KR102466054B1 - 전계발광측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법 - Google Patents

전계발광측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법 Download PDF

Info

Publication number
KR102466054B1
KR102466054B1 KR1020220100619A KR20220100619A KR102466054B1 KR 102466054 B1 KR102466054 B1 KR 102466054B1 KR 1020220100619 A KR1020220100619 A KR 1020220100619A KR 20220100619 A KR20220100619 A KR 20220100619A KR 102466054 B1 KR102466054 B1 KR 102466054B1
Authority
KR
South Korea
Prior art keywords
defective
labeling
dataset
module
classification
Prior art date
Application number
KR1020220100619A
Other languages
English (en)
Inventor
조근영
조성배
양연원
김대성
김민규
윤아영
Original Assignee
(주)에스케이솔라에너지
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by (주)에스케이솔라에너지 filed Critical (주)에스케이솔라에너지
Priority to KR1020220100619A priority Critical patent/KR102466054B1/ko
Application granted granted Critical
Publication of KR102466054B1 publication Critical patent/KR102466054B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법이 개시된다. 불량 모듈 분류/학습 서버의 라벨링 데이터셋 구축기가 태양광 모듈의 EL 이미지 중 불량 영역의 샘플 데이터셋을 미리 구축하여 저장하는 단계; 이미지 획득 장치가 태양광 모듈의 EL 이미지를 획득하는 단계; 이미지 수신/게시 장치가 상기 이미지 획득 장치에서 획득된 EL 이미지를 수신하여 게시하는 단계; 상기 불량 모듈 분류/학습 서버가 상기 미리 구축된 샘플 데이터셋을 참조하여 상기 이미지 수신/게시 장치에서 수신된 EL 이미지에서 불량 모듈을 분류하고, 상기 이미지 수신/게시 장치에서 수신된 EL 이미지를 학습하여 불량 모듈을 분류하는 데 활용하기 위한 학습 데이터를 생성하여 저장하는 단계; 태양광 모듈 불량 검출 장치가 상기 불량 모듈 분류/학습 서버에서 불량 모듈로 분류된 태양광 모듈을 검출하여 출력하는 단계를 구성한다. 상술한 전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법에 의하면, EL 이미지의 오류 형태를 AI 알고리즘을 이용하여 구축하고 검사를 자동화함으로써, 태양광 모듈의 제조공정에서 불량 제품을 오류없이 정확하게 걸러낼 수 있는 효과가 있다.

