KR102525249B1 - 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법, 장치 및 시스템 - Google Patents
인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102525249B1 KR102525249B1 KR1020230002006A KR20230002006A KR102525249B1 KR 102525249 B1 KR102525249 B1 KR 102525249B1 KR 1020230002006 A KR1020230002006 A KR 1020230002006A KR 20230002006 A KR20230002006 A KR 20230002006A KR 102525249 B1 KR102525249 B1 KR 102525249B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- synthesis
- solar panel
- rgb
- images
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 title claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims abstract description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 122
- 238000003786 synthesis reaction Methods 0.000 claims description 122
- 230000002194 synthesizing effect Effects 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 10
- 230000002950 deficient Effects 0.000 description 64
- 210000004027 cell Anatomy 0.000 description 44
- 238000005516 engineering process Methods 0.000 description 12
- 238000010248 power generation Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 239000003086 colorant Substances 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
- G03B15/00—Special procedures for taking photographs; Apparatus therefor
- G03B15/006—Apparatus mounted on flying objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/10—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from different wavelengths
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Photovoltaic Devices (AREA)
Abstract
본 발명의 일실시예는 태양광 발전소에 설치된 태양광 패널들을 드론으로 촬영하여, RGB 영상 및 열화상 영상을 기반으로 태양광 패널의 불량 원인을 모니터링 및 분석하는, 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법, 장치 및 시스템에 관한 것이다.
Description
아래 실시예들은 태양광 발전소에 설치된 태양광 패널들을 드론으로 촬영하여, RGB 영상 및 열화상 영상을 기반으로 태양광 패널의 불량 원인을 모니터링 및 분석하는, 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법, 장치 및 시스템에 관한 것이다.
세계적으로 환경문제 및 에너지문제에 관한 관심도가 증가하고 있다.
이에 대한 해결책으로 제시되고 있는 다양한 형태의 신재생에너지들이 지속적으로 개발 및 설치되고 있다.
대한민국 정부에서는 신재생에너지 설치수요 증가 추세를 반영하여, 매년 관련 예산을 증가시키고 있다.
한편, 신재생에너지 중 지역이나 환경 등의 영향이 상대적으로 적은 태양광발전이 인기를 끌고 있다.
태양광발전은 공해가 발생되지 않는 친환경 무공해 에너지이며, 영구적으로 발전 가능한 자원이고, 발전설비의 자동화 및 무인화가 용이하다는 등의 장점이 있다.
다만, 태양광 발전은 열화현상, 오염물, 그림자 등의 원인으로 매년 효율이 저하된다는 한계점이 있어서, 태양광 패널에 대한 전방위적 점검이 필수적이다.
그러나, 대규모로 설치된 태양광 패널들을 사람이 직접 검사하는 것은 비용이 매우 높고, 검사에 많은 시간이 소요된다는 불편함이 있다.
특히 면적이 넓은 태양광발전소와 지붕 위 태양광발전소 경우, 검사 난이도가 어렵고 검사자 간 숙련도 차이, 피로도 등의 원인으로 문제 패널 검출 정확도의 편차가 발생하고 있는 실정이다.
본 발명의 일실시예가 해결하고자 하는 과제는, 전술한 바와 같은 종래 태양광 발전소 검사 기술의 한계점을 극복하기 위하여, 드론으로 태양광 패널들을 촬영하고, 촬영된 영상을 소정의 인공지능 알고리즘으로 분석함으로써 태양광 패널 셀, 바이패스, 연결선(string) 등 문제 원인과 문제 지점을 정확하게 진단할 수 있는, 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법, 장치 및 시스템을 제공하는 것이다.
일실시예에 따르면, 장치에 의해 수행되는 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법에 있어서, 상기 태양광 발전소에 설치된 다수의 제1 태양광 패널들을 드론으로 촬영하여, 제1 열화상 영상 및 제1 RGB 영상을 수집하는 단계; 상기 드론으로부터, 상기 제1 열화상 영상 및 제1 RGB 영상을 수신하는 단계; 상기 제1 열화상 영상 및 제1 RGB 영상으로부터, 상기 제1 태양광 패널들이 촬영된 부분인 제1 열화상 이미지 및 제1 RGB 이미지를 캡쳐하는 단계; 다수개의 상기 제1 열화상 이미지를 합성하여, 제2 열화상 이미지를 생성하는 단계; 다수개의 상기 제1 RGB 이미지를 합성하여, 제2 RGB 이미지를 생성하는 단계; 상기 제2 열화상 이미지를 소정의 제1 인공지능 모델에 입력하여, 상기 제1 태양광 패널에 대한 온도 불량을 검출하는 단계; 및 상기 제2 RGB 이미지를 소정의 제2 인공지능 모델에 입력하여, 상기 제1 태양광 패널 표면의 이물질을 검출하는 단계;를 포함하는, 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법을 제공한다.
또한, 상기 제2 열화상 이미지를 생성하는 단계 및 제2 RGB 이미지를 생성하는 단계는: 상기 제1 열화상 이미지 또는 제1 RGB 이미지로부터, 태양광 패널 객체를 인식하는 제1 합성 단계; 상기 태양광 패널 객체가 인식된 상기 제1 열화상 이미지 또는 제1 RGB 이미지들을, 제1 합성 대상 이미지들로 지정하는 제2 합성 단계; 상기 제1 합성 대상 이미지 중 어느 하나를 제2 합성 대상 이미지로 지정하는 제3 합성 단계; 상기 제1 합성 대상 이미지들이 촬영된 시간인 제1 타임 스탬프를 기반으로, 상기 제2 합성 대상 이미지가 촬영된 시간으로부터 소정의 시간 간격 내에 촬영된 제1 합성 대상 이미지 중 어느 하나를 제3 합성 대상 이미지로 지정하는 제4 합성 단계; 상기 제2 합성 대상 이미지의 경계면에, 상기 제3 합성 대상 이미지를 합성하는 제5 합성 단계; 상기 제2 합성 대상 이미지 및 제3 합성 대상 이미지가 합성된 이미지를 제4 합성 대상 이미지로 지정하는 제6 합성 단계; 상기 제3 합성 대상 이미지가 촬영된 시간인 제2 타임 스탬프를, 상기 제4 합성 대상 이미지가 촬영된 시간으로 기록하는 제7 합성 단계; 상기 제4 합성 대상 이미지에 대해 부정합을 검증하는 제8 합성 단계; 상기 제8 합성 단계에서 부정합이 확인된 경우: 상기 제3 합성 대상 이미지 및 제4 합성 대상 이미지를 제거하고, 상기 제4 합성 단계 및 제8 합성 단계를 반복하는 제1 반복 단계; 상기 제8 합성 단계에서 부정합이 확인되지 않은 경우: 상기 제4 합성 대상 이미지를 상기 제2 합성 대상 이미지로 지정하여, 상기 제4 합성 단계 및 제8 합성 단계를 반복하는 제2 반복 단계; 및 상기 제1 합성 대상 이미지들 모두에 대해 상기 제3 합성 단계 또는 제4 합성 단계가 수행된 경우, 상기 제1 반복 단계 또는 제2 반복 단계를 종료하고 상기 제4 합성 대상 이미지를 상기 제2 열화상 이미지 또는 제2 RGB 이미지로 지정하는 단계;를 포함할 수 있다.
아울러, 상기 온도 불량을 검출하는 단계는: 상기 제2 열화상 이미지로부터, 태양광 패널 셀 객체, 태양광 패널 객체 및 태양광 패널 어레이 객체를 인식하는 단계; 상기 태양광 패널 셀 객체, 태양광 패널 객체 및 태양광 패널 어레이 객체의 제3 좌표를 지정하는 단계; 상기 태양광 패널 셀 객체들의 온도를 비교하여, [다른 태양광 패널 셀 객체보다 온도가 높은 태양광 패널 셀 객체인 제1 불량 객체]를 지정하는 단계; 상기 제1 불량 객체 중 어느 하나인 제2 불량 객체가, 상기 제1 불량 객체 중 다른 하나인 제3 불량 객체와 접하지 않는 경우: 상기 제2 불량 객체에 대응하는 제1 태양광 패널 셀의 불량으로 판정하는 단계; 상기 제2 불량 객체가, 제3 불량 객체와 접하여 상기 제2 불량 객체 및 제3 불량 객체가 상기 태양광 패널 하나를 이루는 경우: 상기 제2 불량 객체에 대응하는 제2 태양광 패널의 연결선 불량으로 판정하는 단계; 및 상기 제2 불량 객체가, 제3 불량 객체와 접하여 상기 제2 불량 객체 및 제3 불량 객체가 상기 태양광 패널 객체의 한 열을 이루는 경우: 상기 제2 불량 객체에 대응하는 제2 태양광 패널의 불량으로 판정하는 단계;를 포함하고, 상기 제1 태양광 패널 표면의 이물질을 검출하는 단계는: 상기 제1 태양광 패널 셀의 불량으로 판정된 경우에만 수행되어, 상기 제1 태양광 패널 셀 표면에 이물질이 검출된 경우: 상기 제1 태양광 패널 셀 표면의 이물질로 인한 불량으로 판정하도록 구성될 수 있다.
또한, 상기 제1 태양광 패널을 기반으로 발전되는 현재 발전량을 기반으로, 상기 제1 태양광 패널이 보수된 상태에서의 예상 리파워링 효율을 산출하는 단계; 및 상기 예상 리파워링 효율을 기반으로, 상기 제1 태양광 패널의 보수 견적을 산출하는 단계;를 더 포함하고, 상기 제1 열화상 영상 및 제1 RGB 영상을 수집하는 단계는: 상기 드론으로 상기 제1 태양광 패널에 서로 다른 세 색상의 조명을 소정의 시간 간격으로 조사하는 단계; 및 상기 드론에 구비된 RGB 카메라로, 상기 제1 태양광 패널을 촬영하는 단계;를 더 포함하고, 상기 제1 열화상 이미지 및 제1 RGB 이미지를 캡쳐하는 단계는: 상기 제1 RGB 영상으로부터, 상기 서로 다른 세 색상의 조명이 조사된 상태에서 촬영된 한 세트의 제1 RGB 이미지를 캡쳐하는 단계;를 더 포함하고, 상기 제1 태양광 패널 표면의 이물질을 검출하는 단계는: 상기 한 세트의 제1 RGB 이미지를 기반으로 제1 태양광 패널 표면의 이물질을 검출하고, 상기 예상 리파워링 효율을 산출하는 단계는: 수식 1에 따라 산출되되, 상기 수식 1은: 
이고, (RE = 예상 리파워링 효율, CPG = 현재 발전량, OR = 가동율) 상기 제1 태양광 패널의 보수 견적을 산출하는 단계는: 상기 예상 리파워링 효율을 기반으로, 향후 3년간 발전량 이익금을 산출하는 단계; 및 상기 향후 3년간 발전량 이익금에 30% 내지 50%의 요율을 적용하여, 보수 견적을 산출하는 단계;를 포함할 수 있다.
일실시예에 따른 방법 및 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
일실시예에 따르면, 드론으로 촬영한 태양광 패널 영상을 기반으로 한 장의 태양광 패널 이미지를 합성할 수 있다.
또한, 합성된 태양광 패널 이미지로부터, 태양광 패널의 문제 지점 및 문제 원인을 파악할 수 있다.
그리고, 태양광 패널 이미지를 합성하는 정확도를 개선할 수 있다.
아울러, 다양한 종류의 불량을 종류별로 구분하여 검출할 수 있다.
또한, 태양광 패널 보수로 인해 발생할 예상 수익을 기반으로 태양광 패널 보수 비용/견적을 산출하여, 수요자와 서비스 제공자 모두에게 합리적인 요금을 산정할 수 있다.
도 1은 본 발명의 일실시예에 따른 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법의 순서도이다.
도 2는 본 발명의 일실시예에 따른 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법의 순서도이다.
도 3은 본 발명의 일실시예에 따른 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법에 따라 합성된 제2 열화상 이미지의 예시이다.
도 4는 본 발명의 일실시예에 따른 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법에 따라 검출되는 불량의 종류를 나타낸 도면이다.
도 2는 본 발명의 일실시예에 따른 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법의 순서도이다.
도 3은 본 발명의 일실시예에 따른 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법에 따라 합성된 제2 열화상 이미지의 예시이다.
도 4는 본 발명의 일실시예에 따른 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법에 따라 검출되는 불량의 종류를 나타낸 도면이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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 실시예가 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.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
일반적으로는 발전소 등에서 출력되는 전력(발전량)을 분석하여 불량 등을 검증할 수 있지만, 태양광 발전의 경우 일조량, 시간, 날씨 등의 변수에 따라 발전량이 달라지기 때문에 이러한 방식으로는 불량을 검출할 수 없으나, 본 발명의 일실시예에 따르면 일조량과 상관없이 태양광 패널 등의 불량을 검출할 수 있다.
일실시예에 따르면, 장치에 의해 수행되는 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법에 있어서, 상기 태양광 발전소에 설치된 다수의 제1 태양광 패널들을 드론으로 촬영하여, 제1 열화상 영상 및 제1 RGB 영상을 수집하는 단계(S100); 상기 드론으로부터, 상기 제1 열화상 영상 및 제1 RGB 영상을 수신하는 단계(S200); 상기 제1 열화상 영상 및 제1 RGB 영상으로부터, 상기 제1 태양광 패널들이 촬영된 부분인 제1 열화상 이미지 및 제1 RGB 이미지를 캡쳐하는 단계(S300); 다수개의 상기 제1 열화상 이미지를 합성하여, 제2 열화상 이미지를 생성하는 단계(S400); 다수개의 상기 제1 RGB 이미지를 합성하여, 제2 RGB 이미지를 생성하는 단계(S500); 상기 제2 열화상 이미지를 소정의 제1 인공지능 모델에 입력하여, 상기 제1 태양광 패널에 대한 온도 불량(E)을 검출하는 단계(S600); 및 상기 제2 RGB 이미지를 소정의 제2 인공지능 모델에 입력하여, 상기 제1 태양광 패널 표면의 이물질을 검출하는 단계(S700);를 포함하는, 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법을 제공한다.
상기 드론에는 열화상 카메라, RGB 카메라 및 소정의 저장장치가 구비될 수 있다.
여기서, 상기 태양광 발전소에 설치된 다수의 제1 태양광 패널들을 드론으로 촬영하여, 제1 열화상 영상 및 제1 RGB 영상을 수집하는 단계(S100);에서는, 드론이 상기 제1 태양광 패널들에 대한 높이가 일정하도록 비행하는 것이 바람직하다.
상기 제1 태양광 패널들의 크기가 일정하게 유지되도록 영상을 촬영한 뒤, 후술하는 과정에 따라 영상으로부터 단일한 하나의 이미지를 합성할 수 있다.
드론이 상기 제1 태양광 패널들을 모두 촬영한 뒤에는, 소정의 유무선 통신을 통해 상기 장치로 데이터를 송신할 수 있다.
상기 제2 열화상 이미지 및 제2 RGB 이미지는 단일한 하나의 이미지 파일로써 생성될 수 있다. 다만, 검사/모니터링하고자 하는 태양광 발전소가 여러 지점인 경우, 각 지점마다 하나씩의 이미지 파일이 생성되도록 처리할 수 있다.
또한, 촬영된 영상으로부터 합성 이미지를 생성하는 과정들은 열화상 이미지나 RGB 이미지 등 이미지의 종류와는 무관하게 동일하므로, 상기 제2 열화상 이미지를 생성하는 단계(S400) 및 제2 RGB 이미지를 생성하는 단계(S500)에 대한 설명을 통합하여 설명한다.
상기 제2 열화상 이미지를 생성하는 단계(S400) 및 제2 RGB 이미지를 생성하는 단계(S500)는: 상기 제1 열화상 이미지 또는 제1 RGB 이미지로부터, 태양광 패널 객체(1)를 인식하는 제1 합성 단계(S1); 상기 태양광 패널 객체(1)가 인식된 상기 제1 열화상 이미지 또는 제1 RGB 이미지들을, 제1 합성 대상 이미지들로 지정하는 제2 합성 단계(S2); 상기 제1 합성 대상 이미지 중 어느 하나를 제2 합성 대상 이미지로 지정하는 제3 합성 단계(S3); 상기 제1 합성 대상 이미지들이 촬영된 시간인 제1 타임 스탬프를 기반으로, 상기 제2 합성 대상 이미지가 촬영된 시간으로부터 소정의 시간 간격 내에 촬영된 제1 합성 대상 이미지 중 어느 하나를 제3 합성 대상 이미지로 지정하는 제4 합성 단계(S4); 상기 제2 합성 대상 이미지의 경계면에, 상기 제3 합성 대상 이미지를 합성하는 제5 합성 단계(S5); 상기 제2 합성 대상 이미지 및 제3 합성 대상 이미지가 합성된 이미지를 제4 합성 대상 이미지로 지정하는 제6 합성 단계(S6); 상기 제3 합성 대상 이미지가 촬영된 시간인 제2 타임 스탬프를, 상기 제4 합성 대상 이미지가 촬영된 시간으로 기록하는 제7 합성 단계(S7); 상기 제4 합성 대상 이미지에 대해 부정합을 검증하는 제8 합성 단계(S8); 상기 제8 합성 단계(S8)에서 부정합이 확인된 경우: 상기 제3 합성 대상 이미지 및 제4 합성 대상 이미지를 제거하고, 상기 제4 합성 단계(S4) 및 제8 합성 단계(S8)를 반복하는 제1 반복 단계; 상기 제8 합성 단계(S8)에서 부정합이 확인되지 않은 경우: 상기 제4 합성 대상 이미지를 상기 제2 합성 대상 이미지로 지정하여, 상기 제4 합성 단계(S4) 및 제8 합성 단계(S8)를 반복하는 제2 반복 단계; 및 상기 제1 합성 대상 이미지들 모두에 대해 상기 제3 합성 단계(S3) 또는 제4 합성 단계(S4)가 수행된 경우, 상기 제1 반복 단계 또는 제2 반복 단계를 종료하고 상기 제4 합성 대상 이미지를 상기 제2 열화상 이미지 또는 제2 RGB 이미지로 지정하는 단계;를 포함할 수 있다.
상기 제1 열화상 이미지 또는 제1 RGB 이미지로부터, 태양광 패널 객체(1)를 인식하는 제1 합성 단계(S1);에서는, 소정의 객체인식 알고리즘을 기반으로 제1 열화상 이미지 및 제1 RGB 이미지 각각으로부터 태양광 패널 객체(1)를 인식한다.
상기 태양광 패널 객체(1)가 인식된 상기 제1 열화상 이미지 또는 제1 RGB 이미지들을, 제1 합성 대상 이미지들로 지정하는 제2 합성 단계(S2);에서는, 분석/모니터링에 불필요한 태양광 패널 객체(1)가 인식되지 않은 이미지들을 제거하고, 분석/모니터링에 필요한 이미지들만 추출한다.
상기 제1 합성 대상 이미지 중 어느 하나를 제2 합성 대상 이미지로 지정하는 제3 합성 단계(S3);는, 이미지들 중 어느 하나를 베이스로 지정하고, 다른 이미지들을 베이스에 이어붙이는 방식으로 다수의 이미지들을 합성하기 위한 사전 단계로써, 베이스가 되는 제2 합성 대상 이미지를 지정한다.
상기 제1 합성 대상 이미지들이 촬영된 시간인 제1 타임 스탬프를 기반으로, 상기 제2 합성 대상 이미지가 촬영된 시간으로부터 소정의 시간 간격 내에 촬영된 제1 합성 대상 이미지 중 어느 하나를 제3 합성 대상 이미지로 지정하는 제4 합성 단계(S4);에서는, 합성의 베이스가 되는 제2 합성 대상 이미지와 인접한 부분을 촬영한 제3 합성 대상 이미지를 선택한다.
상기 제2 합성 대상 이미지의 경계면에, 상기 제3 합성 대상 이미지를 합성하는 제5 합성 단계(S5);는, 선택된 두 이미지인 제2 합성 대상 이미지와 제3 합성 대상 이미지를 합성(스티칭)하여, 새로운 이미지를 생성한다. 이 때, 합성된 이미지의 크기는 제2 합성 대상 이미지와 제3 합성 대상 이미지 각각의 크기보다는 큰 크기(픽셀)로 생성될 수 있다.
상기 제2 합성 대상 이미지 및 제3 합성 대상 이미지가 합성된 이미지를 제4 합성 대상 이미지로 지정하는 제6 합성 단계(S6);에서는, 합성된 이미지를 새로운 베이스로 하여, 다른 이미지들을 하나씩 반복하여 이어붙일 수 있도록 제4 합성 대상 이미지를 지정한다.
상기 제3 합성 대상 이미지가 촬영된 시간인 제2 타임 스탬프를, 상기 제4 합성 대상 이미지가 촬영된 시간으로 기록하는 제7 합성 단계(S7);에서는, 합성된 이미지의 최후 촬영 시간인 제2 타임 스탬프를 기록함으로써, 합성되었던 다수의 이미지들 중 최후에 합성된 이미지의 제2 타임 스탬프를 기반으로 그 다음에 합성될 이미지를 선택할 수 있도록 동작한다.
상기 제4 합성 대상 이미지에 대해 부정합을 검증하는 제8 합성 단계(S8);에서는, 이미지 합성 과정에서의 부정확성 등으로 인해 이미지가 잘못 합성된 것을 검출하며, 부정합을 검증하는 구체적인 단계들은 후술한다.
상기 제8 합성 단계(S8)에서 부정합이 확인된 경우: 상기 제3 합성 대상 이미지 및 제4 합성 대상 이미지를 제거하고, 상기 제4 합성 단계(S4) 및 제8 합성 단계(S8)를 반복하는 제1 반복 단계;에서는, 부정합을 발생시킨 가장 최근 합성된 이미지들을 제거하고, 기존 이미지를 기반으로 새로이 합성 과정들을 반복한다.
상기 제8 합성 단계(S8)에서 부정합이 확인되지 않은 경우: 상기 제4 합성 대상 이미지를 상기 제2 합성 대상 이미지로 지정하여, 상기 제4 합성 단계(S4) 및 제8 합성 단계(S8)를 반복하는 제2 반복 단계;에서는, 부정합이 발생하지 않았으므로 합성된 이미지를 새로운 베이스로 하여 다음 이미지를 이어붙이는 작업을 속행한다.
상기 제1 합성 대상 이미지들 모두에 대해 상기 제3 합성 단계(S3) 또는 제4 합성 단계(S4)가 수행된 경우, 상기 제1 반복 단계 또는 제2 반복 단계를 종료하고 상기 제4 합성 대상 이미지를 상기 제2 열화상 이미지 또는 제2 RGB 이미지로 지정하는 단계;에서는, 촬영 및 캡쳐된 모든 이미지들이 합성에 반영되었으므로 반복을 종료하고, 최종 산출물인 제4 합성 대상 이미지를 상기 제2 열화상 이미지 또는 제2 RGB 이미지로 지정하여, 분석 과정을 속행한다.
삭제
삭제
삭제
삭제
삭제
아울러, 상기 온도 불량(E)을 검출하는 단계는: 상기 제2 열화상 이미지로부터, 태양광 패널 셀 객체(3), 태양광 패널 객체(1) 및 태양광 패널 어레이 객체(2)를 인식하는 단계; 상기 태양광 패널 셀 객체(3), 태양광 패널 객체(1) 및 태양광 패널 어레이 객체(2)의 제3 좌표를 지정하는 단계; 상기 태양광 패널 셀 객체(3)들의 온도를 비교하여, [다른 태양광 패널 셀 객체(3)보다 온도가 높은 태양광 패널 셀 객체(3)인 제1 불량(E) 객체]를 지정하는 단계; 상기 제1 불량(E) 객체 중 어느 하나인 제2 불량(E) 객체가, 상기 제1 불량(E) 객체 중 다른 하나인 제3 불량(E) 객체와 접하지 않는 경우: 상기 제2 불량(E) 객체에 대응하는 제1 태양광 패널 셀의 불량(E)으로 판정하는 단계; 상기 제2 불량(E) 객체가, 제3 불량(E) 객체와 접하여 상기 제2 불량(E) 객체 및 제3 불량(E) 객체가 상기 태양광 패널 하나를 이루는 경우: 상기 제2 불량(E) 객체에 대응하는 제2 태양광 패널의 연결선 불량(E)으로 판정하는 단계; 및 상기 제2 불량(E) 객체가, 제3 불량(E) 객체와 접하여 상기 제2 불량(E) 객체 및 제3 불량(E) 객체가 상기 태양광 패널 객체(1)의 한 열을 이루는 경우: 상기 제2 불량(E) 객체에 대응하는 제2 태양광 패널의 불량(E)으로 판정하는 단계;를 포함할 수 있다.
상기 제2 열화상 이미지로부터, 태양광 패널 셀 객체(3), 태양광 패널 객체(1) 및 태양광 패널 어레이 객체(2)를 인식하는 단계;에서는, 태양광 패널을 구성하는 개별 셀들을 구분하여 태양광 패널 셀로 인식하고, 개별 태양광 패널들을 각각 하나의 객체들로 인식하고, 태양광 패널이 연속적으로 배치 및 연결된 태양광 패널 어레이를 별도의 객체로 인식한다.
예를 들어, A 태양광 패널 어레이에 포함되는 12번 패널의 3번째 셀은, 태양광 패널 어레이 객체(2)를 인식할 때에는 객체의 일부분으로, 태양광 패널 객체(1)를 인식할 때에도 객체의 일부분으로 인식되나, 태양광 패널 셀 객체(3)를 인식할 때에는 하나의 단일한 객체로써 인식될 수 있다.
상기 태양광 패널 셀 객체(3), 태양광 패널 객체(1) 및 태양광 패널 어레이 객체(2)의 제3 좌표를 지정하는 단계;에서는, 인식된 객체들에 소정의 제3 좌표(넘버링, 고유번호)를 부여한다.
예를 들어, 태양광 패널 셀 객체(3)의 제3 좌표는 'A-12-03'과 같이 지정될 수 있다. 상기 'A-12-03' 태양과 패널 셀은, 'A 태양광 패널 어레이에 포함되는 12번 패널의 3번째 셀'로 해석될 수 있다.
여기서, 상기 태양광 패널 셀 객체(3)는 태양광 패널에서 몇 번째로 위치한 셀인지를 의미하는 숫자인 '03'으로 식별/구분될 수 있으며, 태양광 패널 객체(1)는 태양광 패널 어레이에서 변 번째로 위치한 패널인지를 의미하는 숫자인 '12'로 식별/구분될 수 있다.
상기와 같이 태양광 패널 어레이 객체(2)는 알파벳 대/소문자를 활용하여 구분될 수 있다.
상기 태양광 패널 셀 객체(3)들의 온도를 비교하여, [다른 태양광 패널 셀 객체(3)보다 온도가 높은 태양광 패널 셀 객체(3)인 제1 불량(E) 객체]를 지정하는 단계;에서는, 드론이 상기 제1 태양광 패널들을 동일한 높이에서 촬영했기 때문에 열화상 이미지에서 일정하거나 일정한 규칙으로 변화해야 하는 각 셀들의 온도가, 도 3에 도시된 바와 같이 일부분의 온도가 비정상적으로 높거나 불규칙적으로 변화하는 것을 감지하고, 이를 기반으로 제1 불량(E) 객체를 지정한다.
상기 제1 불량(E) 객체 중 어느 하나인 제2 불량(E) 객체가, 상기 제1 불량(E) 객체 중 다른 하나인 제3 불량(E) 객체와 접하지 않는 경우: 상기 제2 불량(E) 객체에 대응하는 제1 태양광 패널 셀의 불량(E)으로 판정하는 단계;에서는, 제2 불량(E) 객체가 다른 제1 불량(E) 객체와 인접하지 않는다면, 이를 해당하는 셀의 불량(E)(핫스팟)으로써 판정할 수 있다.
상기 제2 불량(E) 객체가, 제3 불량(E) 객체와 접하여 상기 제2 불량(E) 객체 및 제3 불량(E) 객체가 상기 태양광 패널 하나를 이루는 경우: 상기 제2 불량(E) 객체에 대응하는 제2 태양광 패널의 연결선 불량(E)으로 판정하는 단계;에서는, 도 4에 도시된 바와 같이 태양광 패널 전체의 온도가 비정상적으로 확인되므로, 스트링 문제인 것으로 판단하고 이를 연결선(스트링) 불량(E)으로 판정할 수 있다.
상기 제2 불량(E) 객체가, 제3 불량(E) 객체와 접하여 상기 제2 불량(E) 객체 및 제3 불량(E) 객체가 상기 태양광 패널 객체(1)의 한 열을 이루는 경우: 상기 제2 불량(E) 객체에 대응하는 제2 태양광 패널의 불량(E)으로 판정하는 단계;에서는, 도 4에 도시된 바와 같이, 태양광 패널의 어느 한 열 전체의 온도가 비정상적으로 확인되므로, 이를 바이패스 불량(E)으로 판정할 수 있다.
이 때, 전술한 어느 경우에도 해당하지 않는다면(예를 들어, 2~3개의 불량(E) 객체들이 인접한 경우), 이를 해당하는 셀의 불량(E)(핫스팟)으로써 판정할 수 있다.
상기 제1 태양광 패널 표면의 이물질을 검출하는 단계(S700)는: 상기 제1 태양광 패널 셀의 불량(E)으로 판정된 경우에만 수행되어, 상기 제1 태양광 패널 셀 표면에 이물질이 검출된 경우: 상기 제1 태양광 패널 셀 표면의 이물질로 인한 불량(E)으로 판정하도록 구성될 수 있다.
상기와 같이 제1 태양광 패널 표면의 이물질을 검출하는 단계(S700)를 상기 제1 태양광 패널 셀의 불량(E)으로 판정된 경우에만 수행함으로써, 상기 장치에서의 처리 부하를 절감할 수 있다.
상기 제1 태양광 패널 셀의 불량(E)이 아닌 경우에는, 굳이 제1 태양광 패널 표면의 이물질을 검출할 필요가 없으므로, 이미지의 해당 부분(해당되는 태양광 패널 객체(1) 등)에 대해서는 상기 제1 태양광 패널 표면의 이물질을 검출하는 단계(S700)를 생략한다.
또한, 상기 제1 태양광 패널을 기반으로 발전되는 현재 발전량을 기반으로, 상기 제1 태양광 패널이 보수된 상태에서의 예상 리파워링 효율을 산출하는 단계; 및 상기 예상 리파워링 효율을 기반으로, 상기 제1 태양광 패널의 보수 견적을 산출하는 단계;를 더 포함할 수 있다.
서비스 제공자는 전술한 단계들에 따라 분석된 내용을 토대로, 현재 태양광 발전소의 발전량과 불량(E) 부분들이 모두 보수되었을 때의 예상 발전량을 비교함으로써 예상 리파워링 효율을 산출할 수 있다.
예상 리파워링 효율을 기반으로 향후 n년간 고객(태양광 발전소)이 얻을 수 있는 이익을 예측하고, 예측된 이익의 일부분을 태양광 패널의 보수 견적으로 산출함으로써, 소비자와 서비스 제공자 모두에게 이익이 되는 방향으로 견적을 산출할 수 있다.
여기서, 상기 예상 리파워링 효율을 산출하는 단계는: 수식 1에 따라 산출되되, 상기 수식 1은: 
이고, (RE = 예상 리파워링 효율, CPG = 현재 발전량, OR = 가동율) 상기 제1 태양광 패널의 보수 견적을 산출하는 단계는: 상기 예상 리파워링 효율을 기반으로, 향후 3년간 발전량 이익금을 산출하는 단계; 및 상기 향후 3년간 발전량 이익금에 30% 내지 50%의 요율을 적용하여, 보수 견적을 산출하는 단계;를 포함할 수 있다.
상기 가동율이란, 전체 태양광 패널 셀 대비 정상적으로 가동되고 있는 태양광 패널 셀의 개수를 의미한다.
예를 들어, 36셀 짜리 태양광 패널이 총 10개 설치된 태양광 발전소에서, 3개의 태양광 패널이 스트링 문제로 비가동중이고, 2개의 열이 바이패스 문제로 비가동중이고, 10개의 셀이 이물질 문제로 비가동중인 경우,
(3 * 36)(패널) + (2 * 9)(열) + (10)(셀) = 136 셀
이므로, 가동율은 (360 - 136) / (360) = 0.622 (62.2%)로 산출될 수 있다.
상기 제1 열화상 영상 및 제1 RGB 영상을 수집하는 단계는: 상기 드론으로 상기 제1 태양광 패널에 서로 다른 세 색상의 조명을 소정의 시간 간격으로 조사하는 단계; 및 상기 드론에 구비된 RGB 카메라로, 상기 제1 태양광 패널을 촬영하는 단계;를 더 포함하고, 상기 제1 열화상 이미지 및 제1 RGB 이미지를 캡쳐하는 단계는: 상기 제1 RGB 영상으로부터, 상기 서로 다른 세 색상의 조명이 조사된 상태에서 촬영된 한 세트의 제1 RGB 이미지를 캡쳐하는 단계;를 더 포함하고, 상기 제1 태양광 패널 표면의 이물질을 검출하는 단계는: 상기 한 세트의 제1 RGB 이미지를 기반으로 제1 태양광 패널 표면의 이물질을 검출하도록 구성될 수 있다.
예를 들어, 빨간색, 초록색 및 파란색 세 색상으로 된 조명을 3초씩 제1 태양광 패널이 조사하고, 빨간색, 초록색 및 파란색 세 색상이 조사된 상태의 제1 RGB 이미지들로부터 이물질을 검출함으로써, 일반적인 촬영 이미지에서는 검출하기 어려운 이물질들을 보다 정확하게 검출할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
S100 : 제1 열화상 영상 및 제1 RGB 영상을 수집하는 단계
S200 : 제1 열화상 영상 및 제1 RGB 영상을 수신하는 단계
S300 : 제1 열화상 이미지 및 제1 RGB 이미지를 캡쳐하는 단계
S400 : 제2 열화상 이미지를 생성하는 단계
S500 : 제2 RGB 이미지를 생성하는 단계
S600 : 제1 태양광 패널에 대한 온도 불량을 검출하는 단계
S700 : 이물질을 검출하는 단계
S1 : 제1 합성 단계
S2 : 제2 합성 단계
S3 : 제3 합성 단계
S4 : 제4 합성 단계
S5 : 제5 합성 단계
S6 : 제6 합성 단계
S7 : 제7 합성 단계
S8 : 제8 합성 단계
1 : 태양광 패널 객체
2 : 태양광 패널 어레이 객체
3 : 태양광 패널 셀 객체
E : 불량
S200 : 제1 열화상 영상 및 제1 RGB 영상을 수신하는 단계
S300 : 제1 열화상 이미지 및 제1 RGB 이미지를 캡쳐하는 단계
S400 : 제2 열화상 이미지를 생성하는 단계
S500 : 제2 RGB 이미지를 생성하는 단계
S600 : 제1 태양광 패널에 대한 온도 불량을 검출하는 단계
S700 : 이물질을 검출하는 단계
S1 : 제1 합성 단계
S2 : 제2 합성 단계
S3 : 제3 합성 단계
S4 : 제4 합성 단계
S5 : 제5 합성 단계
S6 : 제6 합성 단계
S7 : 제7 합성 단계
S8 : 제8 합성 단계
1 : 태양광 패널 객체
2 : 태양광 패널 어레이 객체
3 : 태양광 패널 셀 객체
E : 불량
Claims (3)
- 장치에 의해 수행되는 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법에 있어서,
상기 태양광 발전소에 설치된 다수의 제1 태양광 패널들을 드론으로 촬영하여, 제1 열화상 영상 및 제1 RGB 영상을 수집하는 단계;
상기 드론으로부터, 상기 제1 열화상 영상 및 제1 RGB 영상을 수신하는 단계;
상기 제1 열화상 영상 및 제1 RGB 영상으로부터, 상기 제1 태양광 패널들이 촬영된 부분인 제1 열화상 이미지 및 제1 RGB 이미지를 캡쳐하는 단계;
다수개의 상기 제1 열화상 이미지를 합성하여, 제2 열화상 이미지를 생성하는 단계;
다수개의 상기 제1 RGB 이미지를 합성하여, 제2 RGB 이미지를 생성하는 단계;
상기 제2 열화상 이미지를 소정의 제1 인공지능 모델에 입력하여, 상기 제1 태양광 패널에 대한 온도 불량을 검출하는 단계; 및
상기 제2 RGB 이미지를 소정의 제2 인공지능 모델에 입력하여, 상기 제1 태양광 패널 표면의 이물질을 검출하는 단계;를 포함하고,
상기 제2 열화상 이미지를 생성하는 단계 및 제2 RGB 이미지를 생성하는 단계는:
상기 제1 열화상 이미지 또는 제1 RGB 이미지로부터, 태양광 패널 객체를 인식하는 제1 합성 단계;
상기 태양광 패널 객체가 인식된 상기 제1 열화상 이미지 또는 제1 RGB 이미지들을, 제1 합성 대상 이미지들로 지정하는 제2 합성 단계;
상기 제1 합성 대상 이미지 중 어느 하나를 제2 합성 대상 이미지로 지정하는 제3 합성 단계;
상기 제1 합성 대상 이미지들이 촬영된 시간인 제1 타임 스탬프를 기반으로, 상기 제2 합성 대상 이미지가 촬영된 시간으로부터 소정의 시간 간격 내에 촬영된 제1 합성 대상 이미지 중 어느 하나를 제3 합성 대상 이미지로 지정하는 제4 합성 단계;
상기 제2 합성 대상 이미지의 경계면에, 상기 제3 합성 대상 이미지를 합성하는 제5 합성 단계;
상기 제2 합성 대상 이미지 및 제3 합성 대상 이미지가 합성된 이미지를 제4 합성 대상 이미지로 지정하는 제6 합성 단계;
상기 제3 합성 대상 이미지가 촬영된 시간인 제2 타임 스탬프를, 상기 제4 합성 대상 이미지가 촬영된 시간으로 기록하는 제7 합성 단계;
상기 제4 합성 대상 이미지에 대해 부정합을 검증하는 제8 합성 단계;
상기 제8 합성 단계에서 부정합이 확인된 경우: 상기 제3 합성 대상 이미지 및 제4 합성 대상 이미지를 제거하고, 상기 제4 합성 단계 및 제8 합성 단계를 반복하는 제1 반복 단계;
상기 제8 합성 단계에서 부정합이 확인되지 않은 경우: 상기 제4 합성 대상 이미지를 상기 제2 합성 대상 이미지로 지정하여, 상기 제4 합성 단계 및 제8 합성 단계를 반복하는 제2 반복 단계; 및
상기 제1 합성 대상 이미지들 모두에 대해 상기 제3 합성 단계 또는 제4 합성 단계가 수행된 경우, 상기 제1 반복 단계 또는 제2 반복 단계를 종료하고 상기 제4 합성 대상 이미지를 상기 제2 열화상 이미지 또는 제2 RGB 이미지로 지정하는 단계;를 포함하는,
인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230002006A KR102525249B1 (ko) | 2023-01-06 | 2023-01-06 | 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230002006A KR102525249B1 (ko) | 2023-01-06 | 2023-01-06 | 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102525249B1 true KR102525249B1 (ko) | 2023-04-25 |
Family
ID=86101926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230002006A KR102525249B1 (ko) | 2023-01-06 | 2023-01-06 | 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102525249B1 (ko) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101660456B1 (ko) * | 2016-06-08 | 2016-09-28 | (주)대연씨앤아이 | 태양광 발전 시스템용 감시 장치 |
| KR101967638B1 (ko) * | 2017-11-30 | 2019-04-10 | (주) 포에버정보 | 드론을 이용한 태양광 발전 모듈 관리 시스템 |
| KR102032722B1 (ko) | 2018-09-04 | 2019-10-16 | 주식회사 아이온커뮤니케이션즈 | 드론을 이용한 태양광 패널의 검사 방법 및 시스템 |
| KR20200048615A (ko) | 2018-10-30 | 2020-05-08 | (주)메타파스 | 머신러닝기반 실시간 태양광발전소 검사 드론 |
| KR102376479B1 (ko) * | 2021-11-26 | 2022-03-18 | (주)혜성에스앤피 | 인공지능 기반 객체 자동 인식을 위한 cctv 제어 방법, 장치 및 시스템 |
| KR20220051055A (ko) | 2020-10-16 | 2022-04-26 | 이지스로직 주식회사 | 드론을 이용한 태양광 패널 검사장치 |
| KR20220055082A (ko) * | 2020-10-26 | 2022-05-03 | (주)메타파스 | 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템 및 방법 |
-
2023
- 2023-01-06 KR KR1020230002006A patent/KR102525249B1/ko active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101660456B1 (ko) * | 2016-06-08 | 2016-09-28 | (주)대연씨앤아이 | 태양광 발전 시스템용 감시 장치 |
| KR101967638B1 (ko) * | 2017-11-30 | 2019-04-10 | (주) 포에버정보 | 드론을 이용한 태양광 발전 모듈 관리 시스템 |
| KR102032722B1 (ko) | 2018-09-04 | 2019-10-16 | 주식회사 아이온커뮤니케이션즈 | 드론을 이용한 태양광 패널의 검사 방법 및 시스템 |
| KR20200048615A (ko) | 2018-10-30 | 2020-05-08 | (주)메타파스 | 머신러닝기반 실시간 태양광발전소 검사 드론 |
| KR20220051055A (ko) | 2020-10-16 | 2022-04-26 | 이지스로직 주식회사 | 드론을 이용한 태양광 패널 검사장치 |
| KR20220055082A (ko) * | 2020-10-26 | 2022-05-03 | (주)메타파스 | 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템 및 방법 |
| KR102376479B1 (ko) * | 2021-11-26 | 2022-03-18 | (주)혜성에스앤피 | 인공지능 기반 객체 자동 인식을 위한 cctv 제어 방법, 장치 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Manno et al. | Deep learning strategies for automatic fault diagnosis in photovoltaic systems by thermographic images | |
| Alves et al. | Automatic fault classification in photovoltaic modules using Convolutional Neural Networks | |
| Shihavuddin et al. | Image based surface damage detection of renewable energy installations using a unified deep learning approach | |
| CN114792319B (zh) | 一种基于变电图像的变电站巡检方法及系统 | |
| Sizkouhi et al. | A deep convolutional encoder-decoder architecture for autonomous fault detection of PV plants using multi-copters | |
| Su et al. | Automated overheated region object detection of photovoltaic module with thermography image | |
| CN105262441A (zh) | 基于红外图像的光伏阵列故障等级划分方法 | |
| Kuo et al. | Automatic detection, classification and localization of defects in large photovoltaic plants using unmanned aerial vehicles (UAV) based infrared (IR) and RGB imaging | |
| Grimaccia et al. | Assessment of PV plant monitoring system by means of unmanned aerial vehicles | |
| CN115712873A (zh) | 一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法 | |
| Montanez et al. | Photovoltaic module segmentation and thermal analysis tool from thermal images | |
| Masita et al. | 75MW AC PV module field anomaly detection using drone-based IR orthogonal images with Res-CNN3 detector | |
| Montoya et al. | Remote condition monitoring for photovoltaic systems | |
| KR102525249B1 (ko) | 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법, 장치 및 시스템 | |
| Özer et al. | An approach based on deep learning methods to detect the condition of solar panels in solar power plants | |
| Ramírez et al. | IoT platform combined with machine learning techniques for fault detection and diagnosis of large photovoltaic plants | |
| CN116385465A (zh) | 图像分割模型的构建及图像分割方法、系统、设备和介质 | |
| Ismail et al. | Enhance pv panel detection using drone equipped with rtk | |
| Lowin et al. | From physical to virtual: leveraging drone imagery to automate photovoltaic system maintenance | |
| CN113361520B (zh) | 基于样本偏移网络的输电线路设备缺陷检测方法 | |
| Hatami et al. | Applicability of Artificial Intelligence (AI) Methods to Construction Manufacturing: A Literature Review | |
| Upadhyay et al. | Artificial intelligence application to D and D—20492 | |
| Mobin et al. | Infrared thermography based defect analysis of photovoltaic modules using machine learning | |
| Segovia Ramirez et al. | Fault detection and identification for maintenance management | |
| Oulefki et al. | Unveiling the invisible: Enhanced detection and analysis deteriorated areas in solar pv modules using unsupervised sensing algorithms and 3d augmented reality |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |