WO2022114665A1 - 태양전지 셀에 대한 이미지 분류 방법 및 장치 - Google Patents

태양전지 셀에 대한 이미지 분류 방법 및 장치 Download PDF

Info

Publication number
WO2022114665A1
WO2022114665A1 PCT/KR2021/016953 KR2021016953W WO2022114665A1 WO 2022114665 A1 WO2022114665 A1 WO 2022114665A1 KR 2021016953 W KR2021016953 W KR 2021016953W WO 2022114665 A1 WO2022114665 A1 WO 2022114665A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
solar cell
inspected
type
black spot
Prior art date
Application number
PCT/KR2021/016953
Other languages
English (en)
French (fr)
Inventor
신경섭
Original Assignee
한화솔루션 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 한화솔루션 주식회사 filed Critical 한화솔루션 주식회사
Priority to CN202180078517.0A priority Critical patent/CN116547704A/zh
Priority to EP21898491.2A priority patent/EP4254262A1/en
Publication of WO2022114665A1 publication Critical patent/WO2022114665A1/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
    • 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
    • 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

Definitions

  • the present invention relates to a method and apparatus for classifying an image for a solar cell, and more particularly, to quickly and accurately classify the defect and type of the solar cell based on an EL image (Electroluminescence image) of the solar cell. It relates to a method and apparatus.
  • a solar cell is a device that converts incident sunlight into electrical energy and outputs it. Since these solar cells use sunlight as an energy source, replenishment of fuel is unnecessary, and they are widely used in power devices such as portable electronic calculators, electronic clocks, outdoor clocks, broadcasting relay stations, communication satellites, and broadcasting satellites.
  • a method of analyzing the current-voltage characteristic of the solar cell by irradiating light is mainly used (hereinafter referred to as “prior art”).
  • prior art it is possible to inspect only some of the various defects closely related to the lifetime of the solar cell (e.g., external cracks, internal cracks, reduced luminance, electrode defects, short circuits, junction breakdown or hot spots, etc.) . That is, the prior art has a problem in that it cannot be inspected for defects such as internal cracks that are invisible but generated during the process.
  • each solar cell has its own unique EL image. For example, it is necessary to analyze each unique EL image corresponding to 2 million or more per day, but the prior art is difficult to respond to this.
  • the present invention provides a method and apparatus for quickly and accurately classifying the defect and type of a solar cell based on an EL image (Electroluminescence image) of the solar cell but it has a purpose.
  • the method according to an embodiment of the present invention for solving the above problems is performed by an electronic device, and classifies whether a solar cell to be inspected is defective based on an EL image (electroluminescence image) of the solar cell to be inspected
  • the EL image is classified according to whether a black spot occupies a certain ratio or more in the EL image of the solar cell to be inspected, but a first type in which the black spot occupies a certain ratio or more, and black first classifying the spot into a second type occupying less than a certain percentage; and secondarily classifying the defective type of the solar cell to be inspected based on the EL image of the solar cell to be inspected using the pre-learned failure classification model when the first type is first classified. .
  • the failure classification model is a model learned according to a machine learning technique using input data for the EL image for learning and learning data including result data for the defective type of the solar cell of the EL image for learning, respectively.
  • the first classifying step is performed by using a pre-learned image generation model according to a machine learning technique to generate an image (black spot image) for a black spot included in the EL image from the EL image for inspection. classifying the EL image.
  • the image generation model may be a model learned using training data including input data for the EL image for training and result data for the black spot image according to image processing on the EL image for training, respectively.
  • the image processing may include a histogram homogenization process, a bus-bar line removal process, a perspective transform process based on an edge, and a contour extraction process for the EL image for learning.
  • the defect classification model may classify types of defects generated in a plurality of different manufacturing processes due to a plurality of causes.
  • a classification apparatus includes: a memory storing an EL image of a solar cell to be inspected; and a controller configured to process the stored EL image of the solar cell to be inspected and to analyze whether or not the solar cell to be inspected is defective, wherein the controller includes a black spot in the EL image of the solar cell to be inspected.
  • the defective type of the solar cell to be inspected is secondarily classified based on the EL image of the solar cell to be inspected using the previously learned defect classification model.
  • a classification apparatus includes: a communication unit configured to receive an EL image of a solar cell to be inspected; and a control unit that processes the received EL image of the solar cell to be inspected, and controls to analyze whether or not the solar cell to be inspected is defective, wherein the control unit includes a black spot ( The EL image is classified according to whether or not black spots occupy a certain ratio When the first type is classified, the defective type of the solar cell to be inspected is secondarily classified based on the EL image of the solar cell to be inspected using the previously learned defect classification model.
  • the failure classification model is a model learned according to a machine learning technique using input data for the EL image for learning and learning data including result data for the defective type of the solar cell of the EL image for learning, respectively.
  • the controller may control execution of an operation program, and the operation program may perform the analysis on the EL images of the solar cell to be inspected according to time, date, cell ID, or a manufacturing line.
  • the present invention configured as described above has the advantage of being able to quickly and accurately classify whether or not the solar cell is defective and the type based on the EL image of the solar cell.
  • the present invention has the advantage of being able to minimize the human error (Human error) can be applied to the entire inspection of more than a million EL images per day.
  • FIG. 1 shows a block diagram of a solar cell analysis system 10 according to an embodiment of the present invention.
  • FIG. 2 shows an example of a solar cell 400 .
  • FIG. 3 is a block diagram showing a classification apparatus 300 according to an embodiment of the present invention.
  • FIG. 4 is a block diagram showing the control unit 350 in the classification apparatus 300 according to an embodiment of the present invention.
  • FIG. 5 is a flowchart of an image classification method according to an embodiment of the present invention.
  • FIG 6 shows an example of an operating program according to an embodiment of the present invention.
  • FIG. 7 shows each image in a process in which an EL image is image-processed for primary classification of the EL image.
  • FIG. 8 shows an EL image and various examples of black spot images derived for primary classification of the EL image.
  • 11 shows various examples of classification results using the actually implemented failure classification model.
  • terms such as “or” and “at least one” may indicate one of the words listed together, or a combination of two or more.
  • “or B” and “at least one of B” may include only one of A or B, or both A and B.
  • 'first' and 'second' may be used to describe various components, but the components should not be limited by the above terms.
  • the above terms should not be construed as limiting the order of each component, and may be used for the purpose of distinguishing one component from another.
  • a 'first component' may be referred to as a 'second component'
  • a 'second component' may also be referred to as a 'first component'.
  • FIG. 1 shows a block diagram of a solar cell analysis system 10 according to an embodiment of the present invention
  • FIG. 2 shows an example of a solar cell 400 .
  • the solar cell analysis system 10 is a system for analyzing and managing whether a solar cell manufactured through various processes is defective and the type of the defect.
  • the solar cell analysis system 10 may include an image detection device 100 , a database device 200 , and a classification device 300 .
  • data may be transmitted/received between the image detection apparatus 100 , the database apparatus 200 , and the classification apparatus 300 through various wired/wireless communication methods.
  • the solar cell 400 has a plurality of finger-bars 401 and bus-bars 402 which are thin strips treated with thin metallization on the front surface thereof. ) is included. These finger bars 401 and bus bars 402 are passages through which electrons (photoelectric effect) generated by sunlight move by electromotive force (photovoltaic effect), and correspond to electrodes.
  • a plurality of finger bars 401 may be disposed on the front surface of the solar cell 400 to be spaced apart from each other by a predetermined distance.
  • the bus bar 402 may be disposed to cross the front surface of the solar cell 400 in a horizontal direction or a vertical direction. That is, the bus bar 402 may extend in a direction crossing or orthogonal to the extending direction of the finger bar 401 and may be disposed to be spaced apart from each other, and the finger bar 401 formed on the front surface of the solar cell 400 . connect them At this time, the plurality of finger bars 401 are connected to the bus bar 402 , and the generated current is collected and transmitted to the bus bar 402 .
  • the bus bar 402 may be continuously formed to have a constant width or may be formed discontinuously.
  • the very thin finger bars 401 may be disposed in a horizontal direction, and the bus bars 402 may be disposed in a vertical direction.
  • the solar cell module including the plurality of solar cells 400 may be connected between the solar cells through a bus bar.
  • the image detection apparatus 100 is an apparatus for detecting an image of a solar cell to be inspected.
  • the image detection apparatus 100 may detect an electroluminescence image (EL image) of a solar cell through an electroluminescence camera.
  • the image detection apparatus 100 may generate an EL image by photographing EL light emitted from a solar cell to which power of a forward current or a reverse voltage is applied.
  • power is applied in units of solar cell modules, and an EL image according to EL light emitted from each solar cell may be detected.
  • the database device 200 stores and manages a database including various data processed for the operation of the solar cell analysis system 10 .
  • the database may include data of the EL image detected by the image detection apparatus 100 . That is, the database apparatus 200 may receive data of the EL image detected by the image detection apparatus 100 from the image detection apparatus 100 and store and manage the data in the database.
  • the database may include data of a classification result for the EL image analyzed by the classification apparatus 300 . That is, the database device 200 may receive the classification result data from the classification device 300 and store and manage the data in the database.
  • FIG. 3 is a block diagram showing a classification apparatus 300 according to an embodiment of the present invention.
  • the classification device 300 is a device for classifying whether a solar cell to be inspected is defective based on data of the EL image, and may be an electronic device capable of computing or a computing network.
  • the EL image may be detected by the detection apparatus 100 or may be separately received by another apparatus.
  • the electronic device includes a desktop personal computer (PC), a laptop personal computer (PC), a tablet personal computer (PC), a netbook computer, a workstation, and a personal digital assistant (PDA).
  • PC desktop personal computer
  • PC laptop personal computer
  • PC tablet personal computer
  • PDA personal digital assistant
  • smartphone smart pad
  • mobile phone mobile phone
  • the classification apparatus 300 may include an input unit 310 , a communication unit 320 , a display 330 , a memory 340 , and a control unit 350 , as shown in FIG. 3 .
  • the input unit 310 generates input data in response to input of various users (monitor, etc.), and may include various input means.
  • the input unit 310 may transmit an input for various selections according to the execution of the operating program from the user to the control unit 350 .
  • the input unit 310 may include a keyboard, a keypad, a dome switch, a touch panel, a touch key, a touch pad, and a mouse. (mouse), a menu button (menu button) and the like may be included, but is not limited thereto.
  • the communication unit 320 is configured to communicate with other devices.
  • the communication unit 320 is receiving EL image data from the image detection apparatus 100 , the database apparatus 200 , or another apparatus.
  • the communication unit 320 may transmit the data of the classification result for the EL image performed under the control of the control unit 350 to the database device 200 or another device.
  • the communication unit 320 is 5th generation communication (5G), long term evolution-advanced (LTE-A), long term evolution (LTE), Bluetooth, bluetooth low energe (BLE), near field communication (NFC), Wireless communication such as Wi-Fi communication may be performed or wired communication such as cable communication may be performed, but is not limited thereto.
  • 5G 5th generation communication
  • LTE-A long term evolution-advanced
  • LTE long term evolution
  • BLE bluetooth low energe
  • NFC near field communication
  • Wireless communication such as Wi-Fi communication may be performed or wired communication such as cable communication may be performed, but is not limited thereto.
  • the display 330 displays various image data on a screen, and may be configured as a non-emissive panel or a light emitting panel.
  • the display 330 may display an EL image, a blackspot image, an execution screen of an operating program, and the like.
  • the display 330 may include a liquid crystal display (LCD), a light emitting diode (LED) display, an organic light emitting diode (OLED) display, and a micro electromechanical system (MEMS). mechanical systems) display, or an electronic paper display, etc., but is not limited thereto.
  • the display 330 may be implemented as a touch screen or the like in combination with the input unit 310 .
  • the memory 340 stores various types of information necessary for the operation of the classification apparatus 300 .
  • the storage information may include an EL image, a black spot image, an image generation model, a defect classification model, program information related to an image classification method to be described later, and the like.
  • the memory 340 may store the above-described database.
  • the memory 340 may be a hard disk type, a magnetic media type, a compact disc read only memory (CD-ROM), or an optical media type depending on the type. ), a magneto-optical media type, a multimedia card micro type, a flash memory type, a read only memory type, or a random access memory type), but is not limited thereto.
  • the memory 340 may be a cache, a buffer, a main memory, an auxiliary memory, or a separately provided storage system according to its purpose/location, but is not limited thereto.
  • the controller 350 may perform various control operations of the classification apparatus 300 . That is, the controller 350 may control the execution of an image classification method to be described later, and the remaining components of the classification apparatus 300 , that is, the input unit 310 , the communication unit 320 , the display 330 , the memory 340 , and the like. operation can be controlled.
  • the controller 350 may include a processor that is hardware or a process that is software that is executed in the processor, and the processor includes a graphic processing unit (GPU), a central processing unit (CPU), It may be a processing unit such as a microprocessor unit (MPU) or a micro controller unit (MCU), but is not limited thereto.
  • FIG. 4 is a block diagram showing the control unit 350 in the classification apparatus 300 according to an embodiment of the present invention.
  • the controller 350 controls the execution of the image classification method according to an embodiment of the present invention, and as shown in FIG. 4 , the learning unit 351 , the primary classification unit 352 , and the secondary classification unit 353 . ) may be included.
  • the learning unit 351 , the primary classification unit 352 , and the secondary classification unit 353 may be a hardware configuration of the control unit 350 or a software process executed in the control unit 350 , but this It is not limited.
  • FIG. 5 is a flowchart of an image classification method according to an embodiment of the present invention.
  • An image classification method is a method for classifying whether a solar cell to be inspected is defective based on an EL image, and may include steps S101 to S104 as shown in FIG. 5 .
  • FIG 6 shows an example of an operating program according to an embodiment of the present invention.
  • S101 is a step of selecting an EL image (hereinafter, referred to as a “target EL image”) of a solar cell to be inspected. That is, in S101, the control unit 350 may control the execution of the operating program as shown in FIG. 6 for analysis of classification of the target EL image, and a selection input by the user in the executed operating program.
  • the target EL image can be selected according to the input command.
  • the target EL image includes, in addition to the data of the EL image, ID (identification; unique identification information) data of the solar cell to be inspected, and data on the date, time, and manufacturing line of the solar cell to be inspected. Together, they may be stored in the database of the database device 200 or the memory 340 . Accordingly, in S101, the user can select a desired target EL image according to the corresponding time, date, cell ID, or manufacturing line through the operating program.
  • a daily (DAILY-SCALE) batch analysis for the target EL image, depending on the selected date, a daily (DAILY-SCALE) batch analysis, a time unit (SELECTED-SCALE) batch analysis, or a cell ID selection analysis is possible.
  • analysis according to the selection of a desired line is also possible.
  • S102 is a step of first classifying the target EL image according to whether a black spot, which is a dark portion of the selected target EL image, occupies a certain ratio or more. That is, the efficiency of the solar cell is correlated with the ratio of the black spots, and when the ratio of the black spots is greater than or equal to a certain level, the efficiency of the solar cell may rapidly deteriorate.
  • S102 is a step of first performing classification according to the ratio of black spots by reflecting these contents.
  • the primary classification unit 352 classifies the target EL image as a first type (eg, classifies the blackspot as True) )can do.
  • the primary classification unit 352 classifies the target EL image as a second type (eg, blackspot is False). can be classified).
  • FIG. 7 shows each image in the process of image processing of the EL image for primary classification of the EL image
  • FIG. 8 is an EL image and various examples of black spot images derived for primary classification of the EL image indicates
  • the primary classification unit 352 may primary classify the target EL image using the image generation model. That is, the image generation model is trained according to an unsupervised learning method machine learning technique to generate an image (black spot image) for a black spot included in the EL image from the EL image for training. is a model
  • the unsupervised learning method may be an auto-encoder, a variant auto-encoder, a generative adversarial network, etc., but is not limited thereto.
  • the image generation model is trained through training data of a pair of input data and output data, and includes a plurality of layers, and has a function of a relationship between input data and output data.
  • the input data may include data of the EL image for learning
  • the result data may include data of a black spot image according to image processing for the EL image for learning.
  • the image generation model may output data of a black spot image for the target EL image when data of the target EL image is input.
  • EL images for learning for image processing for EL images, for EL images for learning, histogram homogenization processing, bus-bar line removal processing, edge extraction processing, based on the extracted edges
  • a perspective transform process, a contour extraction process, and the like may be performed.
  • the histogram homogenization process is an image process for normalizing the range of the luminance value of the EL image to a predetermined range. That is, this is to perform different image processing under the same luminance range condition by scaling the luminance value range of the EL image having various ranges according to a predetermined criterion.
  • the busbar line removal processing is an image processing for removing a busbar line that is a range corresponding to a busbar from the EL image. This is to enable more accurate black spot detection by removing the bus bar line from the EL image since the bus bar line corresponds to a region where black spots do not occur.
  • the edge extraction processing is an image processing for extracting an edge that is each corner point in the EL image. This is to extract an edge serving as a reference point of the matching for matching because it has various image angles (eg, the shape of the solar cell in the EL image is not exactly a rectangle, but a misaligned angle, etc.).
  • Projection transformation processing is an image processing for projecting transformation of an EL image based on an edge extracted according to an edge extraction processing in order to register an EL image of various image angles into an EL image of a constant angle.
  • the projection conversion process can project-convert an EL image having a distorted shape of a solar cell into an EL image having a shape of a solar cell of a rectangular shape.
  • the contour extraction process is a process for extracting contours of various regions existing in the EL image in order to extract black spots from the EL image subjected to various image processing.
  • the above-described image processing on the EL image may be performed in the order of histogram homogenization processing, busbar line removal processing, edge extraction processing, projection transformation processing based on the extracted edge, and contour extraction processing, but without limitation, the above-described image processing may be performed in a different order.
  • the contour extraction process may correspond to the last stage among the above-described image processing.
  • the images processed according to these image processing may be separately generated using a model learned according to an unsupervised learning method. That is, the histogram homogenization processing model, the busbar line removal processing model, the edge extraction processing model, the projection transformation processing model, and the contour extraction processing model may be separately learned and prepared.
  • the image generation model may be referred to as a model including all of these models.
  • the image generation model may include a plurality of layers that sequentially perform these image processing.
  • This image generation model may be pre-trained by the learning unit 351 or may be pre-trained in another device and transmitted to the classification device 300 through the communication unit 320 .
  • the primary classification unit 352 may calculate a ratio of black spots generated by the image generation model in the corresponding EL image, and determine whether the corresponding EL image is the first type or the second type according to the calculation result. can be classified.
  • the controller 350 determines whether the EL image first classified in S102 is a first type. At this time, if it is the first type, it corresponds to a case with a black spot in a poor state of solar cell efficiency, so for the cell of the solar cell, S104 is used to further classify the black spot type (that is, the type of defect) in more detail. carry out On the other hand, if it is not the first type, it corresponds to a case with a black spot in a state where the solar cell efficiency is good, so it is no longer necessary to classify the black spot type in detail for the cell of the solar cell. You can input a selection for an image.
  • Step S104 is a step of secondary classification for the first type, that is, the defective type of the target EL image (that is, the type of the black spot). That is, depending on the shape of the black spot in the EL image, various defects of the solar cell can be divided.
  • Step S104 is a step of classifying the type of the defect by reflecting these contents.
  • the secondary classification unit 352 may secondarily classify the defective type of the solar cell to be inspected based on the target EL image by using the pre-learned failure classification model.
  • the bad classification model is trained by a supervised learning method machine learning method through the training data of the input data and output data pairs. have a function for
  • the rogue classification model may be a model trained according to a deep learning technique, and the deep learning technique is a Deep Neural Network (DNN), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), Deep Q-Networks, etc. may include, but are not limited thereto.
  • DNN Deep Neural Network
  • CNN Convolutional Neural Network
  • RNN Recurrent Neural Network
  • RBM Restricted Boltzmann Machine
  • DBN Deep Belief Network
  • Deep Q-Networks Deep Q-Networks
  • the failure classification model may express the relationship between input data and output data as multiple hidden layers between the input layer and the output layer.
  • each hidden layer consists of at least one filter, and each filter has a matrix of weights. That is, each element (pixel) in the matrix of the corresponding filter may correspond to a weight value.
  • the input data may include data of the EL image for training.
  • the output data may include data of a defective type for the solar cell of the EL image for learning, which is data having a label.
  • the rejection classification model may output data of the type of rejection (ie, type of black spot) for the target EL image.
  • the EL image for learning may be an image of the first type, that is, an image in which black spots occupy a certain ratio or more in the EL image.
  • FIG. 10 shows various examples of black spot types in the EL image
  • FIG. 11 shows various examples of classification results using the actually implemented defect classification model.
  • the defect classification model is a type of defect (ie, black spot type) generated in a plurality of different manufacturing processes (ie, solar cell manufacturing process) due to a plurality of causes with respect to the input target EL image.
  • black spot type may include, but is not limited to, various types as follows.
  • Type 6 The type caused by thin film thickness imbalance caused by Talox in the MAIA process
  • Type 8 The type caused by the problem of reflective slaughter in the WB process
  • Type 9 A type caused by a problem with the raw material of the wafer itself
  • Type 10 Types caused by Null and Hotspot
  • Type 11 A type caused by the lower part of the boat during the POCL process
  • Type 12 A type caused by a broken wafer on a POCL process boat
  • Type 14 A type caused by unstable uniformity in the POCL process
  • Type 15 A type caused by the absence of a wafer in the opposite direction in a TALOX process boat
  • Type 16 A type that occurs because the prediction value of the bad classification model is unstable due to a new type of image or a small amount of learning
  • Types 17 and 18 Types caused by contamination in WB processes or POCL processes
  • Type 19 A type caused by defective laser pattern alignment in the by-facial process
  • Type 22 Type caused by poor firing process temperature uniformity
  • Type 23 A type caused by poor application of Al paste in the PRINTER process
  • Type 24 A type caused by contamination of an automated robot pick-up pad
  • the bad classification model is a model with the function of image classification, and has very different characteristics from the model with the function of image augmentation.
  • the image augmentation model may have a function to check [defective location], [size], and [type] for the EL image of the solar cell module.
  • the image augmentation model has a very complicated structure of the hidden layer, so the amount of computation, computation time, and storage capacity is very large, and when determining [type of defect], the vector value (ie, representative value), there is a problem that the conclusion is very vague.
  • the defect classification model can check the [type of defect] for the EL image of a solar cell according to the simple and clear function of image classification, so the amount of computation, computation time, and storage capacity are very small compared to the image augmentation model.
  • the conclusion about the representative value has the advantage of being very clear.
  • the secondary classification unit 353 may control to store data of a result of performing the above-described secondary classification in the memory 340 or the database of the database device 200 .
  • the result data stored in the database includes the name of the EL image on which the primary and secondary classification has been performed, the shooting time, and detailed information on the classification result (black spot ratio in primary classification, 2 Defective types that are classification results in car classification), etc. may be included.
  • Non-transitory computer-readable media includes various types of tangible storage media.
  • non-transitory computer-readable media include magnetic recording media (eg, flexible disks, magnetic tapes, hard disk drives), magneto-optical recording media (eg, magneto-optical disks), CD-ROMs (read only memory), CD-R, CD-R/W, semiconductor memory (e.g., mask ROM, programmable ROM (PROM), erasable PROM (EPROM), flash ROM, random access memory (RAM));
  • magnetic recording media eg, flexible disks, magnetic tapes, hard disk drives
  • magneto-optical recording media eg, magneto-optical disks
  • CD-ROMs read only memory
  • CD-R CD-R/W
  • semiconductor memory e.g., mask ROM, programmable ROM (PROM), erasable PROM (EPROM), flash ROM, random access memory (RAM)
  • PROM programmable ROM
  • RAM random access memory
  • the program may be supplied by various types of transitory computer readable media.
  • the transitory computer-readable medium may include, but is not limited to, an electrical signal, an optical signal, and an electromagnetic wave. That is, the temporary computer-readable medium may supply the program to the control unit 350 through a wired communication path such as an electric wire or optical fiber or a wireless communication path.
  • the present invention configured as described above has the advantage of being able to quickly and accurately classify whether or not the solar cell is defective and the type based on the EL image of the solar cell.
  • the present invention has an advantage in that it is possible to minimize human error since it can be applied to a total inspection of more than several million (eg, 2 million) EL images per day.
  • the present invention can provide an image classification method and apparatus for a solar cell for quickly and accurately classifying the defect and type of the solar cell based on an EL image (Electroluminescence image) of the solar cell, so There is availability.

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)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Photovoltaic Devices (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 포함한다.

Description

태양전지 셀에 대한 이미지 분류 방법 및 장치
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.
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(Magnetic media type), CD-ROM(compact disc read only memory), 광기록 매체 타입(Optical Media type), 자기-광 매체 타입(Magneto-optical media type), 멀티미디어 카드 마이크로 타입(Multimedia 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 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 스케일링(scaling)함으로써, 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.
본 발명은 태양전지 셀의 EL 이미지(Electroluminescence image)를 기반으로 그 태양전지 셀의 불량 여부 및 종류를 신속하고 정확하게 분류하기 위한 태양전지 셀에 대한 이미지 분류 방법 및 장치를 제공할 수 있으므로, 산업상 이용가능성이 있다.

Claims (8)

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 제1항에 있어서,
    상기 불량 분류 모델은 복수의 원인에 의해 서로 다른 복수의 제조 공정에서 발생한 불량 종류에 대해 분류하는 방법.
  6. 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.
  7. 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.
  8. 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.
PCT/KR2021/016953 2020-11-24 2021-11-18 태양전지 셀에 대한 이미지 분류 방법 및 장치 WO2022114665A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
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
EP21898491.2A EP4254262A1 (en) 2020-11-24 2021-11-18 Method and apparatus for classifying images of solar battery cells

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0158500 2020-11-24
KR1020200158500A KR102426275B1 (ko) 2020-11-24 2020-11-24 태양전지 셀에 대한 이미지 분류 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2022114665A1 true WO2022114665A1 (ko) 2022-06-02

Family

ID=81756153

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/016953 WO2022114665A1 (ko) 2020-11-24 2021-11-18 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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
KR20120116064A (ko) * 2011-04-12 2012-10-22 한국에너지기술연구원 태양광 모듈의 결함 측정장치
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)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120113019A (ko) 2011-04-04 2012-10-12 삼성전기주식회사 태양전지 셀 검사 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
KR20120116064A (ko) * 2011-04-12 2012-10-22 한국에너지기술연구원 태양광 모듈의 결함 측정장치
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

Also Published As

Publication number Publication date
EP4254262A1 (en) 2023-10-04
KR20220071417A (ko) 2022-05-31
CN116547704A (zh) 2023-08-04
KR102426275B1 (ko) 2022-07-27

Similar Documents

Publication Publication Date Title
WO2017213398A1 (en) Learning model for salient facial region detection
JP4915991B2 (ja) 太陽電池の欠陥検査装置及びその方法
WO2022114665A1 (ko) 태양전지 셀에 대한 이미지 분류 방법 및 장치
WO2010041836A2 (en) Method of detecting skin-colored area using variable skin color model
WO2022154360A1 (ko) 전지셀의 외관 검사 시스템
WO2021012508A1 (zh) Ai影像识别方法、装置、设备及存储介质
WO2020004815A1 (ko) 데이터의 어노말리 감지 방법
WO2024027009A1 (zh) 一种变电站绝缘子的红外热成像缺陷检测方法及装置
WO2018131737A1 (ko) 불량 패널 검사 장치
Rodriguez et al. Automatic solar cell diagnosis and treatment
WO2022158628A1 (ko) 머신러닝 모델에 기반한 디스플레이 패널의 결함 판정 시스템
WO2023167498A1 (ko) 배터리 불량 검출 장치, 방법 및 시스템
CN112183311A (zh) 一种基于双模态数据融合的变电站设备故障检测方法
WO2022250190A1 (ko) 딥러닝 모델을 이용한 영상검사 대상체의 결함 판정시스템
WO2023282500A1 (ko) 슬라이드 스캔 데이터의 자동 레이블링 방법, 장치 및 프로그램
CN115690505A (zh) 光伏组件故障检测方法、装置、计算机设备及存储介质
Prajapati et al. Detection and Identification of faults in a PV Module using CNN based Algorithm
CN114821309A (zh) 一种室内变电站开关及指示灯状态识别方法及系统
WO2024106684A1 (ko) 딥러닝을 이용한 태양광 웨이퍼 결함 검출 시스템, 장치 및 그 방법
WO2023219453A1 (ko) 태양광 패널의 결함 검사 장치 및 그 운용 방법
WO2024049201A1 (ko) 배터리 전극 검사 장치 및 방법
WO2023163476A1 (ko) 전자 기기 가치 평가 방법 및 장치와 딥러닝 모델 트레이닝 방법
WO2024058318A1 (ko) 축사 관리 카메라를 위한 카메라 관리 시스템 및 방법
WO2023182795A1 (ko) 제품 이미지를 기반으로 불량 제품을 감지하는 인공 지능 장치 및 그 방법
WO2024053870A1 (ko) 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21898491

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202180078517.0

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021898491

Country of ref document: EP

Effective date: 20230626