KR20200075141A - 태양전지 모듈 검사 장치 및 검사 방법 - Google Patents
태양전지 모듈 검사 장치 및 검사 방법 Download PDFInfo
- Publication number
- KR20200075141A KR20200075141A KR1020180160338A KR20180160338A KR20200075141A KR 20200075141 A KR20200075141 A KR 20200075141A KR 1020180160338 A KR1020180160338 A KR 1020180160338A KR 20180160338 A KR20180160338 A KR 20180160338A KR 20200075141 A KR20200075141 A KR 20200075141A
- Authority
- KR
- South Korea
- Prior art keywords
- solar cell
- cell module
- image
- defect
- neural network
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 title description 2
- 230000007547 defect Effects 0.000 claims abstract description 77
- 238000007689 inspection Methods 0.000 claims abstract description 71
- 238000013145 classification model Methods 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 24
- 230000003416 augmentation Effects 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 238000013526 transfer learning Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005281 excited state Effects 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005424 photoluminescence Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 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
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Photovoltaic Devices (AREA)
Abstract
컨벌루션 신경망 기반의 영상 분류 모델을 이용하여, 태양전지 모듈의 영상으로부터 태양전지 모듈의 결함의 종류와 영역을 검출하고, 검출된 결함의 종류와 영역에 기초하여, 태양전지 모듈의 영상에 결함을 가시화하여 디스플레이하는 태양전지 모듈 검사 장치 및 검사 방법을 개시한다.
Description
태양전지 모듈 검사 장치 및 검사 방법에 관한 것이다.
태양전지 모듈은 빛 에너지를 전기 에너지로 변환하는 장치로, 전기를 일으키는 최소단위인 셀에 해당하는 태양전지의 집합으로 구성된다. 태양전지 모듈의 품질을 테스트하기 위해, I-V 검사, PL(Photoluminescence) 검사, EL(Electroluminescence) 검사 등이 수행될 수 있다. I-V 검사의 경우, 태양광을 모사하는 솔라 시뮬레이터를 이용하여, I-V 특성을 파악하여 태양전지 모듈의 품질을 측정할 수 있다. PL 검사의 경우, 전자를 바닥상태에서 여기상태로 전이시킬 수 있도록 일정 이하의 파장을 가지는 단파장 광을 조사하여 태양전지 모듈의 품질을 측정할 수 있다. EL 검사의 경우 태양전지 모듈에 전계를 형성하여 태양전지 모듈의 전계 발광 이미지 검사를 통해 태양전지 모듈의 품질을 측정할 수 있다.
태양전지 모듈의 영상으로부터 태양전지 모듈의 결함을 검출하고, 태양전지 모듈의 영상에 검출된 결함을 가시화하여 디스플레이하는 태양전지 모듈 검사 장치 및 검사 방법을 제공하는 것이다.
제 1 측면에 따른 태양전지 모듈의 검사 장치는, 태양전지 모듈에 전압을 인가하는 전원부; 적어도 하나의 카메라를 이용하여 상기 태양전지 모듈의 영상을 획득하는 촬영 장치; 컨벌루션 신경망 기반의 영상 분류 모델을 이용하여, 상기 획득된 영상으로부터 상기 태양전지 모듈의 결함의 종류와 영역을 검출하고, 상기 검출된 결함의 종류와 영역에 기초하여, 상기 획득된 영상에 상기 결함을 가시화하는 영상 처리 장치; 및 상기 결함을 가시화한 영상을 디스플레이하는 디스플레이 장치;를 포함한다.
제 2 측면에 따른 태양전지 모듈의 검사 방법은, 태양전지 모듈 검사 장치 내에 위치한 태양전지 모듈에 전압을 인가하는 단계; 적어도 하나의 카메라를 이용하여 상기 태양전지 모듈의 영상을 획득하는 단계; 컨벌루션 신경망 기반의 영상 분류 모델을 이용하여, 상기 획득된 영상으로부터 상기 태양전지 모듈의 결함의 종류와 영역을 검출하는 단계; 및 상기 검출된 결함의 종류와 영역에 기초하여, 상기 획득된 영상에 상기 결함을 가시화하여 디스플레이하는 단계;를 포함한다.
태양전지 모듈의 결함 검출에 정확도를 높일 수 있다.
도 1은 일 실시예에 따른 태양전지 모듈 검사 장치의 구성을 나타낸 블록도이다.
도 2는 일 실시예에 따른 태양전지 모듈 검사 과정을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 태양전지 모듈 검사 과정에 이용되는 컨벌루션 신경망 기반의 영상 분류 모델을 설명하기 위한 도면이다.
도 4a, 도 4b, 및 도 4c는 태양전지 모듈의 영상들이다.
도 5는 태양전지 모듈의 영상에서 결함을 가시화하여 디스플레이한 일 예를 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 태양전지 모듈 검사 방법을 설명하기 위한 흐름도이다.
도 2는 일 실시예에 따른 태양전지 모듈 검사 과정을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 태양전지 모듈 검사 과정에 이용되는 컨벌루션 신경망 기반의 영상 분류 모델을 설명하기 위한 도면이다.
도 4a, 도 4b, 및 도 4c는 태양전지 모듈의 영상들이다.
도 5는 태양전지 모듈의 영상에서 결함을 가시화하여 디스플레이한 일 예를 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 태양전지 모듈 검사 방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
"제 1", "제 2" 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 개시의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될수 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.
이하에서는 도면을 참조하여 실시 예들을 상세히 설명한다.
도 1은 일 실시예에 따른 태양전지 모듈 검사 장치(100)의 구성을 나타낸 블록도이다.
도 1을 참조하면, 일 실시예에 따른 태양전지 모듈 검사 장치(100)는 챔버(110), 운송 장치(120), 전원부(130), 촬영 장치(140), 영상 처리 장치(150), 디스플레이 장치(160), 오퍼레이터(170)을 포함할 수 있다. 본 실시예와 관련된 기술분야에서 통상의 지식을 가진 자라면 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 알 수 있다.
챔버(110)는 외부광의 유입을 최소화하기 위해 암실을 형성할 수 있다. 외부의 자연광 또는 조명 등은 태양전지 모듈의 영상을 이용하여 태양전지 모듈의 결함을 검출함에 있어, 노이즈로 작용하여 영상 분석에 영향을 미칠 수 있기 때문이다.
운송 장치(120)는 태양전지 모듈 검사 장치(100) 외부에서 태양전지 모듈 검사 장치(100) 내부로 태양전지 모듈을 운송할 수 있다. 운송 장치(120)는 태양전지 모듈 검사 장치(100)의 챔버(100) 내로 태양전지 모듈을 운송할 수 있다. 운송 장치(120)는 PLC 제어를 통해, 태양전지 모듈의 결함 검출 여부에 따라 제품화 또는 파기되도록 태양전지 모듈을 운송할 수 있다. 운송 장치(120)는 컨베이어 벨트와 같은 형태일 수 있다.
전원부(130)는 태양전지 모듈에 전압을 인가할 수 있다. 전원부(130)는 태양전지 모듈 검사 장치(100)의 챔버(100) 내에 위치한 태양전지 모듈에 전압을 인가할 수 있다. 태양전지 모듈에 전압이 인가됨에 따라 태양전지 모듈에 전계가 형성되고, 태양전지 모듈은 적외선 발광 현상을 보일 수 있다.
촬영 장치(140)는 적어도 하나의 카메라를 이용하여 태양전지 모듈의 영상을 획득할 수 있다. 예를 들어, 촬영 장치(140)는 복수의 적외선 카메라를 이용하여 복수의 부분 영상들을 획득할 수 있다.
영상 처리 장치(150)는 컨벌루션 신경망 기반의 영상 분류 모델을 이용하여, 획득된 태양전지 모듈의 영상으로부터 태양전지 모듈의 결함의 종류와 영역을 검출할 수 있다. 촬영 장치(140)에서 복수의 부분 영상들을 획득한 경우, 영상 처리 장치(150)는 획득된 복수의 부분 영상들을 매칭시켜, 태양전지 모듈의 영상에 대응되는 단일 영상으로 합성할 수 있다.
영상 처리 장치(150)는 검출된 결함의 종류와 영역에 기초하여, 획득된 태양전지 모듈의 영상에 결함을 가시화할 수 있다. 영상 처리 장치(150)는 가시화 알고리즘 이용하여, 검출된 결함의 종류와 영역이 획득된 태양전지 모듈의 영상에서 구별되도록 처리할 수 있다. 예를 들어, 획득된 태양전지 모듈의 영상에서 결함 종류나 결함 영역이 나타나도록, 결함 종류마다 다른 모양의 표시 마커로 표시하거나 결함 부분의 컬러를 정상 부분의 컬러와 다르게 할 수 있다.
디스플레이 장치(160)는 결함을 가시화한 영상을 디스플레이할 수 있다. 태양전지 모듈 검사 장치(100)의 사용자는 디스플레이 장치(160)에 디스플레이된 영상에서 결함의 존부를 확인하여, 검사된 태양전지 패널을 제품화할 것인지 결정할 수 있다.
오퍼레이터(170)는 사용자 인터페이스를 통해 수신한 사용자 입력에 대응되는 동작을 수행하도록 태양전지 모듈 검사 장치(100)에 포함된 다른 구성들을 제어할 수 있다. 오퍼레이터(170)는 메모리(미도시)에 저장된 명령어들을 실행하여, 태양전지 모듈 검사 장치(100)가 태양전지 모듈의 결함을 검사하도록 제어할 수 있다. 오퍼레이터(170)는 사용자로부터 사용자 입력 등을 수신하고, 태양전지 모듈 검사 장치(100)에서 검사 과정, 사용자 입력에 대응되는 처리 결과, 태양전지 모듈 검사 장치(100)의 상태 등의 정보를 디스플레이할 수 있다. 오퍼레이터(170)는 사용자 입력을 수신하는 터치 패널과 같은 조작 패널(operation panel) 및 화면을 표시하는 디스플레이 패널(display panel) 등을 포함할 수 있고, 조작 패널과 디스플레이 패널이 결합된 형태인 터치 스크린이 될 수 있으나, 이에 한정되지 않는다.
도 2는 일 실시예에 따른 태양전지 모듈 검사 과정을 설명하기 위한 흐름도이다.
도 2를 참조하면, 태양전지 모듈 검사 과정에 이용되는 컨벌루션 신경망 기반의 영상 분류 모델에 태양전지 모듈의 영상이 입력됨에 따라, 태양전지 모듈의 영상에 대한 영상 분류 결과가 도출되고, 결함 가시화가 진행되는 과정을 나타내고 있다.
태양전지 모듈의 검사를 위해서, 미리 학습된(pre-trained) 컨벌루션 신경망 기반의 영상 분류 모델이 준비될 수 있다. 미리 학습된 컨벌루션 신경망 기반의 영상 분류 모델은 결함이 검출된 태양전지 모듈의 영상들에 기초하여 학습된 것일 수 있다. 학습에 이용되는 결함이 검출된 태양전지 모듈의 영상들은 다른 검사 장치에서 확보한 영상이거나 이전의 검사에서 확보한 영상 또는 네트워크를 통해 다른 외부의 공간에 저장되어 있는 영상일 수 있다. 결함이 검출된 태양전지 모듈의 영상들을 확보하기 위하여, 결함이 검출된 태양전지 모듈의 영상에 대해 소정의 영상 처리를 하여 오그먼테이션(augmentation) 영상들을 획득할 수 있다. 예를 들어, 오그먼테이션 영상들은 결함이 검출된 태양전지 모듈의 영상에 대해 영상 개선, 상하반전, 좌우반전, 엣지 성분 윤곽선 강조, 및 노이즈 제거 중 적어도 하나의 영상 처리에 따른 것일 수 있다. 예를 들어, 결함이 검출된 태양전지 모듈의 영상에 대해, 레티넥스(Retinex) 알고리즘 적용하여 영상 내부의 그림자 제거와 조명 불균일도를 줄여주는 영상 개선의 영상 처리가 수행되거나, 상하반전(flop) 또는 좌우반전(flip)의 영상 처리가 수행될 수 있다. 다른 예를 들어, 결함이 검출된 태양전지 모듈의 영상에 대해, 언샤프 마스킹(Unsharp masking)에 의해 엣지 성분 윤곽선이 강조되거나 메디안 필터링(median filtering)에 의해 노이즈가 제거되는 영상 처리가 수행될 수 있다.
오그먼테이션 영상들에 기초하여 학습된 컨벌루션 신경망 기반의 영상 분류 모델은 태양전지 모듈의 검사를 위해 획득된 영상을 통해 전이학습(transfer learing)될 수 있다. 예를 들어, 오그먼테이션 영상들에 기초하여 미리 학습된 컨벌루션 신경망 기반의 영상 분류 모델에서, 마지막 레이어만 태양전지 모듈 검사 장치(100)에서 획득된 영상으로 다시 학습시킬 수 있다.
태양전지 모듈의 검사 장치(100)는 오그멘테이션 영상들을 비롯한 다수의 태양전지 모듈의 영상들을 기초로, 컨벌루션 신경망 기반의 영상 분류 모델이 태양전지 모듈의 결함 검출에 최적화되도록 학습시킬 수 있다. 또한, 태양전지 모듈의 검사 장치(100)는 태양전지 모듈의 검사 과정에서 획득한 태양전지 모듈의 영상으로 컨벌루션 신경망 기반의 영상 분류 모델을 전이학습시켜, 태양전지 모듈의 검사 장치(100)에 연속적으로 운송되는 태양전지 모듈의 결함 검출 성능을 더욱 높일 수 있다. 태양전지 모듈의 검사 장치(100)는 실시간으로 획득한 태양전지 모듈의 영상을 이용하여, 태양전지 모듈의 결함 검출에 최적화될 수 있다.
영상 분류 결과를 도출하는 과정을 보면, 학습된 컨벌루션 신경망 기반의 영상 분류 모델에 태양전지 모듈 검사 장치(100)에서 획득한 태양전지 모듈의 영상이 입력됨에 따라, 태양전지 모듈의 결함의 존부 및 종류에 따른 영상 분류 결과가 도출될 수 있다.
결함을 가시화하는 과정을 보면, 가시화 알고리즘 이용하여 검출된 결함의 종류와 영역에 기초하여, 태양전지 모듈 검사 장치(100)에서 획득된 태양전지 모듈의 영상에 결함을 가시화하고, 검출된 결함의 종류와 영역이 태양전지 모듈의 영상에서 구별되도록 처리할 수 있다.
도 3은 일 실시예에 따른 태양전지 모듈 검사 과정에 이용되는 컨벌루션 신경망 기반의 영상 분류 모델을 설명하기 위한 도면이다.
도 3을 참조하면, 컨벌루션 신경망 기반의 영상 분류 모델은 각 레이어가 모든 이전의 레이어의 피쳐맵들(feature maps)이 컨케트네이션(concatenation)에 의해 병합된 연산 구조를 가지는 적어도 하나의 연산 블록과 컨벌루션과 풀링을 통해 피쳐맵의 크기를 줄이는 적어도 하나의 전이 층을 포함할 수 있다.
컨벌루션 신경망 기반의 영상 분류 모델은 각 레이어가 조밀하게 연결된 연산 블록과 연산 블록들 사이에 위치하는 전이 층이 교번하여 배치되는 형태의 모델일 수 있다. 연산 블록과 전이 층은 N번(N은 자연수) 반복될 수 있다. 연산 블록은 피쳐맵을 추출하고, 전이 층은 풀링을 통해 피쳐맵을 줄일 수 있다. 전이 층은 평균 풀링(Average Pooling)을 사용하여, FC 레이어를 단순화할 수 있다. 이에 따라, 컨벌루션 신경망 기반의 영상 분류 모델은 결함 검출 속도가 빨라지고, 오버핏(overfit)을 줄여주어 일반화 성능이 향상될 수 있으므로, 대량의 태양전지 모듈의 검사에 적합할 수 있다.
예를 들어, 컨벌루션 신경망 기반의 영상 분류 모델은 덴스넷(DenseNet)을 활용한 모델일 수 있다.
도 4a, 도 4b, 및 도 4c는 태양전지 모듈의 영상들이다.
도 4a, 도 4b, 및 도 4c는 각각 다른 상태의 태양전지 모듈의 영상에 해당한다. 도 4a는 결함이 없는 태양전지 모듈의 영상이고, 도 4b는 'C1' 타입의 결함이 검출된 태양전지 모듈의 영상이며, 도 4c는 'CX' 타입의 결함이 검출된 태양전지 모듈의 영상이다.
도 4a의 태양전지 모듈의 영상에는 크랙과 같은 결함이 없다. 반면, 도 4b의 태양전지 모듈의 영상 좌상단 부분에는 대각선으로 일자형의 크랙이 존재하고, 도 4c의 태양전지 모듈의 영상 우상단 부분에는 두 개의 대각선이 서로 교차하는 형태의 크랙이 존재함을 각각의 태양전지 모듈의 영상으로부터 확인할 수 있다.
이와 같은 결함은 육안으로 짧은 시간 내에 정확히 검출해내는 것이 어려우므로, 본 개시와 같이, 컨벌루션 신경망 기반의 영상 분류 모델과 가시화 알고리즘을 이용하여, 태양전지 모듈의 결함 검출 정확도를 높이고 검사 시간을 단축 시킬 수 있다.
도 5는 태양전지 모듈의 영상에서 결함을 가시화하여 디스플레이한 일 예를 설명하기 위한 도면이다.
도 5를 참조하면, 태양전지 모듈 검사 장치(100)가 획득한 태양전지 모듈의 영상에서 결함이 검출된 경우, 검출된 결함을 획득한 태양전지 모듈의 영상에 구별되도록 가시화하여 디스플레이한 것이다. 태양전지 모듈의 영상에서 결함이라고 판단할 수 있었던 특징에 대해, 가시화 알고리즘을 이용하여, 태양전지 모듈의 영상에서 결함이 구별되도록 처리한 것일 수 있다.
태양전지 모듈의 영상에서 결함이 검출된 영역은 결함이 검출되지 않은 영역과 다른 컬러로 표시되며, 결함에 해당하는 부분으로부터의 거리에 따라 서로 다른 컬러로 표시될 수 있다. 도 5에서 컬러를 기초로 결함을 태양전지 모듈의 영상에서 구별되도록 처리한 것과 달리, 결함 종류마다 다른 모양의 표시 마커로 표시할 수도 있다.
도 6은 일 실시예에 따른 태양전지 모듈 검사 방법을 설명하기 위한 흐름도이다. 이하 생략된 내용이라하더라도, 태양전지 모듈 검사 장치(100)에 대하여 이상에서 설명한 내용은 그대로 적용될 수 있다.
태양전지 모듈 검사 장치(100)는 태양전지 모듈 검사 장치(100) 내에 위치한 태양전지 모듈에 전압을 인가할 수 있다.(S 610)
태양전지 모듈 검사 장치(100)는 적어도 하나의 카메라를 이용하여 태양전지 모듈의 영상을 획득할 수 있다.(S 620) 태양전지 모듈 검사 장치(100)는 복수의 적외선 카메라를 이용하여 복수의 부분 영상들을 획득하고, 획득된 복수의 부분 영상들을 매칭시켜, 태양전지 모듈의 영상에 대응되는 단일 영상으로 합성할 수 있다.
태양전지 모듈 검사 장치(100)는 컨벌루션 신경망 기반의 영상 분류 모델을 이용하여, 획득된 태양전지 모듈의 영상으로부터 태양전지 모듈의 결함의 종류와 영역을 검출할 수 있다.(S 630)
컨벌루션 신경망 기반의 영상 분류 모델은 결함이 검출된 태양전지 모듈의 영상에 대해 영상 개선, 상하반전, 좌우반전, 엣지 성분 윤곽선 강조, 및 노이즈 제거 중 적어도 하나의 영상 처리에 따른 오그먼테이션(augmentation) 영상들에 기초하여 학습될 수 있다. 오그먼테이션(augmentation) 영상들을 확보하기 위해, 태양전지 모듈 검사 장치(100)는 태양전지 모듈의 영상에 대해 레티넥스 알고리즘 적용하여 영상 내부의 그림자 제거와 조명 불균일도를 줄여주는 영상 개선의 영상 처리를 수행할 수 있다. 태양전지 모듈이 태양전지 셀들로 구성된 상하대칭 또는 좌우대칭의 어레이 구조이므로, 태양전지 모듈 검사 장치(100)는 상하반전 또는 좌우반전의 영상 처리를 수행할 수도 있다. 또한, 태양전지 모듈 검사 장치(100)는 언샤프 마스킹에 의해 엣지 성분 윤곽선을 강조하거나 메디안 필터링에 의해 노이즈를 제거하는 영상 처리를 수행할 수도 있다.
컨벌루션 신경망 기반의 영상 분류 모델은 오그먼테이션 영상들에 기초하여 학습된 후 획득된 영상을 통해 전이학습(transfer learing)될 수 있다.
컨벌루션 신경망 기반의 영상 분류 모델은 각 레이어가 모든 이전의 레이어의 피쳐맵들(feature maps)이 컨케트네이션(concatenation)에 의해 병합된(merged) 연산 구조를 가지는 적어도 하나의 연산 블록과 컨벌루션과 풀링을 통해 피쳐맵의 크기를 줄이는 적어도 하나의 전이 층을 포함할 수 있다. 연산 블록은 피쳐맵을 추출하고, 전이 층은 풀링을 통해 피쳐맵을 줄일 수 있다.
태양전지 모듈 검사 장치(100)는 검출된 결함의 종류와 영역에 기초하여, 획득된 태양전지 모듈의 영상에 태양전지 모듈의 결함을 가시화하여 디스플레이할 수 있다.(S 640) 태양전지 모듈 검사 장치(100)는 가시화 알고리즘 이용하여 검출된 결함의 종류와 영역이 획득된 태양전지 모듈의 영상에서 구별되도록 디스플레이할 수 있다.
한편, 상술한 실시예들은 태양전지 모듈 검사 장치(100)에서, 태양전지 모듈 검사 방법을 수행하도록 하는 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램 형태로 제공될 수 있다. 다시 말해서, 태양전지 모듈 검사 장치(100)로 하여금 상술한 태양전지 모듈 검사 방법의 각 단계를 실행시키기 위한 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램 형태로 제공될 수 있다.
또한, 상술한 실시예들은 컴퓨터 또는 프로세서에 의하여 실행 가능한 명령어 또는 데이터를 저장하는 컴퓨터 판독 가능 저장매체의 형태로 구현될 수 있다. 상기 명령어 및 데이터 중 적어도 하나는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 이와 같은 컴퓨터 판독 가능 저장매체는 read-only memory (ROM), random-access memory (RAM), flash memory, CD-ROMs, CD-Rs, CD+Rs, CD-RWs, CD+RWs, DVD-ROMs, DVD-Rs, DVD+Rs, DVD-RWs, DVD+RWs, DVD-RAMs, BD-ROMs, BD-Rs, BD-R LTHs, BD-REs, 마그네틱 테이프, 플로피 디스크, 광자기 데이터 저장 장치, 광학 데이터 저장 장치, 하드 디스크, 솔리드-스테이트 디스크(SSD), 그리고 명령어 또는 소프트웨어, 관련 데이터, 데이터 파일, 및 데이터 구조들을 저장할 수 있고, 프로세서나 컴퓨터가 명령어를 실행할 수 있도록 프로세서나 컴퓨터에 명령어 또는 소프트웨어, 관련 데이터, 데이터 파일, 및 데이터 구조들을 제공할 수 있는 어떠한 장치라도 될 수 있다.
본 개시의 이해를 위하여, 도면에 도시된 바람직한 실시 예들에서 참조 부호를 기재하였으며, 본 개시의 실시 예들을 설명하기 위하여 특정 용어들을 사용하였으나, 특정 용어에 의해 본 개시가 한정되는 것은 아니며, 본 개시는 통상의 기술자에 있어서 통상적으로 생각할 수 있는 모든 구성 요소들을 포함할 수 있다.
본 개시는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다.
본 개시에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 개시의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다.
이제까지 실시예들을 중심으로 살펴보았다. 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자는 개시된 실시예들이 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 발명의 범위는 전술한 실시예들의 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 발명의 범위에 포함된 것으로 해석되어야 할 것이다.
Claims (12)
- 태양전지 모듈에 전압을 인가하는 전원부;
적어도 하나의 카메라를 이용하여 상기 태양전지 모듈의 영상을 획득하는 촬영 장치;
컨벌루션 신경망 기반의 영상 분류 모델을 이용하여, 상기 획득된 영상으로부터 상기 태양전지 모듈의 결함의 종류와 영역을 검출하고, 상기 검출된 결함의 종류와 영역에 기초하여, 상기 획득된 영상에 상기 결함을 가시화하는 영상 처리 장치; 및
상기 결함을 가시화한 영상을 디스플레이하는 디스플레이 장치;
를 포함하는, 태양전지 모듈의 검사 장치. - 제 1 항에 있어서,
상기 영상 처리 장치는,
결함이 검출된 태양전지 모듈의 영상에 대해 영상 개선, 상하반전, 좌우반전, 엣지 성분 윤곽선 강조, 및 노이즈 제거 중 적어도 하나의 영상 처리에 따른 오그먼테이션(augmentation) 영상들에 기초하여 상기 컨벌루션 신경망 기반의 영상 분류 모델을 학습시키는, 태양전지 모듈의 검사 장치. - 제 2 항에 있어서,
상기 영상 처리 장치는,
상기 오그먼테이션 영상들에 기초하여 학습된 상기 컨벌루션 신경망 기반의 영상 분류 모델을 상기 획득된 영상을 통해 전이학습(transfer learing)시키는, 태양전지 모듈의 검사 장치. - 제 1 항에 있어서,
상기 컨벌루션 신경망 기반의 영상 분류 모델은,
각 레이어가 모든 이전의 레이어의 피쳐맵들(feature maps)이 컨케트네이션(concatenation)에 의해 병합된 연산 구조를 가지는 적어도 하나의 연산 블록과 컨벌루션과 풀링을 통해 피쳐맵의 크기를 줄이는 적어도 하나의 전이 층을 포함하는, 태양전지 모듈의 검사 장치. - 제 1 항에 있어서,
상기 영상 처리 장치는,
가시화 알고리즘 이용하여, 상기 검출된 결함의 종류와 영역이 상기 획득된 영상에서 구별되도록 처리하는, 태양전지 모듈의 검사 장치. - 제 1 항에 있어서,
상기 촬영 장치는,
복수의 적외선 카메라를 이용하여 복수의 부분 영상들을 획득하고,
상기 영상 처리 장치는,
상기 획득된 복수의 부분 영상들을 매칭시켜, 상기 태양전지 모듈의 영상에 대응되는 단일 영상으로 합성하는, 태양전지 모듈의 검사 장치. - 태양전지 모듈 검사 장치 내에 위치한 태양전지 모듈에 전압을 인가하는 단계;
적어도 하나의 카메라를 이용하여 상기 태양전지 모듈의 영상을 획득하는 단계;
컨벌루션 신경망 기반의 영상 분류 모델을 이용하여, 상기 획득된 영상으로부터 상기 태양전지 모듈의 결함의 종류와 영역을 검출하는 단계; 및
상기 검출된 결함의 종류와 영역에 기초하여, 상기 획득된 영상에 상기 결함을 가시화하여 디스플레이하는 단계;
를 포함하는, 태양전지 모듈의 검사 방법. - 제 7 항에 있어서,
상기 컨벌루션 신경망 기반의 영상 분류 모델은,
결함이 검출된 태양전지 모듈의 영상에 대해 영상 개선, 상하반전, 좌우반전, 엣지 성분 윤곽선 강조, 및 노이즈 제거 중 적어도 하나의 영상 처리에 따른 오그먼테이션(augmentation) 영상들에 기초하여 학습되는, 태양전지 모듈의 검사 방법. - 제 8 항에 있어서,
상기 컨벌루션 신경망 기반의 영상 분류 모델은,
상기 오그먼테이션 영상들에 기초하여 학습된 후 상기 획득된 영상을 통해 전이학습(transfer learing)되는, 태양전지 모듈의 검사 방법. - 제 7 항에 있어서,
상기 컨벌루션 신경망 기반의 영상 분류 모델은,
각 레이어가 모든 이전의 레이어의 피쳐맵들(feature maps)이 컨케트네이션(concatenation)에 의해 병합된 연산 구조를 가지는 적어도 하나의 연산 블록과 컨벌루션과 풀링을 통해 피쳐맵의 크기를 줄이는 적어도 하나의 전이 층을 포함하는, 태양전지 모듈의 검사 방법. - 제 7 항에 있어서,
상기 디스플레이하는 단계는,
가시화 알고리즘 이용하여 상기 검출된 결함의 종류와 영역이 상기 획득된 영상에서 구별되도록 디스플레이하는, 태양전지 모듈의 검사 방법. - 제 7 항에 있어서,
상기 태양전지 모듈의 영상을 획득하는 단계는,
복수의 적외선 카메라를 이용하여 복수의 부분 영상들을 획득하는 단계; 및
상기 획득된 복수의 부분 영상들을 매칭시켜, 상기 태양전지 모듈의 영상에 대응되는 단일 영상으로 합성하는 단계;
를 포함하는, 태양전지 모듈의 검사 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180160338A KR20200075141A (ko) | 2018-12-12 | 2018-12-12 | 태양전지 모듈 검사 장치 및 검사 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180160338A KR20200075141A (ko) | 2018-12-12 | 2018-12-12 | 태양전지 모듈 검사 장치 및 검사 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200075141A true KR20200075141A (ko) | 2020-06-26 |
Family
ID=71136353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180160338A KR20200075141A (ko) | 2018-12-12 | 2018-12-12 | 태양전지 모듈 검사 장치 및 검사 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20200075141A (ko) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102366855B1 (ko) * | 2020-10-08 | 2022-02-22 | 국방과학연구소 | 전파흡수구조 검사 장치 및 검사 방법 |
| KR20220071417A (ko) * | 2020-11-24 | 2022-05-31 | 한화솔루션 주식회사 | 태양전지 셀에 대한 이미지 분류 방법 및 장치 |
| KR20230067386A (ko) * | 2021-11-09 | 2023-05-16 | 오스 주식회사 | 태양광 패널 결함 검출 시스템 및 방법 |
| WO2023219453A1 (ko) * | 2022-05-12 | 2023-11-16 | 에스케이플래닛 주식회사 | 태양광 패널의 결함 검사 장치 및 그 운용 방법 |
| US11823626B2 (en) | 2019-01-30 | 2023-11-21 | Samsung Display Co., Ltd. | Scan driver for a display device with reduced degradation of transistors |
| US11908117B2 (en) | 2017-03-27 | 2024-02-20 | Samsung Electronics Co., Ltd. | Image processing method and apparatus for object detection |
| KR102695753B1 (ko) * | 2023-10-31 | 2024-08-19 | 포항공과대학교 산학협력단 | 태양광 발전의 고장 검출 및 진단 시스템 및 방법 |
-
2018
- 2018-12-12 KR KR1020180160338A patent/KR20200075141A/ko not_active Application Discontinuation
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11908117B2 (en) | 2017-03-27 | 2024-02-20 | Samsung Electronics Co., Ltd. | Image processing method and apparatus for object detection |
| US11823626B2 (en) | 2019-01-30 | 2023-11-21 | Samsung Display Co., Ltd. | Scan driver for a display device with reduced degradation of transistors |
| KR102366855B1 (ko) * | 2020-10-08 | 2022-02-22 | 국방과학연구소 | 전파흡수구조 검사 장치 및 검사 방법 |
| KR20220071417A (ko) * | 2020-11-24 | 2022-05-31 | 한화솔루션 주식회사 | 태양전지 셀에 대한 이미지 분류 방법 및 장치 |
| WO2022114665A1 (ko) * | 2020-11-24 | 2022-06-02 | 한화솔루션 주식회사 | 태양전지 셀에 대한 이미지 분류 방법 및 장치 |
| KR20230067386A (ko) * | 2021-11-09 | 2023-05-16 | 오스 주식회사 | 태양광 패널 결함 검출 시스템 및 방법 |
| WO2023219453A1 (ko) * | 2022-05-12 | 2023-11-16 | 에스케이플래닛 주식회사 | 태양광 패널의 결함 검사 장치 및 그 운용 방법 |
| KR102695753B1 (ko) * | 2023-10-31 | 2024-08-19 | 포항공과대학교 산학협력단 | 태양광 발전의 고장 검출 및 진단 시스템 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200075141A (ko) | 태양전지 모듈 검사 장치 및 검사 방법 | |
| CN110402487B (zh) | 对从晶片检测的缺陷进行分类的方法和装置 | |
| CN104854677B (zh) | 使用缺陷特定的信息检测晶片上的缺陷 | |
| TWI750553B (zh) | 對樣本的缺陷檢測的方法及其系統 | |
| JP6629934B2 (ja) | 試験方策を生成する方法およびそのシステム | |
| CN108460760B (zh) | 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法 | |
| JP6189127B2 (ja) | はんだ付け検査装置、はんだ付け検査方法および電子部品 | |
| TW201732690A (zh) | 半導體試樣的基於深度學習之檢查的方法及其系統 | |
| TW201734439A (zh) | 混合檢查器 | |
| TW200933141A (en) | Defect detection method and defect detection apparatus | |
| FR2791775A1 (fr) | Detection de defauts a base de particularites | |
| US20140270475A1 (en) | Single Die Inspection on a Dark Field Inspection Tool | |
| JP2013134666A (ja) | 二値画像生成装置、分類装置、二値画像生成方法および分類方法 | |
| JP7170605B2 (ja) | 欠陥検査装置、欠陥検査方法、およびプログラム | |
| CN108664997A (zh) | 基于级联Faster R-CNN的高铁接触网等电位线不良状态检测方法 | |
| JP2020135051A (ja) | 欠点検査装置、欠点検査方法、欠点検査プログラム、学習装置および学習済みモデル | |
| KR20240124323A (ko) | 머신 러닝 모델에 기초한 검사 샘플 결함 검출 방법 및 시스템 | |
| TW201516395A (zh) | 用於晶圓檢測之刮痕濾除器 | |
| CN109886936B (zh) | 一种低对比度缺陷检测方法和装置 | |
| TW201510517A (zh) | 用於改善晶圓表面檢查靈敏度之方法及系統 | |
| KR20160097651A (ko) | 유효화 영상처리기법을 이용한 시료의 패턴 검사 장치 및 방법, 그리고 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 | |
| JP2023145412A (ja) | 欠陥検出方法及びシステム | |
| CN113763384B (zh) | 工业质检中的缺陷检测方法、缺陷检测装置 | |
| JP7475901B2 (ja) | 試験片上の欠陥検出の方法およびそのシステム | |
| CN113034432A (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |