KR20120133461A - 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법 및 장치 - Google Patents

가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법 및 장치 Download PDF

Info

Publication number
KR20120133461A
KR20120133461A KR1020110052099A KR20110052099A KR20120133461A KR 20120133461 A KR20120133461 A KR 20120133461A KR 1020110052099 A KR1020110052099 A KR 1020110052099A KR 20110052099 A KR20110052099 A KR 20110052099A KR 20120133461 A KR20120133461 A KR 20120133461A
Authority
KR
South Korea
Prior art keywords
color
gaussian mixture
feature vector
model
cell
Prior art date
Application number
KR1020110052099A
Other languages
English (en)
Inventor
고진석
임재열
유춘우
Original Assignee
한국기술교육대학교 산학협력단
주식회사 제우스
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 한국기술교육대학교 산학협력단, 주식회사 제우스 filed Critical 한국기술교육대학교 산학협력단
Priority to KR1020110052099A priority Critical patent/KR20120133461A/ko
Publication of KR20120133461A publication Critical patent/KR20120133461A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Color Image Communication Systems (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

본 발명은, 솔라셀 영상으로부터 특징벡터를 추출하는 단계와, 상기 특징벡터에 대한 가우시안 혼합밀도함수를 모델링하는 단계와, 상기 가우시안 혼합밀도함수를 구성하는 파라미터들을 색상 클래스 별로 추정하는 단계와, 상기 추정된 파라미터들을 이용하여 상기 색상 클래스들 별로 상기 특징벡터에 대한 가우시안 혼합밀도함수의 값을 개별 산출하는 단계, 및 상기 개별 산출된 값 중 최대값에 대응되는 색상 클래스를 상기 특징벡터의 색상으로 분류하는 단계를 포함하는 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법을 제공한다.
상기 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법에 따르면, 가우시안 혼합모델을 적용하여 솔라셀의 색상을 효과적으로 분류할 수 있는 이점이 있다. 즉, 솔라셀 영상으로부터 추출된 특징벡터에 대한 가우시안 혼합밀도함수의 파라미터들을 추정한 다음 색상 클래스들 별로 가우시안 혼합밀도함수의 값을 산출한 후 가장 큰 값에 대응되는 색상 클래스를 상기 솔라셀 영상의 색상으로 분류할 수 있다.

Description

가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법 및 장치{Method of solar cell classification using gaussian mixture model and apparatus thereof}
본 발명은 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법 및 장치에 관한 것으로서, 보다 상세하게는 가우시안 혼합모델을 이용하여 솔라셀의 색상을 효과적으로 분류할 수 있는 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법 및 장치에 관한 것이다.
최근 수년간 전세계적으로 태양전지의 생산량은 급속도로 증대되고 있다. 이에 따라 선진국에서는 이미 태양광 기술이 하나의 산업으로 자리 잡고 있으며, 이와 관련하여 태양전지 제조장비와 같은 관련산업이 급속도로 발전하고 있다.
그런데, 태양전지 제조 공정에서 생산된 다결정 태양전지 웨이퍼는 동일한 공정에서도 균일한 색상을 가지지 못한다. 이를 뒷받침하는 것으로서, 도 1은 동일한 공정에서 생산된 다결정 솔라셀 제품의 색상을 나타낸다. 즉, 동일한 공정임에도 불구하고 색상의 밝기 편차가 존재하는 것이 확인된다.
또한, 동일한 밝기 수준의 솔라셀도 내부의 결정 때문에 표면의 밝기가 불균일하게 보여지는 특징이 있는데, 이는 솔라셀 구성이 다결정으로 이루어졌기 때문이다. 만약, 솔라셀의 색상 구분없이 태양전지 패널을 제작하면, 패널 표면 색상의 균일성이 떨어져서 미관을 해치게 되는 문제점이 있다. 따라서, 태양전지의 색상을 분류해야 할 필요성이 있다.
본 발명은 가우시안 혼합모델을 적용하여 태양전지 솔라셀의 색상을 효과적으로 분류할 수 있는 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법 및 장치를 제공하는데 목적이 있다.
본 발명은, 솔라셀 영상으로부터 특징벡터를 추출하는 단계와, 상기 특징벡터에 대한 가우시안 혼합밀도함수를 모델링하는 단계와, 상기 가우시안 혼합밀도함수를 구성하는 파라미터들을 색상 클래스 별로 추정하는 단계와, 상기 추정된 파라미터들을 이용하여 상기 색상 클래스들 별로 상기 특징벡터에 대한 가우시안 혼합밀도함수의 값을 개별 산출하는 단계, 및 상기 개별 산출된 값 중 최대값에 대응되는 색상 클래스를 상기 특징벡터의 색상으로 분류하는 단계를 포함하는 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법을 제공한다.
여기서, 상기 특징벡터는, 상기 솔라셀 영상에 대한 컬러모델의 히스토그램 상에서 각 채널별 피크 값으로 이루어진 다차원 벡터값일 수 있다.
또한, 상기 컬러모델은, RGB, HSV, YCbCr, Lab 중 적어도 하나일 수 있다.
또한, 상기 파라미터들을 색상 클래스 별로 추정하는 단계는, 복수 개의 학습영상들로부터 추출된 특징벡터의 집합을 이용하여 상기 색상 클래스 별로 상기 파라미터들을 추정할 수 있다.
여기서, 상기 파라미터들은, 상기 가우시안 혼합밀도함수의 가중치, 평균벡터, 공분산 행렬을 포함할 수 있다.
그리고, 본 발명은, 솔라셀 영상으로부터 특징벡터를 추출하는 특징벡터 추출부와, 상기 특징벡터에 대한 가우시안 혼합밀도함수를 모델링하는 함수 모델링부와, 상기 가우시안 혼합밀도함수를 구성하는 파라미터들을 색상 클래스 별로 추정하는 파라미터 추정부와, 상기 추정된 파라미터들을 이용하여 상기 색상 클래스들 별로 상기 특징벡터에 대한 가우시안 혼합밀도함수의 값을 개별 산출하는 함수값 산출부, 및 상기 개별 산출된 값 중 최대값에 대응되는 색상 클래스를 상기 특징벡터의 색상으로 분류하는 색상 분류부를 포함하는 가우시안 혼합모델을 이용한 솔라셀 색상 분류 장치를 제공한다.
본 발명에 따른 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법 및 장치에 따르면, 가우시안 혼합모델을 적용하여 솔라셀의 색상을 효과적으로 분류할 수 있는 이점이 있다. 즉, 솔라셀 영상으로부터 추출된 특징벡터에 대한 가우시안 혼합밀도함수의 파라미터들을 추정한 다음 색상 클래스들 별로 가우시안 혼합밀도함수의 값을 산출한 후 가장 큰 값에 대응되는 색상 클래스를 상기 솔라셀 영상의 색상으로 분류할 수 있다.
도 1은 동일한 공정에서 생산된 다결정 솔라셀 제품의 색상을 나타낸다.
도 2는 본 발명의 실시예에 따른 가우시안 혼합모델을 이용한 솔라셀 색상 분류 장치의 구성도이다.
도 3은 본 발명의 실시예에 따른 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법의 흐름도이다.
도 4는 도 3의 방법을 위한 특징벡터 추출의 방법을 나타낸다.
도 5는 도 3의 방법이 각 컬러모델 별로 수행되는 흐름도이다.
도 6은 표 5의 결과에 대응되는 그래프이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 2는 본 발명의 실시예에 따른 가우시안 혼합모델을 이용한 솔라셀 색상 분류 장치의 구성도이다. 상기 솔라셀 색상 분류 장치(100)는 특징벡터 추출부(110), 함수 모델링부(120), 파라미터 추정부(130), 함수값 산출부(140), 색상 분류부(150)를 포함한다.
도 3은 본 발명의 실시예에 따른 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법의 흐름도이다.
이하에서는 도 3을 참조로 하여 본 발명의 실시예에 따른 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법에 관하여 상세히 설명한다.
먼저, 상기 특징벡터 추출부(110)는 솔라셀 영상으로부터 색상 분류에 사용할 특징벡터를 추출한다(S310).
여기서, 특징벡터는 다양한 컬러 공간 즉, 다양한 컬러모델(ex, RGB, HSV, YCbCr, Lab)에서의 히스토그램에 기반하여 추출될 수 있다. 즉, 특징벡터는 동일한 영상에 대해서도 적용되는 컬러모델의 종류에 따라 다른 값으로 나타날 수 있다.
도 4는 도 3의 방법을 위한 특징벡터 추출의 방법을 나타낸다. 이는 상술한 4가지 컬러모델 중 상기 YCbCr 컬러모델에서의 히스토그램에 기반한 특징벡터 추출의 방법을 예로 든 것이다. YCbCr 컬러모델을 구성하는 각 채널들(Y channel, Cb channel, Cr channel)은 서로 다른 색상(빨랑, 연두, 파랑)으로 구별되어 있다.
상기 추출된 특징벡터란, 상기 솔라셀 영상에 대한 해당 컬러모델의 히스토그램 상에서 각 채널별 피크 값으로 이루어진 다차원 벡터값을 의미한다. 도 4의 실시예에서는 채널의 개수 3개에 대응되어 피크 값(도 4에서 채널별 '○' 부분) 또한 3개이므로 특징벡터는 3차원 벡터값을 갖는다.
만약, 도 4에 도시된 히스토그램 전체를 특징벡터로 직접 사용할 경우, 특징벡터의 차수가 높아져서 추후 색상 분류의 학습 과정에 많은 시간이 소요될 수 있다. 따라서, 본 실시예에서는 상기 히스토그램 상의 각 채널별 피크값 3개를 특징벡터로 사용하여, 특징벡터의 차원을 3차원으로 축소하고 연산 시간을 줄이도록 한다.
물론, 각각의 컬러모델은 보통 세 가지의 요소를 사용하여 색을 표현하기 때문에 채널의 개수도 3개이다. 즉, 상기 YCbCr 컬러모델 이외에 RGB, HSV, Lab 컬러모델의 경우에도 특징벡터가 모두 3차원 벡터값으로 추출될 수 있다. 참고로, 피크 값을 구할 때에는, 원 히스토그램(도 4의 점선 그래프 참조) 상에 스무딩 필터(smoothing filter)를 적용하여(도 4의 실선 그래프 참조) 보다 정확한 피크 점을 구하도록 한다.
이하에서는, 설명의 편의를 위하여 상기 컬러모델들 중 YCbCr 컬러모델을 이용한 솔라셀 영상의 색상 분류 방법을 예로 하여 설명한다. 물론, 본 발명이 반드시 이에 한정되는 것은 아니다.
상기 S310 단계 이후, 함수 모델링부(120)에서는 상기 YCbCr 컬러모델을 사용하여 추출된 특징벡터에 대한 가우시안 혼합밀도함수를 모델링한다(S320).
도 4의 히스토그램을 보면 복수 개의 가우시안 분포들이 관찰된다. 이러한 S320 단계는 복수 개의 가우시안 분포들의 합을 이용하여 새로운 확률 분포를 산출하는 가우시안 혼합 모델(Gaussian Mixture Model;GMM)을 사용한 것이다. 이러한 가우시안 혼합 모델은 아무리 복잡한 형태의 함수라도 충분한 개수의 가우시안 함수를 사용하여 원하는 확률 모델로 근사화할 수 있다.
상기 S320단계에서 다차원의 특징벡터 x에 대한 가우시안 혼합밀도 함수는 수학식 1로 정의된다.
Figure pat00001
여기서, M은 혼합성분의 개수이고, i는 1,...,M이다. pi는 i번째 혼합성분의 가중치이며,
Figure pat00002
를 만족해야 한다.
각 성분의 혼합밀도 bi(x)는 정규확률분포를 사용하며 수학식 2로 나타낼 수 있다.
Figure pat00003
여기서,
Figure pat00004
는 i번째 성분의 평균벡터이고,
Figure pat00005
는 공분산 행렬이다.
상기 S320단계 이후, 상기 파라미터 추정부(130)에서는 상기 S320단계에서 모델링된 가우시안 혼합밀도함수를 구성하는 파라미터들을 색상 클래스 별로 추정한다(S330).
여기서, 상기 색상 클래스란, 분류하고자 하는 색상의 속성을 등급화한 것이다. 예를 들어, 분류코자 하는 색상 속성이 밝기 정도인 경우, 상기 색상 클래스는 낮은 밝기값 클래스, 중간 밝기값 클래스, 높은 밝기값 클래스를 포함하는 총 3의 클래스 등급으로 구분될 수 있다. 상기 색상의 속성은 밝기, 채도 등 공지된 다양한 요소에 해당될 수 있음은 자명하다.
상기 파라미터들은 상기 가우시안 혼합밀도함수의 가중치, 평균벡터, 공분산 행렬 성분을 포함한다. 상기 수학식 1의 가우시안 확률밀도함수를 구성하는 파라미터 집합 λ는 아래의 수학식 3과 같이 표현된다.
Figure pat00006
수학식 3의 각 성분은 앞서 설명한 바 있다.
GMM의 우도를 최대화하기 위한 파라미터 집합 λ를 추정하기 위해서는 최대 우도 추정이 사용된다. 최대 우도를 위한 파라미터는 EM 알고리즘을 반복적으로 계산하여 구할 수 있다.
또한, 상기 파라미터 집합 λ를 색상 클래스 별로 추정하기 위해서는 복수 개의 학습영상들이 사용된다. 즉, 복수 개의 학습영상들의 YCbCr 컬러모델로부터 추출된 특징벡터의 집합을 이용하여 상기 색상 클래스 별로 상기 파라미터들을 추정하는 것이다. 다시 말해서, 상기 색상분류 대상인 솔라셀 영상의 특징벡터로부터 모델링된 가우시안 확률밀도함수의 각 파라미터는 상기 학습영상들로부터 구하여진다. 이때, 상기 S330단계의 파라미터 추정을 위해 학습영상들에 사용된 컬러모델은 상기 색상분류 대상인 솔라셀 영상에 사용된 컬러모델과 서로 일치해야 함은 자명하다.
상기 파라미터들의 산출 과정은 다음의 수학식 4 내지 6을 참조한다. 이들 수학식은 GMM을 이용한 솔라셀 웨이퍼 컬러모델의 유사도를 단조 증가시킨다.
Figure pat00007
이러한 수학식 4는 상기 가중치 pi의 추정값을 나타낸다. 여기서, T는 사용된 학습영상들의 개수이고, xt는 t번째 학습영상으로부터 추출된 다차원 특징벡터를 의미한다. 이때 물론 솔라셀 영상의 다차원 특징벡터과 학습영상의 다차원 특징벡터의 차수는 동일하다. 즉, 본 실시예에서 학습영상의 특징벡터는 상기 색상 분류 대상의 솔라셀 영상의 특징벡터와 같이 3차원 값을 갖는다.
Figure pat00008
이러한 수학식 5는 상기 평균 벡터
Figure pat00009
의 추정값을 나타낸다.
Figure pat00010
이러한 수학식 6은 상기 공분산 행렬에 대응되는 분산 벡터의 추정값을 나타낸다.
만약, 색상 클래스의 개수 C가 3인 경우, 상기 컬러모델의 파라미터 집합 λ는 색상 클래스 개수에 대응되도록 3개가 구하여 진다. 즉, 상기 YCbCr 컬러모델에 대하여, 색상 클래스 별로 각각 λ1={},λ2={},λ3={}가 구해진다.
이상과 같은 수학식 4~6을 통해 계산된 각각의 파라미터 집합을 대입하여 상기 수학식 2의 값이 구하여질 수 있고, 결과적으로 수학식 1의 가우시안 확률밀도함수의 값이 산출될 수 있다.
즉, 상기 S330 단계 이후, 상기 함수값 산출부(140)에서는 상기 추정된 파라미터들 즉, 파라미터 집합을 이용하여 상기 색상 클래스들 별로 상기 특징벡터에 대한 가우시안 혼합밀도함수의 값을 개별 산출한다(S340).
여기서, 상기 혼합밀도함수의 개수는 분류하고자 하는 클래스의 개수에 대응된다. 즉, 1개의 컬러모델에 대해 C개의 클래스로 분류하기 위해서는 C개의 혼합밀도함수가 모델링된다. 따라서, 즉, 상기 색상 클래스의 개수 C가 3인 경우, 총 3개의 가우시안 혼합밀도함수의 값(수학식 1에 각각 λ1, λ2, λ3를 대입시 값)이 산출된다.
여기서, 상기 색상 분류부(150)에서는 상기 개별 산출된 값들 중 최대값에 대응되는 색상 클래스를 상기 특징벡터의 색상으로 분류한다(S350).
상기 최대값에 대응되는 해당 색상 클래스를 선택하는 방법은 수학식 7을 참조한다.
Figure pat00011
이러한 수학식 7은 수학식 1의 확률밀도함수에 해당 λC를 대입하였을 경우 최대 확률값을 나타내는 색상 클래스
Figure pat00012
을 해당 색상 분류로 선택하는 것을 의미한다. 예를 들어, 상기 YCbCr 컬러모델에서 각 클래스별 산출된 3개의 값 중 가장 큰 값에 해당되는 1개 클래스가 상기 솔라셀 영상의 해당 색상 분류로 선택되는 것이다.
도 5는 도 3의 방법이 각 컬러모델 별로 수행되는 흐름도이다. 즉, 도 5는 앞서 상술한 본 발명의 실시예에 따른 솔라셀 영상의 색상 분류 방법을 여러 컬러모델 별로 수행한 것을 나타낸다.
도 5와 같이 각각의 컬러모델 별로 상기 색상 분류를 수행하고 그 결과를 서로 비교하고 분석한다면, 상기 컬러모델들 중 최적의 색상 분류 성능을 나타내는 1개의 컬러모델을 선정할 수 있다. 이후 상기 1개의 컬러모델을 이용하여 솔라셀 영상의 색상을 분류하도록 한다. 즉, 각 컬러모델로 색상 분류를 수행한 결과를 검증하고 서로 비교한 다음 최적의 색상 분류 성능을 보이는 컬러모델을 선정함으로써 추후 솔라셀 영상의 색상 분류의 정확도 및 신뢰도를 높일 수 있다.
이하에서는 본 실시예에 따른 솔라셀 색상 분류 방법의 테스트 결과를 설명한다.
색상 분류 실험에는 총 936개의 솔라셀 영상 이미지가 사용되었고, 색상 분류에 사용되는 색상 클래스는 상술한 바와 같이 3가지로 설정하였다. 분류 클래스가 증가할수록 장치의 분류 시스템이 복잡해지고, 전체 연산 시간도 증가하게 된다.
클래스 분류 기준을 얻기 위해서는 솔라셀 제조업체의 생산 오퍼레이터의 분류 기준이 필요하지만, 현실적으로 제조업체의 분류 기준을 얻을 수 없기 때문에 벡터 양자화 과정을 통하여 3개의 클래스로 분류하였다. 사용된 알고리즘은 k-means 알고리즘이며, HSV, YCbCr, Lab, RGB 컬러모델에서 추출한 특징벡터를 이용하여 벡터 양자화를 수행하였다.
벡터양자화를 수행한 결과를 육안으로 확인한 결과, YCbCr 컬러모델과 Lab 컬러모델에서 벡터양자화를 수행한 결과의 경우, 다른 컬러모델에 비해서 상대적으로 클래스 분류가 잘 된 것을 확인할 수 있었다.
그리고, Lab 컬러모델과 YCbCr 컬러모델에서 추출한 특징벡터를 이용한 결과를 실험데이터로 활용하였다. 각각의 색상 클래스별 실험을 위해 총 936개의 솔라셀 영상 데이터 중에서 학습을 위한 영상은 30%, 실제 색상 분류 테스트를 위한 영상은 70%를 사용하였다.
아래의 표 1과 표 2는 실험에서 사용한 영상 데이터의 수량을 보여준다.
클래스들 솔라셀 영상 개수 학습 영상의 개수 시험 영상의 개수
클래스 1 506 138 324
클래스 2 228 59 140
클래스 3 202 82 193
총계 936 279 657
표 1은 Lab 컬러모델의 경우 실험 데이터 세트를 나타낸다.
클래스들 솔라셀 영상 개수 학습 영상의 개수 시험 영상의 개수
클래스 1 506 138 324
클래스 2 228 63 147
클래스 3 202 71 167
총계 936 280 656
표 2는 YCbCr 컬러모델의 경우 실험 데이터 세트를 나타낸다.
이하에서는 컬러모델에 따른 색상 분류 실험 결과를 설명한다. 표 1의 Lab 컬러모델을 이용한 벡터양자화 결과를 실험데이터 1, 표 2의 YCbCr 컬러모델을 이용한 벡터양자화 결과를 실험데이터 2로 표현할 때, 실험데이터 1을 이용하여 각각의 특징벡터에 따른 색상 분류율을 비교한 결과는 표 3과 같고, 실험데이터 2를 이용하여 각각의 특징벡터에 따른 색상 분류율을 비교한 결과는 표 4과 같다.
특징벡터의 타입 분류율 (%) 에러율 (%)
RGB color feature 93.9117 6.0883
HSV color feature 55.5556 44.4444
YCbCr color feature 92.3896 7.6104
Lab color feature 95.1294 4.8706
특징벡터의 타입 분류율 (%) 에러율 (%)
RGB color feature 92.3780 7.6220
HSV color feature 54.7256 45.2744
YCbCr color feature 96.7988 3.2012
Lab color feature 88.8720 11.1280
표 3 및 표 4의 실험결과를 보면, Lab 컬러모델을 이용하여 벡터양자화를 수행한 경우, Lab 컬러의 특징벡터를 이용할 때에 성능이 가장 우수하다. 마찬가지로 YCbCr 컬러모델을 이용하여 벡터양자화를 수행한 경우, YCbCr 컬러 특징벡터를 이용할 때에 성능이 가장 우수하다. 두 실험 모두 HSV 컬러모델의 특징벡터에서는 성능이 낮게 나왔다.
그리고, 상기 가우시안 혼합모델을 사용할 경우 혼합성분의 개수는 색상 분류 성능에 중요한 영향을 미친다. 본 실험에서는 혼합성분 개수에 따른 분류율을 비교하였고 그 결과는 표 5와 같다.
혼합성분의 개수 1 2 4 6 8 10
분류율
(%)		 Lab color model 89.3455 92.0852 95.1294 95.4338 94.9772 94.0639
YCbCr color model 91.9207 96.0366 96.7988 97.4085 96.0366 94.0549
도 6은 표 5의 결과에 대응되는 그래프이다. 실험결과 혼합성분의 개수가 4~6개일 경우에 성능이 가장 뛰어나고, 혼합성분의 개수가 6개를 초과하는 경우 오히려 성능이 감소하는 것을 확인할 수 있다. 이렇게 혼합성분의 개수가 4~6개인 경우 색상 분류의 실시간 처리에도 적합하다.
전체적인 성능을 비교해 보면, YCbCr 컬러모델의 특징벡터를 사용한 경우 Lab 컬러모델의 특징벡터를 사용하는 경우에 비해서 색상 분류의 성능이 우수하며, 최대 약 2.3% 정도 우수한 성능을 나타낸 것이 확인된다.
상기의 실험을 통해 솔라셀 영상에 대한 컬러 히스토그램 상의 채널별 피크값을 특징벡터로 사용하여 다양한 컬러 모델에서 솔라셀 색상분류의 성능을 비교할 수 있었고, YCbCr 컬러모델에서 가장 뛰어난 색상 분류의 성능을 확인할 수 있다. 이상과 같은 본 발명의 실시예에 따르면 가우시안 혼합모델을 이용하여 솔라셀 웨이퍼의 색상을 효과적으로 분류할 수 있음을 알 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 솔라셀 색상 분류 장치 110: 특징벡터 추출부
120: 함수 모델링부 130: 파라미터 추정부
140: 함수값 산출부 150: 색상 분류부

Claims (10)

  1. 솔라셀 영상으로부터 특징벡터를 추출하는 단계;
    상기 특징벡터에 대한 가우시안 혼합밀도함수를 모델링하는 단계;
    상기 가우시안 혼합밀도함수를 구성하는 파라미터들을 색상 클래스 별로 추정하는 단계;
    상기 추정된 파라미터들을 이용하여 상기 색상 클래스들 별로 상기 특징벡터에 대한 가우시안 혼합밀도함수의 값을 개별 산출하는 단계; 및
    상기 개별 산출된 값 중 최대값에 대응되는 색상 클래스를 상기 특징벡터의 색상으로 분류하는 단계를 포함하는 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법.
  2. 청구항 1에 있어서,
    상기 특징벡터는,
    상기 솔라셀 영상에 대한 컬러모델의 히스토그램 상에서 각 채널별 피크 값으로 이루어진 다차원 벡터값인 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법.
  3. 청구항 2에 있어서,
    상기 컬러모델은,
    RGB, HSV, YCbCr, Lab 중 적어도 하나인 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법.
  4. 청구항 1에 있어서
    상기 파라미터들을 색상 클래스 별로 추정하는 단계는,
    복수 개의 학습영상들로부터 추출된 특징벡터의 집합을 이용하여 상기 색상 클래스 별로 상기 파라미터들을 추정하는 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법.
  5. 청구항 1 또는 청구항 4에 있어서,
    상기 파라미터들은,
    상기 가우시안 혼합밀도함수의 가중치, 평균벡터, 공분산 행렬을 포함하는 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법.
  6. 솔라셀 영상으로부터 특징벡터를 추출하는 특징벡터 추출부;
    상기 특징벡터에 대한 가우시안 혼합밀도함수를 모델링하는 함수 모델링부;
    상기 가우시안 혼합밀도함수를 구성하는 파라미터들을 색상 클래스 별로 추정하는 파라미터 추정부;
    상기 추정된 파라미터들을 이용하여 상기 색상 클래스들 별로 상기 특징벡터에 대한 가우시안 혼합밀도함수의 값을 개별 산출하는 함수값 산출부; 및
    상기 개별 산출된 값 중 최대값에 대응되는 색상 클래스를 상기 특징벡터의 색상으로 분류하는 색상 분류부를 포함하는 가우시안 혼합모델을 이용한 솔라셀 색상 분류 장치.
  7. 청구항 6에 있어서,
    상기 특징벡터는,
    상기 솔라셀 영상에 대한 컬러모델의 히스토그램 상에서 각 채널별 피크 값으로 이루어진 다차원 벡터값인 가우시안 혼합모델을 이용한 솔라셀 색상 분류 장치.
  8. 청구항 7에 있어서,
    상기 컬러모델은,
    RGB, HSV, YCbCr, Lab 중 적어도 하나인 가우시안 혼합모델을 이용한 솔라셀 색상 분류 장치.
  9. 청구항 6에 있어서
    상기 파라미터 추정부는,
    복수 개의 학습영상들로부터 추출된 특징벡터의 집합을 이용하여 상기 색상 클래스 별로 상기 파라미터들을 추정하는 가우시안 혼합모델을 이용한 솔라셀 색상 분류 장치.
  10. 청구항 6 또는 청구항 9에 있어서,
    상기 파라미터들은,
    상기 가우시안 혼합밀도함수의 가중치, 평균벡터, 공분산 행렬을 포함하는 가우시안 혼합모델을 이용한 솔라셀 색상 분류 장치.
KR1020110052099A 2011-05-31 2011-05-31 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법 및 장치 KR20120133461A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110052099A KR20120133461A (ko) 2011-05-31 2011-05-31 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110052099A KR20120133461A (ko) 2011-05-31 2011-05-31 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20120133461A true KR20120133461A (ko) 2012-12-11

Family

ID=47516815

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110052099A KR20120133461A (ko) 2011-05-31 2011-05-31 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20120133461A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463222A (zh) * 2014-12-20 2015-03-25 西安电子科技大学 基于特征向量分布特性的极化sar图像分类方法
CN107185854A (zh) * 2017-05-17 2017-09-22 河北工业大学 基于rgb通道的光伏电池片色差检测及颜色分类的算法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463222A (zh) * 2014-12-20 2015-03-25 西安电子科技大学 基于特征向量分布特性的极化sar图像分类方法
CN104463222B (zh) * 2014-12-20 2021-01-19 西安电子科技大学 基于特征向量分布特性的极化sar图像分类方法
CN107185854A (zh) * 2017-05-17 2017-09-22 河北工业大学 基于rgb通道的光伏电池片色差检测及颜色分类的算法
CN107185854B (zh) * 2017-05-17 2019-05-14 河北工业大学 基于rgb通道的光伏电池片色差检测及颜色分类的算法

Similar Documents

Publication Publication Date Title
US9483835B2 (en) Depth value restoration method and system
Li et al. Investigation on cost assignment in spatial image steganography
EP2833324B1 (en) Image quality analysis for searches
US9152878B2 (en) Image processing apparatus, image processing method, and storage medium
CN105678813A (zh) 一种肤色检测方法及装置
CN102184404B (zh) 掌纹图像中手掌区域的获取方法及装置
CN111310768B (zh) 基于鲁棒性背景先验和全局信息的显著性目标检测方法
Fu et al. Blind image quality assessment for multiply distorted images via convolutional neural networks
US9330340B1 (en) Noise estimation for images using polynomial relationship for pixel values of image features
JP5914046B2 (ja) 画像処理装置および画像処理方法
CN106415596B (zh) 基于分割的图像变换
KR20120133461A (ko) 가우시안 혼합모델을 이용한 솔라셀 색상 분류 방법 및 장치
Noguera et al. A color morphological ordering method based on additive and subtractive spaces
Bianco et al. Combining strategies for white balance
Abramova et al. Iterative method for blind evaluation of mixed noise characteristics on images
Lee et al. Towards anovel perceptual color difference metric using circular processing of hue components
Sidqi et al. Image classification using K–mean algorithm
Gong et al. Simple primary colour editing for consumer product images
Kumar et al. Texture feature extraction to colorize gray images
Liu et al. Palette-based recoloring of natural images under different illumination
Alvarado‐Cervantes et al. An adaptive color similarity function suitable for image segmentation and its numerical evaluation
Ghafarianzadeh et al. Efficient, dense, object-based segmentation from RGBD video
Ciobanu et al. Color feature vectors based on optimal LAB histogram bins
Kawamura et al. Gray-world-assumption-based illuminant color estimation using color gamuts with high and low chroma
Lin et al. Visual-saliency-enhanced image quality assessment indices

Legal Events

Date Code Title Description
A201 Request for examination
N231 Notification of change of applicant
E902 Notification of reason for refusal
E601 Decision to refuse application