Description

전계발광측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법{AI-BASED METHOD OF ANALYZING MODULE FAILURE THROUGH ELECTROLUMINESCENCE MEASUREMENT DATA ANALYSIS AND SELECTING TYPE OF FAILURE}
본 발명은 전계발광(EL) 모듈의 고장 분석에 관한 것으로서, 구체적으로는 전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법에 관한 것이다.
태양광 모듈이나 태양 전지의 결함을 분석하는 기법으로는 전계 발광(EL, Electroluminescence) 측정을 하는 방식이 주류를 이루고 있으며, 제조 공정에서 생산된 모든 태양광 모듈이나 태양 전지는 El 이미지를 통해 불량을 찾아내고 있다.
도 1은 태양광 모듈의 제조 공정에서 획득하는 EL 이미지와 이를 검사하는 모습을 나타내고 있다.
EL 이미지 분석 방식은 가장 흔한 결함인 태양광 모듈의 크랙(crack)을 감지 할 수 있고, 어두운 이미지에서도 쉽게 관찰이 가능하다는 장점이 있다. 그 외에도 도 3에서 보듯이 공정 불량, 웨이퍼 불량, 기계적 하중에 의한 불량, 바이패스 다이오드 고장 등의 다양한 비정형 결함을 관찰하기에 적합하다.
그러나, 검사자의 육안에 의한 EL 이미지의 검사 방식에는 인적 오류가 있을 수 있고, 다양한 불량 유형에 대한 다양한 형태의 이미지를 모두 가려내는 것은 쉽지 않다.
이에, EL 이미지의 자동화와 자동화 검사 시 오류없는 검사를 할 수 있는 방안이 요구되고 있다.
등록특허공보 10-1337238 공개특허공보 10-2017-0060632
본 발명의 목적은 전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법을 제공하는 데 있다.
상술한 본 발명의 목적에 따른 전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법은, 불량 모듈 분류/학습 서버의 라벨링 데이터셋 구축기가 태양광 모듈의 EL 이미지 중 불량 영역의 샘플 데이터셋을 미리 구축하여 저장하는 단계; 이미지 획득 장치가 태양광 모듈의 EL 이미지를 획득하는 단계; 이미지 수신/게시 장치가 상기 이미지 획득 장치에서 획득된 EL 이미지를 수신하여 게시하는 단계; 상기 불량 모듈 분류/학습 서버가 상기 미리 구축된 샘플 데이터셋을 참조하여 상기 이미지 수신/게시 장치에서 수신된 EL 이미지에서 불량 모듈을 분류하고, 상기 이미지 수신/게시 장치에서 수신된 EL 이미지를 학습하여 불량 모듈을 분류하는 데 활용하기 위한 학습 데이터를 생성하여 저장하는 단계; 태양광 모듈 불량 검출 장치가 상기 불량 모듈 분류/학습 서버에서 불량 모듈로 분류된 태양광 모듈을 검출하여 출력하는 단계를 포함하도록 구성될 수 있다.
여기서, 상기 불량 모듈 분류/학습 서버의 라벨링 데이터셋 구축기가 태양광 모듈의 EL 이미지 중 불량 영역의 샘플 데이터셋을 미리 구축하여 저장하는 단계는, 상기 라벨링 데이터셋 구축기의 라벨링 가이드라인 샘플 데이터셋 구축 모듈이 사용자 단말의 입력에 따라 라벨링 가이드라인에 따른 불량 영역의 샘플 데이터셋을 미리 구축하여 상기 라벨링 데이터셋 구축기의 라벨링 데이터셋 데이터베이스에 저장하도록 구성될 수 있다.
그리고 상기 불량 모듈 분류/학습 서버가 상기 미리 구축된 샘플 데이터셋을 참조하여 상기 이미지 수신/게시 장치에서 수신된 EL 이미지에서 불량 모듈을 분류하고, 상기 이미지 수신/게시 장치에서 수신된 EL 이미지를 학습하여 불량 모듈을 분류하는 데 활용하기 위한 학습 데이터를 생성하여 저장하는 단계는, 상기 불량 모듈 분류/학습 서버의 제1 분류/학습기가 상기 라벨링 데이터셋 구축기에 의해 미리 구축된 샘플 데이터셋을 이용하여 상기 이미지 획득 장치에서 획득되는 EL 이미지의 불량 영역을 자동 분류하고, 불량 영역을 라벨링하여 제1 라벨 데이터를 생성하는 단계; 상기 불량 모듈 분류/학습 서버의 제2분류/학습기가 상기 제1 분류/학습기에서 라벨링되지 않은 언라벨 데이터(unlabeled data) 중에서 상기 사용자 단말에 의한 검증을 거친 불량 영역을 사용자 단말로부터 입력받아 분류하고, 분류된 불량 영역을 라벨링하여 제2 라벨 데이터를 생성하는 단계; 상기 불량 모듈 분류/학습 서버의 라벨링 데이터셋 자동 업데이터가 상기 제1 분류/학습기에서 생성된 적어도 하나 이상의 제1 라벨 데이터로 구성되는 제1 라벨 데이터셋을 상기 라벨링 데이터셋 구축기로 자동 업데이트하고, 상기 제2 분류/학습기에서 생성된 적어도 하나 이상의 제2 라벨 데이터로 구성되는 제2 라벨 데이터셋을 상기 라벨링 데이터셋 구축기로 자동 업데이트하는 단계를 포함하도록 구성될 수 있다.
