KR20220071417A - 태양전지 셀에 대한 이미지 분류 방법 및 장치 - Google Patents
태양전지 셀에 대한 이미지 분류 방법 및 장치 Download PDFInfo
- Publication number
- KR20220071417A KR20220071417A KR1020200158500A KR20200158500A KR20220071417A KR 20220071417 A KR20220071417 A KR 20220071417A KR 1020200158500 A KR1020200158500 A KR 1020200158500A KR 20200158500 A KR20200158500 A KR 20200158500A KR 20220071417 A KR20220071417 A KR 20220071417A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- solar cell
- type
- inspected
- black spot
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 206010027146 Melanoderma Diseases 0.000 claims abstract description 50
- 230000007547 defect Effects 0.000 claims abstract description 32
- 230000002950 deficient Effects 0.000 claims abstract description 32
- 238000013145 classification model Methods 0.000 claims abstract description 30
- 238000005401 electroluminescence Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000007689 inspection Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 37
- 238000004891 communication Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000000265 homogenisation Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000003416 augmentation Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000011109 contamination Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000407429 Maja Species 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 238000009751 slip forming Methods 0.000 description 1
- 239000010409 thin film Substances 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
- H02S50/15—Testing of PV devices, e.g. of PV modules or single PV cells using optical means, e.g. using electroluminescence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G06K9/627—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20088—Trinocular vision calculations; trifocal tensor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Photovoltaic Devices (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Hybrid Cells (AREA)
Abstract
본 발명은 태양전지 셀에 대한 이미지 분류 방법 및 장치에 관한 것이다. 본 발명의 일 실시예에 따른 방법은 전자 장치에 의해 수행되며, 검사대상 태양전지 셀의 EL 이미지(electroluminescence image)를 기반으로 검사대상 태양전지 셀의 불량 여부를 분류하는 방법으로서, 검사대상 태양전지 셀의 EL 이미지에서 블랙스팟(black spot)이 일정 이상 비율을 차지하는지 여부에 따라 그 EL 이미지를 분류하되, 블랙스팟이 일정 이상 비율을 차지하는 제1 종류와, 블랙스팟이 일정 미만 비율을 차지하는 제2 종류로 1차 분류하는 단계; 및 제1 종류로 1차 분류된 경우, 기 학습된 불량 분류 모델을 이용하여, 검사대상 태양전지 셀의 EL 이미지를 기반으로 검사대상 태양전지 셀의 불량 종류를 2차 분류하는 단계;를 포함하며, 상기 불량 분류 모델은, 학습용 EL 이미지에 대한 입력 데이터와, 학습용 EL 이미지의 태양전지 셀의 불량 종류에 대한 결과 데이터를 각각 포함한 학습 데이터를 이용하여, 머신 러닝(machine learning) 기법에 따라 학습된 모델이다.
Description
본 발명은 태양전지 셀에 대한 이미지 분류 방법 및 장치에 관한 것으로서, 더욱 상세하게는 태양전지 셀의 EL 이미지(Electroluminescence image)를 기반으로 그 태양전지 셀의 불량 여부 및 종류를 신속하고 정확하게 분류하기 위한 방법 및 장치에 관한 것이다.
태양전지 셀은 입사되는 태양광을 전기 에너지로 변환하여 출력하는 장치이다. 이러한 태양전지 셀은 태양광을 에너지원으로 하고 있기 때문에 연료의 보급이 불필요하여, 휴대용 전자계산기, 전자시계, 옥외시계, 방송 중계소, 통신위성, 방송위성 등의 전원 장치에 광범위하게 사용되고 있다.
종래에는 태양전지 셀의 불량 여부를 검사하기 위해, 태양전지 셀에 빛을 조사하여 그 전류-전압의 특성을 분석하는 방법을 주로 사용하였다(이하, “종래 기술”이라 지칭함). 하지만, 이러한 종래 기술은 태양전지 셀의 수명과 밀접하게 관계된 각종 결함들(예를 들어, 외부 크랙, 내부 크랙, 휘도 저하, 전극불량, 쇼트, 접합 항복 또는 열점 등) 중에 일부에 대해서만 검사 가능하다. 즉, 종래 기술은 외관상 보이지는 않으나 공정 중에 발생한 내부 크랙 등에 대한 결함에 대해 검사할 수 없는 문제점이 있다.
또한, 종래 기술은 하나의 태양전지 셀에 대한 검사 시간이 상당히 소요되므로, 대량 생산되는 다수의 태양전지 셀에 대해 적용하기 어려운 문제점이 있었다. 즉, 모든 태양광 셀에는 각기 저마다 고유한 EL 이미지가 있는데, 가령 하루 200만장 이상에 해당하는 각 고유의 EL 이미지에 대한 분석이 필요하나, 종래 기술은 이에 대응하기 어렵다.
상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여, 본 발명은 태양전지 셀의 EL 이미지(Electroluminescence image)를 기반으로 그 태양전지 셀의 불량 여부 및 종류를 신속하고 정확하게 분류하기 위한 방법 및 장치를 제공하는데 그 목적이 있다.
다만, 본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제에 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예에 따른 방법은 전자 장치에 의해 수행되며, 검사대상 태양전지 셀의 EL 이미지(electroluminescence image)를 기반으로 검사대상 태양전지 셀의 불량 여부를 분류하는 방법으로서, 검사대상 태양전지 셀의 EL 이미지에서 블랙스팟(black spot)이 일정 이상 비율을 차지하는지 여부에 따라 그 EL 이미지를 분류하되, 블랙스팟이 일정 이상 비율을 차지하는 제1 종류와, 블랙스팟이 일정 미만 비율을 차지하는 제2 종류로 1차 분류하는 단계; 및 제1 종류로 1차 분류된 경우, 기 학습된 불량 분류 모델을 이용하여, 검사대상 태양전지 셀의 EL 이미지를 기반으로 검사대상 태양전지 셀의 불량 종류를 2차 분류하는 단계;를 포함한다.
상기 불량 분류 모델은 학습용 EL 이미지에 대한 입력 데이터와, 학습용 EL 이미지의 태양전지 셀의 불량 종류에 대한 결과 데이터를 각각 포함한 학습 데이터를 이용하여, 머신 러닝(machine learning) 기법에 따라 학습된 모델일 수 있다.
상기 1차 분류하는 단계는 학습용 EL 이미지로부터 그 EL 이미지 내에 포함된 블랙스팟에 대한 이미지(블랙스팟 이미지)를 생성하도록 머신 러닝 기법에 따라 기 학습된 이미지 생성 모델을 이용하여 검사대상 태양전지 셀의 EL 이미지를 분류하는 단계를 포함할 수 있다.
상기 이미지 생성 모델은 학습용 EL 이미지에 대한 입력 데이터와, 학습용 EL 이미지에 대한 영상 처리에 따른 상기 블랙스팟 이미지에 대한 결과 데이터를 각각 포함한 학습 데이터를 이용하여 학습된 모델일 수 있다.
상기 영상 처리는 학습용 EL 이미지에 대해, 히스토그램 균질화 처리, 버스바 라인(bus-bar line) 제거 처리, 에지를 기준으로 한 투영 변환(perspective transform) 처리 및 윤곽 추출 처리를 포함할 수 있다.
상기 불량 분류 모델은 복수의 원인에 의해 서로 다른 복수의 제조 공정에서 발생한 불량 종류에 대해 분류할 수 있다.
본 발명의 일 실시예에 따른 분류 장치는, 검사대상 태양전지 셀의 EL 이미지를 저장한 메모리; 및 저장된 검사대상 태양전지 셀의 EL 이미지를 처리하여, 검사대상 태양전지 셀의 불량 여부를 분석하도록 제어하는 제어부;를 포함하며, 상기 제어부는, 검사대상 태양전지 셀의 EL 이미지에서 블랙스팟(black spot)이 일정 이상 비율을 차지하는지 여부에 따라 그 EL 이미지를 분류하되, 블랙스팟이 일정 이상 비율을 차지하는 제1 종류와 블랙스팟이 일정 미만 비율을 차지하는 제2 종류로 1차 분류하고, 제1 종류로 1차 분류된 경우, 기 학습된 불량 분류 모델을 이용하여, 검사대상 태양전지 셀의 EL 이미지를 기반으로 검사대상 태양전지 셀의 불량 종류를 2차 분류한다.
본 발명의 다른 일 실시예에 따른 분류 장치는, 검사대상 태양전지 셀의 EL 이미지를 수신하는 통신부; 및 수신된 검사대상 태양전지 셀의 EL 이미지를 처리하여, 검사대상 태양전지 셀의 불량 여부를 분석하도록 제어하는 제어부;를 포함하며, 상기 제어부는, 검사대상 태양전지 셀의 EL 이미지에서 블랙스팟(black spot)이 일정 이상 비율을 차지하는지 여부에 따라 그 EL 이미지를 분류하되, 블랙스팟이 일정 이상 비율을 차지하는 제1 종류와 블랙스팟이 일정 미만 비율을 차지하는 제2 종류로 1차 분류하고, 제1 종류로 1차 분류된 경우, 기 학습된 불량 분류 모델을 이용하여, 검사대상 태양전지 셀의 EL 이미지를 기반으로 검사대상 태양전지 셀의 불량 종류를 2차 분류한다.
상기 불량 분류 모델은 학습용 EL 이미지에 대한 입력 데이터와, 학습용 EL 이미지의 태양전지 셀의 불량 종류에 대한 결과 데이터를 각각 포함한 학습 데이터를 이용하여, 머신 러닝(machine learning) 기법에 따라 학습된 모델일 수 있다.
상기 제어부는 운영 프로그램의 실행을 제어할 수 있으며, 상기 운영 프로그램은 검사대상 태양전지 셀의 EL 이미지들에 대해, 시간, 날짜, 셀 ID 또는 제조 라인에 따라 상기 분석을 수행할 수 있다.
상기와 같이 구성되는 본 발명은 태양전지 셀의 EL 이미지를 기반으로 그 태양전지 셀의 불량 여부 및 종류를 신속하고 정확하게 분류할 수 있는 이점이 있다.
또한, 본 발명은 하루에 수백만장 이상의 EL 이미지에 대한 전수 검사에 적용 가능하여 휴먼 에러(Human error)를 최소화할 수 있는 이점이 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 태양전지 분석 시스템(10)의 블록 구성도를 나타낸다.
도 2는 태양전지 셀(400)의 일 예를 나타낸다.
도 3은 본 발명의 일 실시예에 따른 분류 장치(300)의 블록 구성도를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 분류 장치(300)에서 제어부(350)의 블록 구성도를 나타낸다.
도 5는 본 발명의 일 실시예에 따른 이미지 분류 방법의 순서도를 나타낸다.
도 6은 본 발명의 일 실시예에 따른 운영 프로그램의 일 예를 나타낸다.
도 7은 EL 이미지에 대한 1차 분류를 위해 EL 이미지가 영상 처리되는 과정에서의 각 이미지를 나타낸다.
도 8은 EL 이미지와 그 EL 이미지에 대한 1차 분류를 위해 도출된 블랙스팟 이미지의 다양한 예를 나타낸다.
도 9는 불량 분류 모델에 대한 일 예를 나타낸다.
도 10은 EL 이미지의 블랙스팟 유형에 대한 다양한 예를 나타낸다.
도 11은 실제 구현한 불량 분류 모델를 이용하여 분류한 결과의 다양한 예를 나타낸다.
도 2는 태양전지 셀(400)의 일 예를 나타낸다.
도 3은 본 발명의 일 실시예에 따른 분류 장치(300)의 블록 구성도를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 분류 장치(300)에서 제어부(350)의 블록 구성도를 나타낸다.
도 5는 본 발명의 일 실시예에 따른 이미지 분류 방법의 순서도를 나타낸다.
도 6은 본 발명의 일 실시예에 따른 운영 프로그램의 일 예를 나타낸다.
도 7은 EL 이미지에 대한 1차 분류를 위해 EL 이미지가 영상 처리되는 과정에서의 각 이미지를 나타낸다.
도 8은 EL 이미지와 그 EL 이미지에 대한 1차 분류를 위해 도출된 블랙스팟 이미지의 다양한 예를 나타낸다.
도 9는 불량 분류 모델에 대한 일 예를 나타낸다.
도 10은 EL 이미지의 블랙스팟 유형에 대한 다양한 예를 나타낸다.
도 11은 실제 구현한 불량 분류 모델를 이용하여 분류한 결과의 다양한 예를 나타낸다.
본 발명의 상기 목적과 수단 및 그에 따른 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 경우에 따라 복수형도 포함한다. 본 명세서에서, "포함하다", “구비하다”, “마련하다” 또는 “가지다” 등의 용어는 언급된 구성요소 외의 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
본 명세서에서, “또는”, “적어도 하나” 등의 용어는 함께 나열된 단어들 중 하나를 나타내거나, 또는 둘 이상의 조합을 나타낼 수 있다. 예를 들어, “또는 B”“및 B 중 적어도 하나”는 A 또는 B 중 하나만을 포함할 수 있고, A와 B를 모두 포함할 수도 있다.
본 명세서에서, “예를 들어” 등에 따르는 설명은 인용된 특성, 변수, 또는 값과 같이 제시한 정보들이 정확하게 일치하지 않을 수 있고, 허용 오차, 측정 오차, 측정 정확도의 한계와 통상적으로 알려진 기타 요인을 비롯한 변형과 같은 효과로 본 발명의 다양한 실시 예에 따른 발명의 실시 형태를 한정하지 않아야 할 것이다.
본 명세서에서, 어떤 구성요소가 다른 구성요소에 '연결되어’ 있다거나 '접속되어' 있다고 기재된 경우, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성 요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해될 수 있어야 할 것이다.
본 명세서에서, 어떤 구성요소가 다른 구성요소의 '상에' 있다거나 '접하여' 있다고 기재된 경우, 다른 구성요소에 상에 직접 맞닿아 있거나 또는 연결되어 있을 수 있지만, 중간에 또 다른 구성요소가 존재할 수 있다고 이해되어야 할 것이다. 반면, 어떤 구성요소가 다른 구성요소의 '바로 위에' 있다거나 '직접 접하여' 있다고 기재된 경우에는, 중간에 또 다른 구성요소가 존재하지 않은 것으로 이해될 수 있다. 구성요소 간의 관계를 설명하는 다른 표현들, 예를 들면, '～사이에'와 '직접 ～사이에' 등도 마찬가지로 해석될 수 있다.
본 명세서에서, '제1', '제2' 등의 용어는 다양한 구성요소를 설명하는데 사용될 수 있지만, 해당 구성요소는 위 용어에 의해 한정되어서는 안 된다. 또한, 위 용어는 각 구성요소의 순서를 한정하기 위한 것으로 해석되어서는 안되며, 하나의 구성요소와 다른 구성요소를 구별하는 목적으로 사용될 수 있다. 예를 들어, '제1구성요소'는 '제2구성요소'로 명명될 수 있고, 유사하게 '제2구성요소'도 '제1구성요소'로 명명될 수 있다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일 실시예를 상세히 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 태양전지 분석 시스템(10)의 블록 구성도를 나타내며, 도 2는 태양전지 셀(400)의 일 예를 나타낸다.
본 발명의 일 실시예에 따른 태양전지 분석 시스템(10)은 다양한 공정을 통해 제조된 태양전지 셀의 불량 여부 및 그 불량 종류를 분석 관리하기 위한 시스템이다. 이러한 태양전지 분석 시스템(10)은, 도 1에 도시된 바와 같이, 이미지 검출 장치(100), 데이터베이스 장치(200) 및 분류 장치(300)를 포함할 수 있다. 이때, 이미지 검출 장치(100), 데이터베이스 장치(200) 및 분류 장치(300) 간에는 다양한 유무선 통신 방식을 통해 데이터가 송수신될 수 있다.
도 2를 참조하면, 태양전지 셀(400)은 그 전면에 얇은 금속화로 처리된 얇은 선(thin strips)인 다수의 핑거바(finger-bar)(401) 및 버스바(bus-bar)(402)를 포함한다. 이러한 핑거바(401) 및 버스바(402)는 태양광에 의해 생성된 전자(광전효과)가 기전력에 의해 이동하는 통로(광기전력효과)로서, 전극에 해당한다.
핑거바(401)는 태양전지 셀(400)의 전면에 서로 소정 간격 이격되게 복수가 배치될 수 있다. 또한, 버스바(402)는 태양전지 셀(400)의 전면에서 가로방향 또는 세로방향으로 가로지르도록 배치될 수 있다. 즉, 버스바(402)는 핑거바(401)의 연장 방향과 교차 또는 직교하는 방향으로 연장 및 복수가 서로 이격되게 배치될 수 있고, 태양전지 셀(400)의 전면에 형성된 핑거바(401)들을 연결한다. 이때, 다수의 핑거바(401)는 버스바(402)에 연결되는데, 생성된 전류를 모아서 버스바(402)에 전달한다. 버스바(402)는 일정한 폭을 갖도록 연속적으로 형성되거나 불연속적으로 형성될 수 있다.
가령, 아주 얇은 핑거바(401)는 수평방향으로 배치될 수 있고, 버스바(402)는 수직방향으로 배치될 수 있다. 또한, 다수의 태양전지 셀(400)을 포함하는 태양전지 모듈에는 태양전지 셀 간에 버스바를 통해 연결될 수 있다.
이미지 검출 장치(100)는 검사대상인 태양전지 셀의 이미지를 검출하는 장치이다. 특히, 이미지 검출 장치(100)는 EL 카메라 electroluminescence camera)를 통해 태양전지 셀의 EL 이미지(electroluminescence image)를 검출할 수 있다. 가령, 이미지 검출 장치(100)는 순방향 전류 또는 역방향 전압의 전원이 인가된 태양전지 셀에서 방출되는 EL 광을 촬영하여 EL 이미지를 생성시킬 수 있다. 또한, 태양전지 모듈 단위로 전원이 인가되어 각 태양전지 셀에서 방출되는 EL 광에 따른 EL 이미지가 검출될 수도 있다.
데이터베이스 장치(200)는 태양전지 분석 시스템(10)의 동작을 위해 처리되는 각종 데이터를 포함한 데이터베이스를 저장 관리한다. 이때, 데이터베이스는 이미지 검출 장치(100)에서 검출된 EL 이미지의 데이터를 포함할 수 있다. 즉, 데이터베이스 장치(200)는 이미지 검출 장치(100)에서 검출된 EL 이미지의 데이터를 이미지 검출 장치(100)로부터 수신하여 데이터베이스에 저장 관리할 수 있다. 또한, 데이터베이스는 분류 장치(300)에서 분석된 EL 이미지에 대한 분류 결과의 데이터를 포함할 수 있다. 즉, 데이터베이스 장치(200)는 분류 결과의 데이터를 분류 장치(300)로부터 수신하여 데이터베이스에 저장 관리할 수 있다.
도 3은 본 발명의 일 실시예에 따른 분류 장치(300)의 블록 구성도를 나타낸다.
분류 장치(300)는 EL 이미지의 데이터를 기반으로 검사대상 태양전지 셀의 불량 여부를 분류하는 장치로서, 컴퓨팅(computing)이 가능한 전자 장치 또는 컴퓨팅 네트워크일 수 있다. 이때, EL 이미지는 검출 장치(100)에서 검출된 것이거나 타 장치에서 별도로 수신된 것일 수 있다.
예를 들어, 전자 장치는 데스크탑 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 태블릿 PC(tablet personal computer), 넷북 컴퓨터(netbook computer), 워크스테이션(workstation), PDA(personal digital assistant), 스마트폰(smartphone), 스마트패드(smartpad), 또는 휴대폰(mobile phone), 등일 수 있으나, 이에 한정되는 것은 아니다.
이러한 분류 장치(300)는, 도 3에 도시된 바와 같이, 입력부(310), 통신부(320), 디스플레이(330), 메모리(340) 및 제어부(350)를 포함할 수 있다.
입력부(310)는 다양한 사용자(감시자 등)의 입력에 대응하여, 입력데이터를 발생시키며, 다양한 입력수단을 포함할 수 있다. 가령, 입력부(310)는 사용자로부터 운영 프로그램의 실행에 따른 다양한 선택에 대한 입력을 제어부(350)로 전달할 수 있다. 예를 들어, 입력부(310)는 키보드(key board), 키패드(key pad), 돔 스위치(dome switch), 터치 패널(touch panel), 터치 키(touch key), 터치 패드(touch pad), 마우스(mouse), 메뉴 버튼(menu button) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
통신부(320)는 다른 장치와의 통신을 수행하는 구성이다. 가령, 통신부(320)는 이미지 검출 장치(100), 데이터베이스 장치(200) 또는 타 장치로부터 EL 이미지의 데이터를 수신하고 있다. 또한, 통신부(320)는 제어부(350)의 제어에 따라 수행된 EL 이미지에 대한 분류 결과의 데이터를 데이터베이스 장치(200) 또는 타 장치로 전송할 수 있다. 예를 들어, 통신부(320)는 5G(5th generation communication), LTE-A(long term evolution-advanced), LTE(long term evolution), 블루투스, BLE(bluetooth low energe), NFC(near field communication), 와이파이(WiFi) 통신 등의 무선 통신을 수행하거나, 케이블 통신 등의 유선 통신을 수행할 수 있으나, 이에 한정되는 것은 아니다.
디스플레이(330)는 다양한 영상 데이터를 화면으로 표시하는 것으로서, 비발광형 패널이나 발광형 패널로 구성될 수 있다. 가령, 디스플레이(330)는 EL 이미지, 블랙스팟(blackspot) 이미지, 운영 프로그램의 실행 화면 등을 표시할 수 있다. 예를 들어, 디스플레이(330)는 액정 디스플레이(LCD; liquid crystal display), 발광 다이오드(LED; light emitting diode) 디스플레이, 유기 발광 다이오드(OLED; organic LED) 디스플레이, 마이크로 전자기계 시스템(MEMS; micro electro mechanical systems) 디스플레이, 또는 전자 종이(electronic paper) 디스플레이 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 디스플레이(330)는 입력부(310)와 결합되어 터치 스크린(touch screen) 등으로 구현될 수 있다.
메모리(340)는 분류 장치(300)의 동작에 필요한 각종 정보를 저장한다. 가령, 저장 정보는 EL 이미지, 블랙스팟 이미지, 이미지 생성 모델, 불량 분류 모델, 후술할 이미지 분류 방법에 관련된 프로그램 정보 등을 포함할 수 있다. 또한, 메모리(340)는 상술한 데이터베이스를 저장할 수도 있다. 예를 들어, 메모리(340)는 그 유형에 따라 하드디스크 타입(hard disk type), 마그네틱 매체 타입(Sagnetic media type), CD-ROM(compact disc read only memory), 광기록 매체 타입(Optical Media type), 자기-광 매체 타입(Sagneto-optical media type), 멀티미디어 카드 마이크로 타입(Sultimedia card micro type), 플래시 저장부 타입(flash memory type), 롬 타입(read only memory type), 또는 램 타입(random access memory type) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 메모리(340)는 그 용도/위치에 따라 캐시(cache), 버퍼, 주기억장치, 또는 보조기억장치이거나 별도로 마련된 저장 시스템일 수 있으나, 이에 한정되는 것은 아니다.
제어부(350)는 분류 장치(300)의 다양한 제어 동작을 수행할 수 있다. 즉, 제어부(350)는 후술할 이미지 분류 방법의 수행을 제어할 수 있으며, 분류 장치(300)의 나머지 구성, 즉 입력부(310), 통신부(320), 디스플레이(330), 메모리(340) 등의 동작을 제어할 수 있다. 예를 들어, 제어부(350)는 하드웨어인 프로세서(processor) 또는 해당 프로세서에서 수행되는 소프트웨어인 프로세스(process) 등을 포함할 수 있으며, 프로세서는 프로세서는 GPU(graphic processing unit), CPU(central processing unit), MPU(microprocessor unit), MCU(micro controller unit) 등의 프로세싱 유닛일 수 있으나, 이에 한정되는 것은 아니다
도 4는 본 발명의 일 실시예에 따른 분류 장치(300)에서 제어부(350)의 블록 구성도를 나타낸다.
제어부(350)는 본 발명의 일 실시예에 따른 이미지 분류 방법의 수행을 제어하며, 도 4에 도시된 바와 같이, 학습부(351), 1차 분류부(352) 및 2차 분류부(353)를 포함할 수 있다. 예를 들어, 학습부(351), 1차 분류부(352) 및 2차 분류부(353)는 제어부(350)의 하드웨어 구성이거나, 제어부(350)에서 수행되는 소프트웨어인 프로세스일 수 있으나, 이에 한정되는 것은 아니다.
이하, 본 발명에 따른 이미지 분류 방법에 대해 보다 상세하게 설명하도록 한다.
도 5는 본 발명의 일 실시예에 따른 이미지 분류 방법의 순서도를 나타낸다.
본 발명의 일 실시예에 따른 이미지 분류 방법은 EL 이미지를 기반으로 검사대상 태양전지 셀의 불량 여부를 분류하는 방법으로서, 도 5에 도시된 바와 같이, S101 내지 S104를 포함할 수 있다.
도 6은 본 발명의 일 실시예에 따른 운영 프로그램의 일 예를 나타낸다.
S101은 검사대상 태양전지 셀의 EL 이미지(이하, “대상 EL 이미지”라 지칭함)를 선택하는 단계이다. 즉, S101에서, 제어부(350)는 대상 EL 이미지에 대한 분류 등의 분석을 위해, 도 6에 도시된 바와 같이, 운영 프로그램의 실행을 제어할 수 있으며, 실행된 운영 프로그램에서 사용자에 의해 선택 입력되는 입력 명령에 따라 대상 EL 이미지를 선택할 수 있다.
즉, 대상 EL 이미지는 그 EL 이미지의 데이터 외에도, 그 검사대상 태양전지 셀의 ID(identification; 고유 식별정보) 데이터와, 그 검사대상 태양전지 셀이 제조된 날짜, 시간, 제조 라인 등에 대한 데이터가 함께 데이터베이스 장치(200) 또는 메모리(340)의 데이터베이스에 저장될 수 있다. 이에 따라, S101에서, 사용자는 운영 프로그램을 통해 해당 시간, 날짜, 셀 ID 또는 제조 라인에 따라 원하는 대상 EL 이미지를 선택할 수 있다.
가령, 도 6을 참조하면, 대상 EL 이미지에 대해, 선택된 날짜에 따라, 하루 단위(DAILY-SCALE) 배치 분석, 시간 단위(SELECTED-SCALE) 배치 분석, 또는 셀 ID 선택 분석이 가능하다. 또한, 원하는 라인을 선택(라인 선택)에 따른 분석도 가능하다. 또한, 대상 EL 이미지의 분석을 위해, 1시간 자동 실행/수동 실행(1시간 자동분석/1시간 단위분석)의 선택도 가능하다.
S102는 선택된 대상 EL 이미지에서 명암이 어두운 부분인 블랙스팟(black spot)이 일정 이상 비율을 차지하는지 여부에 따라 그 대상 EL 이미지를 1차 분류하는 단계이다. 즉, 태양전지 셀의 효율은 블랙스팟의 비율과 상관 관계가 있으며, 블랙스팟의 비율이 일정 이상인 경우에 태양전지 셀의 효율은 급격히 나뻐질 수 있다. S102는 이러한 내용을 반영하여 블랙스팟의 비율에 따른 분류를 먼저 수행하는 단계이다.
S102에서, 블랙스팟이 대상 EL 이미지에서 일정 이상 비율(가령, 1.5% 이상)을 차지하는 경우, 1차 분류부(352)는 대상 EL 이미지를 제1 종류로 분류(가령, blackspot이 True인 것으로 분류)할 수 있다. 반면, 블랙스팟이 대상 EL 이미지에서 일정 이상 미만(가령, 1.5% 미만)을 차지하는 경우, 1차 분류부(352)는 대상 EL 이미지를 제2 종류로 분류(예를 들어, blackspot이 False인 것으로 분류)할 수 있다.
도 7은 EL 이미지에 대한 1차 분류를 위해 EL 이미지가 영상 처리되는 과정에서의 각 이미지를 나타내며, 도 8은 EL 이미지와 그 EL 이미지에 대한 1차 분류를 위해 도출된 블랙스팟 이미지의 다양한 예를 나타낸다.
특히, S102에서, 1차 분류부(352)는 이미지 생성 모델을 이용하여 대상 EL 이미지를 1차 분류할 수 있다. 즉, 이미지 생성 모델은 학습용 EL 이미지로부터 그 EL 이미지 내에 포함된 블랙스팟에 대한 이미지(블랙스팟 이미지)를 생성하도록, 비지도 학습(unsupervised learning) 방식의 머신 러닝(machine learning) 기법에 따라 학습된 모델이다.
예를 들어, 비지도 학습 방식은 오토인코더(Auto-encoder), 변이형 오토인코더(Variational Auto-encoder), 생성적 적대 신경망(Generative Adversarial Network) 등일 수 있으나, 이에 한정되는 것은 아니다.
가령, 이미지 생성 모델은 입력 데이터 및 출력 데이터 쌍의 학습 데이터를 통해 학습되며, 다수의 레이어(layer)를 포함하여, 입력 데이터와 출력 데이터의 관계에 대한 함수를 가진다. 이때, 입력 데이터는 학습용 EL 이미지의 데이터를 포함할 수 있으며, 결과 데이터는 학습용 EL 이미지에 대한 영상 처리에 따른 블랙스팟 이미지의 데이터를 포함할 수 있다. 이에 따라, 이미지 생성 모델은 대상 EL 이미지의 데이터가 입력되면 그 대상 EL 이미지에 대한 블랙스팟 이미지의 데이터를 출력할 수 있다.
구체적으로, 도 7을 참조하면, EL 이미지에 대한 영상 처리를 위해, 학습용 EL 이미지에 대해, 히스토그램 균질화 처리, 버스바 라인(bus-bar line) 제거 처리, 에지 추출 처리, 추출된 에지를 기준으로 한 투영 변환(perspective transform) 처리, 윤곽 추출 처리 등이 수행될 수 있다.
이때, 히스토그램 균질화 처리는 EL 이미지의 휘도 값의 범위를 일정 범위로 조절하는 정규화(normalization)하는 영상 처리이다. 즉, 이는 다양한 범위를 가지는 EL 이미지의 휘도 값의 범위를 일정 기준에 따라 스케일링함으로써, 동일 휘도 범위 조건에서 다른 영상 처리를 수행하기 위함이다.
버스바 라인 제거 처리는 EL 영상에서 버스바에 해당하는 범위인 버스바 라인을 제거하는 영상 처리이다. 이는 버스바 라인이 블랙스팟이 발생하지 않는 부위에 해당하므로, 해당 버스바 라인을 EL 영상에서 제거함으로써 보다 정확한 블랙스팟 검출이 가능하도록 하기 위함이다.
에지 추출 처리는 EL 이미지에서 각 모서리 지점인 에지를 추출하는 영상 처리이다. 이는 다양한 이미지 각도(가령, EL 이미지에서 그 태양전지 셀의 형상이 정확히 직사각형을 이루이지 않고 틀어진 각도 등)를 가지므로, 이에 대한 정합을 위해 그 정합의 기준점이 되는 에지를 추출하기 위함이다.
투영 변환 처리는 다양한 이미지 각도의 EL 이미지를 일정한 각도의 EL 이미지로 정합시키기 위해, 에지 추출 처리에 따라 추출된 에지를 기준으로 EL 이미지를 투영 변환하는 영상 처리이다. 가령, 투영 변환 처리는 비뚤어진 형태의 태양전지 셀 형상을 가지는 EL 이미지를 직사각형 형태의 태양전지 셀 형상을 가지는 EL 이미지로 투영 변환할 수 있다.
윤곽 추출 처리는 다양하게 영상 처리된 EL 이미지에서 블랙스팟 추출을 위해 그 EL 이미지 내에 존재하는 다양한 영역의 윤곽을 추출하는 처리이다.
예를 들어, 히스토그램 균질화 처리, 버스바 라인 제거 처리, 에지 추출 처리, 추출된 에지를 기준으로 한 투영 변환 처리 및 윤곽 추출 처리의 순서로 EL 이미지에 대한 상술한 영상 처리가 수행될 수 있으나, 이에 한정되지 않고 이와 다른 순서로 상술한 영상 처리가 수행될 수 있다. 다만, 윤곽 추출 처리는 상술한 영상 처리 중에서 마지막 단계에 해당할 수 있다.
한편, 이들 영상 처리에 따라 처리된 영상은 각각 별도로 비지도 학습 방식에 따라 학습된 모델을 이용하여 생성될 수도 있다. 즉, 히스토그램 균질화 처리 모델, 버스바 라인 제거 처리 모델, 에지 추출 처리 모델, 투영 변환 처리 모델 및 윤곽 추출 처리 모델이 각각 별도로 학습되어 마련될 수도 있다. 이 경우, 이미지 생성 모델은 이들 모델을 모두 포함하는 모델인 것으로 지칭될 수 있다. 또는, 이미지 생성 모델은 이들 영상 처리를 각각 차례로 수행하는 다수의 레이어(layer)를 포함할 수도 있다.
이러한 이미지 생성 모델은 학습부(351)에 의해 사전 학습되거나, 타 장치에서 사전 학습되어 통신부(320)를 통해 분류 장치(300)로 전송될 수 있다.
S102에서, 1차 분류부(352)는 이미지 생성 모델에 의해 생성된 블랙스팟이 해당 EL 이미지 내에서 차지하는 비율을 계산할 수 있으며, 그 계산 결과 따라 해당 EL 이미지가 제1 종류인지 제2 종류인지를 분류할 수 있다.
S103에서, 제어부(350)는 S102에서 1차 분류된 EL 이미지가 제1 종류인지를 판단한다. 이때, 제1 종류라면, 태양전지 효율이 나쁜 상태의 블랙스팟을 가진 경우에 해당하므로, 해당 태양전지의 셀에 대해서는 그 블랙스팟 유형(즉, 불량의 종류)를 더욱 상세하게 분류하기 위해 S104를 수행한다. 반면, 제1 종류가 아니라면, 태양전지 효율이 좋은 상태의 블랙스팟을 가진 경우에 해당하므로, 해당 태양전지의 셀에 대해서는 더 이상 블랙스팟 유형을 상세하게 분류할 필요가 없어 S101로 돌아가 다른 대상 EL 이미지에 대한 선택을 입력 받을 수 있다.
S104은 제1 종류인 대상 EL 이미지의 불량 종류(즉, 그 블랙스팟의 종류)에 대해 2차 분류하는 단계이다. 즉, EL 이미지에서 블랙스팟의 모양에 따라서 태양전지 셀을 다양한 여러 가지 불량을 나눌 수 있는데, S104는 이러한 내용을 반영하여 그 불량의 종류를 분류하는 단계이다.
특히, S104에서, 2차 분류부(352)는 기 학습된 불량 분류 모델을 이용하여, 대상 EL 이미지를 기반으로 검사대상 태양전지 셀의 불량 종류를 2차 분류할 수 있다.
가령, 불량 분류 모델은 입력 데이터 및 출력 데이터 쌍의 학습 데이터를 통해 지도 학습(supervised learning) 방식의 머신 러닝 기법으로 학습되며, 다수의 레이어(layer)를 포함하여, 입력 데이터와 출력 데이터의 관계에 대한 함수를 가진다.
예를 들어, 불량 분류 모델은 딥 러닝(deep learning) 기법에 따라 학습된 모델일 수 있으며, 딥 러닝 기법은 Deep Neural Network(DNN), Convolutional Neural Network(CNN), Recurrent Neural Network(RNN), Restricted Boltzmann Machine(RBM), Deep Belief Network(DBN), Deep Q-Networks 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
도 9는 불량 분류 모델에 대한 일 예를 나타낸다.
도 9를 참조하면, 불량 분류 모델은 입력 데이터와 출력 데이터 간의 관계를 입력층과 출력층 사이의 다수 은닉층(hidden layer)으로 표현할 수 있다. 이때, 각 은닉층은 적어도 하나 이상의 필터로 이루어지며, 각 필터는 가중치(weight)의 매트릭스(matrix)를 가진다. 즉, 해당 필터의 매트릭스에서 각 원소(픽셀)는 가중치의 값에 해당할 수 있다.
즉, 불량 분류 모델을 위한 학습 데이터에서, 입력 데이터는 학습용 EL 이미지의 데이터를 포함할 수 있다. 또한, 출력 데이터는 레이블(label)을 가지는 데이터인 학습용 EL 이미지의 태양전지 셀에 대한 불량 종류의 데이터를 포함할 수 있다. 이에 따라, 불량 분류 모델은 대상 EL 이미지의 데이터가 입력되면 그 대상 EL 이미지에 대한 불량 종류(즉, 블랙스팟의 유형)의 데이터를 출력할 수 있다. 이때, 학습용 EL 이미지는 제1 종류인 이미지, 즉 EL 이미지에서 블랙스팟이 일정 이상 비율을 차지하는 이미지일 수 있다.
도 10은 EL 이미지의 블랙스팟 유형에 대한 다양한 예를 나타내며, 도 11은 실제 구현한 불량 분류 모델를 이용하여 분류한 결과의 다양한 예를 나타낸다.
도 10을 참조하면, 불량 분류 모델은 입력된 대상 EL 이미지에 대해, 복수의 원인에 의해 서로 다른 복수의 제조 공정(즉, 태양전지 셀의 제조 공정)에서 발생한 불량 종류(즉, 블랙스팟 유형)에 대해 분류할 수 있다. 예를 들어, 블랙스팟 유형은 다음과 같은 다양한 유형을 포함할 수 있으나, 이에 한정되는 것은 아니다.
- 제1 유형: ARC Robot Pad에서 스크래치(scratch)로 인해 발생한 유형
- 제2 유형: WB 공정 Automation belt 오염으로 인해 발생한 유형
- 제3 유형: Printer 공정에서 발생한 Finger broken으로 인해 발생한 유형
- 제4 유형: 작업자 Wafer 핸들링 시 발생한 지문으로 인해 발생한 유형
- 제5 유형: 기존 OpenCV 블랙스팟 유형 분류 시, Over-reject에 대한 재분류의 유형
- 제6 유형: MAIA 공정의 Talox에서 발생한 박막 두께 불균형으로 인해 발생한 유형
- 제7 유형: LCO 공정에서 Missing aluminum에 의해 발생한 유형
- 제8 유형: WB 공정에서 반사도육 문제로 인해 발생한 유형
- 제9 유형: Wafer 원자재 자체의 문제로 인해 발생한 유형
- 제10 유형: Null 및 Hotspot에 의해 발생한 유형
- 제11 유형: POCL 공정 중 Boat 하단 부분으로 인해 발생한 유형
- 제12 유형: POCL 공정 보트에 파손 Wafer로 인해 발생한 유형
- 제13 유형: POCL 공정에서 Wafer가 뒤집힌 상태로 공정이 진행됨에 따라 발생한 유형
- 제14 유형: POCL 공정에서 Uniformity가 불안정해져서 발생한 유형
- 제15 유형: TALOX 공정 보트에서 반대방향의 Wafer 부재로 인해 발생한 유형
- 제16 유형: 새로운 형태의 이미지 또는 학습량이 적어서 그 불량 분류 모델의 예측 값이 불안정해서 발생한 유형
- 제17 및 제18 유형: WB 공정 또는 POCL 공정에서 오염에 의해 발생한 유형
- 제19 유형: By-facial공정에서 Laser pattern align 불량에 의해 발생한 유형
- 제20 유형: WB roller scratch에 의해 오염 불량 발생한 유형
- 제21 유형: Oxidation, LDSE공정의 pattern 불량에 의해 발생한 유형
- 제22 유형: Firing 공정 온도 uniformity 불량에 의해 발생한 유형
- 제23 유형: PRINTER 공정 Al paste 도포 불량에 의해 발생한 유형
- 제24 유형: 오토메이션 로봇 pick-up패드 오염으로 발생한 유형
- 제25 유형: wafer 전면부 스크레치, WB에칭 불량으로 발생한 유형
한편, 불량 분류 모델은 image classification의 기능을 가지는 모델로서, image augmentation의 기능을 가지는 모델과 매우 다른 특징을 가진다. 가령, image augmentation 모델의 경우, 태양전지 모듈의 EL 이미지에 대해 [불량의 위치], [크기], [종류]를 확인하는 기능을 가질 수 있다. 하지만, image augmentation 모델은 그 은닉층의 구성이 매우 복잡할 수밖에 없어, 연산량, 연산시간 및 저장용량이 매우 클 뿐 아니라, [불량의 종류] 판단 시, EL 이미지의 벡터(vector) 값(즉, 대표 값)에 대한 결론이 매우 애매 모호한 문제점이 있다. 이에 반하여, 불량 분류 모델은 image classification의 단순하고 명확한 기능에 따라 태양전지 셀의 EL 이미지에 대한 [불량의 종류]를 확인할 수 있으므로, image augmentation 모델에 비해, 연산량, 연산시간 및 저장용량이 매우 작을 뿐 아니라, 그 대표 값에 대한 결론도 매우 명확한 이점이 있다.
또한, S104에서, 2차 분류부(353)는 상술한 2차 분류를 수행한 결과의 데이터를 메모리(340) 또는 데이터베이스 장치(200)의 데이터베이스에 저장하도록 제어할 수 있다. 예를 들어, 데이버베이스에 저장되는 결과 데이터로는 1차 및 2차 분류를 수행한 EL 이미지에 대한 이름, 촬영 시간, 그 분류 결과에 대한 세부 정보(1차 분류에서의 블랙스팟 비율, 2차 분류에서의 분류 결과인 불량 종류 등) 등을 포함할 수 있다.
상술한 이미지 분류 방법은 메모리(340)에 로드되어 제어부(350)의 제어에 따라 프로그램을 실행함으로써 실행될 수 있다. 이러한 프로그램은, 여러 가지 유형의 비일시적인 컴퓨터 판독 가능한 매체(non-transitory computer readable medium)의 메모리(340)에 저장될 수 있다. 비일시적인 컴퓨터 판독 가능한 매체는 여러 가지 유형의 실체가 있는 기록 매체(tangible storage medium)를 포함한다.
예를 들어, 비일시적인 컴퓨터 판독 가능한 매체는, 자기 기록 매체(예를 들면, 플렉시블 디스크, 자기 테이프, 하드디스크 드라이브), 광자기 기록 매체(예를 들면, 광자기 디스크), CD-ROM(read only memory), CD-R, CD-R/W, 반도체 메모리(예를 들면, 마스크 ROM, PROM(programmable ROM), EPROM(erasable PROM), 플래시 ROM, RAM(random access memory))을 포함하나, 이에 한정되는 것은 아니다.
또한, 프로그램은 여러 가지 유형의 일시적인 컴퓨터 판독 가능한 매체(transitory computer readable medium)에 의해 공급될 수도 있다. 예를 들어, 일시적인 컴퓨터 판독 가능한 매체는, 전기 신호, 광신호, 전자파를 포함할 수 있으나, 이에 한정되는 것은 아니다. 즉, 일시적인 컴퓨터 판독 가능한 매체는 전선, 광섬유 등의 유선 통신로 또는 무선 통신로를 통해 프로그램을 제어부(350)에 공급할 수 있다.
상술한 바와 같이 구성되는 본 발명은 태양전지 셀의 EL 이미지를 기반으로 그 태양전지 셀의 불량 여부 및 종류를 신속하고 정확하게 분류할 수 있는 이점이 있다. 가령, 본 발명은 하루에 수백만장(가령, 200만장) 이상의 EL 이미지에 대한 전수 검사에 적용 가능하여 휴먼 에러(Human error)를 최소화할 수 있는 이점이 있다.
본 발명의 상세한 설명에서는 구체적인 실시 예에 관하여 설명하였으나 본 발명의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시 예에 국한되지 않으며, 후술되는 청구범위 및 이 청구범위와 균등한 것들에 의해 정해져야 한다.
100: 이미지 검출 장치
200: 데이터베이스 장치
300: 분류 장치 310: 입력부
320: 통신부 330: 디스플레이
340: 메모리 350: 제어부
351: 학습부 352: 1차 분류부
353: 2차 분류부
300: 분류 장치 310: 입력부
320: 통신부 330: 디스플레이
340: 메모리 350: 제어부
351: 학습부 352: 1차 분류부
353: 2차 분류부
Claims (8)
- 전자 장치에 의해 수행되며, 검사대상 태양전지 셀의 EL 이미지(electroluminescence image)를 기반으로 검사대상 태양전지 셀의 불량 여부를 분류하는 방법으로서,
검사대상 태양전지 셀의 EL 이미지에서 블랙스팟(black spot)이 일정 이상 비율을 차지하는지 여부에 따라 그 EL 이미지를 분류하되, 블랙스팟이 일정 이상 비율을 차지하는 제1 종류와, 블랙스팟이 일정 미만 비율을 차지하는 제2 종류로 1차 분류하는 단계; 및
제1 종류로 1차 분류된 경우, 기 학습된 불량 분류 모델을 이용하여, 검사대상 태양전지 셀의 EL 이미지를 기반으로 검사대상 태양전지 셀의 불량 종류를 2차 분류하는 단계;를 포함하며,
상기 불량 분류 모델은,
학습용 EL 이미지에 대한 입력 데이터와, 학습용 EL 이미지의 태양전지 셀의 불량 종류에 대한 결과 데이터를 각각 포함한 학습 데이터를 이용하여, 머신 러닝(machine learning) 기법에 따라 학습된 모델인 방법.
- 제1항에 있어서,
상기 1차 분류하는 단계는 학습용 EL 이미지로부터 그 EL 이미지 내에 포함된 블랙스팟에 대한 이미지(블랙스팟 이미지)를 생성하도록 머신 러닝 기법에 따라 기 학습된 이미지 생성 모델을 이용하여 검사대상 태양전지 셀의 EL 이미지를 분류하는 단계를 포함하는 방법.
- 제2항에 있어서,
상기 이미지 생성 모델은 학습용 EL 이미지에 대한 입력 데이터와, 학습용 EL 이미지에 대한 영상 처리에 따른 상기 블랙스팟 이미지에 대한 결과 데이터를 각각 포함한 학습 데이터를 이용하여 학습된 모델인 방법.
- 제3항에 있어서,
상기 영상 처리는 학습용 EL 이미지에 대해, 히스토그램 균질화 처리, 버스바 라인(bus-bar line) 제거 처리, 에지를 기준으로 한 투영 변환(perspective transform) 처리 및 윤곽 추출 처리를 포함하는 방법.
- 제1항에 있어서,
상기 불량 분류 모델은 복수의 원인에 의해 서로 다른 복수의 제조 공정에서 발생한 불량 종류에 대해 분류하는 방법.
- 검사대상 태양전지 셀의 EL 이미지를 저장한 메모리; 및
저장된 검사대상 태양전지 셀의 EL 이미지를 처리하여, 검사대상 태양전지 셀의 불량 여부를 분석하도록 제어하는 제어부;를 포함하며,
상기 제어부는,
검사대상 태양전지 셀의 EL 이미지에서 블랙스팟(black spot)이 일정 이상 비율을 차지하는지 여부에 따라 그 EL 이미지를 분류하되, 블랙스팟이 일정 이상 비율을 차지하는 제1 종류와 블랙스팟이 일정 미만 비율을 차지하는 제2 종류로 1차 분류하고,
제1 종류로 1차 분류된 경우, 기 학습된 불량 분류 모델을 이용하여, 검사대상 태양전지 셀의 EL 이미지를 기반으로 검사대상 태양전지 셀의 불량 종류를 2차 분류하며,
상기 불량 분류 모델은,
학습용 EL 이미지에 대한 입력 데이터와, 학습용 EL 이미지의 태양전지 셀의 불량 종류에 대한 결과 데이터를 각각 포함한 학습 데이터를 이용하여, 머신 러닝(machine learning) 기법에 따라 학습된 모델인 장치.
- 검사대상 태양전지 셀의 EL 이미지를 수신하는 통신부; 및
수신된 검사대상 태양전지 셀의 EL 이미지를 처리하여, 검사대상 태양전지 셀의 불량 여부를 분석하도록 제어하는 제어부;를 포함하며,
상기 제어부는,
검사대상 태양전지 셀의 EL 이미지에서 블랙스팟(black spot)이 일정 이상 비율을 차지하는지 여부에 따라 그 EL 이미지를 분류하되, 블랙스팟이 일정 이상 비율을 차지하는 제1 종류와 블랙스팟이 일정 미만 비율을 차지하는 제2 종류로 1차 분류하고,
제1 종류로 1차 분류된 경우, 기 학습된 불량 분류 모델을 이용하여, 검사대상 태양전지 셀의 EL 이미지를 기반으로 검사대상 태양전지 셀의 불량 종류를 2차 분류하며,
상기 불량 분류 모델은,
학습용 EL 이미지에 대한 입력 데이터와, 학습용 EL 이미지의 태양전지 셀의 불량 종류에 대한 결과 데이터를 각각 포함한 학습 데이터를 이용하여, 머신 러닝(machine learning) 기법에 따라 학습된 모델인 장치.
- 제6항 또는 제7항에 있어서,
상기 제어부는 운영 프로그램의 실행을 제어하며,
상기 운영 프로그램은 검사대상 태양전지 셀의 EL 이미지들에 대해, 시간, 날짜, 셀 ID 또는 제조 라인에 따라 상기 분석을 수행하는 장치.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200158500A KR102426275B1 (ko) | 2020-11-24 | 2020-11-24 | 태양전지 셀에 대한 이미지 분류 방법 및 장치 |
| EP21898491.2A EP4254262A1 (en) | 2020-11-24 | 2021-11-18 | Method and apparatus for classifying images of solar battery cells |
| CN202180078517.0A CN116547704A (zh) | 2020-11-24 | 2021-11-18 | 太阳能电池片的图像分类方法及装置 |
| PCT/KR2021/016953 WO2022114665A1 (ko) | 2020-11-24 | 2021-11-18 | 태양전지 셀에 대한 이미지 분류 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200158500A KR102426275B1 (ko) | 2020-11-24 | 2020-11-24 | 태양전지 셀에 대한 이미지 분류 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220071417A true KR20220071417A (ko) | 2022-05-31 |
| KR102426275B1 KR102426275B1 (ko) | 2022-07-27 |
Family
ID=81756153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200158500A KR102426275B1 (ko) | 2020-11-24 | 2020-11-24 | 태양전지 셀에 대한 이미지 분류 방법 및 장치 |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4254262A1 (ko) |
| KR (1) | KR102426275B1 (ko) |
| CN (1) | CN116547704A (ko) |
| WO (1) | WO2022114665A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102523701B1 (ko) * | 2023-01-19 | 2023-04-21 | (주)임픽스 | 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100003698A (ko) * | 2008-07-01 | 2010-01-11 | 닛신보 홀딩스 가부시키 가이샤 | 태양전지의 검사장치 및 태양전지의 결함판정방법 |
| KR20120113019A (ko) | 2011-04-04 | 2012-10-12 | 삼성전기주식회사 | 태양전지 셀 검사 방법 및 장치 |
| KR101958634B1 (ko) * | 2012-12-13 | 2019-03-15 | 엘지디스플레이 주식회사 | 디스플레이 장치의 무라 검출 장치 및 방법 |
| KR20200075141A (ko) * | 2018-12-12 | 2020-06-26 | 주식회사 맥사이언스 | 태양전지 모듈 검사 장치 및 검사 방법 |
| KR20200092143A (ko) * | 2019-01-24 | 2020-08-03 | 가천대학교 산학협력단 | 딥러닝 신경망을 이용한 디스플레이 패널 불량 진단 시스템 및 방법 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120116064A (ko) * | 2011-04-12 | 2012-10-22 | 한국에너지기술연구원 | 태양광 모듈의 결함 측정장치 |
-
2020
- 2020-11-24 KR KR1020200158500A patent/KR102426275B1/ko active IP Right Grant
-
2021
- 2021-11-18 EP EP21898491.2A patent/EP4254262A1/en active Pending
- 2021-11-18 CN CN202180078517.0A patent/CN116547704A/zh active Pending
- 2021-11-18 WO PCT/KR2021/016953 patent/WO2022114665A1/ko active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100003698A (ko) * | 2008-07-01 | 2010-01-11 | 닛신보 홀딩스 가부시키 가이샤 | 태양전지의 검사장치 및 태양전지의 결함판정방법 |
| KR20120113019A (ko) | 2011-04-04 | 2012-10-12 | 삼성전기주식회사 | 태양전지 셀 검사 방법 및 장치 |
| KR101958634B1 (ko) * | 2012-12-13 | 2019-03-15 | 엘지디스플레이 주식회사 | 디스플레이 장치의 무라 검출 장치 및 방법 |
| KR20200075141A (ko) * | 2018-12-12 | 2020-06-26 | 주식회사 맥사이언스 | 태양전지 모듈 검사 장치 및 검사 방법 |
| KR20200092143A (ko) * | 2019-01-24 | 2020-08-03 | 가천대학교 산학협력단 | 딥러닝 신경망을 이용한 디스플레이 패널 불량 진단 시스템 및 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102523701B1 (ko) * | 2023-01-19 | 2023-04-21 | (주)임픽스 | 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022114665A1 (ko) | 2022-06-02 |
| EP4254262A1 (en) | 2023-10-04 |
| CN116547704A (zh) | 2023-08-04 |
| KR102426275B1 (ko) | 2022-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Akram et al. | CNN based automatic detection of photovoltaic cell defects in electroluminescence images | |
| Deitsch et al. | Automatic classification of defective photovoltaic module cells in electroluminescence images | |
| Ahmad et al. | Photovoltaic cell defect classification using convolutional neural network and support vector machine | |
| Adou et al. | Insulator faults detection based on deep learning | |
| Meng et al. | Defect object detection algorithm for electroluminescence image defects of photovoltaic modules based on deep learning | |
| CN116385430A (zh) | 一种机器视觉瑕疵检测方法、装置、介质及设备 | |
| KR102426275B1 (ko) | 태양전지 셀에 대한 이미지 분류 방법 및 장치 | |
| Buratti et al. | Half and full solar cell efficiency binning by deep learning on electroluminescence images | |
| CN111209958A (zh) | 基于深度学习的变电站设备检测方法及装置 | |
| CN114399484A (zh) | 一种光伏组件缺陷检测方法、装置、设备及介质 | |
| CN112415014A (zh) | 一种铜箔缺陷检测方法以及介质 | |
| Demirci et al. | Defective PV cell detection using deep transfer learning and EL imaging | |
| CN117197571A (zh) | 一种光伏组件故障检测方法、装置、电子设备及存储介质 | |
| CN114821309A (zh) | 一种室内变电站开关及指示灯状态识别方法及系统 | |
| CN115690505A (zh) | 光伏组件故障检测方法、装置、计算机设备及存储介质 | |
| Yousif et al. | Fault detection from PV images using hybrid deep learning model | |
| Özer et al. | An approach based on deep learning methods to detect the condition of solar panels in solar power plants | |
| Yin et al. | YOLOv7-GX-based defect detection for PV panels | |
| Zhu et al. | C2DEM-YOLO: improved YOLOv8 for defect detection of photovoltaic cell modules in electroluminescence image | |
| CN114549392B (zh) | 太阳能电池片的色差检测方法、装置、设备和计算机介质 | |
| Song et al. | Research On Broken Corner And Black Edge Detection Of Solar Cell | |
| CN117078620B (zh) | Pcb焊点缺陷检测方法、装置、电子设备和存储介质 | |
| Gu et al. | YOLOv3-MSSA based hot spot defect detection for photovoltaic power stations | |
| CN117173448B (zh) | 一种基建工程进度智能化管控与预警方法及装置 | |
| Kantapong et al. | Deep Learning Model Development for Detecting 22 kV Line-Post Insulator Faults |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |