽出ステップ（Ｓ１７０）、推定ステップ（Ｓ１８０）、出力ステップ（Ｓ１６０）の各種ステップを備える。むろん、コンピュータ１０自体の可動に必要な各種ステップは当然に含まれる。
画像取得ステップ（Ｓ１１０）、特定ステップ（Ｓ１２０）、抽出ステップ（Ｓ１３０）、及び情報蓄積ステップ（Ｓ１４０）は、毎回の推定時に必ず実行する処理ではなく、いったん所定量の構造性能情報の蓄積が行われた後には、省略は可能である。
画像取得機能は、電池の構造体を切断した切断面の断面画像を取得する（Ｓ１１０；画像取得ステップ）。特定機能は、断面画像において構造体における複数の層構造部を特定する（Ｓ１２０；特定ステップ）。抽出機能は複数の層構造部の画像を教師データ画像情報として抽出する（Ｓ１３０；抽出ステップ）。情報蓄積機能は教師データ画像情報と当該教師データ画像情報を抽出した電池の電池性能とを関連付けた構造性能情報を蓄積する（Ｓ１４０；情報蓄積ステップ）。
被検体画像取得機能は被検体電池の構造体を切断した切断面の被検体断面画像を取得する（Ｓ１５０；被検体画像取得ステップ）。被検体特定機能は被検体断面画像において構造体における複数の被検体層構造部を特定する（Ｓ１６０；被検体特定ステップ）。被検体画像抽出機能は複数の被検体層構造部の画像を被検体画像情報として抽出する（Ｓ１７０；被検体画像抽出ステップ）。推定機能は被検体画像情報と教師データ画像情報との対応関係に基づいて被検体電池の電池性能を推定する（Ｓ１８０；推定ステップ）。
出力機能は、被検体電池の電池性能を推定した推定結果を出力する（Ｓ１９０；出力ステップ）。
出力機能は、被検体電池の電池性能を推定した推定結果を出力する（Ｓ１９０；出力ステップ）。
上述した本発明のコンピュータプログラムは、プロセッサが読み取り可能な記録媒体に記録されていてよく、記録媒体としては、「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。
なお、上記コンピュータプログラムは、例えば、ActionScript、JavaScript（登録商標）などのスクリプト言語、Objective-C、Java（登録商標）などのオブジェクト指向プログラミング言語、HTML5などのマークアップ言語などを用いて実装できる。
１ 電池性能推定装置
２ スキャナ
１０ コンピュータ
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 記憶部
１５ インプット・アウトプットインターフェース
１６ ディスプレイ
１７ キーボード
１８ マウス
２０ ペロブスカイト太陽電池
２１ 正極層
２２ ホール輸送層
２３ ペロブスカイト結晶層
２４ 酸化チタン層
２５ 透明導電膜層２５
２６ 保護ガラス
１１０ 画像取得部
１２０ 特定部
１３０ 抽出部
１４０ 情報蓄積部
１５０ 被検体画像取得部
１６０ 被検体特定部
１７０ 被検体画像抽出部
１８０ 推定部
１９０ 出力部
２ スキャナ
１０ コンピュータ
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 記憶部
１５ インプット・アウトプットインターフェース
１６ ディスプレイ
１７ キーボード
１８ マウス
２０ ペロブスカイト太陽電池
２１ 正極層
２２ ホール輸送層
２３ ペロブスカイト結晶層
２４ 酸化チタン層
２５ 透明導電膜層２５
２６ 保護ガラス
１１０ 画像取得部
１２０ 特定部
１３０ 抽出部
１４０ 情報蓄積部
１５０ 被検体画像取得部
１６０ 被検体特定部
１７０ 被検体画像抽出部
１８０ 推定部
１９０ 出力部
Claims (6)
- ペロブスカイト太陽電池における電池の積層構造体を積層方向に切断した切断面の電子顕微鏡による断面画像を取得する画像取得部と、
前記断面画像において、前記積層構造体に含まれる複数の層の層構造部としてホール輸送層、ペロブスカイト結晶層、及び酸化チタン層を特定する特定部と、
前記層構造部の画像を教師データ画像情報として抽出し、さらに、教師データ画像情報に前記ホール輸送層の厚さ、前記ペロブスカイト結晶層の厚さ、前記酸化チタン層の厚さ、前記ホール輸送層の厚さと前記ペロブスカイト結晶層の厚さとの比率、前記ペロブスカイト結晶層の厚さと前記酸化チタン層の厚さとの比率、前記酸化チタン層における結晶粒子の粒径の情報を含めて抽出する抽出部と、
前記教師データ画像情報と、当該教師データ画像情報を抽出した前記電池の電池性能であって、
横軸を電圧（Ｖ）とし、縦軸を電流（Ｉ）とし、光照射時と未照射時の電流－電圧特性（Ｉ－Ｖ特性）を測定したグラフと、
吸収した光子の数に対して外部回路を流れた電子の数の割合を百分率により示した数値である内部量子効率（ＩＱＥ：Ｉｎｔｅｒｎａｌ Ｑｕａｎｔｕｍ Ｅｆｆｉｃｉｅｎｃｙ）と、
外部回路を流れる電子の数を入射した光子の数により割って百分率により示した数値である外部量子効率（ＥＱＥ：Ｅｘｔｅｒｎａｌ Ｑｕａｎｔｕｍ Ｅｆｆｉｃｉｅｎｃｙ）とする前記電池の電池性能とを関連付けた構造性能情報を蓄積する情報蓄積部と、
ペロブスカイト太陽電池であって電池として組み立てられる前段階の状態の被検体電池の積層構造体を積層方向に切断した切断面の電子顕微鏡による被検体断面画像を取得する被検体画像取得部と、
前記被検体断面画像において、前記積層構造体に含まれる複数の層からなる被検体層構造部としてホール輸送層、ペロブスカイト結晶層、及び酸化チタン層を特定する被検体特定部と、
前記被検体層構造部の画像を被検体画像情報として抽出する被検体画像抽出部と、
前記被検体画像情報と前記教師データ画像情報との対応関係に基づいて前記被検体電池の電池性能を推定する推定部と、を備える
ことを特徴とする電池性能推定装置。 - 前記教師データ画像情報と当該教師データ画像情報を抽出した前記電池の電池性能との関連付けに際して機械学習が使用される請求項１に記載の電池性能推定装置。
- 前記被検体電池の電池性能の推定に際して人工知能により前記被検体画像情報と前記教師データ画像情報との画像照合が行われる請求項１に記載の電池性能推定装置。