그리고 상기 불량 모듈 분류/학습 서버의 제1 분류/학습기가 상기 라벨링 데이터셋 구축기에 의해 미리 구축된 샘플 데이터셋을 이용하여 상기 이미지 획득 장치에서 획득되는 EL 이미지의 불량 영역을 자동 분류하고, 불량 영역을 라벨링하여 제1 라벨 데이터를 생성하는 단계는, 상기 제1 분류/학습기의 제1 라벨 데이터 분류/학습 모듈이 상기 라벨링 데이터셋 구축기의 라벨링 데이터셋 데이터베이스를 참조하여 상기 이미지 수신/게시 장치에서 수신된 EL 이미지에서 불량 영역을 자동 분류하고, 불량 영역을 라벨링하여 제1 라벨 데이터를 생성하는 단계; 상기 제1 분류/학습기의 가-라벨(pseudo-label) 데이터 분류/학습 모듈이 상기 제1 라벨 데이터 분류/학습 모듈에서 불량 영역으로 라벨링되지 않은 언라벨 데이터를 테스트 데이터로 활용하여 불량 영역으로 분류될 수 있는 영역을 라벨링하여 가-라벨 데이터를 생성하는 단계를 포함하도록 구성될 수 있다.
그리고 상기 불량 모듈 분류/학습 서버의 제2분류/학습기가 상기 제1 분류/학습기에서 라벨링되지 않은 언라벨 데이터(unlabeled data) 중에서 상기 사용자 단말에 의한 검증을 거친 불량 영역을 사용자 단말로부터 입력받아 분류하고, 분류된 불량 영역을 라벨링하여 제2 라벨 데이터를 생성하는 단계는, 상기 제2분류/학습기의 가-라벨 데이터 검증 모듈이 상기 제1 분류/학습기의 가-라벨 데이터 분류/학습 모듈에서 생성된 가-라벨 데이터를 상기 사용자 단말에 의한 검증에 따라 검증하는 단계; 상기 제2분류/학습기의 제2 라벨 데이터 분류/학습 모듈이 상기 가-라벨 데이터 중에서 상기 가-라벨 데이터 검증 모듈에 의해 검증된 가-라벨 데이터의 영역을 불량 영역으로 자동 분류하고, 상기 검증된 가-라벨 데이터를 라벨링하여 제2 라벨 데이터를 생성하는 단계를 포함하도록 구성될 수 있다.
그리고 상기 불량 모듈 분류/학습 서버의 라벨링 데이터셋 자동 업데이터가 상기 제1 분류/학습기에서 생성된 적어도 하나 이상의 제1 라벨 데이터로 구성되는 제1 라벨 데이터셋을 상기 라벨링 데이터셋 구축기를 통해 자동 업데이트하고, 상기 제2 분류/학습기에서 생성된 적어도 하나 이상의 제2 라벨 데이터로 구성되는 제2 라벨 데이터셋을 상기 라벨링 데이터셋 구축기를 통해 자동 업데이트하는 단계는, 상기 라벨링 데이터셋 구축기의 영역 설정 및 라벨링 모듈이 상기 사용자 단말의 입력에 따라 상기 EL 이미지에서 불량 영역을 드래그(drag)하여 영역을 설정하고, 설정된 불량 영역을 라벨링하여 라벨 데이터(labeled data)를 생성하는 단계; 상기 라벨링 데이터셋 구축기의 CSV 파일 변환 모듈이 상기 영역 설정 및 라벨링 모듈에서 생성된 라벨 데이터를 CSV 파일로 변환하여 상기 라벨링 데이터셋 데이터베이스에 저장하는 단계를 포함하도록 구성될 수 있다.
상술한 전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법에 의하면, EL 이미지의 오류 형태를 AI 알고리즘을 이용하여 구축하고 검사를 자동화함으로써, 태양광 모듈의 제조공정에서 불량 제품을 오류없이 정확하게 걸러낼 수 있는 효과가 있다.
특히, 미리 구축된 불량 형태에 더하여 새로운 불량 형태의 이미지를 지속적으로 학습하고, 양호한 제품으로 분류된 이미지에 대해서도 2차적으로 불량 형태를 파악하여 AI 학습 이미지를 구축함으로써, 불량 제품에 대한 자가 학습률과 정확도를 더욱 높일 수 있는 효과가 있다.
도 1 및 도 2는 태양광 모듈의 EL 이미지 및 EL 이미지를 통해 불량을 검사하는 모습을 나타낸 이미지이다.
도 3은 태양광 모듈 및 태양 전지의 불량 유형을 나타내는 EL 이미지의 예시도이다.
도 4는 본 발명에 따른 따른 전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 과정의 모식도이다.
도 5는 본 발명의 일 실시예에 따른 전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 시스템의 블록 구성도이다.
도 6 내지 도 10은 본 발명의 일 실시예에 따른 전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법의 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 발명을 실시하기 위한 구체적인 내용에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 4는 본 발명에 따른 따른 전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 과정의 모식도이다.
도 4를 참조하면, 태양광 모듈(10)의 EL 이미지를 검사하는 과정에서 EL 이미지의 불량 영역으로 분류된 영역의 이미지를 라벨링하여 1차 라벨 데이터를 생성하고, 이를 학습하여 AI 불량 영역 분류에 활용하도록 구성될 수 있다.
여기서, EL 이미지에서 1차 라벨 데이터로 분류되지 않은 영역의 언라벨(unlabeled) 데이터에서도 불량 영역이 있을 수 있으므로, 이러한 언라벨 데이터를 대상으로 불량 영역의 가능성이 높은 영역을 가-라벨(pseudo-labeled) 데이터로 분류하여 2차적인 학습을 수행하도록 구성될 수 있다. 가-라벨 데이터 중에서 사용자의 검증에 의해 불량 영역으로 분류되는 영역을 2차 라벨 데이터로 분류하여 학습 데이터로 활용하도록 구성될 수 있다.
이에, 1차/2차 학습과 필터링(분류)를 통해 불량 영역을 정확하게 걸러내고 다음 검사 공정에도 이를 적용하여 불량 제품을 오류없이 걸러낼 수 있게 된다.
도 5는 본 발명의 일 실시예에 따른 전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 시스템의 블록 구성도이다.
도 5를 참조하면, 본 발명의 일 실시예에 따른 전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 시스템은 이미지 획득 장치(100), 이미지 수신/게시 장치(200), 불량 모듈 분류/학습 서버(300), 태양광 모듈 불량 검출 장치(400), 사용자 단말(500)을 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
이미지 획득 장치(100)는 태양광 모듈(10)의 EL 이미지를 획득하도록 구성될 수 있다.
이미지 수신/게시 장치(200)는 이미지 획득 장치(100)에서 획득된 EL 이미지를 수신하여 게시하도록 구성될 수 있다.
불량 모듈 분류/학습 서버(300)는 이미지 수신/게시 장치(200)에서 수신된 EL 이미지를 이용하여 태양광 모듈(10) 중 불량 모듈을 1차적으로 분류하고 학습하여 학습 데이터를 생성하며, 불량 모듈로 분류되지 않은 EL 이미지를 다시 학습하여 불량 모듈을 2차적으로 분류하고 학습하여 학습 데이터를 생성하도록 구성될 수 있다.
태양광 모듈 불량 검출 장치(400)는 불량 모듈 분류/학습 서버(300)에서 불량 모듈로 분류된 태양광 모듈(10)을 검출하여 출력하도록 구성될 수 있다.
사용자 단말(500)은 불량 모듈 분류/학습 서버(300)에 학습 데이터를 1차적으로 구축하기 위해 태양광 모듈(10)의 불량 영역을 사용자 입력에 따라 지정하고, 불량 모듈 분류/학습 서버(300)에 학습 데이터를 2차적으로 구축하기 위해 불량 모듈 분류/학습 서버(300)에 의해 불량 영역이 아닌 것으로 자동 분류된 영역을 사용자의 검증에 따라 불량 영역으로 지정하도록 구성될 수 있다.
불량 모듈 분류/학습 서버(300)는 라벨링 데이터셋 구축기(310), 제1 분류/학습기(320), 제2분류/학습기(330), 라벨링 데이터셋 자동 업데이터(340)를 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
라벨링 데이터셋 구축기(310)는 사용자 단말(500)의 입력에 따라 라벨링 가이드라인에 따른 불량 영역의 샘플 데이터셋을 미리 구축하도록 구성될 수 있다.
라벨링 데이터셋 구축기(310)는 라벨링 가이드라인 샘플 데이터셋 구축 모듈(311), 라벨링 데이터셋 데이터베이스(312), 라벨링 가이드라인 샘플 데이터셋 게시 모듈(313), 영역 설정 및 라벨링 모듈(314), CSV 파일 변환 모듈(315)을 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
라벨링 가이드라인 샘플 데이터셋 구축 모듈(311)은 사용자 단말(500)의 입력에 따라 라벨링 가이드라인에 따른 불량 영역의 샘플 데이터셋을 미리 구축하도록 구성될 수 있다.
라벨링 데이터셋 데이터베이스(312)는 라벨링 가이드라인 샘플 데이터셋 구축 모듈(311)에 의해 구축되는 샘플 데이터셋이 저장되고, 라벨링 데이터셋 자동 업데이터(340)에 의해 자동 업데이트되는 제1 라벨 데이터셋 및 제2 라벨 데이터셋이 저장되도록 구성될 수 있다.
라벨링 가이드라인 샘플 데이터셋 게시 모듈(313)은 라벨링 데이터셋 데이터베이스(312)에 저장된 샘플 데이터셋, 제1 라벨 데이터셋 및 제2 라벨 데이터셋을 사용자 단말(500)이 조회할 수 있도록 게시하도록 구성될 수 있다.
영역 설정 및 라벨링 모듈(314)은 사용자 단말(500)의 입력에 따라 EL 이미지에서 불량 영역을 드래그(drag)하여 영역을 설정하고, 설정된 불량 영역을 라벨링하여 라벨 데이터(labeled data)를 생성하도록 구성될 수 있다.
CSV 파일 변환 모듈(315)은 영역 설정 및 라벨링 모듈(314)에서 생성된 라벨 데이터를 CSV 파일로 변환하여 라벨링 데이터셋 데이터베이스(312)에 저장하도록 구성될 수 있다.
제1 분류/학습기(320)는 라벨링 데이터셋 구축기(310)에 의해 미리 구축된 샘플 데이터셋을 이용하여 이미지 획득 장치(100)에서 획득되는 EL 이미지의 불량 영역을 자동 분류하고, 불량 영역을 라벨링하여 제1 라벨 데이터를 생성하도록 구성될 수 있다.
제1 분류/학습기(320)는 제1 라벨 데이터 분류/학습 모듈(321), 가-라벨(pseudo-label) 데이터 분류/학습 모듈(322)을 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
제1 라벨 데이터 분류/학습 모듈(321)은 라벨링 데이터셋 구축기(310)의 라벨링 데이터셋 데이터베이스(312)를 참조하여 이미지 수신/게시 장치(200)에서 수신된 EL 이미지에서 불량 영역을 자동 분류하고, 불량 영역을 라벨링하여 제1 라벨 데이터를 생성하도록 구성될 수 있다.
가-라벨 데이터 분류/학습 모듈(322)은 제1 라벨 데이터 분류/학습 모듈(320)에서 불량 영역으로 라벨링되지 않은 언라벨 데이터를 테스트 데이터로 활용하여 불량 영역으로 분류될 수 있는 영역을 라벨링하여 가-라벨 데이터를 생성하도록 구성될 수 있다.
제2분류/학습기(330)는 제1 분류/학습기(310)에서 라벨링되지 않은 언라벨 데이터(unlabeled data) 중에서 사용자 단말(500)에 의한 검증을 거친 불량 영역을 사용자 단말(500)로부터 입력받아 분류하고, 분류된 불량 영역을 라벨링하여 제2 라벨 데이터를 생성하도록 구성될 수 있다.
제2분류/학습기(330)는 가-라벨 데이터 검증 모듈(331), 제2 라벨 데이터 분류/학습 모듈(332)을 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
가-라벨 데이터 검증 모듈(331)은 제1 분류/학습기(310)의 가-라벨 데이터 분류/학습 모듈(312)에서 생성된 가-라벨 데이터를 사용자 단말(500)에 의한 검증에 따라 검증하도록 구성될 수 있다.
제2 라벨 데이터 분류/학습 모듈(332)은 가-라벨 데이터 중에서 가-라벨 데이터 검증 모듈(331)에 의해 검증된 가-라벨 데이터의 영역을 불량 영역으로 자동 분류하고, 검증된 가-라벨 데이터를 라벨링하여 제2 라벨 데이터를 생성하도록 구성될 수 있다.
라벨링 데이터셋 자동 업데이터(340)는 제1 분류/학습기(320)에서 생성된 적어도 하나 이상의 제1 라벨 데이터로 구성되는 제1 라벨 데이터셋을 라벨링 데이터셋 구축기(310)로 자동 업데이트하고, 제2 분류/학습기(330)에서 생성된 적어도 하나 이상의 제2 라벨 데이터로 구성되는 제2 라벨 데이터셋을 라벨링 데이터셋 구축기(310)로 자동 업데이트하도록 구성될 수 있다.
도 6 내지 도 10은 본 발명의 일 실시예에 따른 전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법의 흐름도이다.
먼저 도 6을 참조하면, 불량 모듈 분류/학습 서버(300)의 라벨링 데이터셋 구축기(310)가 태양광 모듈(10)의 EL 이미지 중 불량 영역의 샘플 데이터셋을 미리 구축하여 저장한다(S100).
여기서, 라벨링 데이터셋 구축기(310)의 라벨링 가이드라인 샘플 데이터셋 구축 모듈(311)이 사용자 단말(500)의 입력에 따라 라벨링 가이드라인에 따른 불량 영역의 샘플 데이터셋을 미리 구축하여 라벨링 데이터셋 구축기(310)의 라벨링 데이터셋 데이터베이스(312)에 저장하도록 구성될 수 있다.
다음으로, 이미지 획득 장치(100)가 태양광 모듈(10)의 EL 이미지를 획득한다(S200).
다음으로, 이미지 수신/게시 장치(200)가 이미지 획득 장치(100)에서 획득된 EL 이미지를 수신하여 게시한다(S300).
다음으로, 불량 모듈 분류/학습 서버(300)가 미리 구축된 샘플 데이터셋을 참조하여 이미지 수신/게시 장치(200)에서 수신된 EL 이미지에서 불량 모듈을 분류하고, 이미지 수신/게시 장치(200)에서 수신된 EL 이미지를 학습하여 불량 모듈을 분류하는 데 활용하기 위한 학습 데이터를 생성하여 저장한다(S400).
다음으로, 태양광 모듈 불량 검출 장치(400)가 불량 모듈 분류/학습 서버(300)에서 불량 모듈로 분류된 태양광 모듈(10)을 검출하여 출력한다(S500).
도 6에서 위 단계 S400은 도 7의 세부 단계로 구성될 수 있다.
도 7을 참조하면, 먼저 불량 모듈 분류/학습 서버(300)의 제1 분류/학습기(320)가 라벨링 데이터셋 구축기(310)에 의해 미리 구축된 샘플 데이터셋을 이용하여 이미지 획득 장치(100)에서 획득되는 EL 이미지의 불량 영역을 자동 분류하고, 불량 영역을 라벨링하여 제1 라벨 데이터를 생성한다(S410).
다음으로, 불량 모듈 분류/학습 서버(300)의 제2분류/학습기(330)가 제1 분류/학습기(320)에서 라벨링되지 않은 언라벨 데이터(unlabeled data) 중에서 사용자 단말(500)에 의한 검증을 거친 불량 영역을 사용자 단말(500)로부터 입력받아 분류하고, 분류된 불량 영역을 라벨링하여 제2 라벨 데이터를 생성한다(S420).
다음으로, 불량 모듈 분류/학습 서버(300)의 라벨링 데이터셋 자동 업데이터(340)가 제1 분류/학습기(320)에서 생성된 적어도 하나 이상의 제1 라벨 데이터로 구성되는 제1 라벨 데이터셋을 라벨링 데이터셋 구축기(310)로 자동 업데이트하고, 제2 분류/학습기(330)에서 생성된 적어도 하나 이상의 제2 라벨 데이터로 구성되는 제2 라벨 데이터셋을 라벨링 데이터셋 구축기(310)로 자동 업데이트한다(S430).
한편, 도 7에서 단계 S410은 도 8의 세부 단계로 구성될 수 있다.
도 8을 참조하면, 제1 분류/학습기(320)의 제1 라벨 데이터 분류/학습 모듈(321)이 라벨링 데이터셋 구축기(310)의 라벨링 데이터셋 데이터베이스(312)를 참조하여 이미지 수신/게시 장치(200)에서 수신된 EL 이미지에서 불량 영역을 자동 분류하고, 불량 영역을 라벨링하여 제1 라벨 데이터를 생성한다(S411).
다음으로, 제1 분류/학습기(320)의 가-라벨(pseudo-label) 데이터 분류/학습 모듈(322)이 1 라벨 데이터 분류/학습 모듈(321)에서 불량 영역으로 라벨링되지 않은 언라벨 데이터를 테스트 데이터로 활용하여 불량 영역으로 분류될 수 있는 영역을 라벨링하여 가-라벨 데이터를 생성한다(S412).
한편, 도 7에서 단계 S420은 도 9의 세부 단계로 구성될 수 있다.
도 9를 참조하면, 제2분류/학습기(330)의 가-라벨 데이터 검증 모듈(331)이 제1 분류/학습기(320)의 가-라벨 데이터 분류/학습 모듈(322)에서 생성된 가-라벨 데이터를 사용자 단말(500)에 의한 검증에 따라 검증한다(S421).
다음으로, 제2분류/학습기(330)의 제2 라벨 데이터 분류/학습 모듈(332)이 가-라벨 데이터 중에서 가-라벨 데이터 검증 모듈(331)에 의해 검증된 가-라벨 데이터의 영역을 불량 영역으로 자동 분류하고, 검증된 가-라벨 데이터를 라벨링하여 제2 라벨 데이터를 생성한다(S422).
한편, 도 7에서 단계 S430은 도 10의 세부 단계로 구성될 수 있다.
도 10을 참조하면, 상기 라벨링 데이터셋 구축기의 영역 설정 및 라벨링 모듈이 상기 사용자 단말의 입력에 따라 상기 EL 이미지에서 불량 영역을 드래그(drag)하여 영역을 설정하고, 설정된 불량 영역을 라벨링하여 라벨 데이터(labeled data)를 생성한다(S431).
다음으로, 상기 라벨링 데이터셋 구축기의 CSV 파일 변환 모듈이 상기 영역 설정 및 라벨링 모듈에서 생성된 라벨 데이터를 CSV 파일로 변환하여 상기 라벨링 데이터셋 데이터베이스에 저장한다(S432).
이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 이미지 획득 장치 200: 이미지 수신/게시 장치
300: 불량 모듈 분류/학습 서버 310: 라벨링 데이터셋 구축기
311: 라벨링 가이드라인 샘플 데이터셋 구축 모듈
312: 라벨링 데이터셋 데이터베이스
313: 라벨링 가이드라인 샘플 데이터셋 게시 모듈
314: 영역 설정 및 라벨링 모듈 315: CSV 파일 변환 모듈
320: 제1 분류/학습기
321: 제1 라벨 데이터 분류/학습 모듈
322: 가-라벨 데이터 분류/학습 모듈
330: 제2분류/학습기 331: 가-라벨 데이터 검증 모듈
332: 제2 라벨 데이터 분류/학습 모듈
340: 라벨링 데이터셋 자동 업데이터
400: 태양광 모듈 불량 검출 장치 500: 사용자 단말

Claims (6)

  1. 불량 모듈 분류/학습 서버(300)의 라벨링 데이터셋 구축기(310)가 태양광 모듈(10)의 EL 이미지 중 불량 영역의 샘플 데이터셋을 미리 구축하여 저장하는 단계;
    이미지 획득 장치(100)가 태양광 모듈(10)의 EL 이미지를 획득하는 단계;
    이미지 수신/게시 장치(200)가 상기 이미지 획득 장치(100)에서 획득된 EL 이미지를 수신하여 게시하는 단계;
    상기 불량 모듈 분류/학습 서버(300)가 상기 미리 구축된 샘플 데이터셋을 참조하여 상기 이미지 수신/게시 장치(200)에서 수신된 EL 이미지에서 불량 모듈을 분류하고, 상기 이미지 수신/게시 장치(200)에서 수신된 EL 이미지를 학습하여 불량 모듈을 분류하는 데 활용하기 위한 학습 데이터를 생성하여 저장하는 단계;
    태양광 모듈 불량 검출 장치(400)가 상기 불량 모듈 분류/학습 서버(300)에서 불량 모듈로 분류된 태양광 모듈(10)을 검출하여 출력하는 단계를 포함하고,
    상기 불량 모듈 분류/학습 서버(300)의 라벨링 데이터셋 구축기(310)가 태양광 모듈(10)의 EL 이미지 중 불량 영역의 샘플 데이터셋을 미리 구축하여 저장하는 단계는,
    상기 라벨링 데이터셋 구축기(310)의 라벨링 가이드라인 샘플 데이터셋 구축 모듈(311)이 사용자 단말(500)의 입력에 따라 라벨링 가이드라인에 따른 불량 영역의 샘플 데이터셋을 미리 구축하여 상기 라벨링 데이터셋 구축기(310)의 라벨링 데이터셋 데이터베이스(312)에 저장하도록 구성되며,
    상기 불량 모듈 분류/학습 서버(300)가 상기 미리 구축된 샘플 데이터셋을 참조하여 상기 이미지 수신/게시 장치(200)에서 수신된 EL 이미지에서 불량 모듈을 분류하고 상기 이미지 수신/게시 장치(200)에서 수신된 EL 이미지를 학습하여 불량 모듈을 분류하는 데 활용하기 위한 학습 데이터를 생성하여 저장하는 단계는,
    상기 불량 모듈 분류/학습 서버(300)의 제1 분류/학습기(320)가 상기 라벨링 데이터셋 구축기(310)에 의해 미리 구축된 샘플 데이터셋을 이용하여 상기 이미지 획득 장치(100)에서 획득되는 EL 이미지의 불량 영역을 자동 분류하고 불량 영역을 라벨링하여 제1 라벨 데이터를 생성하는 단계,
    상기 불량 모듈 분류/학습 서버(300)의 제2분류/학습기(330)가 상기 제1 분류/학습기(320)에서 라벨링되지 않은 언라벨 데이터(unlabeled data) 중에서 상기 사용자 단말(500)에 의한 검증을 거친 불량 영역을 사용자 단말(500)로부터 입력받아 분류하고 분류된 불량 영역을 라벨링하여 제2 라벨 데이터를 생성하는 단계,
    상기 불량 모듈 분류/학습 서버(300)의 라벨링 데이터셋 자동 업데이터(340)가 상기 제1 분류/학습기(320)에서 생성된 적어도 하나 이상의 제1 라벨 데이터로 구성되는 제1 라벨 데이터셋을 상기 라벨링 데이터셋 구축기(310)로 자동 업데이트하고, 상기 제2 분류/학습기(330)에서 생성된 적어도 하나 이상의 제2 라벨 데이터로 구성되는 제2 라벨 데이터셋을 상기 라벨링 데이터셋 구축기(310)로 자동 업데이트하는 단계를 포함하고,
    상기 불량 모듈 분류/학습 서버(300)의 제1 분류/학습기(320)가 상기 라벨링 데이터셋 구축기(310)에 의해 미리 구축된 샘플 데이터셋을 이용하여 상기 이미지 획득 장치(100)에서 획득되는 EL 이미지의 불량 영역을 자동 분류하고 불량 영역을 라벨링하여 제1 라벨 데이터를 생성하는 단계는,
    상기 제1 분류/학습기(320)의 제1 라벨 데이터 분류/학습 모듈(321)이 상기 라벨링 데이터셋 구축기(310)의 라벨링 데이터셋 데이터베이스(312)를 참조하여 상기 이미지 수신/게시 장치(200)에서 수신된 EL 이미지에서 불량 영역을 자동 분류하고, 불량 영역을 라벨링하여 제1 라벨 데이터를 생성하는 단계,
    상기 제1 분류/학습기(320)의 가-라벨(pseudo-label) 데이터 분류/학습 모듈(322)이 상기 제1 라벨 데이터 분류/학습 모듈(321)에서 불량 영역으로 라벨링되지 않은 언라벨 데이터를 테스트 데이터로 활용하여 불량 영역으로 분류될 수 있는 영역을 라벨링하여 가-라벨 데이터를 생성하는 단계를 포함하며,
    상기 불량 모듈 분류/학습 서버(300)의 제2분류/학습기(330)가 상기 제1 분류/학습기(320)에서 라벨링되지 않은 언라벨 데이터(unlabeled data) 중에서 상기 사용자 단말(500)에 의한 검증을 거친 불량 영역을 사용자 단말(500)로부터 입력받아 분류하고, 분류된 불량 영역을 라벨링하여 제2 라벨 데이터를 생성하는 단계는,
    상기 제2분류/학습기(330)의 가-라벨 데이터 검증 모듈(331)이 상기 제1 분류/학습기(320)의 가-라벨 데이터 분류/학습 모듈(322)에서 생성된 가-라벨 데이터를 상기 사용자 단말(500)에 의한 검증에 따라 검증하는 단계,
    상기 제2분류/학습기(330)의 제2 라벨 데이터 분류/학습 모듈(332)이 상기 가-라벨 데이터 중에서 상기 가-라벨 데이터 검증 모듈(331)에 의해 검증된 가-라벨 데이터의 영역을 불량 영역으로 자동 분류하고 상기 검증된 가-라벨 데이터를 라벨링하여 제2 라벨 데이터를 생성하는 단계를 포함하고,
    상기 불량 모듈 분류/학습 서버의 라벨링 데이터셋 자동 업데이터가 상기 제1 분류/학습기에서 생성된 적어도 하나 이상의 제1 라벨 데이터로 구성되는 제1 라벨 데이터셋을 상기 라벨링 데이터셋 구축기를 통해 자동 업데이트하고 상기 제2 분류/학습기에서 생성된 적어도 하나 이상의 제2 라벨 데이터로 구성되는 제2 라벨 데이터셋을 상기 라벨링 데이터셋 구축기를 통해 자동 업데이트하는 단계는,
    상기 라벨링 데이터셋 구축기의 영역 설정 및 라벨링 모듈이 상기 사용자 단말의 입력에 따라 상기 EL 이미지에서 불량 영역을 드래그(drag)하여 영역을 설정하고 설정된 불량 영역을 라벨링하여 라벨 데이터(labeled data)를 생성하는 단계,
    상기 라벨링 데이터셋 구축기의 CSV 파일 변환 모듈이 상기 영역 설정 및 라벨링 모듈에서 생성된 라벨 데이터를 CSV 파일로 변환하여 상기 라벨링 데이터셋 데이터베이스에 저장하는 단계를 포함하며,
    상기 라벨링 데이터셋 데이터베이스(312)는 라벨링 데이터셋 자동 업데이터(340)에 의해 자동 업데이트되는 제1 라벨 데이터셋 및 제2 라벨 데이터셋을 저장하고,
    상기 라벨링 데이터셋 구축기(310)에 포함된 라벨링 가이드라인 샘플 데이터셋 게시 모듈(313)이 라벨링 데이터셋 데이터베이스(312)에 저장된 샘플 데이터셋, 제1 라벨 데이터셋 및 제2 라벨 데이터셋을 사용자 단말(500)이 조회할 수 있도록 게시하는 것을 특징으로 하는 전계발광(EL) 측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
KR1020220100619A 2022-08-11 2022-08-11 전계발광측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법 KR102466054B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220100619A KR102466054B1 (ko) 2022-08-11 2022-08-11 전계발광측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220100619A KR102466054B1 (ko) 2022-08-11 2022-08-11 전계발광측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법

Publications (1)

Publication Number Publication Date
KR102466054B1 true KR102466054B1 (ko) 2022-11-11

Family

ID=84042789

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220100619A KR102466054B1 (ko) 2022-08-11 2022-08-11 전계발광측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법

Country Status (1)

Country Link
KR (1) KR102466054B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101337238B1 (ko) 2012-03-19 2013-12-06 옥천플랜트 주식회사 태양광 모듈용 검사장치
KR20170060632A (ko) 2015-11-24 2017-06-02 광전자정밀주식회사 태양광모듈의 검사장치와 검사방법
JP2021022380A (ja) * 2019-07-26 2021-02-18 スアラブ カンパニー リミテッド データに対するラベル付けの優先順位を決める方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101337238B1 (ko) 2012-03-19 2013-12-06 옥천플랜트 주식회사 태양광 모듈용 검사장치
KR20170060632A (ko) 2015-11-24 2017-06-02 광전자정밀주식회사 태양광모듈의 검사장치와 검사방법
JP2021022380A (ja) * 2019-07-26 2021-02-18 スアラブ カンパニー リミテッド データに対するラベル付けの優先順位を決める方法

Similar Documents

Publication Publication Date Title
EP3502966B1 (en) Data generation apparatus, data generation method, and data generation program
US11790515B2 (en) Detecting defects in semiconductor specimens using weak labeling
CN110415215B (zh) 基于图神经网络的智能检测方法
JP6833027B2 (ja) 検査関連アルゴリズムのセットアップに用いられる訓練集合の最適化
CN107004123A (zh) 迭代式缺陷滤除工艺
US11694327B2 (en) Cross layer common-unique analysis for nuisance filtering
CN115315731A (zh) 用于图像分类的自适应学习
US11967060B2 (en) Wafer level spatial signature grouping using transfer learning
CN114494780A (zh) 基于特征对比的半监督工业缺陷检测方法及系统
CN111311546A (zh) 集装箱检测方法、装置及计算机可读存储介质
CN111311545A (zh) 集装箱检测方法、装置及计算机可读存储介质
CN111275682A (zh) 集装箱检测方法、装置及计算机可读存储介质
KR102466054B1 (ko) 전계발광측정 데이터 분석을 통한 모듈의 고장 분석 및 인공지능 기반의 유형 선별 방법
KR20220147035A (ko) 제조 결함 분류 시스템 및 방법
CN113850773A (zh) 一种检测方法、装置、设备及计算机可读存储介质
KR102298708B1 (ko) 검사 대상에 존재하는 결함을 검사하는 방법 및 이를 수행하는 장치들
TW202125405A (zh) 分類裝置及圖像分類系統
JP2020030138A (ja) 信号解析装置及び信号解析方法並びに信号解析プログラム
CN115953385A (zh) 一种交互式工业冷启动缺陷检测系统和方法
JP2020077158A (ja) 画像処理装置及び画像処理方法
CN108763063B (zh) 一种无需缺陷标注数据的软件缺陷检测方法
Rahimzadeh et al. State-of-the-art deep learning anomaly detection method for analyzing electroluminescence images of solar cells
JP7517586B2 (ja) 学習装置、学習方法、検査装置、検査方法、及び、プログラム
Lopez Florez et al. Automatic detection of faults in industrial production of sandwich panels using Deep Learning techniques
KR102686135B1 (ko) 인공지능을 활용한 결함 검사 방법 및 인공지능을 활용한 결함 검사 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant