KR102629092B1 - 태양광 패널 결함 검출 시스템 및 방법 - Google Patents

태양광 패널 결함 검출 시스템 및 방법 Download PDF

Info

Publication number
KR102629092B1
KR102629092B1 KR1020210153429A KR20210153429A KR102629092B1 KR 102629092 B1 KR102629092 B1 KR 102629092B1 KR 1020210153429 A KR1020210153429 A KR 1020210153429A KR 20210153429 A KR20210153429 A KR 20210153429A KR 102629092 B1 KR102629092 B1 KR 102629092B1
Authority
KR
South Korea
Prior art keywords
solar panel
defect
efficiency
panel
pattern
Prior art date
Application number
KR1020210153429A
Other languages
English (en)
Other versions
KR20230067386A (ko
Inventor
이응구
김정운
Original Assignee
오스 주식회사
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 오스 주식회사 filed Critical 오스 주식회사
Priority to KR1020210153429A priority Critical patent/KR102629092B1/ko
Publication of KR20230067386A publication Critical patent/KR20230067386A/ko
Application granted granted Critical
Publication of KR102629092B1 publication Critical patent/KR102629092B1/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
    • H02S50/15—Testing of PV devices, e.g. of PV modules or single PV cells using optical means, e.g. using electroluminescence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Photovoltaic Devices (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

본 발명은 태양광 패널 결함 검출 시스템으로서, 일 실시예에 따르면, 태양광 패널을 촬영하는 카메라; 태양광 패널에 광을 조사하는 광 조사장치; 및 상기 카메라로 촬영한 태양광 패널의 표면에서 결함을 검출하는 결함 검출부를 구비한 컴퓨터 장치;를 포함하는 태양광 패널 결함 검출 시스템을 개시한다.

Description

태양광 패널 결함 검출 시스템 및 방법 {System and method for detecting defects in solar panel}
본 발명은 태양광 패널의 결함을 검출하는 시스템에 관한 것으로, 보다 상세하게는, 카메라로 촬영한 태양광 패널 이미지를 초고해상도로 분석하는 딥러닝 알고리즘을 이용하여 미소 크기의 결함까지도 검출할 수 있는 태양광 패널 결함 검출 시스템 및 이를 이용한 결함 검출 방법에 관한 것이다.
태양광 발전은 태양광 패널과 축전지, 전력변환장치 등으로 구성된다. 태양빛이 P형 반도체와 N형 반도체를 접합시킨 태양광 패널로 인가되면 태양빛이 가지고 있는 에너지에 의해 태양광 패널에서 정공과 전자가 발생하고, 정공은 P형 반도체 쪽으로, 전자는 N형 반도체 쪽으로 모이게 되어 전위차가 발생하고 그에 따라 전류가 흐르게 된다. 태양광 발전은 공해가 없고 필요한 장소에서 필요한 만큼만 발전할 수 있으며 유지 보수가 용이하다는 장점이 있다.
태양광 발전소 보급이 확대되면서 운용 중인 발전소의 발전 효율의 중요성이 높아지고 있다. 특히 태양광 패널에서의 국소적인 불량 발생에 의해 발전 효율이 낮아지기 때문에, 태양광 패널 생산 직후 각 태양광 패널의 결함을 검출하는 공정이 수행되고 있다. 그런데 한편으로 태양전지 분야는 효율을 극대화하여야 하면서도 저가의 공정을 활용하여 가격 경쟁력을 갖춰야 하는 분야이기도 하며, 따라서 보다 높은 효율을 낼 수 있는 장비 및 공정 최적화가 필요하다.
태양광 패널의 결함 검출을 위해 종래에는 카메라로 패널 표면을 촬영하여 검사하는 비전 검사 방식을 많이 사용하고 있으나, 저화질 카메라를 사용할 경우 미세한 크기의 결함을 검출할 수 없는 문제가 있고 고화질 카메라를 사용할 경우 양질의 검사 시스템 설치 및 운용비가 증가하는 단점이 있다.
특허문헌1: 한국 공개특허 제10-2019-0049330호 (2019년 5월 9일 공개) 특허문헌2: 한국 공개특허 제10-2020-0082104호 (2020년 7월 8일 공개)
본 발명은 상기 종래 문제를 해결하고자 하는 것으로, 기존의 검사 방식을 활용하면서 인공지능 학습을 통해 기존보다 많은 정보를 확인하고 초해상도 기술을 활용하여 기존에 저해상도 카메라로는 검출할 수 없었던 결함까지도 검출할 수 있는 검사 시스템을 제공한다.
본 발명의 일 실시예에 따르면, 태양광 패널 결함 검출 시스템으로서, 태양광 패널을 촬영하는 카메라; 태양광 패널에 광을 조사하는 광 조사장치; 및 상기 카메라로 촬영한 태양광 패널의 표면에서 결함을 검출하는 결함 검출부를 구비한 컴퓨터 장치;를 포함하는 태양광 패널 결함 검출 시스템을 개시한다.
본 발명의 일 실시예에 따르면 고해상도 기술의 딥러닝 알고리즘을 이용하여 태양광 패널의 결함을 검출할 수 있도록 구성함으로써, 저해상도의 카메라로 촬영한 이미지에서도 미세한 결함을 검출할 수 있어 적은 비용으로 높은 효율을 낼 수 있다.
또한 본 발명에 따르면 단순히 검사대상 태양광 패널을 촬영하여 결함을 검출하는 것에 그치지 않고, 결함의 패턴을 분석하고 결함 패턴을 태양광 패널 효율과도 매칭시킴으로써 패널 수리나 개선 여부를 판단하거나 제조 공정의 개선 여부도 판단할 수 있으며 따라서 고품질의 태양광 패널을 생산하는데 기여할 수 있다.
도1은 본 발명의 일 실시예에 따른 태양광 패널 결함 검출 시스템을 설명하는 도면,
도2는 일 실시예에 따른 컴퓨터 장치의 기능 블록을 설명하는 도면,
도3은 일 실시예에 따라 태양광 패널의 결함을 검출하는 방법을 설명하는 도면,
도4는 일 실시예에 따라 딥러닝 알고리즘으로 태양광 패널의 결함 검출을 학습시키는 방법을 설명하는 도면,
도5는 일 실시예에 따른 태양광 패널 결함 검출 방법을 설명하는 흐름도이다.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서에서 제1, 제2 등의 용어가 구성요소들을 기술하기 위해서 사용된 경우, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '~를 포함한다', '~로 구성된다', 및 '~으로 이루어진다' 라는 표현은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
본 명세서에서 용어 '소프트웨어'는 컴퓨터에서 하드웨어를 움직이는 기술을 의미하고, 용어 '하드웨어'는 컴퓨터를 구성하는 유형의 장치나 기기(CPU, 메모리, 입력 장치, 출력 장치, 주변 장치 등)를 의미하고, 용어 '단계'는 소정의 목을 달성하기 위해 시계열로 연결된 일련의 처리 또는 조작을 의미하고, 용어 '컴퓨터 프로그램', '프로그램', 또는 '알고리즘'은 컴퓨터로 처리하기에 합한 명령의 집합을 의미하고, 용어 '프로그램 기록 매체'는 프로그램을 설치하고 실행하거나 유통하기 위해 사용되는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 의미한다.
본 명세서에서 발명의 구성요소를 지칭하기 위해 사용된 '~부', '~모듈', '~유닛', '~블록', '~보드' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 물리적, 기능적, 또는 논리적 단위를 의미할 수 있고 이는 하나 이상의 하드웨어나 소프트웨어 또는 펌웨어로 구현되거나 또는 하나 이상의 하드웨어, 소프트웨어, 및/또는 펌웨어의 결합으로 구현될 수 있다.
본 명세서에서, 구성요소 'A'가 구성요소 'B'에게 정보, 내역, 및/ 또는 데이터를 전송한다고 함은 구성요소 'A'가 구성요소 'B'에게 직접 전송하거나 또는 구성요소 'A'가 적어도 하나 이상의 다른 구성요소를 통해서 구성요소 'B'에 전송하는 것을 포함하는 의미로 사용한다.
이하 도면을 참조하여 본 발명을 상세히 설명하도록 한다. 아래의 특정 실시예들을 기술하는데 있어서 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 또한 발명을 기술하는 데 있어서 공지 또는 주지관용 기술이면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는 데 있어 혼돈을 막기 위해 기술하지 않음을 미리 언급해 둔다.
도1은 본 발명의 일 실시예에 따른 태양광 패널 결함 검출 시스템을 개략적으로 도시하였다.
도1을 참조하면 일 실시예에 따른 태양광 패널 결함 검출 시스템(이하 간단히 "검출 시스템"이라고도 함)은 컴퓨터 장치(10), 카메라(20), 및 광 조사장치(30)를 포함한다. 또한, 도면에 도시하지 않았지만 검출 시스템은 태양광 패널(100)을 올려놓고 고정시키는 지지부를 더 포함하고, 태양광 패널(100)에 전기적으로 연결되어 패널(100)이 생산하는 전력을 측정하는 측정장치를 더 구비할 수 있다.
카메라(20)는 예컨대 지지대(도시 생략)에 놓여진 태양광 패널(100)의 표면을 촬영할 수 있다. 일 실시예에서 카메라(20)는 가시광 영역을 촬영하는 실상 카메라이다. 그러나 대안적 실시예에서 자외선이나 적외선 영역을 적어도 부분적으로 포함하는 파장대역의 이미지를 촬영하는 카메라를 사용할 수도 있다. 카메라(20)에서 촬영된 태양광 패널(100)의 이미지는 유선 또는 무선으로 연결된 컴퓨터 장치(10)로 전송될 수 있다.
광 조사장치(30)는 지지대(도시 생략)에 놓은 태양광 패널(100)에 빛을 조사하는 수단이다. 일 실시예에서 광 조사장치(30)는 태양빛에 가까운 백색광을 조사하는 광원을 포함할 수 있다. 대안적 실시예에서 광 조사장치(30)는 자외선 또는 적외선 광을 조사할 수도 있다. 바람직하게는, 태양광 패널(100)에 조사했을 때 패널(100) 표면의 결함이 잘 드러날 수 있는 파장대역의 광을 조사하는 광원을 포함할 수 있다.
컴퓨터 장치(10)는 카메라(20)가 촬영한 태양광 패널(100)의 이미지를 전송받고 태양광 패널(100) 표면의 결함을 검출할 수 있다. 일 실시예에서 컴퓨터 장치(10)는 태양광 패널(100)의 결함을 검출한 후 결함 패턴을 분석하는 기능, 패널 효율을 산출하는 기능, 및 결함 패턴과 패널 효율을 매치하는 기능 중 적어도 하나의 기능을 더 수행할 수 있다.
이와 관련하여 도2는 일 실시예에 따른 컴퓨터 장치(10)의 기능 블록을 개략적으로 도시하였다. 도2를 참조하면 일 실시예에 따른 컴퓨터 장치(10)는 결함 검출부(11), 결함 패턴 분석부(12), 패널 효율 산출부(13), 및 패턴 및 효율 매칭부(14)를 포함할 수 있다. 컴퓨터 장치(10)는 또한 상기 기능부들(11,12,13,14)에 사용되는 데이터, 카메라(20)로부터 수신한 이미지 등의 각종 데이터와 정보를 저장하는 저장장치(50)를 더 포함할 수 있다. 저장장치(50)는 데이터베이스 형태로 구현될 수도 있지만 파일 시스템 형태로 구현될 수도 있다. 또한 저장장치(50)는 물리적으로 컴퓨터 장치(10) 내부에 위치할 수도 있지만 컴퓨터 장치(10)의 외부에 유선 또는 무선으로 통신 가능하게 설치될 수도 있다.
한편 상기 각 기능부(11,12,13,14)는 적어도 하나의 기능이나 동작을 처리하는 물리적, 기능적, 또는 논리적 단위를 의미할 수 있고 하나 이상의 하드웨어나 소프트웨어 또는 펌웨어로 구현되거나 또는 하나 이상의 하드웨어, 소프트웨어, 및/또는 펌웨어의 결합으로 구현될 수 있다.
결함 검출부(11)는 카메라(20)로 촬영한 태양광 패널(100)의 표면에서 결함을 검출하는 기능부이다. 일 실시예에서 결함 검출부(11)는 패널의 이미지에서 결함을 검출하기 위해 인공신경망으로 구현될 수 있다. 보다 구체적으로 결함 검출부(11)는 컨볼루션 신경망(CNN) 또는 CNN을 이용한 신경망으로 구현될 수 있다.
일 실시예에서, 인공 신경망으로 구현된 결함 검출부(11)는 카메라(20)가 소정 해상도에 따라 촬영한 태양광 패널(100)의 이미지의 입력받으면 이 이미지의 해상도를 초고화질 해상도로 향상시키고 태양광 패널(100)의 표면을 다수의 확대 이미지로 분할하고, 이렇게 분할되고 향상된 해상도의 이미지에서 결함을 검출할 수 있다.
이와 관련하여 도3은 이미지의 해상도를 향상시키고 이미지를 단계적으로 분할하여 패널의 결함을 검출하는 과정을 예시적으로 도시하였다. 도3을 참조하면, 우선 도3(a)에 도시한 것처럼 카메라(20)가 태양광 패널(100)의 전체 표면을 촬영할 수 있다. 일반적으로 태양광 패널(100)은 가로 또는 세로로 배열된 다수의 버스바(bus bar)(110) 및 버스바에 직각으로 배열된 다수의 핑거바(finger bar)(120)를 구비한다. 또한 태양광 패널(100)은 예를 들어 160mmX160mm 크기의 패널일 수 있다. 그러나 버스바(110)와 핑거바(120)의 개수나 배열 위치 및 폭 등의 수치 및 태양광 패널(100)의 크기나 형상은 태양광 패널 제품마다 달라질 수 있다.
결함 검출부(11)는 이러한 도3(a)의 패널 이미지를 수신하고, 예컨대 딥러닝 알고리즘 등의 결함 검출 알고리즘을 통해 이미지를 고해상도로 복원할 수 있다. 예를 들어 도3(b)에 도시한 것처럼 태양광 패널(100)의 표면을 다수 영역으로 분할하고 각 분할된 영역에 대해 고해상도로 복원하고 이 분할 영역을 다시 도3(c)와 같이 다수의 영역으로 재분할하고 각 재분할된 영역을 고해상도로 복원하고, 각 재분할된 영역에서 결함을 검출할 수 있다. 따라서 본 발명에 따르면 고해상도 복원 기법을 이용함으로써 최초 이미지에서는 찾을 수 없을 정도로 작은 결함도 검출할 수 있다. 예를 들어 최초 이미지의 해상도보다 4배 내지 16배로 해상도를 높일 수 있고 이에 따라 수 마이크로미터 크기의 결함도 검출할 수 있다.
다시 도2를 참조하면, 결함 패턴 분석부(12)는 결함의 패턴을 분석하는 기능부이다. 예를 들어 결함 패턴 분석부(12)는, 결함 검출부(11)에서 검출된 결함들, 즉 태양광 패널(100)의 표면 상에서의 결함의 위치들을 데이터베이스 등의 저장장치(50)에 기록하고, 수많은 태양광 패널에 대해 이렇게 축적된 결함 위치를 분석할 수 있다. 예를 들어 태양광 패널의 전체 표면 중 결함이 많이 발생하는 위치나 결함의 형상을 찾을 수 있다. 또 다른 예로서, 태양광 패널 표면상에서 결함들의 발생 위치에 의해 일정한 패턴이 나타나는 것을 찾을 수 있다.
또 다른 예로서, 결함 패턴 분석부(12)는 태양광 패널(100)의 버스바(110)나 핑거바(120)로부터 각 결함의 거리에 따라 패턴을 나누고 분석할 수 있다. 예를 들어 도3(c)에 도시한 것처럼 각 결함(D)들이 버스바(110) 또는 핑거바(120)로부터 임의의 거리(d)만큼 떨어진 위치에 형성되어 있는데, 예를 들어 각 결함(D)에 대해 거리(d)를 각각 측정하고 거리(d)에 따라 결함(D)을 분류할 수 있고, 태양광 패널(100) 전체 표면에 대해 각 결함(D)의 거리(d)의 기초하여 결함의 패턴을 결정하거나 패턴을 분류할 수 있다.
패널 효율 산출부(13)는 태양광 패널(100)의 전력 생산 효율을 측정하는 기능부이다. 예를 들어 광 조사장치(30)에 의해 빛을 조사하여 태양광 패널(100)이 전력을 생산하도록 작동시키고 이렇게 생산된 전력을 측정함으로써 각각의 태양광 패널(100)의 효율을 산출할 수 있다.
패턴 및 효율 매칭부(14)는 결함 패턴 분석부(12)에 의해 분석된 결함 패턴과 패널 효율 산출부(13)에 의해 산출된 패널 효율을 매칭할 수 있다. 예를 들어 어느 특정 태양광 패널(100)에 대해, 이 패널(100)을 카메라(20)로 촬영하고 결함 검출부(11)가 패널 이미지에서 결함을 검출하고, 이와 동시에 또는 순차적으로, 광을 조사한 상태에서 해당 패널(100)을 동작시켜서 패널 효율 산출부(13)가 패널(100)의 효율을 산출할 수 있으며, 패턴 및 효율 매칭부(14)는 이렇게 해당 패널(100)에 대해 결함 패턴 분석부(12)가 분석한 결함 패턴과 패턴 효율 산출부(13)가 산출한 패널 효율을 매칭시켜서 저장장치(50)에 저장할 수 있다.
일 실시예에서, 위와 같이 다수의 태양광 패널(100)마다 각각의 결함 패턴과 효율을 매칭시킨 매칭 데이터를 저장장치(50)에 저장한 경우, 패널 효율 산출부(13)는 이 매칭 데이터를 이용하여 임의의 태양광 패널(100)에 대한 패널 효율을 예측할 수 있다. 즉, 임의의 태양광 패널(100)을 촬영하여 결함을 검출하고 결함 패턴을 분석한 후 매칭 데이터에서 이 결함 패턴과 가장 유사한 결함 패턴을 검색하고 이 결함 패턴에 대응하는 패널 효율을 찾을 수 있으며, 이렇게 검색된 패널 효율을 해당 태양광 패널(100)의 효율이라고 추정할 수 있으며, 따라서 태양광 패널(100)마다 일일이 광을 조사하고 동작시켜 전력 생산량을 측정하지 않더라도 패널의 효율을 예측할 수 있다.
도4는 일 실시예에 따라 결함 검출부(11)를 딥러닝 알고리즘으로 구현한 경우 딥러닝 알고리즘으로 태양광 패널의 결함 검출을 학습시키는 방법을 도식적으로 나타내었다.
도시한 실시예에서 딥러닝 알고리즘(200)은 CNN 알고리즘에 기반한 컨볼루셔널 인코더-디코더 네트워크 알고리즘일 수 있다. 컨볼루셔널 인코더-디코더 네트워크 알고리즘은 인코더(encoder)와 디코더(decoder)로 구성된다. 인코더는 다수의 컨볼루셔널 계층(convolutional layer)으로 구성되고, 각 컨볼루셔널 계층은 컨볼루션(Convolution) 단계와 풀링(Pooling) 단계로 구성될 수 있다. 디코더는 다수의 디컨볼루셔널 계층(de-convolutional layer)으로 구성되고, 각 디컨볼루셔널 계층은 언풀링(Unpooling) 단계와 디컨볼루션(Deconvolution) 단계로 구성될 수 있다.
컨볼루셔널 인코더-디코더 네트워크 알고리즘(200)은 카메라(20)로 촬영한 태양광 패널의 이미지를 입력 데이터로 수신하고 카메라(20) 해상도의 4배 내지 16배의 고해상도로 태양광 패널 이미지에서 결함을 검출할 수 있다. 예를 들어 결함 검출부(11)는 딥러닝 알고리즘(200)에 의해 수 마이크로미터 내지 10 마이크로미터 크기의 결함까지도 검출할 수 있다.
이러한 딥러닝 알고리즘(200)을 학습시키는 방법으로서, 도4를 참조하면, 우선 단계(S110)에서 학습 데이터로 사용될 태양광 패널 이미지를 생성하기 위해 태양광 패널(100)을 카메라(20)로 촬영한다. 그 후 단계(S120)에서 태양광 패널 이미지를 딥러닝 알고리즘(200)에 입력 데이터로 입력한다. 딥러닝 알고리즘(200)은 인코더-디코더 구조의 네트워크를 통해 결함에 대한 특징 정보 추출하고 태양광 패널 표면의 결함 여부를 판단하고, 도4에 도시한 것처럼 검출 결과(300)를 출력한다. 이 때 해당 태양광 패널의 결함에 대한 라벨 정보(정답 데이터)(400)가 주어지며, 검출 결과(300)과 라벨 정보(400) 사이의 오차를 계산하고 손실 함수를 이용하여 딥러닝 알고리즘(200)을 학습시켜 정확도를 향상시킨다.
한편 대안적 실시예에서, 태양광 패널(100)을 촬영하는 것과 동시에 혹은 순차적으로, 태양광 패널(100)에 광 조사장치(30)로 빛을 조사하고 태양광 패널(100)을 작동시켜 전력을 생산하도록 하고 태양광 패널(100)의 효율을 산출할 수 있다(S140). 이 때 라벨 정보(400)는 각 태양광 패널(100)의 결함 패턴을 포함하고 있으므로, 단계(S150)에서, 라벨 정보(400)로부터 얻은 결함 패턴과 단계(S140)에서 산출한 태양광 패널의 효율을 매칭시킬 수 있고, 이 매칭 결과(매칭 데이터)를 저장장치(50) 등에 저장할 수 있다.
일 실시예에서, 상기 매칭시키는 작업을 별도의 인공지능 알고리즘(이하 "매칭 알고리즘")으로 구현할 수 있다. 예를 들어, 매칭 알고리즘을 딥러닝 알고리즘으로 구현할 경우, 검출 결과(300) 또는 라벨 정보(400)로부터 얻은 결함 패턴을 매칭 알고리즘의 입력 데이터로서 사용하고 이 때 단계(S140)에서 산출한 태양광 패널의 효율을 라벨 정보(정답 데이터)로 사용하여 학습시킬 수 있다.
또한 이 때 검출 결과(300) 또는 라벨 정보(400)로부터 얻은 결함 패턴은 태양광 패널(100) 전체 표면에 대해 각 결함(D)의 거리(d)의 기초하여 결정되거나 분류된 결함 패턴일 수 있다. 즉 동일한 결함(D)이라도 버스바(110)나 핑거바(120)로부터의 거리(d)에 따라 패널의 효율이 달라질 수 있기 때문에, 거리(d)에 따라 결정되거나 분류된 결함 패턴을 고려하여 태양광 패널의 효율과 매칭시킬 경우 매칭 정확도를 더욱 향상시킬 수 있고 태양광 패널의 효율을 더 정확히 예측할 수 있다.
일 실시예에서, 단계(S140)는 패널 효율 산출부(13)에서 실행되고 단계(S150)는 패턴 및 효율 매칭부(14)에서 실행될 수 있다. 또한 이렇게 저장장치(50)가 수많은 태양광 패널에 대한 매칭 데이터를 저장하게 되면, 도2를 참조하여 상술한 것처럼, 패널 효율 산출부(13)가 이 매칭 데이터를 이용하여 임의의 태양광 패널(100)에 대한 패널 효율을 예측할 수 있다.
도5는 일 실시예에 따른 태양광 패널 결함 검출 방법을 설명하는 흐름도이다. 이러한 결함 검출 방법은 예컨대 도2를 참조하여 설명한 컴퓨터 장치(10)에서 실행될 수 있다. 또한 이 때 결함 검출부(11)의 딥러닝 알고리즘(200)이 도4를 참조하여 설명한 것처럼 학습 데이터를 이용하여 학습되었다고 전제한다.
우선 단계(S210)에서 검사대상 태양광 패널(100)을 검출 시스템의 지지대에 올려놓고, 단계(S220)에서 카메라(20)가 태양광 패널(100)을 촬영한다. 이 때 일 실시예에서 패널(100) 표면의 결함이 더 잘 보일 수 있도록 하는 소정 파장의 광을 광 조사장치(30)로 조사하는 동안 패널(100)의 표면을 촬영하는 것이 바람직할 수 있다. 그 후 결함 검출부(11)가 패널 이미지에서 결함을 검출한다(S230). 예를 들어 패널 이미지를 딥러닝 알고리즘(200)에 입력하여 결함을 찾을 수 있다.
결함 검출부(11)에 의해 결함을 검출하면, 결함 패턴 분석부(12)는 패널의 표면 상에서 결함의 패턴을 분석할 수 있고(S240), 이렇게 분석된 패턴에 기초하여 패널 효율 산출부(13)가 태양광 패널의 효율을 산출할 수 있다(S250). 예를 들어 도4의 단계(S140, S150)에 의해 많은 수의 매칭 데이터가 저장장치(50)에 저장되어 있는 경우 매칭 데이터를 이용하여 효율을 산출할 수 있다. 구체적으로, 검사대상 태양광 패널(100)에서 검출된 결함의 패턴과 동일하거나 유사한 결함 패턴을 나타내는 태양광 패널 이미지를 저장장치(50)에서 검색하고, 이렇게 검색된 태양광 패널에 매칭된 효율을 검사대상 태양광 패널의 효율이라고 추정할 수 있다.
또 다른 방법으로서, 검사대상 태양광 패널(100)에 직접 광을 조사하고 전력을 생산하도록 하여 해당 패널의 효율을 직접적으로 산출할 수도 있다. 즉 단계(S270)로 표시한 것처럼, 광 조사장치(30)에 의해 태양빛에 가까운 백색광을 검사대상 태양광 패널(100)에 조사하고, 이 때 태양광 패널(100)이 생산하는 전력을 측정하여 효율을 산출할 수 있다(S250).
이와 같이 검사대상 태양광 패널(100)에 대한 결함 패턴을 분석하고 패널의 효율을 산출하면, 이 분석 정보에 따라 태양광 패널 개선 여부를 판단하거나 및/또는 태양광 패널의 제조 공정의 개선 여부를 판단할 수 있다. 예를 들어, 검사대상 태양광 패널(100)의 효율이 소정 기준 값보다 높으면 태양광 패널의 적어도 일부 결함을 제거하거나 수리하는 등의 작업을 하는 것이 효율적이라고 판단하여 해당 태양광 패널을 수리한 후 출하할 수 있고, 반대로 패널 효율이 소정 기준 값보다 낮으면 수리하지 않고 출하하는 것이 비용효율적이라고 판단할 수 있다. 다른 예로서, 결함이 태양광 패널(100)의 표면의 특정 위치에 발생했거나 특정 패턴을 갖는 경우 수리가 어렵거나 비효율적이라고 판단하여 수리하지 않고 출하할 수도 있다.
또 다른 예로서, 다수의 검사대상 태양광 패널(100)에 대해 결함이 특정 위치나 영역에 공통적으로 나타나거나 특정 형상의 패턴으로 나타나는 경우 패널 제조 공정상의 문제로 판단하여 공정을 개선할 수도 있다.
이와 같이 본 발명에 따르면 단순히 검사대상 태양광 패널을 촬영하여 결함을 검출하는 것에 그치지 않고, 결함의 패턴을 분석하고 결함 패턴을 태양광 패널 효율과도 매칭시킴으로써, 패널 수리나 개선 여부를 판단하거나 제조 공정의 개선 여부도 판단할 수 있으므로, 장기적으로 고품질의 태양광 패널을 생산하는데 기여할 수 있다.
이상과 같이 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 명세서의 기재로부터 다양한 수정 및 변형이 가능함을 이해할 수 있다. 그러므로 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니되며 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
10: 컴퓨터 장치
20: 카메라
30: 광 조사장치
100: 태양광 패널

Claims (5)

  1. 태양광 패널 결함 검출 시스템으로서,
    태양광 패널을 촬영하는 카메라(20);
    태양광 패널에 광을 조사하는 광 조사장치(30); 및
    상기 카메라로 촬영한 태양광 패널의 표면에서 결함을 검출하는 결함 검출부(11), 태양광 패널의 표면에서의 결함의 패턴을 분석하는 결함 패턴 분석부(12), 태양광 패널의 효율을 산출하는 패널 효율 산출부(13), 및 상기 결함 패턴 분석부(12)에 의해 분석된 결함 패턴과 상기 패널 효율 산출부(13)에 의해 산출된 패널 효율을 매칭하고 매칭 결과를 저장장치에 저장하는 패턴 및 효율 매칭부(14)를 구비한 컴퓨터 장치(10);를 포함하고,
    상기 패널 효율 산출부(13)는, 검사대상 태양광 패널에서 검출된 결함의 패턴과 유사한 결함 패턴을 상기 저장장치에서 검색하고 이렇게 검색된 결함 패턴에 대응하는 패널 효율을 상기 검사대상 태양광 패널의 효율이라고 예측할 수 있는 것을 특징으로 하는, 태양광 패널 결함 검출 시스템.
  2. 제 1 항에 있어서,
    상기 패턴 및 효율 매칭부(14)는, 태양광 패널 표면의 버스바 또는 핑거바로부터 결함(D)까지의 거리(d)에 따라 분류되는 결함 패턴과 태양광 패널의 효율을 매칭하도록 구성된 것을 특징으로 하는, 태양광 패널 결함 검출 시스템.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 결함 검출부(11)가, 다수의 컨볼루셔널 계층으로 구성된 인코더 및 다수의 디컨볼루셔널 계층으로 구성된 디코더로 이루어진 컨볼루셔널 인코더-디코더 네트워크 알고리즘을 포함하는 것을 특징으로 하는, 태양광 패널 결함 검출 시스템.
  5. 제 4 항에 있어서,
    상기 컨볼루셔널 인코더-디코더 네트워크 알고리즘은, 상기 카메라로 촬영한 태양광 패널의 이미지를 입력 데이터로 수신하고 상기 카메라 해상도의 4배 내지 16배의 고해상도로 상기 이미지에서 결함을 검출할 수 있고,
    상기 결함은 수 마이크로미터 내지 10 마이크로미터 크기의 결함을 포함하는 것을 특징으로 하는, 태양광 패널 결함 검출 시스템.
KR1020210153429A 2021-11-09 2021-11-09 태양광 패널 결함 검출 시스템 및 방법 KR102629092B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210153429A KR102629092B1 (ko) 2021-11-09 2021-11-09 태양광 패널 결함 검출 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210153429A KR102629092B1 (ko) 2021-11-09 2021-11-09 태양광 패널 결함 검출 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20230067386A KR20230067386A (ko) 2023-05-16
KR102629092B1 true KR102629092B1 (ko) 2024-01-25

Family

ID=86546534

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210153429A KR102629092B1 (ko) 2021-11-09 2021-11-09 태양광 패널 결함 검출 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102629092B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102176139B1 (ko) * 2019-05-30 2020-11-09 가천대학교 산학협력단 연속적인 딥 인코더-디코더 네트워크를 이용한 이미지 세그먼테이션 장치 및 그 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190049330A (ko) 2017-10-30 2019-05-09 단국대학교 산학협력단 Uav를 이용한 태양광 패널 결함 검출 방법 및 장치
KR101987911B1 (ko) * 2017-11-06 2019-06-12 주식회사 맥사이언스 이동형 태양광 패널 검사 장치 및 검사 방법
KR20200075141A (ko) * 2018-12-12 2020-06-26 주식회사 맥사이언스 태양전지 모듈 검사 장치 및 검사 방법
KR102421775B1 (ko) 2018-12-28 2022-07-14 조선대학교산학협력단 태양광 패널의 손상과 오염 유무를 검출하는 방법
KR102339383B1 (ko) * 2020-01-17 2021-12-15 전북대학교산학협력단 중고 태양광 패널 성능검증 방법 및 이를 이용한 중고 태양광 패널 온라인 판매 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102176139B1 (ko) * 2019-05-30 2020-11-09 가천대학교 산학협력단 연속적인 딥 인코더-디코더 네트워크를 이용한 이미지 세그먼테이션 장치 및 그 방법

Also Published As

Publication number Publication date
KR20230067386A (ko) 2023-05-16

Similar Documents

Publication Publication Date Title
US10908068B2 (en) Thermography image processing with neural networks to identify corrosion under insulation (CUI)
CN112734692B (zh) 一种变电设备缺陷识别方法及装置
US20230418250A1 (en) Operational inspection system and method for domain adaptive device
TWI539150B (zh) 用於偵測檢查圖像中之缺陷的系統、方法及電腦程式產品
TW201921542A (zh) 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
JP2022507543A (ja) 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用
CN105372581A (zh) 挠性电路板制造过程自动监测和智能分析系统及方法
JP7131617B2 (ja) 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体
WO2016064547A1 (en) Iterative defect filtering process
US20200402221A1 (en) Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device
CN110865077B (zh) 用于rfid天线生产的外观缺陷视觉检测系统
JP2020038132A (ja) コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム
Li et al. HM-YOLOv5: A fast and accurate network for defect detection of hot-pressed light guide plates
WO2021147055A1 (en) Systems and methods for video anomaly detection using multi-scale image frame prediction network
KR20240014575A (ko) 안과용 렌즈들의 이미지들의 획득 및 검사
KR20210086303A (ko) 딥러닝 기반 패턴 검사 장치 및 그 장치를 이용한 검사 방법
KR102629092B1 (ko) 태양광 패널 결함 검출 시스템 및 방법
CN116958099B (zh) 线缆磨耗检测方法、系统、装置与计算机设备
CN116363075A (zh) 一种光伏组件热斑检测方法、系统和电子设备
CN116523885A (zh) 一种基于多尺度融合及深度学习的pcb缺陷检测方法
CN116543247A (zh) 基于光度立体表面重建的数据集制作方法及验证系统
CN116030056A (zh) 一种钢表面裂缝的检测方法及系统
Kim et al. Automatic detection of malfunctioning photovoltaic modules using unmanned aerial vehicle thermal infrared images
CN117203747A (zh) 检测缺陷的系统及计算机可读介质
CN116012572A (zh) 一种隧道爆破振动监测方法及系统

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