- 前記被検体電池の電池性能を推定した推定結果を出力する出力部が備えられる請求項１に記載の電池性能推定装置。
- コンピュータが、
ペロブスカイト太陽電池における電池の積層構造体を積層方向に切断した切断面の断面画像を取得する画像取得ステップと、
前記断面画像において、前記積層構造体に含まれる複数の層の層構造部としてホール輸送層、ペロブスカイト結晶層、及び酸化チタン層を特定する特定ステップと、
前記層構造部の画像を教師データ画像情報として抽出し、さらに、教師データ画像情報に前記ホール輸送層の厚さ、前記ペロブスカイト結晶層の厚さ、前記酸化チタン層の厚さ、前記ホール輸送層の厚さと前記ペロブスカイト結晶層の厚さとの比率、前記ペロブスカイト結晶層の厚さと前記酸化チタン層の厚さとの比率、前記酸化チタン層における結晶粒子の粒径の情報を含めて抽出する抽出ステップと、
前記教師データ画像情報と、当該教師データ画像情報を抽出した前記電池の電池性能であって、
横軸を電圧（Ｖ）とし、縦軸を電流（Ｉ）とし、光照射時と未照射時の電流－電圧特性（Ｉ－Ｖ特性）を測定したグラフと、
吸収した光子の数に対して外部回路を流れた電子の数の割合を百分率により示した数値である内部量子効率（ＩＱＥ：Ｉｎｔｅｒｎａｌ Ｑｕａｎｔｕｍ Ｅｆｆｉｃｉｅｎｃｙ）と、
外部回路を流れる電子の数を入射した光子の数により割って百分率により示した数値である外部量子効率（ＥＱＥ：Ｅｘｔｅｒｎａｌ Ｑｕａｎｔｕｍ Ｅｆｆｉｃｉｅｎｃｙ）とする前記電池の電池性能とを関連付けた構造性能情報を蓄積する情報蓄積ステップと、
ペロブスカイト太陽電池であって電池として組み立てられる前段階の状態の被検体電池の積層構造体を積層方向に切断した切断面の被検体断面画像を取得する被検体画像取得ステップと、
前記被検体断面画像において、前記積層構造体に含まれる複数の層からなる被検体層構造部としてホール輸送層、ペロブスカイト結晶層、及び酸化チタン層を特定する被検体特定ステップと、
前記被検体層構造部の画像を被検体画像情報として抽出する被検体画像抽出ステップと、
前記被検体画像情報と前記教師データ画像情報との対応関係に基づいて前記被検体電池の電池性能を推定する推定ステップと、を実行する
ことを特徴とする電池性能推定方法。 - コンピュータに、
ペロブスカイト太陽電池における電池の積層構造体を積層方向に切断した切断面の断面画像を取得する画像取得機能と、
前記断面画像において、前記積層構造体に含まれる複数の層の層構造部として、ホール輸送層、ペロブスカイト結晶層、及び酸化チタン層を特定する特定機能と、
複数の前記層構造部の画像を教師データ画像情報として抽出し、さらに、教師データ画像情報に前記ホール輸送層の厚さ、前記ペロブスカイト結晶層の厚さ、前記酸化チタン層の厚さ、前記ホール輸送層の厚さと前記ペロブスカイト結晶層の厚さとの比率、前記ペロブスカイト結晶層の厚さと前記酸化チタン層の厚さとの比率、前記酸化チタン層における結晶粒子の粒径の情報を含めて抽出する抽出機能と、
前記教師データ画像情報と、当該教師データ画像情報を抽出した前記電池の電池性能であって、
横軸を電圧（Ｖ）とし、縦軸を電流（Ｉ）とし、光照射時と未照射時の電流－電圧特性（Ｉ－Ｖ特性）を測定したグラフと、
吸収した光子の数に対して外部回路を流れた電子の数の割合を百分率により示した数値である内部量子効率（ＩＱＥ：Ｉｎｔｅｒｎａｌ Ｑｕａｎｔｕｍ Ｅｆｆｉｃｉｅｎｃｙ）と、
外部回路を流れる電子の数を入射した光子の数により割って百分率により示した数値である外部量子効率（ＥＱＥ：Ｅｘｔｅｒｎａｌ Ｑｕａｎｔｕｍ Ｅｆｆｉｃｉｅｎｃｙ）とする前記電池の電池性能とを関連付けた構造性能情報を蓄積する情報蓄積機能と、
ペロブスカイト太陽電池であって電池として組み立てられる前段階の状態の被検体電池の積層構造体を積層方向に切断した切断面の被検体断面画像を取得する被検体画像取得機能と、
前記被検体断面画像において、前記積層構造体に含まれる複数の層からなる被検体層構造部としてホール輸送層、ペロブスカイト結晶層、及び酸化チタン層を特定する被検体特定機能と、
前記被検体層構造部の画像を被検体画像情報として抽出する被検体画像抽出機能と、
前記被検体画像情報と前記教師データ画像情報との対応関係に基づいて前記被検体電池の電池性能を推定する推定機能と、を実現させる
ことを特徴とする電池性能推定プログラム。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022137782A JP7319733B1 (ja) | 2022-08-31 | 2022-08-31 | 電池性能推定装置、電池性能推定方法、及び電池性能推定プログラム |
| JP2023115424A JP2024035091A (ja) | 2022-08-31 | 2023-07-13 | 電池性能推定装置、電池性能推定方法、及び電池性能推定プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022137782A JP7319733B1 (ja) | 2022-08-31 | 2022-08-31 | 電池性能推定装置、電池性能推定方法、及び電池性能推定プログラム |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023115424A Division JP2024035091A (ja) | 2022-08-31 | 2023-07-13 | 電池性能推定装置、電池性能推定方法、及び電池性能推定プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7319733B1 true JP7319733B1 (ja) | 2023-08-02 |
| JP2024033884A JP2024033884A (ja) | 2024-03-13 |
Family
ID=87469619
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022137782A Active JP7319733B1 (ja) | 2022-08-31 | 2022-08-31 | 電池性能推定装置、電池性能推定方法、及び電池性能推定プログラム |
| JP2023115424A Pending JP2024035091A (ja) | 2022-08-31 | 2023-07-13 | 電池性能推定装置、電池性能推定方法、及び電池性能推定プログラム |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023115424A Pending JP2024035091A (ja) | 2022-08-31 | 2023-07-13 | 電池性能推定装置、電池性能推定方法、及び電池性能推定プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (2) | JP7319733B1 (ja) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004265995A (ja) | 2003-02-28 | 2004-09-24 | Mitsubishi Heavy Ind Ltd | 結晶系薄膜の評価方法およびその装置、光電変換装置 |
| JP2015177036A (ja) | 2014-03-14 | 2015-10-05 | 東京応化工業株式会社 | 結晶成長制御剤、ｐ型半導体微粒子又はｐ型半導体微粒子膜の形成方法、正孔輸送層形成用組成物、及び太陽電池 |
| WO2019181673A1 (ja) | 2018-03-20 | 2019-09-26 | 積水化学工業株式会社 | 太陽電池 |
| JP2020005473A (ja) | 2018-07-02 | 2020-01-09 | パナソニックＩｐマネジメント株式会社 | 太陽電池の評価装置および太陽電池の評価方法 |
| JP2020519020A (ja) | 2017-05-05 | 2020-06-25 | エコール ポリテクニーク フェデラル ドゥ ローザンヌ（エーペーエフエル） | 長期にわたり高い動作安定性を有する無機正孔伝導体系ペロブスカイト光電変換デバイス |
| JP2021118551A (ja) | 2020-01-22 | 2021-08-10 | ソニーセミコンダクタソリューションズ株式会社 | 撮像装置、センサ装置及び電子機器 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220051055A (ko) * | 2020-10-16 | 2022-04-26 | 이지스로직 주식회사 | 드론을 이용한 태양광 패널 검사장치 |
-
2022
- 2022-08-31 JP JP2022137782A patent/JP7319733B1/ja active Active
-
2023
- 2023-07-13 JP JP2023115424A patent/JP2024035091A/ja active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004265995A (ja) | 2003-02-28 | 2004-09-24 | Mitsubishi Heavy Ind Ltd | 結晶系薄膜の評価方法およびその装置、光電変換装置 |
| JP2015177036A (ja) | 2014-03-14 | 2015-10-05 | 東京応化工業株式会社 | 結晶成長制御剤、ｐ型半導体微粒子又はｐ型半導体微粒子膜の形成方法、正孔輸送層形成用組成物、及び太陽電池 |
| JP2020519020A (ja) | 2017-05-05 | 2020-06-25 | エコール ポリテクニーク フェデラル ドゥ ローザンヌ（エーペーエフエル） | 長期にわたり高い動作安定性を有する無機正孔伝導体系ペロブスカイト光電変換デバイス |
| WO2019181673A1 (ja) | 2018-03-20 | 2019-09-26 | 積水化学工業株式会社 | 太陽電池 |
| JP2020005473A (ja) | 2018-07-02 | 2020-01-09 | パナソニックＩｐマネジメント株式会社 | 太陽電池の評価装置および太陽電池の評価方法 |
| JP2021118551A (ja) | 2020-01-22 | 2021-08-10 | ソニーセミコンダクタソリューションズ株式会社 | 撮像装置、センサ装置及び電子機器 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2024035091A (ja) | 2024-03-13 |
| JP2024033884A (ja) | 2024-03-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stuckelberger et al. | Engineering solar cells based on correlative X-ray microscopy | |
| Karimi et al. | Generalized and mechanistic PV module performance prediction from computer vision and machine learning on electroluminescence images | |
| CN115829999A (zh) | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 | |
| CN114022420B (zh) | 一种自动识别光伏电池el组件缺陷的检测方法 | |
| Schubert et al. | Spatially resolved performance analysis for perovskite solar cells | |
| Dasgupta et al. | Visualizing macroscopic inhomogeneities in perovskite solar cells | |
| CN112816881B (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
| Sun et al. | Defect detection of photovoltaic modules based on convolutional neural network | |
| Tex et al. | Time-resolved photoluminescence measurements for determining voltage-dependent charge-separation efficiencies of subcells in triple-junction solar cells | |
| Villarraga-Gómez et al. | Assessing rechargeable batteries with 3D X-ray microscopy, computed tomography, and nanotomography | |
| Ying et al. | Automatic detection of photovoltaic module cells using multi-channel convolutional neural network | |
| JP7319733B1 (ja) | 電池性能推定装置、電池性能推定方法、及び電池性能推定プログラム | |
| Hammoudi et al. | Review on maintenance of photovoltaic systems based on deep learning and internet of things | |
| CN115082798A (zh) | 一种基于动态感受野的输电线路销钉缺陷检测方法 | |
| El-Hajje et al. | On the origin of the spatial inhomogeneity of photoluminescence in thin-film CIGS solar devices | |
| Chen et al. | Application of machine learning in perovskite materials and devices: A review | |
| Nietzold et al. | Nano-scale Defect Analysis Through K-Means Clustering of CuInSe 2 Solar Cells with Ag and K Incorporation | |
| Buratti et al. | Deep Learning Extraction of the Temperature-Dependent Parameters of Bulk Defects | |
| Ternes | In Situ Characterization and Modelling of Drying Dynamics for Scalable Printing of Hybrid Perovskite Photovoltaics | |
| Tashkandi | Pinholes and morphology of CdS films: the effect on the open circuit voltage of CdTe solar cells | |
| Peng et al. | Automatic internal wrinkles detection of lithium-ion batteries using convolutional neural network | |
| Ke et al. | Deep convolutional neural networks for SOFC core-shell recognition | |
| Meßmer | Numerical simulation and analysis of high-efficiency silicon solar cells and tandem devices | |
| Hering et al. | Emerging opportunities for hybrid perovskite solar cells using machine learning | |
| Poindexter | Defects and charge-carrier lifetime in early-stage photovoltaic materials: relating experiment to theory |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220901 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220901 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220909 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221122 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221228 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230221 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230418 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230613 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230713 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7319733 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |