WO2023219453A1 - 태양광 패널의 결함 검사 장치 및 그 운용 방법 - Google Patents

태양광 패널의 결함 검사 장치 및 그 운용 방법 Download PDF

Info

Publication number
WO2023219453A1
WO2023219453A1 PCT/KR2023/006463 KR2023006463W WO2023219453A1 WO 2023219453 A1 WO2023219453 A1 WO 2023219453A1 KR 2023006463 W KR2023006463 W KR 2023006463W WO 2023219453 A1 WO2023219453 A1 WO 2023219453A1
Authority
WO
WIPO (PCT)
Prior art keywords
solar panel
defect detection
detection device
defect
surface flatness
Prior art date
Application number
PCT/KR2023/006463
Other languages
English (en)
French (fr)
Inventor
박영현
Original Assignee
에스케이플래닛 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 에스케이플래닛 주식회사 filed Critical 에스케이플래닛 주식회사
Publication of WO2023219453A1 publication Critical patent/WO2023219453A1/ko

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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 to support quick and accurate inspection of solar panels for defects.
  • Solar power generation produces energy using solar cells (or photovoltaic cells) that convert received sunlight into electrical energy. Energy is produced by installing a solar panel with multiple solar cells arranged in a location that is good for capturing sunlight.
  • solar panels are installed in large numbers over a very large area to produce a lot of energy, or on the rooftops or roofs of buildings that are good for taking in solar energy.
  • solar panels are installed and operated outdoors, they are directly exposed to the effects of the external environment. Therefore, problems with solar panels often occur, which can cause a rapid decrease in solar power generation or increase the risk of fire.
  • the present invention was created in consideration of the above-mentioned circumstances, and the object to be achieved by the present invention is to quickly and accurately determine whether or not an abnormality occurs in the solar panel during the manufacturing process of the solar panel and the process of using the solar panel after installation. To provide devices and methods that can do this.
  • a solar panel defect inspection device includes a model provider that provides a pre-trained model, a communication module that receives a captured image of the solar panel from an image sensor, and the model.
  • a processing module functionally connected to a providing unit and the communication module, wherein the processing module collects captured images of solar panels and applies the captured images to the pre-trained model to generate an attention map, It is characterized in that it is set to determine whether there is a defect in the solar panel according to whether the attention map is abnormal.
  • the processing module is characterized by applying an attention mechanism including convolutional neural network training to a large public data set (or data set), for example, the MNIST data set or the ImageNet data set.
  • an attention mechanism including convolutional neural network training to a large public data set (or data set), for example, the MNIST data set or the ImageNet data set.
  • the processing module extracts at least one statistical feature from the attention map, detects a correlation between the extracted statistical feature and a label value indicating a defective solar panel, and determines a correlation according to the size of the correlation. It is characterized in that it is set to determine the presence or absence of a defect in the solar panel.
  • the processing module extracts the standard deviation of the surface flatness of the solar panel from the attention map, and then calculates the standard deviation of the surface flatness of the defective solar panel and the standard deviation of the surface flatness extracted from the attention map. It is characterized by being set to detect correlation between values.
  • the processing module extracts at least one of the average value of the surface flatness, the kurtosis of the surface flatness, and the skewness of the surface flatness, and extracts at least one of the average value, the kurtosis, and the skewness. It is characterized in that it is set to detect the correlation of at least one of the average value, kurtosis, and skewness in the map generated from the image of the defective solar panel.
  • the defect detection device further includes an output module that outputs a guidance message indicating the presence or absence of a defect in the solar panel.
  • a method for inspecting defects in a solar panel according to an embodiment of the present invention to achieve the above object includes steps of preparing a pre-trained model, collecting captured images of the solar panel, and applying the pre-trained model to the pre-trained model. Generating an attention map by applying the captured image, and determining whether the solar panel has a defect according to whether the attention map is abnormal.
  • the step of preparing the pre-trained model is characterized by including the step of applying an attention mechanism including convolutional neural network training to a large-scale public data set.
  • the step of determining the presence or absence of a defect includes extracting at least one statistical feature from the attention map, detecting a correlation between the extracted statistical feature and a label value indicating a defective solar panel, and the correlation It is characterized in that it includes the step of determining the presence or absence of a defect in the solar panel according to the size of the solar panel.
  • the step of extracting the statistical feature includes extracting the surface flatness of the solar panel from the attention map
  • the step of detecting the correlation includes extracting the surface flatness of the defective solar panel and the attention map. It is characterized in that it includes the step of detecting the correlation of the surface flatness extracted from.
  • the step of extracting the statistical feature includes extracting at least one of the average value of the surface flatness, the kurtosis of the surface flatness, and the skewness of the surface flatness, and detecting the correlation.
  • the step further includes detecting a correlation between at least one of the average value, the kurtosis, and the skewness and the average value, the kurtosis, and the skewness in a map generated from the image of the defective solar panel. It is characterized by
  • the method further includes the step of outputting a guidance message indicating the presence or absence of a defect in the solar panel.
  • the use of defective solar panels is prevented by quickly and accurately determining whether there is an abnormality in the solar panel during the solar panel manufacturing process. This can provide high reliability.
  • the influence of the surrounding environment is relatively less compared to defect detection using thermal imaging, resulting in more accurate Results can be provided.
  • FIG. 1 is a diagram showing various states of a solar panel.
  • Figure 2 is a diagram showing the standard deviation value for the surface flatness of a non-defective solar panel and the standard deviation value for the surface flatness of a defective solar panel (defective).
  • Figure 3 is a diagram showing an example of various feature values that can be applied to the present invention.
  • Figure 4 is a diagram showing an example of an attention map for the MNIST data set among the large-scale public data sets of pre-trained models.
  • Figure 5 is a diagram showing an image of an original solar panel and an attention map.
  • Figure 6 is a diagram showing the correlation coefficient between extracted features and a label indicating whether the solar panel is defective.
  • Figure 7 is a diagram showing defect detection performance through various learning models.
  • Figure 8 is a diagram showing AUROC values measured in the comparison experiment for defect detection performance described above.
  • Figure 9 is a diagram illustrating an example of an environment in which the solar panel defect detection technology according to an embodiment of the present invention is applied.
  • Figure 10 is a diagram showing an example of the configuration of a defect detection device for a solar panel according to an embodiment of the present invention.
  • FIG. 11 is an exemplary diagram of a hardware system for implementing a defect detection device according to an embodiment of the present invention.
  • Figure 12 is a diagram showing an example of signal flow between devices for detecting defects in solar panels according to an embodiment of the present invention.
  • efficiency varies depending on the type of panel. For example, among single-crystalline solar panels and polycrystalline solar panels with different surface flatness (or smoothness), single-crystalline solar panels with relatively higher surface flatness show higher efficiency. For example, the average daily efficiency of a single-crystalline solar panel is 6.65%, and the average daily efficiency of a polycrystalline solar panel is 5.38%. In addition, even if the surface of the solar panel is initially smooth, efficiency may decrease due to factors such as external damage, foreign substances, and aging. Therefore, it is advisable to identify abnormal signs of the solar panel and promptly repair them in order to maintain appropriate power generation efficiency. do.
  • Figure 1 shows various states of solar panels.
  • Figure 1 (a) shows an image taken of an area of a solar panel in good condition
  • Figures 1 (b) and (c) show images taken of a solar panel area where a partial scratch occurred.
  • Figures 1(d) and (e) show captured images of a partially cracked solar panel area
  • Figure 1(f) shows a captured image of a partially contaminated solar panel area.
  • solar panel defect detection was performed based on machine learning or deep learning.
  • the training process of machine learning or deep learning methods has the problem that the cost of the training process is high (or the amount of computation is large) because the original high-resolution image is supplied to the model for output calculation.
  • the present invention considers a more compact model than before to reduce the computational cost, such as the training process, to an appropriate level.
  • the present invention supports performance improvement by additionally recycling previously learned models from the perspective of renewable energy efficiency.
  • the pre-trained attention mechanism is used to detect key information in the image of the solar panel, and this helps improve defect detection performance.
  • the attention map extracted through the attention mechanism is used to extract feature information to determine whether there is a defect in each area of the solar panel.
  • the present invention can apply several concise classification methods using simple statistical functions of the original image or attention map.
  • Segmenting an image to mask the defective area of a solar panel is a useful approach, but it requires a lot of cost in time and manpower because a mask representing the defective area must be built for all images to learn the segmentation model. You can. In addition, since it is more economical to replace a defective solar panel rather than repair it, it can be appropriately applied to solar panel management even if only checking whether a defect has occurred rather than checking the location of the defect in the solar panel.
  • an attention mechanism is applied, which is a method of finding out where feature information is located in an image.
  • predefined classes determine the focus criteria in the image (or video), but the attention mechanism can provide more comprehensive results with less class dependence than the Class Activation Map (CAM).
  • CAM Class Activation Map
  • an ELPV (electroluminescence photo voltaics) data set was adopted, and each sample uses a high-resolution ELPV image with a size of 300 ⁇ 300.
  • the defect-free panel has an evenly smooth surface as shown in (a) of FIG. 1, but the defect detection panel has an uneven surface.
  • the standard deviation for the entire image is calculated. The standard deviation is measured for each height and width axis, taking into account the influence of the basic grid pattern common to all panels, and the measurements are shown in Figure 2.
  • Figure 2 shows the standard deviation value for the surface flatness of a non-defective solar panel (non-defective) and the standard deviation value for the surface flatness of a defective solar panel (defective).
  • a lower standard deviation means a smoother surface
  • a higher standard deviation means a rougher surface.
  • the case of a solar panel with a defect shows a higher standard deviation than the case of a solar panel without a defect.
  • the standard deviation for each axis of the image of FIG. 2 described above is used to distinguish whether the solar panel is defective. Additionally, by expanding the above-mentioned feature (providing defect detection performance through high and low standard deviation), defect detection performance can be improved by adopting more statistical values that can be extracted from the image.
  • Figure 3 shows an example of various feature values that can be applied to the present invention.
  • defect identification performance can be improved by extracting 13 feature values (or feature values) as shown in FIG. 3 based on the average, skewness, and kurtosis of pixel values of the image in addition to the standard deviation.
  • an attention mechanism can be used, and for this purpose, neural network training can be applied.
  • the present invention does not perform a labeling process to define defect types for all images, unnecessary costs are not incurred, and training is performed on large-scale public data sets such as MNIST (Modified National Institute of Standards and Technology database).
  • MNIST Modem National Institute of Standards and Technology database
  • a simple convolutional neural network (CNN) including an inner product attention mechanism is trained using the MNIST data set and assumed to be a pre-trained model, but the present invention is not limited to this.
  • the data set for training the neural network in the present invention may be a large-scale public data set such as the MNIST data set or the ImageNet data set.
  • Figure 4 shows an example of an attention map for a large public data set of a pre-trained model.
  • the attention mechanism focuses on the points where strokes end, converge, or bend, so the areas that are focused are If the attention to is appropriately applied to the defective area, an increased value of the standard deviation of the defective panel area of the solar panel is obtained. Additionally, in the present invention, defect detection performance can be improved by applying feature extraction to the attention map. To this end, the present invention recycles a pre-trained CNN model to extract an attention map for captured images of solar panels as a guide to defects. Regarding the attention mechanism of solar panels, images of solar panels are provided to a pre-trained CNN model trained to classify handwritten numbers to extract attention maps, and qualitative evaluation is performed.
  • Figure 5 shows an image of the original solar panel and an attention map.
  • the CNN model pre-trained on the attention map is mainly interested in areas containing non-smooth and areas where the surface texture changes due to contamination or grid, and as shown, there are defective areas. It is displayed with emphasis.
  • Column 501 of FIG. 5 shows images of a defect-free solar panel
  • row 502 of FIG. 5 shows images of a defective solar panel.
  • the row (a) of Figure 5 shows the original captured image of a partial area of the solar panel
  • the row (b) of Figure 5 shows the attention map for the original captured image
  • a row is an image that sequentially overlaps the original captured image and the attention map.
  • the 13 statistical features previously described in Figure 3 are extracted from the original image and attention map, respectively.
  • Figure 6 shows the correlation coefficient between the extracted features and a label indicating whether the solar panel is defective. As shown, it can be seen that the correlation between the original image and the attention map is also very high.
  • Figure 7 shows defect detection performance through various learning models.
  • the machine learning models shown in Figure 7 are Decision Tree (DT), Random Forest (RF), Extreme Gradient Boosting (XGB), and Light Gradient Boosting Machine (LGBM). Even if these machine learning models adopt a learning method, the computational cost appears to be lower than when deep learning is applied.
  • the entire data set was split and applied at an 8:2 ratio, and performance was measured for each hyperparameter, assuming that each model could show various performance depending on the hyperparameters.
  • the area under the receiver operating characteristic curve is used as an indicator of the defect detection performance of solar panels, and a rule is used to compare defect detection performance for each of 13 characteristic values without a separate learning method. Apply the base model.
  • Figure 8 shows AUROC values measured in the comparison experiment for defect detection performance described above. As shown in Figure 8, the maximum AUROC measured in the original data is 0.831, and the AUROC of the attention map is 0.845. From these results, it can be seen that the feature extraction method of the present invention operates at an appropriate level and that the attention mechanism by the dictionary learning model improves performance.
  • Figure 9 is a diagram showing an example of an environment in which the solar panel defect detection technology according to an embodiment of the present invention is applied.
  • the defect detection environment 10 of a solar panel includes an inspection stand 300, a solar panel 11, an image sensor 200, and a defect detection device 100.
  • the inspection table 300 includes a stand on which the solar panel 11 can be placed.
  • This inspection table 300 further includes a transfer device capable of transferring a plurality of solar panels 11.
  • the inspection table 300 including a transfer device it may be set to transfer the solar panel 11 at a specified speed in order to capture an image of the solar panel 11, or may be temporarily stopped when capturing an image. .
  • At least a portion of the inspection table 300 may be aligned with the vertical and horizontal image sensors 200.
  • the inspection table 300 is placed in a flat state to capture images evenly on the surface of the solar panel 11.
  • the inspection table 300 changes the movement path of the solar panel 11 depending on whether the solar panel 11 is defective.
  • the transfer device of the inspection table 300 is communicatively connected to the defect detection device 100 and, in response to the control of the defect detection device 100, converts the defect detection solar panel into a defect-free detection solar panel. Can be loaded in different locations.
  • the solar panel 11 includes a plurality of solar cells arranged in a designated pattern (eg, a grid pattern).
  • the solar cell can generate electricity by receiving sunlight.
  • the solar panel 11 is placed on the inspection table 300 and photographed by the image sensor 200.
  • the captured image of the solar panel 11 is provided to the defect detection device 100.
  • the defect detection function of the solar panel 11 described above the case of using a single crystal solar panel was mentioned, but the present invention is not limited to this, and the defect detection technology of the solar panel of the present invention is applied to a polycrystalline solar panel. and other repetitive patterns may be applied identically or similarly to solar panels.
  • the image sensor 200 includes a photographing unit that photographs the solar panel 11 placed on the inspection table 300 and a transmission unit that provides the captured image to the defect detection device 100.
  • the image sensor 200 according to an embodiment of the present invention further includes a moving part that can adjust the shooting direction of the image sensor 200 according to control from the defect detection device 100. All or at least part of the configuration of the image sensor 200, including the photographing unit, the transmitting unit, and the moving unit, is implemented in the form of a software module or hardware module executed by a processor, or a combination of a software module and a hardware module. It can be implemented in the form
  • the photographing unit captures an image in a designated direction.
  • the imaging unit automatically acquires an image of the solar panel 11 when the solar panel 11 is located at a designated location on the inspection table 300.
  • the imaging unit acquires an image of the solar panel 11 when a certain period of time has elapsed after the solar panel 11 is placed on the inspection table 300, or when there is no movement of the solar panel 11 for a specified time. do.
  • the photographing unit acquires images of the solar panel 11 according to a predefined photographing cycle.
  • the photographing unit includes at least one type of sensor (e.g., at least one of a black and white image sensor, an RGB sensor, a light sensor, a thermal image sensor, and a depth sensor) having a resolution capable of detecting the surface flatness of the solar panel 11. ) includes.
  • the photographing unit may acquire an image of the solar panel 11 in response to control of the defect detection device 100.
  • the transmission unit of the image sensor 200 receives a photographing signal from the defect detection device 100 and transmits it to the photographing unit.
  • the transmission unit is responsible for interfacing (e.g., signal transmission and reception) with the defect detection device 100.
  • the transmission unit transmits the control signal of the defect detection device 100 to the photographing unit, and transmits the captured image of the solar panel 11 captured by the photographing unit to the defect detection device 100.
  • the moving part of the image sensor 200 adjusts at least one of the position or the shooting direction of the image sensor 200.
  • This moving unit includes, for example, a moving means capable of moving the image sensor in at least one direction of the horizontal plane, or a flying means capable of moving the image sensor in at least one direction of the vertical and horizontal planes.
  • the image sensor 200 may be at least a part of the drone device.
  • the image sensor 200 acquires a captured image of the solar panel 11 placed at a designated location while moving along a pre-stored movement route and provides it to the defect detection device 100. You can.
  • the defect detection device 100 transmits information about the movement position or movement route of the image sensor 200 to the moving unit of the image sensor 200 through the transmission unit based on manager control or pre-stored information.
  • the point at which the image sensor 200 including the moving unit captures an image of the solar panel 11 using the photographing unit may be after the solar panel 11 is installed at a designated location for light generation.
  • the inspection table 300 may be a stand provided for photovoltaic power generation of the solar panel 11.
  • the stand supports the solar panel 11 and is configured to adjust the mounting direction of the solar panel 11 according to the design type.
  • the defect detection device 100 controls the image sensor 200 to acquire a captured image of the solar panel 11, and applies the obtained captured image to a pre-stored model to generate an attention map.
  • the defect detection device 100 determines the presence or absence of a defect in the solar panel 11 corresponding to the attention map by comparing at least one feature point highlighted in the attention map with a data table (or abnormal data table) corresponding to the defective panel. do.
  • This defect detection device 100 includes a configuration as shown in FIG. 10 .
  • Figure 10 is a diagram showing an example of the configuration of a defect detection device for a solar panel according to an embodiment of the present invention.
  • the defect detection device 100 may include a communication module 110, an output module 120, a model provider 130, and a processing module 140.
  • the communication module 110 supports the communication function of the defect detection device 100.
  • the communication module 110 forms a communication channel with the image sensor 200.
  • the communication module 110 transmits control information related to controlling the image sensor 200 to the image sensor 200.
  • the communication module 110 receives the image acquired by the image sensor 200.
  • the communication module 110 forms a communication channel with a specific server device in relation to information collection of the defect detection device 100, and creates a pre-trained model (e.g., a pre-trained CNN model) from the specific server device. You can receive information (or data) corresponding to.
  • a pre-trained model e.g., a pre-trained CNN model
  • the communication module 110 may receive a large public data set (eg, the MNIST data set or the ImageNet data set) used to create a pre-trained model from a specific server device.
  • the communication module 110 forms a communication channel with a management terminal or manager terminal (hereinafter referred to as management terminal) that manages the presence or absence of defects in the solar panel 11.
  • management terminal a management terminal or manager terminal
  • the communication module 110 sends management information indicating whether a defect in the solar panel 11 is detected in response to the control of the processing module 140 to the management terminal. send to At this time, the transmitted management information includes identification information (or serial information) of the solar panel in which a defect has been detected. Additionally, the management information may further include at least one of the original captured video and an attention map used when detecting a defect.
  • the output module 120 outputs various information related to the operation of the defect detection device 100.
  • the output module 120 includes at least one of an audio device capable of outputting an audio signal and a display device capable of outputting text or images.
  • the output module 120 may include a vibration module or a beep signal output device that can notify detection of a defect in the solar panel 11. If the result of detecting a defect in the solar panel 11 is set to be transmitted to the management terminal, the configuration of the output module 120 may be omitted.
  • the output module 120 applies information related to the pre-trained model, at least one feature point information applied to the pre-trained model, a captured image provided by the image sensor 200, and the captured image to the pre-trained model.
  • At least one of the generated attention map, feature point information extracted from the attention map, and defect determination information through comparison with a comparison value (or reference value) corresponding to a predefined defect panel may be output. Additionally, the output module 120 may output status information of the image sensor 200. For example, the output module 120 may output information on whether the image sensor 200 is activated, shooting direction information of the image sensor 200, a preview image collected by the image sensor 200, and location information of the image sensor 200. You can.
  • the model provider 130 stores and manages the pre-trained model, and the model provider 130 provides the pre-trained model to the processing module 140 in response to a request from the processing module 140.
  • the model provider 130 creates a pre-trained model from a large-scale public data set (eg, MNIST data set or ImageNet) through the communication module 110 and stores and manages it.
  • the pre-trained model is a model related to attention map creation and may include a model created by applying an attention mechanism to a large-scale public data set.
  • information on at least one feature point e.g., at least one of panel surface flatness, average value, kurtosis, and skewness
  • the feature points applied to create the pre-training model can later be used in the process of determining the presence or absence of a defect in the panel through the attention map.
  • the processing module 140 transmits control information regarding the timing of image capture for the solar panel 11 to the image sensor 200.
  • the processing module 140 controls the position of the image sensor 200 to the position of the solar panel 11 to be inspected for defects. ) is moved.
  • the processing module 140 receives the image of the solar panel 11 acquired by the image sensor 200 and extracts an attention map by applying the received image to a pre-trained model.
  • the processing module 140 emphasizes defective parts of the solar panel 11 through the attention map.
  • the processing module 140 extracts at least one statistical feature (or feature) (eg, a standard deviation value of the surface flatness of the panel) from the attention map.
  • the processing module 140 additionally extracts at least one of kurtosis, skewness, and average for surface flatness from the attention map.
  • the processing module 140 determines whether the product is defective based on the extracted statistical features.
  • the processing module 140 may store and manage statistical characteristic values when a defect occurs in the solar panel 11 as a comparison value or reference value.
  • the processing module 140 stores and manages a predefined reference value or reference value by which it can be determined that a defect has occurred in the solar panel 11.
  • the processing module 140 provides a reference value for the surface flatness of the defective solar panel 11, the surface flatness extracted from the attention map generated from the currently acquired captured image, and the defective state of the solar panel.
  • the defined label values are compared with each other, and the presence or absence of a defect is determined according to the correlation.
  • the processing module 140 determines that the solar panel 11 is defective when the correlation coefficients between the comparison value and the current value have high similarity. Additionally, the processing module 140 compares other statistical features (e.g., average value, kurtosis and skewness of a captured image, or kurtosis and skewness for surface flatness) to the attention map to detect defects. Detection performance can be improved. If it is determined that a defect has occurred in the solar panel 11, the processing module 140 outputs a message requesting replacement of the solar panel 11. Alternatively, the processing module 140 transmits a result regarding the presence or absence of a defect in the solar panel 11 to the management terminal through the communication module 110.
  • other statistical features e.g., average value, kurtosis and skewness of a captured image, or kurtosis and skewness for surface flatness
  • Figure 11 is an example diagram of a hardware system for implementing a defect detection device according to an embodiment of the present invention.
  • the above-described defect detection device 100 is, for example, a mobile terminal such as a smartphone, a laptop, a desktop, a laptop, a movable or fixed wired or wireless type with a user interface. Controllers, servers, etc. may be included, and of course, all types of devices equipped with computing means and communication means may be included, but are not limited thereto.
  • the defect detection device 100 is implemented in the form of a server, for example, it may be implemented in the form of a web server, database server, proxy server, etc., and the network load balancing mechanism or service device may be implemented through the Internet or another network.
  • the network load balancing mechanism or service device may be implemented through the Internet or another network.
  • One or more of various software that allows operation on the computer may be installed, thereby enabling it to be implemented as a computerized system.
  • the network may be an http network, a private line, an intranet, or any other network, and the connection between each component in the merchant service system according to an embodiment of the present invention may be any data. It can be connected to a secure network to avoid attacks by hackers or other third parties.
  • each component in the defect detection device 100 described above may be implemented in the form of a software module or hardware module executed by a processor, or may also be implemented in the form of a combination of a software module and a hardware module.
  • a software module, a hardware module, or a combination of a software module and a hardware module executed by a processor may be implemented as an actual hardware system (eg, a computer system).
  • the hardware system 2000 has a configuration including a processor unit 2100, a memory interface unit 2200, and a peripheral device interface unit 2300. You can.
  • Each component within the hardware system 2000 may be a separate component or integrated into one or more integrated circuits, and each of these components may be combined by a bus system (not shown).
  • the processor unit 2100 communicates with the memory unit 2210 through the memory interface unit 2200 to perform various functions in the hardware system, thereby executing various software modules stored in the memory unit 2210. .
  • the memory unit 2210 includes a communication module 110, an output module 120, a model provider 130, and a processing module 140, which are each component of the defect detection device 100 described above with reference to FIG. 10. may be stored in the form of a software module, and other operating systems (OS) may be additionally stored.
  • OS operating systems
  • the memory unit 2210 may include a memory hierarchy including, but not limited to, a cache, main memory, and secondary memory.
  • a memory hierarchy for example, RAM (e.g., SRAM, It may be implemented through any combination of DRAM, DDRAM), ROM, FLASH, magnetic and/or optical storage devices (e.g., disk drives, magnetic tapes, compact disks (CDs), and digital video discs (DVDs), etc.).
  • the peripheral device interface unit 2300 serves to enable communication between the processor unit 2100 and peripheral devices.
  • the peripheral device is intended to provide different functions to the hardware system 2000, and in one embodiment of the present invention, for example, a communication unit 2310 may be included.
  • the communication unit 2310 performs the role of providing a communication function with other devices, and for this purpose, for example, an antenna system, an RF transceiver, one or more amplifiers, a tuner, one or more oscillators, a digital signal processor, and a codec ( CODEC) chipset, memory, etc., but is not limited thereto, and may include known circuits that perform this function.
  • an antenna system for example, an RF transceiver, one or more amplifiers, a tuner, one or more oscillators, a digital signal processor, and a codec ( CODEC) chipset, memory, etc.
  • CODEC codec
  • Communication protocols supported by the communication unit 2310 include, for example, Wireless LAN (WLAN), Digital Living Network Alliance (DLNA), Wireless Broadband (Wibro), and World Interoperability for Microwave Access (Wimax). ), GSM (Global System for Mobile communication), CDMA (Code Division Multi Access), CDMA2000 (Code Division Multi Access 2000), EV-DO (Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA (Wideband CDMA) , HSDPA (High Speed Downlink Packet Access), HSUPA (High Speed Uplink Packet Access), IEEE 802.16, Long Term Evolution (LTE), LTE-A (Long Term Evolution-Advanced), 5G communication system, broadband wireless Wireless Mobile Broadband Service (WMBS), Bluetooth, RFID (Radio Frequency Identification), Infrared Data Association (IrDA), UWB (Ultra-Wideband), ZigBee, and adjacent magnetic field communication ( It may include Near Field Communication (NFC), Ultrasound Communication (USC), Visible Light Communication (VLC), Wi-Fi
  • wired communication networks include wired LAN (Local Area Network), wired WAN (Wide Area Network), Power Line Communication (PLC), USB communication, Ethernet, serial communication, and optical/coaxial. Cables, etc. may be included, and are not limited to any protocols that can provide a communication environment with other devices.
  • LAN Local Area Network
  • WAN Wide Area Network
  • PLC Power Line Communication
  • USB communication Ethernet
  • serial communication serial communication
  • optical/coaxial optical/coaxial.
  • Cables, etc. may be included, and are not limited to any protocols that can provide a communication environment with other devices.
  • each component in the defect detection device 100 stored in the form of a software module in the memory unit 2210 is an instruction executed by the processor unit 2100.
  • the processor unit 2100 By performing an interface with the communication unit 2310 through the memory interface unit 2200 and the peripheral device interface unit 2300 in the form of It can efficiently support installation configuration adjustment.
  • the installation configuration of the image sensor can be intuitively supported, making it possible to install and operate the image sensor without a sensor installation expert, thereby maximizing cost efficiency.
  • Figure 12 is a diagram showing an example of signal flow between devices for detecting defects in solar panels according to an embodiment of the present invention.
  • control information may include various signals related to controlling the image sensor 200 and acquiring captured images.
  • control information may include a turn-on/turn-off control signal of the image sensor 200, an initialization signal of the image sensor 200, a shooting direction control signal of the image sensor 200, and a shooting direction control signal of the image sensor 200. Includes at least one of the viewpoint control signals.
  • the control information may include a position control signal of the image sensor 200 (e.g., the photographing positions of at least one solar panel 11). ) further includes a signal including movement route information for moving ).
  • the control information includes a transport control signal of the solar panel 11 and a movement path control signal of the defective panel and the defect-free panel.
  • the defect detection device 100 transmits control information to the image sensor 200.
  • the defect detection device 100 may form a communication channel with the image sensor 200.
  • the communication channel is formed through at least one of wired or wireless methods.
  • the image sensor 200 performs image capture according to control information. For example, the image sensor 200 performs image capture of the solar panel 11 according to the capture cycle included in the control information. In this process, the image sensor 200 provides a preview image of the solar panel 11 placed on the inspection table 300 to the defect detection device 100, and takes pictures to obtain a captured image from the defect detection device 100. When a signal is received, an image can be captured in response to the received shooting signal. Alternatively, the image sensor 200 may capture an image of the solar panel 11 when the solar panel 11 is located at a designated location on the inspection table 300. Alternatively, the image sensor 200 may check whether the solar panel 11 moves and, if there is no movement for a specified time, take an image of the solar panel 11.
  • the control information includes location information of the image sensor 200. Accordingly, the image sensor 200 moves to the designated location using a moving means provided in the drone device, based on the location information included in the control information.
  • the image sensor 200 captures an image of the solar panel 11 when the solar panel 11 installed at the corresponding location is located within a designated viewing angle.
  • the image sensor 200 captures an image of the solar panel 11 when the size of the solar panel 11 is detected to be larger than a specified size.
  • the control information includes a plurality of location information
  • the image sensor 200 moves according to the plurality of location information and captures an image of the solar panel 11 provided at the corresponding location. If the solar panel 11 is not located at the designated location, the image sensor 200 captures an image at the location and sends information indicating that the solar panel 11 does not exist to the defect detection device 100. can be provided.
  • the image sensor 200 transmits the captured image to the defect detection device 100.
  • the captured image includes an image captured of the solar panel 11 including a plurality of solar cells.
  • the captured image includes at least one of various types of images, such as black and white images, color images, and depth images.
  • the image sensor 200 may divide a captured image into designated size units and sequentially provide the divided images to the defect detection device 100.
  • the image sensor 200 may divide the captured image into a plurality of solar cell groups and transmit each divided solar cell group to the defect detection device 100.
  • the defect detection device 100 applies the captured image to the pre-training model.
  • the pre-training model includes a training model provided with a large-scale public data set (e.g., MNIST data set or ImageNet data set) to a convolutional neural network to which an attention mechanism is applied.
  • the defect detection device 100 collects a large-scale public data set and creates a pre-training model using CNN.
  • the defect detection device 100 may receive a pre-training model from an external device (or a server device that provides a model).
  • the defect detection device 100 In the process of generating a training model, the defect detection device 100 generates a training model based on at least one feature point information (e.g., at least one of standard deviation, average value, kurtosis, and skewness for surface flatness), so that the model The amount of calculations required for training can be reduced.
  • at least one feature point information e.g., at least one of standard deviation, average value, kurtosis, and skewness for surface flatness
  • the defect detection device 100 determines whether a defect exists and outputs the output. To this end, the defect detection device 100 applies the captured image provided by the image sensor 200 to a pre-training model and extracts an attention map.
  • the defect detection device 100 may determine the presence or absence of a defect through analysis of areas highlighted by the attention map. For example, the defect detection device 100 extracts statistical features for areas highlighted by the attention map, and determines the correlation between the extracted features and the defect correlation coefficient corresponding to the statistical feature (e.g., a defective solar panel Or, check the correlation between the label of the feature of the defective panel and the statistical feature values of the currently acquired image.
  • the defect detection device 100 determines the presence or absence of a defect based on the similarity of correlation.
  • the defect detection device 100 When it is determined that the solar panel 11 is defective, the defect detection device 100 outputs a message indicating that a defect has occurred in the solar panel 11. At this time, the defect detection device 100 uses the output module 120 to output at least one of text, image, and audio signals corresponding to the message. Alternatively, the defect detection device 100 transmits the message to an external device (eg, an external speaker or management terminal) connected through the communication module 110.
  • an external device eg, an external speaker or management terminal
  • step S1213 the defect detection device 100 transmits a termination confirmation request message to the image sensor 200 to terminate the operation of detecting the presence or absence of a defect in the solar panel 11.
  • the defect detection device 100 further transmits a message to the image sensor to check whether there is a solar panel that has been confirmed to have a defect.
  • step S1215 if there are no additional solar panels 11 to determine the presence or absence of a defect, the image sensor 200 notifies the defect detection device 100 of termination in step S1217. Meanwhile, in step S1215, if there is a solar panel to determine whether there is a defect, the process branches to step S1205 and the following operations are performed again.
  • step S1213 if information about the number of solar panels 11 to be inspected or the location of the solar panels 11 is stored in the defect detection device 100, the defect detection device 100 sends the termination confirmation request message. Instead of transmitting the message to the image sensor 200, a message indicating termination is delivered to the image sensor 200. In response, the image sensor 200 switches to a deactivated state.
  • Figure 13 is a diagram showing an example of a method of operating a defect detection device in detecting defects in a solar panel according to an embodiment of the present invention.
  • the defect detection device 100 prepares a pre-trained model.
  • the pre-trained model may include a model that applies an attention mechanism (e.g., convolutional neural network) to a large-scale public data set (e.g., MNIST data set or ImageNet data set).
  • an attention mechanism e.g., convolutional neural network
  • the defect detection device 100 may apply at least one feature point (e.g., at least one of standard deviation, mean, kurtosis, and skewness for surface flatness) for the solar panel 11. there is.
  • the feature points applied when preparing the pre-training model can be used to determine whether the solar panel 11 is defective.
  • step S1303 when an image is acquired, the defect detection device 100 generates an attention map for the acquired image.
  • the defect detection device 100 applies (or matches) the received image to a pre-training model.
  • step S1305 the defect detection device 100 checks whether the attention map is abnormal. If the attention map is normal, the defect detection device 100 branches to step S1301 and re-performs the following operations, and if the attention map is abnormal, it processes output of a guidance message in step S1309. To this end, the defect detection device 100 pre-stores abnormal data (e.g., a comparison value table corresponding to features of an attention map in an abnormal state or label values corresponding to features of a defective panel), and stores the pre-stored abnormal data. Compare the currently obtained attention map.
  • abnormal data e.g., a comparison value table corresponding to features of an attention map in an abnormal state or label values corresponding to features of a defective panel
  • the defect detection device 100 extracts at least one statistical feature (e.g., at least one of standard deviation, average value, kurtosis, or skewness for the surface flatness of the panel) from the attention map, and extracts the extracted statistical features. and compare with pre-stored abnormal data (e.g. statistical characteristics of defective panels) (e.g. correlation detection).
  • at least one statistical feature e.g., at least one of standard deviation, average value, kurtosis, or skewness for the surface flatness of the panel
  • pre-stored abnormal data e.g. statistical characteristics of defective panels
  • the present invention is not limited to this.
  • the defect detection device 100 that detects defects in the solar panel 11 may be included in the image sensor 200.
  • an input device for user input related to operation control of the defect detection device 100 is provided separately, or a management terminal takes over the role.
  • a plurality of image sensors 200 are configured to capture images of a plurality of solar panels, and the plurality of images are captured as defects.
  • the detection device 100 receives the image, the defect detection device 100 can quickly determine the presence or absence of a defect by performing comparative analysis on a plurality of images simultaneously (in parallel) or in chronological order.
  • a defect detection model is also trained and To consume low energy during the inference process, we reduce the computational cost in the learning process by using a statistical feature extraction method to determine whether the panel is defective, and recycle the pre-trained attention mechanism to improve feature information. For example, AUROC improves from a maximum of 0.631 to 0.823 through the attention mechanism of the recycling model.
  • the present invention defines statistical features in solar panels to reduce computational load in the training procedure and uses them for fault detection in solar panels.
  • the present invention improves feature values by applying an attention mechanism that guides key information and reusing a pre-trained convolutional neural network that learned a large-scale public data set (e.g., MNIST data set or ImageNet data set). You can do it.
  • a pre-trained convolutional neural network that learned a large-scale public data set (e.g., MNIST data set or ImageNet data set). You can do it.
  • implementations of the functional operations and subjects described in this specification are implemented as digital electronic circuits, computer software, firmware, or hardware including the structure disclosed in this specification and its structural equivalents, or one or more of these. It can be implemented by combining. Implementations of the subject matter described herein may comprise one or more computer program products, that is, one or more modules of computer program instructions encoded on a tangible program storage medium for execution by or for controlling the operation of a processing system. It can be implemented.
  • the computer-readable medium may be a machine-readable storage device, a machine-readable storage substrate, a memory device, a composition of matter that affects a machine-readable radio wave signal, or a combination of one or more of these.
  • the term 'system' or 'device' includes all instruments, devices, and machines for processing data, including, for example, a programmable processor unit, a computer, or a multi-processor unit or computer.
  • the processing system may include code that forms an execution environment for computer programs on demand, such as code making up processor unit firmware, a protocol stack, a database management system, an operating system, or a combination of one or more of these. there is.
  • a computer program (also known as a program, software, software application, script, or code) may be written in any form of a programming language, including compiled, interpreted, a priori, or procedural languages, as a stand-alone program, or as a module. It can be deployed in any form, including components, subroutines, or other units suitable for use in a computer environment.
  • Computer programs do not necessarily correspond to files in a file system.
  • a program may be stored within a single file that serves the requested program, or within multiple interacting files (e.g., files storing one or more modules, subprograms, or portions of code), or as part of a file that holds other programs or data. (e.g., one or more scripts stored within a markup language document).
  • the computer program may be deployed to run on a single computer or multiple computers located at one site or distributed across multiple sites and interconnected by a communications network.
  • computer-readable media suitable for storing computer program instructions and data include semiconductor memory devices such as EPROM, EEPROM, and flash memory devices, magnetic disks such as internal hard disks and external disks, magneto-optical disks, and CDs.
  • semiconductor memory devices such as EPROM, EEPROM, and flash memory devices
  • magnetic disks such as internal hard disks and external disks
  • magneto-optical disks and CDs.
  • -Can include all forms of non-volatile memory, media, and memory devices, including ROM and DVD-ROM disks.
  • the processor unit and memory may be supplemented by, or integrated into, special-purpose logic circuits.
  • Implementations of the subject matter described herein may include back-end components, such as a data server, middleware components, such as an application server, or, e.g., a web browser or graphical user through which a purchaser may interact with an implementation of the subject matter described herein. It may be implemented in a front-end component, such as a client computer with an interface, or in a computing system that includes any combination of one or more of such back-end, middleware, or front-end components. The components of the system may be interconnected by any form or medium of digital data communication, such as a telecommunications network.
  • the solar panel defect inspection device and its operating method of the present invention it is possible to more accurately determine whether a solar panel is defective while using a lower-cost training model, thereby exceeding the limitations of existing technology. It is an invention that has industrial applicability because it not only has the potential for commercialization or sales of the applied device, but also the use of technology, and is clearly feasible in reality.
  • processing module 140 processing module

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Photovoltaic Devices (AREA)

Abstract

본 발명은 사전 훈련 모델을 제공하는 모델 제공부, 이미지 센서로부터 태양광 패널에 대한 촬영 영상을 수신하는 통신 모듈, 모델 제공부 및 통신 모듈과 기능적으로 연결된 처 리 모듈을 포함하고, 처리 모듈은 태양광 패널에 대한 촬영 영상을 수집하고, 사전 훈련된 모델에 촬영 영상을 적용하여 어 텐션 맵을 생성하고, 어 텐션 맵의 비정상 여부에 따라 태양광 패널의 결함 유무를 결정하도록 설정된 것을 특징으로 하는 태양광 패널의 결함 검출 장치 및 그 운용 방법에 관한 것이다.

Description

태양광 패널의 결함 검사 장치 및 그 운용 방법
본 발명은 태양광 패널의 결함 여부를 신속하고 정확하게 검사할 수 있도록 지원하기 위한 방안에 관한 것이다.
석유나 석탄과 같은 화석 에너지의 사용은 공기를 오염시키는 등 다양한 환경 문제를 만들어 왔다. 이에 최근에는 화석 에너지를 대체하는 친환경 에너지원에 대한 개발이 많이 이루어지고 있고, 이에 대한 일환으로 태양광 발전에 대한 관심이 급증하고 있다.
태양광 발전은 수광한 태양광을 전기 에너지로 변환하는 솔라셀(Solar Cell, 또는 태양광 셀)을 이용하여 에너지를 생산하는 것이다. 복수의 솔라셀을 배열한 태양광 패널을 태양광을 채광하기 좋은 위치에 설치하여 에너지를 생산한다.
일반적으로, 태양광 패널은 많은 에너지 생산을 위해 매우 넓은 구역에 다수 설치되거나, 태양광을 채광하기 좋은 건물의 옥상이나 지붕 등에 설치한다. 그러나 태양광 패널은 야외에 설치 및 운용되므로, 외부 환경에 따른 영향에 직접적으로 노출된다. 따라서 태양광 패널이 이상이 발생하는 경우가 많고, 이로 인해 태양광 발전량이 급격히 저하되거나 화재의 위험이 높아질 수 있다.
이에, 태양광 패널의 상태를 판단하여 이상이 발생한 태양광 패널을 신속하게 교체하는 것이 중요하다. 또한, 태양광 패널을 제조하는 과정에서도 많은 불량이 발생할 수 있는데, 이러한 불량이 발생한 태양광 패널을 신속하게 검사하고, 이를 대체하거나 수리할 수 있는 방안이 요구된다.
본 발명은 상기한 사정을 감안하여 창출된 것으로서, 본 발명에서 도달하고자 하는 목적은, 태양광 패널의 제조 공정 및 태양광 패널의 설치 후 사용 과정에서 태양광 패널의 이상 발생 유무를 신속 및 정확하게 판단할 수 있는 장치 및 방법을 제공함에 있다.
기타, 본 발명의 다양한 목적은 후술하는 실시 예들의 설명과 함께 언급하기로 한다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 태양광 패널의 결함 검사 장치는 사전 훈련 모델을 제공하는 모델 제공부, 이미지 센서로부터 태양광 패널에 대한 촬영 영상을 수신하는 통신 모듈, 상기 모델 제공부 및 상기 통신 모듈과 기능적으로 연결된 처리 모듈을 포함하고, 상기 처리 모듈은, 태양광 패널에 대한 촬영 영상을 수집하고, 상기 사전 훈련된 모델에 상기 촬영 영상을 적용하여 어텐션 맵을 생성하고, 상기 어텐션 맵의 비정상 여부에 따라 상기 태양광 패널의 결함 유무를 결정하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 처리 모듈은 대규모 공개 데이터 셋(또는 데이터 세트)에, 예를 들면 MNIST 데이터셋 또는 ImageNet 데이터 셋에 대해 콘볼루션 신경망 훈련을 포함하는 어텐션 메커니즘을 적용하는 것을 특징으로 한다.
구체적으로, 상기 처리 모듈은, 상기 어텐션 맵으로부터 적어도 하나의 통계적 특징을 추출하고, 상기 추출된 통계적 특징과 결함 태양광 패널을 나타내는 레이블 값과의 상관도를 검출하고, 상기 상관도의 크기에 따라 상기 태양광 패널의 결함 유무를 결정하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 처리 모듈은 상기 어텐션 맵으로부터 태양광 패널의 표면 평탄도의 표준 편차를 추출한 후, 상기 결함 태양광 패널의 표면 평탄도의 표준 편차와 상기 어텐션 맵에서 추출한 상기 표면 평탄도의 표준 편차 값 사이의 상관도를 검출하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 처리 모듈은 상기 표면 평탄도의 평균 값, 상기 표면 평탄도의 첨도, 상기 표면 평탄도의 왜도 중 적어도 하나를 추출하고, 상기 평균 값, 상기 첨도 및 상기 왜도 중 적어도 하나와 상기 결함 태양광 패널의 영상으로부터 생성된 맵에서의 평균 값, 첨도 및 왜도 중 적어도 하나의 상관도를 검출하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 결함 검출 장치는 상기 태양광 패널의 결함 유무를 지시하는 안내 메시지를 출력하는 출력 모듈을 더 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 태양광 패널의 결함 검사 방법은, 사전 훈련된 모델을 마련하는 단계, 태양광 패널에 대한 촬영 영상을 수집하는 단계, 상기 사전 훈련된 모델에 상기 촬영 영상을 적용하여 어텐션 맵을 생성하는 단계, 상기 어텐션 맵의 비정상 여부에 따라 상기 태양광 패널의 결함 유무를 결정하는 단계를 포함하는 것을 특징으로 한다.
구체적으로, 상기 사전 훈련된 모델을 마련하는 단계는 대규모 공개 데이터 셋에 대해 콘볼루션 신경망 훈련을 포함하는 어텐션 메커니즘을 적용하는 단계를 포함하는 것을 특징으로 한다.
구체적으로, 상기 결함 유무를 결정하는 단계는 상기 어텐션 맵으로부터 적어도 하나의 통계적 특징을 추출하는 단계, 추출된 통계적 특징과 결함 태양광 패널을 나타내는 레이블 값과의 상관도를 검출하는 단계, 상기 상관도의 크기에 따라 상기 태양광 패널의 결함 유무를 결정하는 단계를 포함하는 것을 특징으로 한다.
구체적으로, 상기 통계적 특징을 추출하는 단계는 상기 어텐션 맵으로부터 태양광 패널의 표면 평탄도를 추출하는 단계를 포함하고, 상기 상관도를 검출하는 단계는 상기 결함 태양광 패널의 표면 평탄도와 상기 어텐션 맵에서 추출한 상기 표면 평탄도의 상관도를 검출하는 단계를 포함하는 것을 특징으로 한다.
구체적으로, 상기 통계적 특징을 추출하는 단계는 상기 표면 평탄도의 평균 값, 상기 표면 평탄도의 첨도, 상기 표면 평탄도의 왜도 중 적어도 하나를 추출하는 단계를 포함하고, 상기 상관도를 검출하는 단계는 상기 평균 값, 상기 첨도 및 상기 왜도 중 적어도 하나와 상기 결함 태양광 패널의 영상으로부터 생성된 맵에서의 평균 값, 첨도 및 왜도 중 적어도 하나의 상관도를 검출하는 단계를 더 포함하는 것을 특징으로 한다.
구체적으로, 상기 방법은, 상기 태양광 패널의 결함 유무를 지시하는 안내 메시지를 출력하는 단계를 더 포함하는 것을 특징으로 한다.
이에, 본 발명의 일 실시예에 따른 태양광 패널의 결함 검사 장치 및 그 운용 방법에 의하면, 태양광 패널의 제조 과정에서 태양광 패널의 이상 유무를 신속 정확하게 판단함으로써, 불량 태양광 패널의 사용을 줄여 높은 신뢰도를 제공할 수 있다.
또한, 본 발명에 의하면, 태양광 패널이 사용되는 환경에서 태양광 패널의 평탄도를 기준으로 이상 유무를 판단함으로써, 열영상을 이용한 결함 검출에 비하여 상대적으로 주변 환경의 영향을 더 적게 받아 보다 정확한 결과를 제공할 수 있다.
기타, 본 발명에 의한 효과에 대해서는 후술하는 실시 예들을 통해서 언급하기로 한다.
도 1은 태양광 패널의 다양한 상태를 나타낸 도면.
도 2는 무결함 태양광 패널(Non-defective)의 표면 평탄도에 대한 표준 편차 값과, 결함 태양광 패널(defective)의 표면 평탄도에 대한 표준 편차 값을 나타낸 도면.
도 3은 본 발명에 적용될 수 있는 다양한 특징 값들의 한 예를 나타낸 도면.
도 4는 사전 훈련된 모델의 대규모 공개 데이터 셋 중 MNIST 데이터 셋에 대한 어텐션 맵의 한 예를 나타낸 도면.
도 5는 원본 태양광 패널의 영상과, 어텐션 맵을 나타낸 도면.
도 6은 추출된 특징과 태양광 패널의 불량 여부를 나타내는 레이블 간의 상관 계수를 나타낸 도면.
도 7은 다양한 학습 모델을 통한 결함 감지 성능을 나타낸 도면.
도 8은 상술한 결함 감지 성능을 위한 비교 실험에서 측정된 AUROC 값들을 나타낸 도면.
도 9는 본 발명의 일 실시 예에 따른 태양광 패널의 결함 검출 기술이 적용되는 환경의 한 예를 나타낸 도면.
도 10은 본 발명의 실시 예에 따른 태양광 패널의 결함 검출 장치 구성의 한 예를 나타낸 도면.
도 11은 본 발명의 일 실시예에 따른 결함 검출 장치를 구현하기 위한 하드웨어 시스템의 예시도.
도 12는 본 발명의 실시 예에 따른 태양광 패널의 결함 검출을 위한 장치들 간의 신호 흐름의 한 예를 나타낸 도면.
도 13은 본 발명의 실시 예에 따른 태양광 패널의 결함 검출에 있어서 결함 검출 장치 운용 방법의 한 예를 나타낸 도면.
본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다.
또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이며, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니됨을 유의해야 하며, 본 발명의 사상은 첨부된 도면 외에 모든 변경, 균등물 내지 대체물에 까지도 확장되는 것으로 해석되어야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 대하여 설명한다.
태양광 발전의 경우 패널의 종류에 따라 효율이 달라진다. 예컨대, 표면의 평탄도(또는 평활도)가 다른 단결정형 태양광 패널 및 다결정형 태양광 패널 중에, 상대적으로 표면의 평탄도 높은 단결정형 태양광 패널이 효율이 높게 나타난다. 예컨대, 단결정형 태양광 패널의 일일 평균 효율은 6.65%로 나타나며, 다결정형 태양광 패널의 일일 평균 효율은 5.38%로 나타난다. 또한, 초기 태양광 패널의 표면이 매끈하더라도 외부 손상, 이물질, 노화 등의 요인으로 효율 저하가 발생할 수 있기 때문에, 적절한 발전 효율을 유지하기 위해서 태양광 패널의 이상 징후를 파악하여 신속히 수리하는 것이 바람직하다.
도 1은 태양광 패널의 다양한 상태를 나타낸 것이다. 예컨대, 도 1의 (a)는 양호한 상태의 태양광 패널의 영역을 촬영한 영상을 나타낸 것이며, 도 1의 (b) 및 (c)는 부분적으로 스크래치가 발생한 태양광 패널 영역의 촬영 영상을 나타낸 것이다. 도 1의 (d) 및 (e)는 부분적으로 크랙이 발생한 태양광 패널 영역의 촬영 영상을 나타낸 것이고, 도 1의 (f)는 일부에 오염이 발생한 태양광 패널 영역의 촬영 영상을 나타낸 것이다. 앞서 언급한 바와 같이, 태양광 패널의 적절한 효율을 유지하기 위해서, 이상 징후가 있거나 이상이 발생한 태양광 패널의 영상을 촬영하고, 촬영 영상을 분석하여, 처리할 필요가 있다.
이전에는, 머신 러닝이나 딥 러닝을 기반으로 태양광 패널 결함 검출을 수행했다. 그러나, 머신 러닝이나 딥 러닝 방법의 훈련 과정은 출력 계산을 위해 원본 고해상도 이미지를 모델에 공급하기 때문에 훈련 과정의 비용이 높은(또는 연산량이 많은) 문제가 있다. 즉, 태양광 패널이 이해하기 쉬운 고정된 패턴을 가지고 있음에도 이러한 특징을 활용하지 못하고 딥 러닝과 같은 고가의 학습 모델 사용으로 인한 비용 손실이 발생한다. 따라서 본 발명은 훈련 과정과 같은 계산 비용을 적절한 수준으로 줄이기 위해 이전보다 더 간결한 모델을 고려한다.
또한, 본 발명은 재생에너지 효율의 관점에서 선행 학습된 모델을 추가적으로 재활용하여 성능 향상을 지원한다. 예컨대, 본 발명에서는 사전 훈련된 모델이 태양광 패널에 대한 학습을 수행하지 않더라도 사전 훈련된 어텐션 메커니즘이 태양광 패널의 이미지의 주요 정보를 검출하는데 이용되고, 이를 통해 결함 감지 성능을 개선하도록 지원한다. 이 과정에서, 어텐션 메커니즘을 통해 추출되는 어텐션 맵은 태양광 패널의 각 영역에 결함이 있는지 여부를 판단하기 위한 특징 정보 추출에 사용된다. 본 발명은 전체 픽셀 값을 사용하는 대신 원본 이미지 또는 어텐션 맵의 간단한 통계 기능을 사용하여 몇 가지 간결한 분류 방법을 적용할 수 있다.
태양광 패널의 결함 영역을 마스킹하기 위해 이미지를 분할하는 방식은 유용한 접근 방식이지만, 분할 모델을 학습하기 위해서 모든 영상에 대해 결함 영역을 나타내는 마스크를 구축해야 하기 때문에 시간 및 인력 등의 많은 비용이 소요될 수 있다. 또한, 불량이 발생한 태양광 패널은 수리하기 보다는 교체하는 것이 더 경제적이기 때문에, 태양광 패널의 불량 발생 위치까지 확인하기 보다는 불량 발생 여부만을 확인하더라도 태양광 패널의 관리에 적절히 적용할 수 있다.
본 발명에서는 어텐션 메커니즘을 적용하는데, 상기 어텐션 메커니즘은 이미지에서 특징 정보가 어디에 있는지 알아내는 방법이다. 학습 과정에서 미리 정의된 클래스는 이미지(또는 영상)에서 초점의 기준을 결정하지만, 어텐션 메커니즘은 클래스 활성화 맵(Class Activation Map, CAM)보다 클래스 의존도가 낮은 보다 포괄적인 결과를 제공할 수 있다.
본 발명의 태양광 패널의 결함 검출 기술에 대한 검증을 위하여 ELPV(electroluminescence photo voltaics) 데이터 셋을 채택하였으며, 각 샘플은 300Х300 크기의 고해상도 ELPV 이미지를 사용한다. 전체 데이터 셋에서 문제를 단순화하기 위해 단결정 데이터를 사용한다. 한편, 무결함 패널은 앞서 도 1의 (a)와 같이 표면이 고르게 매끄럽지만, 결함 검출 패널은 표면이 울퉁불퉁하다는 특성을 기반으로, 본 발명에서는 전체 이미지에 대한 표준 편차를 계산한다. 표준편차는 모든 패널에 공통된 기본 격자 패턴의 영향을 고려하여 높이 및 너비 축별로 측정되고, 이에 대한 측정은 도 2에 나타냈다.
도 2는 무결함 태양광 패널(Non-defective)의 표면 평탄도에 대한 표준 편차 값과, 결함 태양광 패널(defective)의 표면 평탄도에 대한 표준 편차 값을 나타낸 것이다. 표준편차가 낮을수록 매끄러운 표면을 의미하고, 표준편차가 높으면 거친 표면을 의미한다. 도시된 도면을 보면, 결함을 가지는 태양광 패널의 경우 무결함 태양광 패널 케이스보다 높은 표준편차를 나타낸다. 이를 통해, 본 발명에서는, 상술한 도 2의 이미지 각 축에 대한 표준편차를 이용하여 태양광 패널의 불량 여부를 구별한다. 추가로, 상술한 특징(표준 편차의 높고 낮음을 통한 결함 검출 성능 제공)을 확장하여, 이미지에서 추출할 수 있는 통계 값을 더 많이 채택할 경우, 불량 검출 성능을 높일 수 있다.
도 3은 본 발명에 적용될 수 있는 다양한 특징 값들의 한 예를 나타낸 것이다. 예컨대, 본 발명에서는, 표준편차 외에 영상의 픽셀 값들의 평균, 왜도, 첨도를 기반으로 도 3에 나타낸 바와 같은 13개의 특징값(또는 특성값)을 추출하여 결함 식별 성능을 개선할 수 있다.
한편, 앞서 설명한 바와 같이, 본 발명의 결함 유무 분류와 관련하여, 어텐션 메커니즘이 활용될 수 있으며, 이를 위해, 신경망 훈련이 적용될 수 있다. 이와 같이, 본 발명에서는 모든 이미지에 대한 결함 유형을 정의하기 위한 라벨링 프로세스를 수행하지 않기 때문에, 불필요한 비용이 소요되지 않고, MNIST(Modified National Institute of Standards and Technology database)와 같은 대규모 공개 데이터 셋에서 훈련된 모델의 어텐션 메커니즘을 사용할 수 있다. 본 발명에서는, MNIST 데이터 셋을 사용하여 내적 어텐션 메커니즘을 포함하는 단순 콘볼루션 신경망(CNN)을 훈련하고 이를 사전 훈련된 모델로 가정하지만, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 본 발명에서 신경망 훈련하는 데이터 셋은 MNIST 데이터 셋 또는 ImageNet 데이터 셋과 같은 대규모 공개 데이터 셋이 될 수 있다.
도 4는 사전 훈련된 모델의 대규모 공개 데이터 셋에 대한 어텐션 맵의 한 예를 나타낸 것이다.
CNN 모델이 대규모 공개 데이터 셋(예: MNIST 데이터 셋 또는 ImageNet 데이터 셋)에 대해 훈련된 어텐션인지 여부와 상관없이 어텐션 메커니즘은 스트로크가 끝나는 지점, 모이는 지점 또는 구부러지는 지점에 집중하기 때문에, 집중되는 영역에 대한 어텐션을 결함 영역에 적절하게 적용하면 태양광 패널의 결함 패널 영역의 표준 편차가 증가된 값을 획득한다. 또한, 본 발명에서는 어텐션 맵에 특징 추출을 적용하여 결함 검출 성능을 향상시킬 수 있다. 이를 위해, 본 발명은 사전 훈련된 CNN 모델을 재활용하여 결함의 가이드로 태양광 패널의 촬영 영상에 대한 어텐션 맵을 추출한다. 태양광 패널의 어텐션 메커니즘과 관련하여, 어텐션 맵 추출을 위해 손으로 쓴 숫자를 분류하도록 훈련된 사전 훈련된 CNN 모델에 태양광 패널의 영상을 제공하고, 정성적 평가를 수행한다.
도 5는 원본 태양광 패널의 영상과, 어텐션 맵을 나타낸 것이다. 도 5에서와 같이, 어텐션 맵에서 사전 훈련된 CNN 모델은 주로 non-smooth를 포함하는 영역과 오염이나 그리드에 의해 표면의 질감이 변하는 영역에 관심이 있고, 도시된 바와 같이, 결함이 있는 부분이 강조되어 표시된다. 도 5의 501 열은 무결함 태양광 패널에 대한 이미지들이고, 도 5의 502 열은 결함 태양광 패널에 대한 이미지들을 나타낸 것이다. 또한, 도 5의 (a) 행은 태양광 패널의 일부 영역에 대한 원본 촬영 영상을 나타낸 것이고, 도 5의 (b) 행은 원본 촬영 영상에 대한 어텐션 맵을 나타낸 것이고, 도 5의 (c) 행은 원본 촬영 영상과 어텐션 맵을 순차적으로 오버랩한 영상이다. 앞서 도 3에서 설명한 13개의 통계적 특징은 원본 이미지와 어텐션 맵에서 각각 추출된다.
도 6은 추출된 특징과 태양광 패널의 불량 여부를 나타내는 레이블 간의 상관 계수를 나타낸 것이다. 도시된 바와 같이, 원본 이미지와 어텐션 맵에서의 상관도 매우 높은 형태로 나타남을 알 수 있다.
도 7은 다양한 학습 모델을 통한 결함 감지 성능을 나타낸 것이다. 예컨대, 도 7에 나타낸 머신 러닝 모델은 DT(Decision Tree), RF(Random Forest), XGB(Extreme Gradient Boosting) 및 LGBM(Light Gradient Boosting Machine)이다. 이러한 머신 러닝 모델은 학습 방법을 채택하더라도 딥 러닝을 적용한 경우 보다 계산 비용이 낮게 나타난다. 머신 러닝 모델들에 대한 훈련 및 검증에 있어서 전체 데이터 셋을 8:2 비율로 분할하여 적용하였고, 각 모델이 하이퍼파라미터에 따라 다양한 성능을 보일 수 있다고 가정하고 각 하이퍼파라미터에 대한 성능 측정을 수행하였다. 본 발명에서는, 태양광 패널의 결함 탐지 성능 지표로 수신기 작동 특성 곡선의 아래 영역(area under the receiver operating characteristic curve)을 사용하며, 별도의 학습 방법 없이 13개의 특성값별로 불량 검출 성능을 비교한 규칙 기반 모델을 적용한다.
도 8은 상술한 결함 감지 성능을 위한 비교 실험에서 측정된 AUROC 값들을 나타낸 것이다. 도 8에 나타낸 바와 같이, 원본 데이터에서 측정된 최대 AUROC는 0.831이며, 어텐션 맵의 AUROC는 0.845로 나타난다. 이 결과 값으로부터 본 발명의 특징 추출 방법이 적절한 수준에서 작동하고 사전 학습 모델에 의한 주의 메커니즘이 성능을 향상시킴을 알 수 있다.
도 9는 본 발명의 일 실시 예에 따른 태양광 패널의 결함 검출 기술이 적용되는 환경의 한 예를 나타낸 도면이다.
도 9를 참조하면, 일 실시 예에 따른 태양광 패널의 결함 검출 환경(10)은 검사대(300), 태양광 패널(11), 이미지 센서(200) 및 결함 검출 장치(100)를 포함한다.
상기 검사대(300)는 태양광 패널(11)이 놓일 수 있는 거치대를 포함한다. 이러한 검사대(300)는 복수의 태양광 패널(11)을 이송할 수 있는 이송 장치를 더 포함한다. 이송 장치를 포함하는 검사대(300)의 경우 태양광 패널(11)에 대한 영상 촬영을 위하여 지정된 속도로 태양광 패널(11)을 이송하도록 설정되거나 또는 영상 촬영 시 일시적으로 중지된 상태를 가질 수 있다. 상기 검사대(300)의 적어도 일부는 수직상 및 수평상 이미지 센서(200)와 정렬된 상태를 가질 수 있다. 검사대(300)는 태양광 패널(11)의 표면에 대한 고른 영상 촬영을 위하여 평평한 상태로 배치된다. 검사대(300)가 이송 장치를 포함하는 경우, 검사대(300)는 태양광 패널(11)의 결함 여부에 따라, 태양광 패널(11)의 이동 경로를 다르게 한다. 이와 관련하여, 검사대(300)의 이송 장치는 결함 검출 장치(100)와 통신적으로 연결되고, 결함 검출 장치(100)의 제어에 대응하여, 결함 검출 태양광 패널을 무결함 검출 태양광 패널과 다른 위치에 적재할 수 있다.
상기 태양광 패널(11)은 복수개의 태양광 셀이 지정된 패턴(예: 격자 패턴)으로 배치된다. 상기 태양광 셀은 태양광을 수광하여 전기를 생성할 수 있다. 태양광 패널(11)은 제조 후, 검사대(300)에 놓이고, 이미지 센서(200)에 의해 촬영된다. 태양광 패널(11)을 촬영한 촬영 영상은 결함 검출 장치(100)에 제공된다. 한편, 위에서 설명한 태양광 패널(11)의 결함 검출 기능에서는 단결정 태양광 패널을 이용한 사례를 언급하였으나, 본 발명이 이에 한정되는 것은 아니며, 본 발명의 태양광 패널의 결함 검출 기술은 다결정 태양광 패널 및 기타 반복적인 패턴을 포함하는 태양광 패널에 동일 또는 유사하게 적용될 수 있다.
상기 이미지 센서(200)는 검사대(300)에 놓이는 태양광 패널(11)을 촬영하는 촬영부 및 촬영된 영상을 결함 검출 장치(100)에 제공하는 전송부를 포함한다. 또한, 본 발명의 일 실시예에 따른 이미지 센서(200)는 결함 검출 장치(100)로부터의 제어에 따라 이미지 센서(200)의 촬영 방향을 조정할 수 있는 이동부를 더 포함한다. 상기 촬영부, 전송부, 및 이동부를 포함하는 이미지 센서(200)의 구성 전체 내지는 적어도 일부는, 프로세서에 의해 실행되는 소프트웨어 모듈 형태 또는 하드웨어 모듈 형태로 구현되거나, 내지는 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태로 구현될 수 있다. 상기 촬영부는 지정된 방향의 영상을 촬영한다. 이때, 촬영부는 검사대(300)의 지정된 위치에 태양광 패널(11)이 위치하면, 자동으로 태양광 패널(11)에 대한 영상을 획득한다. 또는, 촬영부는 검사대(300)에 태양광 패널(11)이 거치되고 일정 시간이 경과되거나, 태양광 패널(11)의 움직임이 지정된 시간 동안 없는 경우, 태양광 패널(11)에 대한 영상을 획득한다. 또는, 촬영부는 사전 정의된 촬영 주기에 따라 태양광 패널(11)에 대한 영상을 획득한다. 상기 촬영부는 적어도 태양광 패널(11)의 표면 평탄도를 검출할 수 있는 해상도를 가지는 적어도 하나의 유형의 센서(예: 흑백 이미지 센서, RGB 센서, 빛 센서, 열화상 센서 및 깊이 센서 중 적어도 하나)를 포함한다. 한편, 촬영부는 결함 검출 장치(100) 제어에 대응하여 태양광 패널(11)에 대한 영상을 획득할 수도 있다. 이 경우, 이미지 센서(200)의 전송부가 결함 검출 장치(100)로부터 촬영 신호를 수신하여 촬영부에 전달한다. 이를 위해 전송부는 결함 검출 장치(100)와의 인터페이싱(예: 신호 송수신)을 담당한다. 전송부는 결함 검출 장치(100)의 제어 신호를 촬영부에 전달하고, 촬영부가 촬영한 태양광 패널(11)에 대한 촬영 영상을 결함 검출 장치(100)에 전송한다. 상기 이미지 센서(200)의 이동부는 이미지 센서(200)의 위치 또는 촬영 방향 중 적어도 하나를 조정한다. 이러한 이동부는 예컨대, 이미지 센서를 수평면 중 적어도 한 방향으로 이동시킬 수 있는 이동 수단을 포함하거나, 수직면과 수평면 중 적어도 한 방향으로 이동시킬 수 있는 비행 수단을 포함한다.
상기 이동부가 비행 수단을 포함하는 경우 상기 이미지 센서(200)는 드론 장치의 적어도 일부가 될 수 있다. 상기 이동부가 비행 수단을 포함하는 경우, 이미지 센서(200)는 사전 저장된 이동 루트를 따라 이동하면서 지정된 위치에 배치된 태양광 패널(11)의 촬영 영상을 획득하여 결함 검출 장치(100)에 제공할 수 있다. 또는, 결함 검출 장치(100)는 관리자 제어 또는 사전 저장된 정보를 기준으로 이미지 센서(200)의 이동 위치 또는 이동 루트에 대한 정보를 전송부를 통해 이미지 센서(200)의 이동부에 전달한다. 이동부를 포함한 이미지 센서(200)가 촬영부를 이용하여 태양광 패널(11)의 영상을 촬영하는 시점은, 태양광 패널(11)이 광 발전을 위하여 지정된 위치에 설치된 이후가 될 수 있다. 드론 형태의 이미지 센서(200)가 태양광 패널(11)의 촬영 영상을 활용하도록 구성되는 경우, 상기 검사대(300)는 태양광 패널(11)의 광발전을 위해 마련된 거치대가 될 수 있다. 거치대는 태양광 패널(11)을 지지하며, 설계 형태에 따라, 태양광 패널(11)의 거치 방향을 조정하도록 구성된다.
상기 결함 검출 장치(100)는 이처럼 이미지 센서(200)를 제어하여 태양광 패널(11)에 대한 촬영 영상을 획득하고, 획득된 촬영 영상을 사전 저장된 모델에 적용하여 어텐션 맵을 생성한다. 결함 검출 장치(100)는 어텐션 맵에서 강조된 적어도 하나의 특징점과, 불량 패널에 대응하는 데이터 테이블(또는 비정상 데이터 테이블)과 비교하여 해당 어텐션 맵에 대응하는 태양광 패널(11)의 결함 유무를 결정한다. 이러한 결함 검출 장치(100)는 도 10에 도시된 바와 같은 구성을 포함한다.
도 10은 본 발명의 실시 예에 따른 태양광 패널의 결함 검출 장치 구성의 한 예를 나타낸 도면이다.
도 10을 참조하면, 상기 결함 검출 장치(100)는 통신 모듈(110), 출력 모듈(120), 모델 제공부(130) 및 처리 모듈(140)을 포함할 수 있다.
상기 통신 모듈(110)은 결함 검출 장치(100)의 통신 기능을 지원한다. 예컨대, 통신 모듈(110)은 이미지 센서(200)와 통신 채널을 형성한다. 통신 모듈(110)은 이미지 센서(200) 제어와 관련한 제어 정보를 이미지 센서(200)에 전달한다. 또한, 통신 모듈(110)은 이미지 센서(200)가 획득한 영상을 수신한다. 다른 예로, 상기 통신 모듈(110)은 결함 검출 장치(100)의 정보 수집과 관련하여, 특정 서버 장치와 통신 채널을 형성하고, 특정 서버 장치로부터 사전 훈련된 모델(예: 사전 훈련된 CNN 모델)에 해당하는 정보(또는 데이터)를 수신할 수 있다. 또는, 통신 모듈(110)은 특정 서버 장치로부터 사전 훈련된 모델 생성에 이용되는 대규모 공개 데이터 셋(예: MNIST 데이터 셋 또는 ImageNet 데이터 셋)을 수신할 수 있다. 상기 통신 모듈(110)은 태양광 패널(11)의 결함 유무를 관리하는 관리소의 단말 또는 관리자 단말(이하, 관리 단말)과 통신 채널을 형성한다. 예컨대, 통신 모듈(110)은 특정 태양광 패널(11)에 결함 검출이 확인되면, 처리 모듈(140)의 제어에 대응하여 태양광 패널(11)의 결함 검출 여부를 지시하는 관리 정보를 관리 단말에 전송한다. 이때, 전달되는 관리 정보는 결함이 검출된 태양광 패널의 식별 정보(또는 시리얼 정보)를 포함한다. 또한, 관리 정보는 결함 검출 시 이용된 원본 촬영 영상 및 어텐션 맵 중 적어도 하나를 더 포함할 수 있다.
상기 출력 모듈(120)은 결함 검출 장치(100) 운용과 관련한 다양한 정보를 출력한다. 이와 관련하여, 출력 모듈(120)은 오디오 신호를 출력할 수 있는 오디오 장치, 텍스트 또는 이미지를 출력할 수 있는 표시 장치 중 적어도 하나를 포함한다. 또는, 출력 모듈(120)은 태양광 패널(11)의 결함 검출을 알릴 수 있는 진동 모듈이나, 비프 신호 출력 장치를 포함할 수 있다. 태양광 패널(11)의 결함 검출에 대한 결과를 관리 단말에 전송하도록 설정된 경우, 출력 모듈(120) 구성은 생략될 수 있다. 출력 모듈(120)은 사전 훈련된 모델과 관련한 정보, 사전 훈련된 모델에 적용되는 적어도 하나의 특징점 정보, 이미지 센서(200)가 제공한 촬영 영상, 상기 사전 훈련된 모델에 상기 촬영 영상을 적용하여 생성한 어텐션 맵, 어텐션 맵으로부터 추출된 특징점 정보, 사전 정의된 결함 패널에 대응하는 비교 값(또는 참조 값)과의 비교를 통한 결함 유무 결정 정보 중 적어도 하나를 출력할 수 있다. 또한, 출력 모듈(120)은 이미지 센서(200)의 상태 정보를 출력할 수 있다. 예컨대, 출력 모듈(120)은 이미지 센서(200)의 활성화 여부, 이미지 센서(200)의 촬영 방향 정보, 이미지 센서(200)가 수집하는 프리뷰 영상, 이미지 센서(200)의 위치 정보 등을 출력할 수 있다.
상기 모델 제공부(130)는 사전 훈련된 모델을 저장 관리하고, 모델 제공부(130)는 처리 모듈(140) 요청에 따라, 사전 훈련된 모델을 처리 모듈(140)에 제공한다. 또는, 모델 제공부(130)는 통신 모듈(110)을 통하여 대규모 공개 데이터 셋(예: MNIST 데이터 셋 또는 ImageNet)으로부터 사전 훈련된 모델을 생성하여 저장 관리한다. 사전 훈련된 모델은 어텐션 맵 생성과 관련된 모델로서, 대규모 공개 데이터 셋에 어텐션 메커니즘이 적용되어 생성된 모델을 포함할 수 있다. 모델 생성 과정에서, 훈련 과정의 연산량 절감을 위하여, 적어도 하나의 특징점(예: 패널의 표면 평탄도, 평균 값, 첨도, 왜도 중 적어도 하나) 정보가 적용될 수 있다. 사전 훈련 모델 생성에 적용된 특징점은 추후, 어텐션 맵을 통한 패널의 결함 유무를 판단하는 과정에서도 이용될 수 있다.
상기 처리 모듈(140)은 결함 검출 장치(100) 운용에 필요한 신호의 전달, 데이터 또는 신호의 수신과 처리를 수행한다. 예컨대, 처리 모듈(140)은 사전 훈련된 모델의 수집과 저장을 제어한다. 이와 관련하여, 처리 모듈(140)은 대규모 공개된 데이터 셋(예: MNIST 데이터 셋 또는 ImageNet 데이터 셋)을 수집하거나 사전 저장된 저장부로부터 획득하고, 상기 대규모 공개된 데이터 셋에 어텐션 메커니즘(예: 단순 CNN)을 적용하여 사전 훈련된 모델을 마련한다. 또는, 처리 모듈(140)은 통신 모듈(110)을 이용하여 사전 훈련된 모델을 제공하는 서버 장치로부터 상기 사전 훈련된 모델을 수신하여 모델 제공부(130)에 저장한다. 태양광 패널(11)에 관한 영상 수신과 관련하여, 처리 모듈(140)은 이미지 센서(200)의 운용을 제어한다. 예컨대, 처리 모듈(140)은 태양광 패널(11)에 대한 영상 촬영 시점에 관한 제어 정보를 이미지 센서(200)에 전달한다. 이미지 센서(200)가 드론 장치의 적어도 일부에 포함된 경우, 처리 모듈(140)은 이미지 센서(200)의 위치를 제어하여 결함 유무를 검사할 태양광 패널(11)의 위치까지 이미지 센서(200)를 이동시킨다. 처리 모듈(140)은 이미지 센서(200)가 획득한 태양광 패널(11) 영상을 수신하고, 수신된 영상을 사전 훈련된 모델에 적용하여 어텐션 맵을 추출한다. 처리 모듈(140)은 어텐션 맵을 통해, 태양광 패널(11)의 결함 발생 부분을 강조한다. 이 과정에서, 처리 모듈(140)은 어텐션 맵에서 적어도 하나의 통계적 특징(또는 특징)(예: 패널의 표면 평탄도의 표준 편차 값)을 추출한다. 또는, 추가로 처리 모듈(140)은 어텐션 맵으로부터 표면 평탄도에 대한 첨도, 왜도, 평균 중 적어도 하나를 추출한다. 처리 모듈(140)은 추출된 통계적 특징을 기반으로 불량 여부를 결정한다. 이와 관련하여, 처리 모듈(140)은 태양광 패널(11)에 결함이 발생했을 때의 통계적 특징 값을 비교 값 또는 참조 값으로 저장 관리할 수 있다. 또는, 처리 모듈(140)은 태양광 패널(11)에 결함이 발생한 것으로 판단할 수 있는 사전 정의된 기준 값 또는 참조 값을 저장 관리한다. 한 예로, 처리 모듈(140)은 결함 발생 태양광 패널(11)의 표면 평탄도에 대한 참조 값과, 현재 획득한 촬영 영상으로부터 생성된 어텐션 맵에서 추출된 표면 평탄도와 태양광 패널의 불량 상태를 정의한 레이블 값을 상호 비교하고, 상관도에 따라 결함 유무를 결정한다. 이 과정에서, 처리 모듈(140)은 비교 값과 현재 값 사이의 상관 계수들이 높은 유사성을 가지는 경우 태양광 패널(11)의 결함으로 판단한다. 추가로, 처리 모듈(140)은 어텐션 맵에 다른 통계적 특징들(예: 평균 값, 촬영 영상의 첨도 및 왜도 또는 표면 평탄도에 대한 첨도 및 왜도 중 적어도 하나)에 대한 비교를 통해, 결함 검출 성능을 개선할 수 있다. 처리 모듈(140)은 태양광 패널(11)에 결함이 발생한 것으로 판단되면, 태양광 패널(11)의 교체를 요구하는 메시지를 출력한다. 또는, 처리 모듈(140)은 통신 모듈(110)을 통해 태양광 패널(11)의 결함 유무에 대한 결과를 관리 단말에 전송한다.
도 11은 본 발명의 일 실시예에 따른 결함 검출 장치를 구현하기 위한 하드웨어 시스템의 예시도이다.
도 11을 참조하면, 상술한 결함 검출 장치(100)는, 예컨대, 스마트폰 등의 이동단말기와 노트북, 데스크탑(Desktop), 랩탑(Laptop), 사용자 인터페이스를 가진 유선식 또는 무선식의 이동 또는 고정 컨트롤러, 또는 서버 등이 포함될 수 있으며, 물론 이에 제한되는 것이 아닌 연산 수단 및 통신 수단이 구비된 모든 종류의 장치가 포함될 수 있다.
참고로, 결함 검출 장치(100)가 서버 형태로 구현되는 경우에는, 예컨대, 웹 서버, 데이터베이스 서버, 프록시 서버 등의 형태로 구현될 수 있으며, 네트워크 부하 분산 메커니즘, 내지 서비스 장치가 인터넷 또는 다른 네트워크 상에서 동작할 수 있도록 하는 다양한 소프트웨어 중 하나 이상이 설치될 수 있으며, 이를 통해 컴퓨터화된 시스템으로도 구현될 수 있다.
여기서의, 네트워크는 http 네트워크일 수 있으며, 전용 회선(private line), 인트라넷 또는 임의의 다른 네트워크일 수 있고, 또한 본 발명의 일 실시예에 따른 가맹점 서비스 시스템 내 각 구성 간의 연결은, 데이터가 임의의 해커 또는 다른 제3자에 의한 공격을 받지 않도록 보안 네트워크로 연결될 수 있다.
이상 설명한 결함 검출 장치(100) 내 각 구성은 프로세서에 의해 실행되는 소프트웨어 모듈 또는 하드웨어 모듈 형태로 구현되거나, 내지는 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태로도 구현될 수 있음을 앞서 언급한 바 있다.
이처럼, 프로세서에 의해 실행되는 소프트웨어 모듈, 하드웨어 모듈, 내지는 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태는 실제 하드웨어 시스템(예: 컴퓨터 시스템)으로 구현될 수 있을 것이다.
따라서, 이하에서는 도 11을 참조하여 본 발명의 일 실시예에 따른 결함 검출 장치(100)를 하드웨어 형태로 구현한 하드웨어 시스템(2000)에 대해서 설명하기로 한다.
도 11에 도시된 바와 같이, 본 발명의 일 실시예에 따른 하드웨어 시스템(2000)은, 프로세서부(2100), 메모리 인터페이스부(2200), 및 주변장치 인터페이스부(2300)를 포함하는 구성을 가질 수 있다.
이러한, 하드웨어 시스템(2000) 내 각 구성은, 개별 부품이거나 하나 이상의 집적 회로에 집적될 수 있으며, 이러한 각 구성들은 버스 시스템(도시안됨)에 의해서 결합될 수 있다.
여기서, 버스 시스템의 경우, 적절한 브리지들, 어댑터들, 및/또는 제어기들에 의해 연결된 임의의 하나 이상의 개별적인 물리 버스들, 통신 라인들/인터페이스들, 및/또는 멀티 드롭(multi-drop) 또는 포인트 투 포인트(point-to-point) 연결들을 나타내는 추상화(abstraction)이다.
프로세서부(2100)는 하드웨어 시스템에서 다양한 기능들을 수행하기 위해 메모리 인터페이스부(2200)를 통해 메모리부(2210)와 통신함으로써, 메모리부(2210)에 저장된 다양한 소프트웨어 모듈들을 실행하는 역할을 수행하게 된다.
여기서, 메모리부(2210)에는 앞서 도 10을 참조하여 설명한 결함 검출 장치(100) 내 각 구성인 통신 모듈(110), 출력 모듈(120), 모델 제공부(130), 및 처리 모듈(140) 가 소프트웨어 모듈 형태로 저장될 수 있으며, 그 외 운영 체계(OS)가 추가로 저장될 수 있다.
운영 체계(예: I-OS, Android, Darwin, RTXC, LINUX, UNIX, OS X, WINDOWS, 또는 VxWorks와 같은 임베디드 운영 체계)의 경우, 일반적인 시스템 작업들(예를 들어, 메모리 관리, 저장 장치 제어, 전력 관리 등)을 제어 및 관리하는 다양한 절차, 명령어 세트, 소프트웨어 컴포넌트 및/또는 드라이버를 포함하고 있으며 다양한 하드웨어 모듈과 소프트웨어 모듈 간의 통신을 용이하게 하는 역할을 수행하게 된다.
참고로, 메모리부(2210)는 캐쉬, 메인 메모리 및 보조 기억장치(secondary memory)를 포함하지만 이에 제한되지 않는 메모리 계층구조가 포함할 수 있는데, 이러한 메모리 계층구조의 경우 예컨대 RAM(예: SRAM, DRAM, DDRAM), ROM, FLASH, 자기 및/또는 광 저장 장치[예: 디스크 드라이브, 자기 테이프, CD(compact disk) 및 DVD(digital video disc) 등]의 임의의 조합을 통해서 구현될 수 있다.
주변장치 인터페이스부(2300)는 프로세서부(2100)와 주변장치 간에 통신을 가능하게 하는 역할을 수행한다.
여기서 주변장치의 경우, 하드웨어 시스템(2000)에 상이한 기능을 제공하기 위한 것으로서, 본 발명의 일 실시예에서는, 예컨대, 통신부(2310)가 포함될 수 있다.
여기서, 통신부(2310)는 다른 장치와의 통신 기능을 제공하는 역할을 수행하는 수행하게 되며, 이를 위해 예컨대, 안테나 시스템, RF 송수신기, 하나 이상의 증폭기, 튜너, 하나 이상의 발진기, 디지털 신호 처리기, 코덱(CODEC) 칩셋, 및 메모리 등을 포함하지만 이에 제한되지는 않으며, 이 기능을 수행하는 공지의 회로를 포함할 수 있다.
이러한, 통신부(2310)가 지원하는 통신 프로토콜로는, 예컨대, 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 5G 통신시스템, 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS), 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra-Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct) 등이 포함될 수 있다. 또한, 유선 통신망으로는 유선 LAN(Local Area Network), 유선 WAN(Wide Area Network), 전력선 통신(Power Line Communication: PLC), USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등이 포함될 수 있으며, 이제 제한되는 것이 아닌, 다른 장치와의 통신 환경을 제공할 수 있는 프로토콜은 모두 포함될 수 있다.
결국, 본 발명의 일 실시예에 따른 하드웨어 시스템(2000)에서 메모리부(2210)에 소프트웨어 모듈 형태로 저장되어 있는 결함 검출 장치(100) 내 각 구성은, 프로세서부(2100)에 의해 실행되는 명령어의 형태로 메모리 인터페이스부(2200)와 주변장치 인터페이스부(2300)를 매개로 통신부(2310)와의 인터페이스를 수행함으로써, 기 학습된 정합 모델 기반의 영상 간 정합성 판별 결과를 토대로 이미지 센서(200)의 설치 구도 조정을 효율적으로 지원할 수 있는 것이다.
이상에서 살펴본 바와 같이, 본 발명의 일 실시예에 따른 이미지 센서 운용 환경 내 각 구성에 따르면, 제조 공정에서 관심 지점의 불량을 예/탐지하기 위한 목적으로 설치되는 이미지 센서와 관련하여, 영상 간 정합성 판별 결과를 토대로 이미지 센서의 설치 구도 조정을 직관적으로 지원할 수 있으므로 센서 설치 전문가 없이도 이미지 센서를 설치 및 운용하는 것이 가능해지게 되어 비용 효율을 극대화할 수 있음을 알 수 있다.
이하에서는, 도 12 및 도 13을 참조하여 본 발명의 일 실시예에 따른 태양광 패널의 결함 검출 기술과 관련한 각 구성의 동작 방법에 대해 설명하기로 한다.
도 12는 본 발명의 실시 예에 따른 태양광 패널의 결함 검출을 위한 장치들 간의 신호 흐름의 한 예를 나타낸 도면이다.
도 12를 참조하여, 본 발명의 일 실시 예에 따른 태양광 패널의 결함 검출과 관련한 시스템 환경에서의 각 구성관 신호 흐름을 보면, 결함 검출 장치(100)는 S1201 단계에서 제어 정보를 생성한다. 상기 제어 정보는 이미지 센서(200) 제어 및 촬영 영상 획득과 관련한 다양한 신호를 포함할 수 있다. 예컨대, 제어 정보는 이미지 센서(200)의 턴-온/턴-오프 제어 신호, 상기 이미지 센서(200)의 초기화 신호, 상기 이미지 센서(200)의 촬영 방향 제어 신호, 이미지 센서(200)의 촬영 시점 제어 신호 중 적어도 하나를 포함한다. 상기 이미지 센서(200)가 드론의 적어도 일부를 구성하는 경우, 상기 제어 정보는 이미지 센서(200)의 위치 제어 신호(예: 적어도 하나의 태양광 패널(11)들의 촬영 위치들로 이미지 센서(200)를 이동시키기 위한 이동 루트 정보를 포함한 신호)를 더 포함한다. 상기 태양광 패널(11)이 검사대(300)에 놓인 후, 촬영되는 경우, 상기 제어 정보는 태양광 패널(11)의 이송 제어 신호, 결함 패널과 무결함 패널의 이동 경로 제어 신호를 포함한다.
S1203 단계에서, 결함 검출 장치(100)는 제어 정보를 이미지 센서(200)에 전달한다. 이와 관련하여, 결함 검출 장치(100)는 이미지 센서(200)와 통신 채널을 형성할 수 있다. 상기 통신 채널은 유선 또는 무선 중 적어도 하나의 방식을 통하여 형성된다.
S1205 단계에서, 이미지 센서(200)는 제어 정보에 따른 영상 촬영을 수행한다. 예컨대, 이미지 센서(200)는 제어 정보에 포함된 촬영 주기에 따라, 태양광 패널(11)에 대한 영상 촬영을 수행한다. 이 과정에서, 이미지 센서(200)는 검사대(300)에 놓인 태양광 패널(11)에 대한 프리뷰 이미지를 결함 검출 장치(100)에 제공하고, 결함 검출 장치(100)로부터 촬영 영상 획득을 위한 촬영 신호를 수신하면, 수신된 촬영 신호에 대응하여 영상을 촬영할 수 있다. 또는, 이미지 센서(200)는 검사대(300)의 지정된 위치에 태양광 패널(11)이 위치하면, 태양광 패널(11)에 대한 영상을 촬영할 수 있다. 또는, 이미지 센서(200)는 태양광 패널(11)의 움직임 여부를 확인하고, 지정된 시간 동안 움직임이 없는 경우, 태양광 패널(11)에 대한 영상을 촬영할 수 있다.
다른 예로서, 이미지 센서(200)가 드론 장치의 적어도 일부에 배치되는 경우, 상기 제어 정보는 상기 이미지 센서(200)의 위치 정보를 포함한다. 이에 따라, 이미지 센서(200)는 제어 정보에 포함된 위치 정보를 토대로, 드론 장치에 마련된 이동 수단을 이용하여 지정된 위치까지 이동한다. 이미지 센서(200)는 해당 위치에 설치된 태양광 패널(11)이 지정된 화각 내에 위치하면, 태양광 패널(11)에 대한 영상을 촬영한다. 또는, 이미지 센서(200)는 프리뷰 이미지를 획득하다가, 태양광 패널(11)의 크기가 지정된 크기 이상으로 검출되면, 태양광 패널(11)에 대한 영상을 촬영한다. 상기 이미지 센서(200)는 제어 정보에 복수의 위치 정보가 포함된 경우, 복수의 위치 정보에 따라 이동하면서, 해당 위치에 마련된 태양광 패널(11)에 대한 영상을 촬영한다. 지정된 위치에 태양광 패널(11)이 위치하지 않으면, 이미지 센서(200)는 해당 위치에서의 영상 촬영과 함께, 태양광 패널(11)이 존재하지 않음을 나타내는 정보를 결함 검출 장치(100)에 제공할 수 있다.
S1207 단계에서, 이미지 센서(200)는 촬영 영상을 결함 검출 장치(100)에 전달한다. 상기 촬영 영상은 앞서 언급한 바와 같이, 태양광 셀을 복수개 포함한 태양광 패널(11)을 촬영한 영상을 포함한다. 이때, 촬영된 영상은 흑백 이미지, 칼라 이미지, 깊이 이미지 등 다양한 종류의 영상 중 적어도 하나를 포함한다. 다른 예로서, 이미지 센서(200)는 촬영 영상을 지정된 크기 단위로 분할하고, 분할된 영상들을 순차적으로 결함 검출 장치(100)에 제공할 수 있다. 이때, 이미지 센서(200)는 촬영 영상을 복수개의 태양광 셀 그룹으로 분할하고, 분할된 태양광 셀 그룹별로 결함 검출 장치(100)에 전달할 수 있다.
S1209 단계에서, 결함 검출 장치(100)는 사전 훈련 모델에 촬영 영상을 적용한다. 상기 사전 훈련 모델은 어텐션 메커니즘이 적용되는 콘볼루션 신경망에 대규모 공개 데이터 셋(예: MNIST 데이터 셋 또는 ImageNet 데이터 셋)을 제공한 훈련 모델을 포함한다. 이와 관련하여, 결함 검출 장치(100)는 대규모 공개 데이터 셋을 수집하고, CNN을 이용하여 사전 훈련 모델을 생성한다. 또는, 결함 검출 장치(100)는 외부 장치(또는 모델을 제공하는 서버 장치)로부터 사전 훈련 모델을 수신할 수도 있다. 훈련 모델 생성 과정에서, 결함 검출 장치(100)는 적어도 하나의 특징점 정보(예: 표면 평탄도에 대한 표준 편차, 평균 값, 첨도, 왜도 중 적어도 하나)를 기준으로 훈련 모델을 생성하여, 모델 훈련에 소요되는 연산량을 절감할 수 있다.
S1211 단계에서, 결함 검출 장치(100)는 결함 유무 결정 및 출력을 수행한다. 이를 위하여, 결함 검출 장치(100)는 사전 훈련 모델에 이미지 센서(200)가 제공한 촬영 영상을 적용하여, 어텐션 맵을 추출한다. 결함 검출 장치(100)는 어텐션 맵에 의해 강조된 영역들에 대한 분석을 통하여 결함 유무를 결정할 수 있다. 예컨대, 결함 검출 장치(100)는 어텐션 맵에 의해 강조된 영역들에 대한 통계적 특징을 추출하고, 추출된 특징과 해당 통계적 특징에 대응하는 불량 상관 계수 사이의 상관도(예: 결함이 있는 태양광 패널 또는 불량 패널이 가지는 특징의 레이블과 현재 획득된 영상의 통계적 특징 값들 간의 상관도)를 확인한다. 상기 결함 검출 장치(100)는 상관도의 유사성에 따라 결함 유무를 결정한다. 태양광 패널(11)이 결함이 있는 것으로 결정된 경우, 결함 검출 장치(100)는 해당 태양광 패널(11)에 결함이 발생했음을 지시하는 메시지를 출력한다. 이때, 결함 검출 장치(100)는 출력 모듈(120)을 이용하여 해당 메시지에 대응하는 텍스트, 이미지, 오디오 신호 중 적어도 하나를 출력한다. 또는, 결함 검출 장치(100)는 통신 모듈(110)을 통해 연결된 외부 장치(예: 외부 스피커 또는 관리 단말)에 상기 메시지를 전달한다.
S1213 단계에서, 결함 검출 장치(100)는 태양광 패널(11)의 결함 유무를 검출하는 동작의 종료를 위해, 종료 확인 요청 메시지를 이미지 센서(200)에 전송한다. 예컨대, 결함 검출 장치(100)는 추가로 결함 유무를 확인한 태양광 패널이 있는지 확인하기 위해 메시지를 이미지 센서에 전송한다. S1215 단계에서, 이미지 센서(200)는 추가로 결함 유무를 판단할 태양광 패널(11)이 없는 경우, S1217 단계에서, 결함 검출 장치(100)에 종료를 통보한다. 한편, S1215 단계에서, 결함 유무를 판단할 태양광 패널이 있는 경우, S1205 단계로 분기하여 이하 동작을 재수행한다.
S1213 단계에서, 검사할 태양광 패널(11)들의 수 또는 태양광 패널(11)들의 위치에 관한 정보가 결함 검출 장치(100)에 저장된 경우, 결함 검출 장치(100)는 상기 종료 확인 요청 메시지를 이미지 센서(200)에 전송하지 않고, 종료를 지시하는 메시지를 이미지 센서(200)에 전달한다. 이에 대응하여, 이미지 센서(200)는 비활성화 상태로 전환한다.
도 13은 본 발명의 실시 예에 따른 태양광 패널의 결함 검출에 있어서 결함 검출 장치 운용 방법의 한 예를 나타낸 도면이다.
도 13을 참조하면, 본 발명의 실시 예에 따른 태양광 패널의 결함 검출과 관련한 결함 검출 장치의 운용 방법은, S1301 단계에서, 결함 검출 장치(100)가 사전 훈련된 모델을 마련한다. 상기 사전 훈련된 모델은 대규모 공개 데이터 셋(예: MNIST 데이터 셋 또는 ImageNet 데이터 셋)에 어텐션 메커니즘(예: 콘볼루션 신경망)을 적용한 모델을 포함할 수 있다. 사전 훈련 모델 마련 시, 결함 검출 장치(100)는 태양광 패널(11)에 대한 적어도 하나의 특징점(예: 표면 평탄도에 대한 표준 편차, 평균, 첨도 및 왜도 중 적어도 하나)를 적용할 수 있다. 사전 훈련 모델 마련 시 적용된 특징점은 태양광 패널(11)의 불량 여부를 판별할 때 이용될 수 있다.
S1303 단계에서, 결함 검출 장치(100)는 영상 획득 여부를 확인한다. 이와 관련하여, 결함 검출 장치(100)는 이미지 센서(200)와 통신 채널을 형성하고, 이미지 센서(200)로부터 태양광 패널(11)을 촬영한 영상을 수신할 수 있는 준비를 한다. 이 과정에서, 이미지 센서(200)의 초기화가 필요한 경우, 결함 검출 장치(100)는 이미지 센서(200)의 초기화와 관련한 제어 정보를 이미지 센서(200)에 전송한다. 영상 획득이 없는 경우, S1301 단계로 분기하여 대기 또는 이하 동작을 재수행한다. 또는, 결함 검출 장치(100)는 영상 획득이 지정된 시간 동안 없는 경우, 슬립 상태 또는 비활성화 상태로 전환할 수 있다.
S1303 단계에서, 영상이 획득되면, 결함 검출 장치(100)는 획득된 영상에 대한 어텐션 맵을 생성한다. 어텐션 맵 생성을 위해, 결함 검출 장치(100)는 사전 훈련 모델에 수신된 영상을 적용(또는 정합)한다.
S1305 단계에서, 결함 검출 장치(100)는 어텐션 맵의 비정상 여부를 확인한다. 어텐션 맵이 정상인 경우, 결함 검출 장치(100)는 S1301 단계로 분기하여 이하 동작을 재수행하고, 어텐션 맵이 비정상인 경우, S1309 단계에서 안내 메시지 출력을 처리한다. 이를 위하여, 결함 검출 장치(100)는 비정상 데이터(예: 비정상 상태의 어텐션 맵의 특징들에 대응하는 비교값 테이블 또는 불량 패널의 특징들에 대응하는 레이블 값들)를 사전 저장하고, 사전 저장된 비정상 데이터와 현재 획득된 어텐션 맵을 비교한다. 또는, 결함 검출 장치(100)는 어텐션 맵에서 적어도 하나의 통계적 특징(예: 패널의 표면 평탄도에 대한 표준편차, 평균 값, 첨도 또는 왜도 중 적어도 하나)을 추출하고, 추출된 통계적 특징들과 사전 저장된 비정상 데이터(예: 불량 패널의 통계적 특징들)와 상호 비교(예: 상관도 검출)한다.
한편, 앞서 설명한 태양광 패널의 결함 검출 장치(100)와 이미지 센서(200)가 분리되어, 통신 모듈(110)을 통해 동작하는 구조를 설명하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 태양광 패널(11)의 결함을 검출하는 결함 검출 장치(100)의 적어도 일부는 이미지 센서(200)에 포함될 수 있다. 이 경우, 결함 검출 장치(100)의 동작 제어와 관련한 사용자 입력을 위한 입력 장치가 별도로 마련되거나, 관리 단말이 그 역할을 대신한다. 다른 예로, 태양광 패널(11)의 결함 검출을 보다 복합적으로 신속하게 수행하기 위하여, 복수개의 이미지 센서(200)들이 복수의 태양광 패널에 대한 영상을 촬영할 수 있도록 구성되고, 복수의 영상을 결함 검출 장치(100)가 수신하면, 결함 검출 장치(100)는 동시(병렬) 또는 시간 순서에 따라 복수개의 영상들에 대한 비교 분석을 수행하여 결함 유무에 대한 판별을 신속하게 처리할 수 있다.
상술한 바와 같이, 본 발명의 태양광 패널의 결함 검출 장치 및 이의 운용 방법은, 신재생 발전 효율을 적정 수준으로 유지하기 위해 태양광 패널의 불량 검출에 적용하는 과정에서, 결함 검출 모델도 훈련 및 추론 과정에서 낮은 에너지를 소비하도록, 패널의 결함 여부를 판별하는 통계적 특징 추출 방법을 이용하여 학습 과정에서 계산 비용을 줄이고, 기능 정보를 개선하기 위해 사전 훈련된 주의 메커니즘을 재활용한다. 예컨대, AUROC는 재활용 모델의 어텐션 메커니즘을 통해 최대 0.631에서 0.823으로 향상된다. 본 발명은 훈련 절차에서 계산 부하를 줄이기 위해 태양광 패널에서 통계적 특징을 정의하고 태양광 패널의 결함 감지에 사용한다. 여기서, 본 발명은 주요 정보를 안내하는 어텐션 메커니즘(attention mechanism)을 적용하고 대규모 공개 데이터 셋(예: MNIST 데이터 셋 또는 ImageNet 데이터 셋)을 학습한 사전 훈련된 콘볼루션 신경망을 재활용하여 특징 값을 향상시킬 수 있다.
한편, 본 명세서에서 설명하는 기능적인 동작과 주제의 구현물들은 디지털 전자 회로로 구현되거나, 본 명세서에서 개시하는 구조 및 그 구조적인 등가물들을 포함하는 컴퓨터 소프트웨어, 펌웨어 혹은 하드웨어로 구현되거나, 이들 중 하나 이상의 결합으로 구현 가능하다. 본 명세서에서 설명하는 주제의 구현물들은 하나 이상의 컴퓨터 프로그램 제품, 다시 말해 처리 시스템의 동작을 제어하기 위하여 혹은 이것에 의한 실행을 위하여 유형의 프로그램 저장매체 상에 인코딩된 컴퓨터 프로그램 명령에 관한 하나 이상의 모듈로서 구현될 수 있다.
컴퓨터로 판독 가능한 매체는 기계로 판독 가능한 저장 장치, 기계로 판독 가능한 저장 기판, 메모리 장치, 기계로 판독 가능한 전파형 신호에 영향을 미치는 물질의 조성물 혹은 이들 중 하나 이상의 조합일 수 있다.
본 명세서에서 '시스템'이나 '장치'라 함은 예컨대 프로그래머블 프로세서부, 컴퓨터 혹은 다중 프로세서부나 컴퓨터를 포함하여 데이터를 처리하기 위한 모든 기구, 장치 및 기계를 포괄한다. 처리 시스템은, 하드웨어에 부가하여, 예컨대 프로세서부 펌웨어를 구성하는 코드, 프로토콜 스택, 데이터베이스 관리 시스템, 운영 체제 혹은 이들 중 하나 이상의 조합 등 요청 시 컴퓨터 프로그램에 대한 실행 환경을 형성하는 코드를 포함할 수 있다.
컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 어플리케이션, 스크립트 혹은 코드로도 알려져 있음)은 컴파일되거나 해석된 언어나 선험적 혹은 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 혹은 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다. 컴퓨터 프로그램은 파일 시스템의 파일에 반드시 대응하는 것은 아니다. 프로그램은 요청된 프로그램에 제공되는 단일 파일 내에, 혹은 다중의 상호 작용하는 파일(예컨대, 하나 이상의 모듈, 하위 프로그램 혹은 코드의 일부를 저장하는 파일) 내에, 혹은 다른 프로그램이나 데이터를 보유하는 파일의 일부(예컨대, 마크업 언어 문서 내에 저장되는 하나 이상의 스크립트) 내에 저장될 수 있다. 컴퓨터 프로그램은 하나의 사이트에 위치하거나 복수의 사이트에 걸쳐서 분산되어 통신 네트워크에 의해 상호 접속된 다중 컴퓨터나 하나의 컴퓨터 상에서 실행되도록 전개될 수 있다.
한편, 컴퓨터 프로그램 명령어와 데이터를 저장하기에 적합한 컴퓨터로 판독 가능한 매체는, 예컨대 EPROM, EEPROM 및 플래시메모리 장치와 같은 반도체 메모리 장치, 예컨대 내부 하드디스크나 외장형 디스크와 같은 자기 디스크, 자기광학 디스크 및 CD-ROM과 DVD-ROM 디스크를 포함하여 모든 형태의 비휘발성 메모리, 매체 및 메모리 장치를 포함할 수 있다. 프로세서부와 메모리는 특수 목적의 논리 회로에 의해 보충되거나, 그것에 통합될 수 있다.
본 명세서에서 설명한 주제의 구현물은 예컨대 데이터 서버와 같은 백엔드 컴포넌트를 포함하거나, 예컨대 어플리케이션 서버와 같은 미들웨어 컴포넌트를 포함하거나, 예컨대 구매자가 본 명세서에서 설명한 주제의 구현물과 상호 작용할 수 있는 웹 브라우저나 그래픽 유저 인터페이스를 갖는 클라이언트 컴퓨터와 같은 프론트엔드 컴포넌트 혹은 그러한 백엔드, 미들웨어 혹은 프론트엔드 컴포넌트의 하나 이상의 모든 조합을 포함하는 연산 시스템에서 구현될 수도 있다. 시스템의 컴포넌트는 예컨대 통신 네트워크와 같은 디지털 데이터 통신의 어떠한 형태나 매체에 의해서도 상호 접속 가능하다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 마찬가지로, 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
또한, 본 명세서에서는 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다
이와 같이, 본 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하려는 의도가 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
본 발명의 태양광 패널의 결함 검사 장치 및 그 운용 방법에 따르면, 보다 저비용의 훈련 모델을 이용하면서도 태양광 패널의 결함 여부를 보다 정확하게 판별할 수 있도록 함으로써, 기존 기술의 한계를 뛰어 넘음에 따라 관련 기술에 대한 이용만이 아닌 적용되는 장치의 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있는 발명이다.
[부호의 설명]
100: 결함 검출 장치
110: 통신 모듈
120: 출력 모듈
130: 모델 제공부
140: 처리 모듈
200: 이미지 센서

Claims (12)

  1. 사전 훈련 모델을 제공하는 모델 제공부;
    이미지 센서로부터 태양광 패널에 대한 촬영 영상을 수신하는 통신 모듈;
    상기 모델 제공부 및 상기 통신 모듈과 기능적으로 연결된 처리 모듈;을 포함하고,
    상기 처리 모듈은,
    태양광 패널에 대한 촬영 영상을 수집하고, 상기 사전 훈련된 모델에 상기 촬영 영상을 적용하여 어텐션 맵을 생성하고, 상기 어텐션 맵의 비정상 여부에 따라 상기 태양광 패널의 결함 유무를 결정하도록 설정된 것을 특징으로 하는 태양광 패널의 결함 검출 장치.
  2. 제 1 항에 있어서,
    상기 처리 모듈은
    대규모 공개 데이터 셋에 대해 콘볼루션 신경망 훈련을 포함하는 어텐션 메커니즘을 적용하는 것을 특징으로 하는 태양광 패널의 결함 검출 장치.
  3. 제 1 항에 있어서,
    상기 처리 모듈은,
    상기 어텐션 맵으로부터 적어도 하나의 통계적 특징을 추출하고, 상기 추출된 통계적 특징과 결함 태양광 패널을 나타내는 레이블 값과의 상관도를 검출하고, 상기 상관도의 크기에 따라 상기 태양광 패널의 결함 유무를 결정하도록 설정된 것을 특징으로 하는 태양광 패널의 결함 검출 장치.
  4. 제 3 항에 있어서,
    상기 처리 모듈은
    상기 어텐션 맵으로부터 태양광 패널의 표면 평탄도의 표준 편차를 추출한 후, 상기 결함 태양광 패널의 표면 평탄도의 표준 편차와 상기 어텐션 맵에서 추출한 상기 표면 평탄도의 표준 편차 값 사이의 상관도를 검출하도록 설정된 것을 특징으로 하는 태양광 패널의 결함 검출 장치.
  5. 제 4 항에 있어서,
    상기 처리 모듈은
    상기 표면 평탄도의 평균 값, 상기 표면 평탄도의 첨도, 상기 표면 평탄도의 왜도 중 적어도 하나를 추출하고, 상기 평균 값, 상기 첨도 및 상기 왜도 중 적어도 하나와 상기 결함 태양광 패널의 영상으로부터 생성된 맵에서의 평균 값, 첨도 및 왜도 중 적어도 하나의 상관도를 검출하도록 설정된 것을 특징으로 하는 태양광 패널의 결함 검출 장치.
  6. 제 1 항에 있어서,
    상기 태양광 패널의 결함 유무를 지시하는 안내 메시지를 출력하는 출력 모듈;을 더 포함하는 것을 특징으로 하는 태양광 패널의 결함 검출 장치.
  7. 사전 훈련된 모델을 마련하는 단계;
    태양광 패널에 대한 촬영 영상을 수집하는 단계;
    상기 사전 훈련된 모델에 상기 촬영 영상을 적용하여 어텐션 맵을 생성하는 단계;
    상기 어텐션 맵의 비정상 여부에 따라 상기 태양광 패널의 결함 유무를 결정하는 단계;를 포함하는 것을 특징으로 하는 태양광 패널의 결함 검출 장치의 운용 방법.
  8. 제 7 항에 있어서,
    상기 사전 훈련된 모델을 마련하는 단계는
    대규모 공개 데이터 셋에 대해 콘볼루션 신경망 훈련을 포함하는 어텐션 메커니즘을 적용하는 단계;를 포함하는 것을 특징으로 하는 태양광 패널의 결함 검출 장치의 운용 방법.
  9. 제 7 항에 있어서,
    상기 결함 유무를 결정하는 단계는
    상기 어텐션 맵으로부터 적어도 하나의 통계적 특징을 추출하는 단계;
    추출된 통계적 특징과 결함 태양광 패널을 나타내는 레이블 값과의 상관도를 검출하는 단계;
    상기 상관도의 크기에 따라 상기 태양광 패널의 결함 유무를 결정하는 단계;를 포함하는 것을 특징으로 하는 태양광 패널의 결함 검출 장치의 운용 방법.
  10. 제 9 항에 있어서,
    상기 통계적 특징을 추출하는 단계는
    상기 어텐션 맵으로부터 태양광 패널의 표면 평탄도를 추출하는 단계;를 포함하고,
    상기 상관도를 검출하는 단계는
    상기 결함 태양광 패널의 표면 평탄도와 상기 어텐션 맵에서 추출한 상기 표면 평탄도의 상관도를 검출하는 단계;를 포함하는 것을 특징으로 하는 태양광 패널의 결함 검출 장치의 운용 방법.
  11. 제 10 항에 있어서,
    상기 통계적 특징을 추출하는 단계는
    상기 표면 평탄도의 평균 값, 상기 표면 평탄도의 첨도, 상기 표면 평탄도의 왜도 중 적어도 하나를 추출하는 단계;를 포함하고,
    상기 상관도를 검출하는 단계는
    상기 평균 값, 상기 첨도 및 상기 왜도 중 적어도 하나와 상기 결함 태양광 패널의 영상으로부터 생성된 맵에서의 평균 값, 첨도 및 왜도 중 적어도 하나의 상관도를 검출하는 단계;를 더 포함하는 것을 특징으로 하는 태양광 패널의 결함 검출 장치의 운용 방법.
  12. 제 7 항에 있어서,
    상기 방법은,
    상기 태양광 패널의 결함 유무를 지시하는 안내 메시지를 출력하는 단계;를 더 포함하는 것을 특징으로 하는 태양광 패널의 결함 검출 장치의 운용 방법.
PCT/KR2023/006463 2022-05-12 2023-05-12 태양광 패널의 결함 검사 장치 및 그 운용 방법 WO2023219453A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220058133A KR20230158699A (ko) 2022-05-12 2022-05-12 태양광 패널의 결함 검사 장치 및 그 운용 방법
KR10-2022-0058133 2022-05-12

Publications (1)

Publication Number Publication Date
WO2023219453A1 true WO2023219453A1 (ko) 2023-11-16

Family

ID=88730725

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/006463 WO2023219453A1 (ko) 2022-05-12 2023-05-12 태양광 패널의 결함 검사 장치 및 그 운용 방법

Country Status (2)

Country Link
KR (1) KR20230158699A (ko)
WO (1) WO2023219453A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150067942A (ko) * 2013-12-11 2015-06-19 한국에너지기술연구원 계통연계형 태양광발전 시스템의 고장 검출 진단 장치 및 그 방법
KR20200075141A (ko) * 2018-12-12 2020-06-26 주식회사 맥사이언스 태양전지 모듈 검사 장치 및 검사 방법
US20200358396A1 (en) * 2019-05-06 2020-11-12 Arizona Board Of Regents On Behalf Of Arizona State University Solar array fault detection, classification, and localization using deep neural nets
KR20210067110A (ko) * 2019-11-29 2021-06-08 주식회사 티엔이테크 태양광 발전 모듈의 고장분석을 위한 수학적 모델링 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150067942A (ko) * 2013-12-11 2015-06-19 한국에너지기술연구원 계통연계형 태양광발전 시스템의 고장 검출 진단 장치 및 그 방법
KR20200075141A (ko) * 2018-12-12 2020-06-26 주식회사 맥사이언스 태양전지 모듈 검사 장치 및 검사 방법
US20200358396A1 (en) * 2019-05-06 2020-11-12 Arizona Board Of Regents On Behalf Of Arizona State University Solar array fault detection, classification, and localization using deep neural nets
KR20210067110A (ko) * 2019-11-29 2021-06-08 주식회사 티엔이테크 태양광 발전 모듈의 고장분석을 위한 수학적 모델링 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PARK YEONGHYEON; KIM MYUNG JIN; GIM UJU: "Attention! Is Recycling Artificial Neural Network Effective for Maintaining Renewable Energy Efficiency?", 2022 IEEE TEXAS POWER AND ENERGY CONFERENCE (TPEC), IEEE, 28 February 2022 (2022-02-28), pages 1 - 5, XP034111893, DOI: 10.1109/TPEC54980.2022.9750784 *
RAHMAN MUHAMMAD RAMEEZ UR; CHEN HAIYONG: "Defects Inspection in Polycrystalline Solar Cells Electroluminescence Images Using Deep Learning", IEEE ACCESS, IEEE, USA, vol. 8, 27 February 2020 (2020-02-27), USA , pages 40547 - 40558, XP011776140, DOI: 10.1109/ACCESS.2020.2976843 *

Also Published As

Publication number Publication date
KR20230158699A (ko) 2023-11-21

Similar Documents

Publication Publication Date Title
CN108846418B (zh) 一种电缆设备温度异常定位与识别方法
CN112200178B (zh) 基于人工智能的变电站绝缘子红外图像检测方法
CN114240878A (zh) 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法
KR20200031860A (ko) 안전점검 기준표와 분류별 결함 데이터를 활용한 풍력 발전기 블레이드 안전 관리 시스템 및 방법
CN112001260A (zh) 一种基于红外可见光图像融合的电缆沟故障检测方法
CN109060826B (zh) 一种不停机的风电叶片检测装置
CN113311861B (zh) 光伏组件隐裂特性的自动化检测方法及其系统
CN113723189B (zh) 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法
KR20220055082A (ko) 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템 및 방법
CN115290696A (zh) 一种变电站绝缘子的红外热成像缺陷检测方法及装置
CN113485432A (zh) 一种基于无人机的光伏电站电致发光智能诊断系统及方法
Zou et al. Drone-based solar panel inspection with 5G and AI Technologies
Wang et al. Online monitoring of electrical equipment condition based on infrared image temperature data visualization
WO2023219453A1 (ko) 태양광 패널의 결함 검사 장치 및 그 운용 방법
CN114241413A (zh) 基于注意力机制与特征平衡性的变电站多目标检测方法
CN113776670A (zh) 一种基于红外图像的电力设备监测系统及方法
Tajwar et al. Infrared thermography based hotspot detection of photovoltaic module using YOLO
WO2022114665A1 (ko) 태양전지 셀에 대한 이미지 분류 방법 및 장치
CN117200693A (zh) 光伏组件故障诊断方法、装置、设备及存储介质
CN116631087A (zh) 一种基于无人机的电力巡检系统
CN115690505A (zh) 光伏组件故障检测方法、装置、计算机设备及存储介质
CN115690626A (zh) 一种光伏电池热斑的图像识别方法
CN116091472A (zh) 一种融合可见光和红外图像的光伏组件缺陷智能检测方法
CN101614676A (zh) 太阳能光伏组件电池片缺陷检测方法及检测仪
CN115393747A (zh) 一种基于深度学习的光伏故障检测方法

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: 23803876

Country of ref document: EP

Kind code of ref document: A1