WO2024135959A1 - 분광 이미지 기반의 배터리 발열 검사 방법 및 이를 지원하는 장치 - Google Patents

분광 이미지 기반의 배터리 발열 검사 방법 및 이를 지원하는 장치 Download PDF

Info

Publication number
WO2024135959A1
WO2024135959A1 PCT/KR2023/008203 KR2023008203W WO2024135959A1 WO 2024135959 A1 WO2024135959 A1 WO 2024135959A1 KR 2023008203 W KR2023008203 W KR 2023008203W WO 2024135959 A1 WO2024135959 A1 WO 2024135959A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
spectral image
reference model
processor
spectral
Prior art date
Application number
PCT/KR2023/008203
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
Priority claimed from KR1020220178760A external-priority patent/KR20240096264A/ko
Priority claimed from KR1020220178761A external-priority patent/KR20240096265A/ko
Priority claimed from KR1020220178759A external-priority patent/KR20240096263A/ko
Application filed by 에스케이플래닛 주식회사 filed Critical 에스케이플래닛 주식회사
Publication of WO2024135959A1 publication Critical patent/WO2024135959A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells

Definitions

  • the present invention relates to battery thermal testing.
  • Portable electronic devices use batteries or secondary batteries as a power source.
  • secondary batteries as a power source or power storage device for electric vehicles (EV) and hybrid electric vehicles (HEV) has become a reality.
  • lithium secondary batteries used in electric vehicles, etc. have the characteristics of high energy density and large output in a short period of time, and must be able to be used for more than 10 years under harsh conditions where charging and discharging by large currents is repeated in a short period of time. Safety and long-life characteristics that are significantly superior to those of existing small-sized lithium secondary batteries are inevitably required.
  • Secondary batteries used in such electric vehicles or power storage devices are manufactured as multiple modular battery packs.
  • a plurality of secondary batteries included in a battery pack are constantly and repeatedly charged or discharged due to internal electrochemical reactions. This repetitive charging and discharging process inevitably involves heat generation, and in a structure where the secondary battery is enlarged as described above, the heat generation phenomenon due to repetitive charging and discharging increases. Heat generated from the battery pack not only reduces the lifespan of the battery pack, but can also cause safety accidents such as explosion.
  • the present invention provides a method and device that allows more accurate inspection of battery heat generation during the battery production process.
  • the present invention provides a method and device that allows thermal testing of batteries to be performed more quickly and accurately with fewer resources during the battery production process.
  • the present invention provides a method and device that helps provide high process efficiency by minimizing human intervention in the battery production process.
  • the battery heat test device for performing a spectral image-based battery heat test includes a spectroscopic camera that acquires a spectral image, a memory, and a processor functionally connected to the spectral camera and the memory. It can be included.
  • the processor collects a current spectral image of a battery being charged or discharged, performs processing on the current spectral image, determines whether the battery is good or defective based on the processing result, and determines whether the battery is good or defective. You can set it to output the judgment result.
  • the processor collects a current spectral image of a battery being charged or discharged, classifies the current spectral image into a plurality of predefined frequency bands, and generates multimodal data corresponding to the current spectral image, Applying the multimodal data corresponding to the current spectral image to a reference model pre-stored in the memory and generated through supervised learning to determine whether the battery is good or defective corresponding to the multimodal data based on the current spectral image, It is characterized in that it is set to output the determination result of the good product or the defective product.
  • the processor is set to generate multimodal data corresponding to the current spectral image by classifying the current spectral image into spectra of a visible light band, an ultraviolet band, and an infrared band.
  • the processor is set to output the decision result on a display or a designated user terminal.
  • the processor collects a plurality of spectral images related to a battery being charged or discharged, classifies each of the plurality of spectral images into a plurality of predefined frequency bands, and classifies the plurality of spectral images into a plurality of predefined frequency bands.
  • Generate multimodal data corresponding to the spectral images perform labeling of a good or defective battery corresponding to the multimodal data corresponding to the plurality of spectral images, and perform multimodal data corresponding to the plurality of spectral images.
  • the processor outputs at least a portion of multimodal data corresponding to the plurality of spectral images to a display, receives a user input related to labeling the battery as a good product or a defective product, and responds to the user input with the It is characterized in that it is set to process the designation of a good product label or a defective product label of the multimodal data output to the display.
  • the processor performs clustering on the plurality of spectral images, compares the clustering result with a predefined cluster to be used for labeling the good product or defective product, and corresponds to the plurality of spectral images. It is characterized in that it is set to process good product labeling or defective product labeling for multimodal data.
  • the processor divides the multimodal data corresponding to the plurality of spectral images into a training data set and a verification data set, performs learning of the reference model based on the training data set, and It is characterized in that it is set to output performance verification values by applying the verification data set to the reference model.
  • the processor ends learning the reference model when the performance verification value is above a predefined certain value, collects additional spectral images when the performance verification value is below a predefined certain value, and collects additional spectral images. It is characterized in that it is set to re-perform the reference model generation based on the spectral image and the plurality of spectral images.
  • the processor extracts a first radiomics feature point from the current spectral image and applies the first radiomics feature point to a reference model pre-stored in the memory and generated through supervised learning to generate the current spectral image. It may be set to perform a good or defective determination of the battery corresponding to and output the good or defective product determination result.
  • the first radiomics feature point is the average value of all pixel values of the current spectral image, the standard deviation of all pixel values, the ratio above the threshold, the skewness of all pixel values, and the spectra of the current spectral image.
  • Skewness of the pixel mean along the height axis, skewness of the pixel mean along the width axis of the spectra of the current spectral image, skewness of the pixel standard deviation along the height axis, skewness of the pixel standard deviation along the width axis, the total pixels At least one of the kurtosis of the values, the kurtosis of the pixel mean along the height axis of the spectra of the current spectral image, the kurtosis of the pixel mean along the width axis, the kurtosis of the pixel standard deviation along the height axis, and the kurtosis of the pixel standard deviation along the width axis. may include.
  • the processor classifies the spectrum of the infrared band among the current spectral images, extracts second radiomics feature points from the spectrum of the classified infrared band, and applies a standard model corresponding to the second radiomics feature points. It is characterized in that it is set to determine whether the battery corresponding to the current spectral image is good or defective by applying the second radiomics feature points.
  • the processor is set to output the decision result on a display or a designated user terminal.
  • the processor collects a plurality of spectral images related to a battery being charged or discharged, extracts radiomics feature points from each of the plurality of spectral images, and Labeling the battery as good or defective corresponding to the radiomics feature points corresponding to the images, and processing the radiomics feature points corresponding to the plurality of spectral images as input for supervised learning, It is characterized in that it is set to process the output of supervised learning to perform learning to generate the reference model, and to store the learned reference model in the memory.
  • the processor outputs at least a portion of the plurality of spectral images to the display, receives a user input related to designating a good or defective label for the battery, and labels the plurality of spectral images as good or defective in response to the user input. It is characterized by being set to process designation or labeling of defective products.
  • the processor performs clustering on the plurality of spectral images, compares the clustering result with a predefined cluster to be used for labeling the good product or defective product, and corresponds to the plurality of spectral images. It is characterized in that it is set to process the designation of a good product label or a defective product label of a battery.
  • the processor divides the radiomics feature points corresponding to the plurality of spectral images into a learning data set and a verification data set, performs learning of the reference model based on the learning data set, and performs training on the learned model. It is characterized in that it is set to output performance verification values by applying the verification data set to the reference model.
  • the processor ends learning the reference model when the performance verification value is above a predefined certain value, collects additional spectral images when the performance verification value is below a predefined certain value, and collects additional spectral images. It is characterized in that it is set to re-perform the reference model generation based on the spectral image and the plurality of spectral images.
  • the processor classifies the current spectral image into a plurality of frequency bands, extracts second radiomics feature points from at least some of the spectra of the classified frequency bands, and corresponds to the second radiomics feature points.
  • the second radiomics feature points are applied to a reference model to determine whether a battery corresponding to the current spectral image is good or defective.
  • the processor collects a plurality of spectral images related to a battery being charged or discharged, classifies each of the plurality of spectral images into predefined frequency bands, and classifies each of the plurality of spectral images into frequency bands. Extract radiomics feature points from spectra classified by band, label the battery as good or defective corresponding to the radiomics feature points for each frequency band of the plurality of spectral images, and perform labeling of the battery corresponding to the plurality of spectral images. Processing radiomics feature points as inputs for supervised learning and processing the good and defective product labels as outputs of the supervised learning to perform learning to generate the reference model, and storing the learned reference model in the memory It is characterized by
  • the processor performs clustering on the current spectral image, compares the clustering result with a reference model pre-stored in the memory and generated by unsupervised learning, and compares the comparison result and the clustering result. If the value is within the range designated as the normal category in the reference model, the battery corresponding to the current spectral image is determined to be a good product, and if the clustering result value is outside the range designated as the normal category in the reference model, the current spectral image It may be set to determine that the battery corresponding to is a defective product.
  • the processor performs unsupervised learning on data designated as a good product label, and the normal category based on the average and standard deviation of the restoration error of the data designated as a good product label. It is characterized by setting.
  • the processor classifies the current spectral image into predefined frequency bands, performs clustering on each of the classified frequency bands, and compares each clustering result with corresponding reference models to determine the level of the battery. It is characterized in that it is set to perform judgment of good or defective products.
  • the processor classifies the current spectral image into predefined frequency bands, performs clustering on an infrared band among the classified frequency bands, and sets the clustering result for the infrared band to a corresponding standard. It is characterized in that it is set to determine whether the battery is good or defective by comparing it with the model.
  • the processor divides a plurality of spectral images collected in relation to heat generation of the battery into a learning data set and a verification data set according to a predefined ratio, and Complete learning of the reference model by performing unsupervised learning on the learning data set, perform performance verification by applying the verification data set to the learned reference model, and output the verification performance value. It is characterized by
  • the processor is set to perform unsupervised learning using only data designated as good products among the learning data set.
  • a server device supporting battery heat testing includes a server communication circuit forming a communication channel with the battery heat test device, a server memory, and a server processor functionally connected to the server communication circuit and the server memory.
  • the server processor receives a current spectral image related to a battery being charged or discharged from the battery heat inspection device, performs processing on the current spectral image, and determines whether the battery is good or bad based on the processing result. Alternatively, it may be set to perform defective product determination and output the good or defective product determination result.
  • the server processor classifies the current spectral image into a plurality of predefined frequency bands to generate multimodal data corresponding to the current spectral image, and generates multimodal data corresponding to the current spectral image. It is pre-stored in the server memory and can be set to determine good or defective batteries corresponding to the current spectral image-based multimodal data by applying it to the server reference model generated through supervised learning.
  • the server processor extracts a first radiomics feature point from the current spectral image and applies the first radiomics feature point to a reference model pre-stored in the memory and generated through supervised learning to obtain the current spectral It can be set to determine whether the battery corresponding to the image is good or defective.
  • the server processor performs clustering on the current spectral image, compares the clustering result with a reference model pre-stored in the memory and generated by unsupervised learning, and determines the clustering result. If the result value is within the range designated as the normal category in the reference model, the battery corresponding to the current spectral image is determined to be a good product, and if the clustering result value is outside the range designated as the normal category in the reference model, the current spectral image is determined to be a good product. It may be set to determine that the battery corresponding to the image is defective.
  • the server processor divides a plurality of spectral images collected from the battery heat inspection device into a learning data set and a verification data set according to a predefined certain ratio, and Complete learning of the reference model by performing unsupervised learning on the learning data set, perform performance verification by applying the verification data set to the learned reference model, and apply the verification performance value to the battery heat test. It is characterized by being set to output to a device.
  • the server processor is set to perform unsupervised learning using only data designated as good products among the learning data set.
  • a spectral image-based battery heat inspection method includes the steps of collecting, by a processor of a battery heat inspection device, a current spectral image of a battery that is being charged or discharged; the processor, It may include performing processing, performing, by the processor, a determination of whether the battery is good or defective based on the processing result, and outputting the good or defective product determination result.
  • performing the processing includes, by the processor, classifying the current spectral image into a plurality of predefined frequency bands to generate multimodal data corresponding to the current spectral image. Applying multimodal data corresponding to the current spectral image to a reference model generated through supervised learning to determine whether the battery is good or defective corresponding to the multimodal data based on the current spectral image. .
  • the method further includes the step of generating a reference model, wherein the step of generating a reference model includes collecting, by the processor, a plurality of spectral images related to a battery being charged or discharged, wherein the processor collects the plurality of spectral images.
  • the processor Performing labeling of a good product or a defective product, wherein the processor processes multimodal data corresponding to the plurality of spectral images as input to an artificial neural network and processes the good product and defective product labels as an output of the artificial neural network to meet the criteria It is characterized in that it includes the step of performing learning to create a model, and the step of storing, by the processor, the reference model on which learning has been completed in a memory.
  • the step of performing the processing includes extracting radiomics feature points from the current spectral image
  • the step of performing the decision includes applying supervised learning to the radiomics feature points of the plurality of spectral images. and applying radiomics feature points of the current spectral image to the generated reference model to determine whether a battery corresponding to the current spectral image is good or defective.
  • performing the processing may include performing clustering on the current spectral image and comparing the clustering result with a reference model pre-stored in the memory of the battery thermal inspection device and generated by unsupervised learning.
  • the step of performing the determination includes determining that the battery corresponding to the current spectral image is a good product if, as a result of the comparison, the clustering result value is within a range designated as a normal category in the reference model, If the clustering result value is outside the range designated as a normal category in the reference model, determining the battery corresponding to the current spectral image as a defective product.
  • the method further includes the step of generating the reference model, and the step of generating the reference model includes dividing the plurality of collected spectral images into a training data set and a verification data set according to a predefined constant ratio.
  • a method for inspecting abnormal heat generation of a battery and a device supporting the same generate a reference model based on a supervised learning artificial neural network for spectral images to provide reference values that can clearly distinguish between good and defective batteries. It can support battery quality management functions to be handled more efficiently and accurately.
  • a method for testing battery heat and a device supporting the same enable the creation of a reference model through fewer calculations using radiomics analysis and supervised learning of spectral images, and based on this, the battery can be inspected more quickly. It can distinguish between good and defective products, supporting efficient use of resources required for system operation.
  • an unsupervised learning-based battery thermal inspection method and a device supporting the same support minimizing human intervention in the battery production process to improve process efficiency while improving the occurrence of errors.
  • FIG. 1 is a diagram illustrating at least a partial example of a first system environment supporting battery thermal testing according to an embodiment of the present invention.
  • Figure 2 is a diagram showing an example of the configuration of a first battery heat inspection device according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating an example of the first processor configuration of FIG. 2.
  • Figure 4 is a diagram showing an example of the configuration of a first server device according to an embodiment of the present invention.
  • FIG. 5 is a diagram illustrating an example of a reference model generation method related to spectral image-based battery heat inspection according to an embodiment of the present invention.
  • Figure 6 is a diagram showing an example of a spectral image-based battery heat inspection method according to an embodiment of the present invention.
  • FIG. 7 is a diagram illustrating at least a partial example of a second system environment supporting battery heat testing according to an embodiment of the present invention.
  • Figure 8 is a diagram showing an example of the configuration of a second battery heat inspection device according to an embodiment of the present invention.
  • FIG. 9 is a diagram illustrating an example of the second processor configuration of FIG. 8.
  • Figure 10 is a diagram showing an example of radiomics feature point extraction from a spectral image according to an embodiment of the present invention.
  • Figure 11 is a diagram showing an example of a second server device configuration according to an embodiment of the present invention.
  • Figure 12 is a diagram showing an example of a reference model generation method using radiomics feature points of a spectral image according to an embodiment of the present invention.
  • Figure 13 is a diagram showing an example of a battery heat inspection method using radiomics feature points of a spectral image according to an embodiment of the present invention.
  • FIG. 14 is a diagram illustrating at least a partial example of a third system environment supporting battery heat testing according to an embodiment of the present invention.
  • Figure 15 is a diagram showing an example of the configuration of a third battery heat inspection device according to an embodiment of the present invention.
  • FIG. 16 is a diagram showing an example of the third processor configuration of FIG. 15.
  • Figure 17 is a diagram showing an example of a third server device configuration according to an embodiment of the present invention.
  • Figure 18 is a diagram showing an example of a method for generating a reference model for battery heat inspection according to an embodiment of the present invention.
  • FIG. 19 is a diagram showing an example of a battery heat inspection method according to an embodiment of the present invention.
  • first, second, etc. are used to describe various components, and are used only for the purpose of distinguishing one component from other components and to limit the components.
  • the second component may be referred to as the first component without departing from the scope of the present invention, and similarly, the first component may also be referred to as the second component.
  • unit refers to a unit that processes at least one function or operation, and may be implemented as hardware, software, or a combination of hardware and software.
  • the terms "a or an”, “one”, “the”, and similar related terms are used in the context of describing the invention (particularly in the context of the claims below) as used herein. It may be used in both singular and plural terms, unless indicated otherwise or clearly contradicted by context.
  • embodiments within the scope of the present invention include computer-readable media having or transmitting computer-executable instructions or data structures stored on the computer-readable media.
  • Such computer-readable media may be any available media that can be accessed by a general-purpose or special-purpose computer system.
  • Such computer-readable media may include RAM, ROM, EPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage, or in the form of computer-executable instructions, computer-readable instructions or data structures. It may be used to store or transmit certain program code means, and may include, but is not limited to, a physical storage medium such as any other medium that can be accessed by a general purpose or special purpose computer system. .
  • FIG. 1 is a diagram illustrating at least a partial example of a first system environment supporting battery heat testing according to an embodiment of the present invention.
  • the first system environment 10 supporting the battery heat inspection function of the present invention includes a first battery (50) for quality control of the first battery 50 in the process of manufacturing the first battery 50. It may include components that can perform a heat test of the first battery 50 while charging and discharging the battery 50 . As an example, the first system environment 10 of the present invention is used to test battery heat for all first batteries 50 during the manufacturing process or to check heat for some batteries sampled among all first batteries 50. It can also be used for testing.
  • This first system environment 10 may be configured to inspect heat generation while charging and discharging the first battery 50, for example, in a quality assurance (QA)/quality control (QC) process during the battery production process.
  • the first system environment 10 includes a first battery holder 125 on which the first battery 50 can be placed, a first charging and discharging device 180 for charging and discharging the first battery 50, and a first charging and discharging device 180 for charging and discharging the first battery 50.
  • 1 May include a battery heat inspection device 100.
  • the first battery holder 125 and the first charge/discharge device 180 may be a component of the first battery heat test device 100, or may be different from the first battery heat test device 100. It may also be configured as a separate, independent device.
  • the first charging and discharging device 180 may be included in the first battery heat inspection device 100. Additionally or alternatively, it may further include a first server device 200 that supports battery fever testing by forming a communication channel with the first battery fever testing device 100.
  • a communication channel is formed between the first battery fever test device 100 and the first server device 200, and the first server device 200 performs the first battery heat test.
  • the first system environment 10 is based on an electronic device capable of executing an embedded program (e.g., the first battery heat inspection device 100) without configuring the first server device 200. 1 It may be configured to perform a thermal test of the battery 50 and guide the results. In this case, the configuration of the first server device 200 may be omitted from the configuration of the first system environment 10.
  • the first battery 50 is a secondary battery and may include a positive electrode made of a positive electrode active material, a negative electrode made of a negative electrode active material, a separator separating the positive electrode and the negative electrode, and an electrolyte disposed between the positive electrode and the separator or between the negative electrode and the separator. there is.
  • the above-described first battery 50 charges and stores power supplied from the outside, and can supply (discharge) the stored power to the outside according to circuit operation.
  • This first battery 50 may generate heat during the charging and discharging process, and in some cases, heat may be generated above a specified temperature (e.g., 80 degrees or higher), so the heat generation characteristics of the first battery 50 may be generated. Confirmation is required.
  • the heat generation of the first battery 50 is inspected during charging and discharging of the first battery 50, and it is supported to distinguish whether the first battery 50 is a good product or a defective product.
  • the first battery 50 may be wrapped in a battery pack and placed on the first battery holder 125 and then charged or discharged by the first charge/discharge device 180.
  • the first battery holder 125 may further include wiring connecting the power source and the first charging/discharging device 180.
  • the first battery heat inspection device 100 can test heat generation during charging and discharging of the first battery 50 (or battery pack) that has been manufactured.
  • the first battery heat inspection device 100 includes a first battery holder 125 on which the first battery 50 is placed, a first charge and discharge device 180 for charging and discharging the first battery 50,
  • a first spectral camera 120 capable of taking a spectral image of the first battery 50 during charging and discharging of the first battery 50, a first spectral camera 120 for controlling the first charging and discharging device 180 and the first spectral camera 120
  • the first battery heat inspection device 100 may further include a first mounting structure 129 for adjusting the height or direction of the first spectral camera 120.
  • the first battery 50 may be transferred and placed on the first battery holder 125 for quality assurance and quality control.
  • the first battery holder 125 includes a structure on which the first battery 50 can be placed, and may include a structure on which the first charging and discharging device 180 for charging and discharging the first battery 50 is placed. Additionally, the first battery holder 125 may include at least one of a heating device or a cooling device capable of controlling the charging and discharging environment of the first battery 50. Based on this, the first battery holder 125 can provide a designated temperature environment among the environments in which the first battery 50 is charged or discharged.
  • the first charge/discharge device 180 may charge and discharge the first battery 50 placed on the first battery holder 125 under the control of the computing device.
  • the first charge/discharge device 180 is connected to a permanent power source and may be configured to supply power from the permanent power source to the first battery 50 or to discharge power stored in the first battery 50.
  • the first battery heat inspection device 100 of the present invention captures at least one spectral image while the first battery 50 is charging and discharging using the first spectral camera 120, and the photographed It can be supported to determine whether the first battery 50 is a good product or a defective product through comparison with a reference model pre-stored in the spectral image.
  • the first battery heat inspection device 100 acquires a certain number of spectral images of the charging and discharging states of the first battery 50 in order to generate a reference model through supervised learning, and the obtained spectral images Based on these, a reference model can be created through supervised learning.
  • the first battery heat test device 100 may process a battery heat test function for the first battery 50 through the first server device 200.
  • the first battery heat inspection device 100 transmits a spectral image of the first battery 50 to the first server device 200 and then receives information about the battery heat from the first server device 200. It can be configured to receive and output. Additionally, the first battery heat test device 100 may be configured to independently perform the battery heat test function without operating a separate first server device 200.
  • the first server device 200 may form a communication channel with the first battery fever test device 100.
  • the first server device 200 receives at least one spectral image of the first battery 50 from the first battery heat inspection device 100 and detects the battery heat state for the at least one received spectral image. It can be done.
  • the first server device 200 may pre-store a server reference model for comparative analysis of the currently acquired spectral image.
  • the server reference model stored in the first server device 200 may be created through supervised learning based on spectral images collected and provided by the first battery heat inspection device 100.
  • the first server device 200 may provide the analysis result of the currently acquired spectroscopic image of the first battery 50 to the first battery heat inspection device 100.
  • the first system environment 10 supporting the battery heat test function includes the first battery heat test device 100 acquiring a spectral image related to the first battery 50, and , By checking the battery heating status by comparing it with a pre-stored reference model, it supports more accurate and faster determination of good and defective products of the first battery 50.
  • FIG. 2 is a diagram showing an example of the configuration of a battery heat inspection device according to an embodiment of the present invention
  • FIG. 3 is a diagram showing an example of the processor configuration of FIG. 2.
  • the first battery heat inspection device 100 includes a first communication circuit 110, a first spectral camera 120, a first memory 130, and a first It may include an input unit 140, a first display 160, a first charging/discharging device 180, and a first processor 150. Additionally or alternatively, the first battery heat inspection device 100 includes a first sensor unit including at least one of a contact sensor or a non-contact sensor capable of collecting sensor information related to the heat state of the first battery 50. (190) may be further included.
  • the configuration of the first sensor unit 190 may be omitted from the first battery heat inspection device 100, and the first communication circuit 110, first input unit 140, and first display 160 , at least one of the first charging and discharging devices 180 may also be omitted from the first battery heat inspection device 100.
  • the first battery heat inspection device 100 is configured to capture a spectral image of the first battery 50 using the at least one first spectral camera 120, as previously described in FIG. 1.
  • a first mounting structure 129 capable of adjusting at least one of the shooting distance or shooting angle between the first spectral camera 120 and the first battery 50, and a first battery holder on which the first battery 50 is placed ( 125) may further include at least one of the following.
  • the first battery heat inspection device 100 includes the above-described components, such as a first communication circuit 110, a first spectral camera 120, a first memory 130, a first input unit 140, and a first memory 130.
  • the power supply unit may supply power to the first battery 50 through the first charge/discharge device 180.
  • the first communication circuit 110 may support the communication function of the first battery fever test device 100.
  • the first communication circuit 110 may form a communication channel with the first server device 200.
  • the first communication circuit 110 is configured to operate the first spectral camera 120. At least one collected spectral image may be transmitted to the first server device 200.
  • the first communication circuit 110 may receive the analysis result of the spectral image from the first server device 200 and transmit it to the first processor 150 according to settings or control of the first processor 150. there is.
  • the first communication circuit 110 may transmit heat generation information of the first battery 50 to a designated user terminal (eg, a terminal owned by the manager of the first battery heat inspection device 100). Additionally or alternatively, the first communication circuit 110 may form a communication channel with an external server device and receive the first reference model 131 from the external server device.
  • the first reference model 131 may include a model in which supervised learning is performed based on a certain number of spectral images.
  • the first communication circuit 110 forms a communication channel with the external server device at a certain period in response to the control of the first processor 150, and when there is a newly updated first reference model 131, the updated The first reference model 131 may be received from an external server device and stored (or updated) in the first memory 130.
  • the first spectral camera 120 is the first spectral camera 120 of the first battery heat inspection device 100 previously described in FIG. 1, and can be arranged to capture a spectral image of the first battery 50. there is.
  • a form in which the first battery heat inspection device 100 includes one first spectral camera 120 was illustrated, but the present invention is not limited thereto.
  • a plurality of first spectral cameras 120 may be arranged. When a plurality of spectroscopic cameras are arranged, the plurality of spectroscopic cameras may be arranged to photograph the first battery 50 from various angles.
  • the first spectral camera 120 is activated in response to the control of the first processor 150, and when a spectral image of the first battery 50 is acquired, it can be transmitted to the first processor 150. Alternatively, in response to the control of the first processor 150, the spectral image acquired by the first spectral camera 120 may be transmitted to the first server device 200 through the first communication circuit 110.
  • the first memory 130 may store at least one program or data necessary for operating the first battery heat test device 100. As an example, the first memory 130 temporarily or It can be stored semi-permanently.
  • the first memory 130 may store a first reference model 131 used for comparative analysis with a currently captured spectral image of the first battery 50 .
  • the first reference model 131 may be received from an external server device.
  • the first reference model 131 may be generated through supervised learning when a plurality of first spectral images 133 are accumulated and stored more than a predefined certain amount.
  • the first spectral image 133 may be divided into a plurality of data sets (eg, multimodal data sets) for supervised learning.
  • the first memory 130 may store sensor information collected by the first sensor unit 190.
  • the sensor information may include sensor information acquired at the same time as the time when the first spectral image 133 was acquired or at a time close to the time when the first spectral image 133 was acquired within a predefined certain range. .
  • the sensor information can be used to designate good and defective products of the first battery 50 based on the first spectral image 133.
  • the first memory 130 may store battery information 135.
  • the battery information 135 may include battery identification information and information on designating a good or defective product of the first battery 50.
  • the first input unit 140 may include various input means for manipulating the first battery heat test device 100.
  • the first input unit 140 may include an input signal requesting execution of an application for the battery heat inspection function, an input signal for activating the first spectral camera 120, and a first spectral image for acquiring the first spectral image 133.
  • At least one of a camera 120 manipulation input signal and an input signal requesting output of an analysis result of the first spectral image 133 may be generated according to user manipulation.
  • the first input unit 140 may generate an input signal requesting the creation of a first reference model 131 using the first spectral images 133.
  • the first input unit 140 may include at least one of various means such as soft keys (or touch screen or touch pad-based input means), physical keys, voice input devices, gesture input devices, and jog shuttles.
  • the first display 160 may output at least one screen necessary for operating the first battery heat inspection device 100.
  • the first display 160 includes at least one device included in the first battery heat inspection device 100 (e.g., a first spectral camera 120, a first mounting structure 129, and a first communication circuit).
  • the first spectral camera 120 Activation screen, screen for acquiring the first spectral image 133 through the first spectral camera 120, screen for generating the first reference model 131 based on the first spectral image 133, learning of the first reference model 131
  • at least one of the battery heat status detection screens according to the analysis of the new spectral image can be output.
  • the first display 160 displays the first server device 200 connection screen, the first server device 200, and the first server device 200.
  • new spectroscopic image analysis results e.g., battery heating status
  • the first charging and discharging device 180 can control charging and discharging of the first battery 50 mounted on the first battery holder 125.
  • the first charging and discharging device 180 may be directly connected to a power source.
  • the first charging and discharging device 180 includes a charging circuit that supplies charging power for charging the first battery 50 in response to control by the first processor 150, and a discharging circuit for discharging the first battery 50. can do.
  • the first charge/discharge device 180 may further include a load that consumes power of the first battery 50.
  • the first charge/discharge device 180 can detect the remaining charge or discharge amount of the first battery 50.
  • the first sensor unit 190 may include at least one sensor capable of collecting various sensor information related to the first battery 50 when the first battery 50 is charged or discharged.
  • the first sensor unit 190 may include a temperature sensor capable of detecting the surface temperature of the first battery 50 when the first battery 50 is charged or discharged.
  • the first sensor unit 190 may include an RGB sensor (or RGB camera) capable of detecting a change in volume of the first battery 50 when the first battery 50 is charged or discharged.
  • the first processor 150 may perform at least one of transmitting and processing signals necessary for operating the first battery heat inspection device 100, storing processing results, and outputting the processing results. For example, the first processor 150 performs a process of generating a first reference model 131 based on at least one of a spectral image collected by the first spectral camera 120 or a spectral image received from an external server device. can do. Alternatively, the first processor 150 controls the first spectral camera 120 to acquire the first spectral image 133, and stores the obtained first spectral image 133 in advance in the first memory 130. A comparative analysis with the stored first reference model 131 may be performed, and a battery heat state detection result according to the comparative analysis may be output. In this regard, the first processor 150 may include a configuration as shown in FIG. 3.
  • the first processor 150 includes a first charge/discharge control unit 151, a first camera control unit 152, a first reference model learning unit 153, a first heat detection unit 154, and a first 1 It may include at least one of the status information units 155.
  • the first charge/discharge control unit 151 may control the charge or discharge of the first battery 50 by controlling the first charge/discharge device 180.
  • the first charge/discharge control unit 151 may collect information about the first battery 50 through communication with the first battery 50.
  • the first charge/discharge control unit 151 controls the size of the charging power (e.g., voltage and current amount) or the charging speed (e.g., fast charging or slow charging) of the first battery 50 based on the information about the first battery 50.
  • the first charge/discharge control unit 151 can guide the first camera control unit 152 to this.
  • the first charge/discharge control unit 151 may complete charging of the first battery 50 when the first battery 50 is charged more than a predefined reference value (e.g., 100% charged).
  • a predefined reference value e.g. 100% charged.
  • the first charge/discharge control unit 151 checks the amount of natural discharge of the first battery 50 after a predefined period of time has elapsed after charging the first battery 50, and controls to perform an additional charging operation according to the natural discharge. can do.
  • the first charge/discharge control unit 151 controls the first charge/discharge device 180 to perform a discharge operation of the first battery 50 charged above a predefined reference value, and when the discharge operation starts, Information may be transmitted to the first camera control unit 152.
  • the first charge/discharge control unit 151 can adjust the output of the first battery 50 to have various discharge rates by adjusting the size of the load. When the load changes, information about this can be transmitted to the first reference model learning unit 153.
  • the first charge/discharge control unit 151 controls the first battery holder 125 during a charge or discharge operation of the first battery 50 to control the temperature environment for charge or discharge to correspond to a predefined setting value. can do.
  • the first charge/discharge control unit 151 controls the first battery holder 125 to set the temperature environment in which the first battery 50 is charged or discharged to a state below a specified sub-zero temperature value, a room temperature state, or a specified video temperature value. It can be controlled to achieve an abnormal state, etc.
  • the first charge/discharge control unit 151 controls the charge rate (or charge rate to a specified target charge amount) or discharge rate (or discharge to a specified target discharge amount) of the first battery 50 according to the temperature environment and the size of the charge power.
  • the charging and discharging environment of the first battery 50 can be collected.
  • Various information related to the charging and discharging environment of the first battery 50 such as information about the temperature environment, information about the size of charging power, charging speed, and discharging speed, are obtained when acquiring the first spectral image 133. It may be matched with the image 133 and stored in the first memory 130.
  • the first camera control unit 152 When the first camera control unit 152 receives information about the charging operation or discharging operation of the first battery 50 from the first charging and discharging control unit 151, it controls the first spectral camera 120 at the corresponding time. Control can be made to capture a spectral image of the first battery 50.
  • the first camera control unit 152 may collect a plurality of spectral images taken in various charging and discharging environments of the first battery 50 and store them in the first memory 130 to generate the first reference model 131. . After generating the first reference model 131 or completing learning, the first camera control unit 152 collects at least one spectral image related to the first battery 50 to determine the current heat generation state of the first battery 50. can do.
  • the first camera control unit 152 requests the first charge/discharge control unit 151 to adjust the charge/discharge temperature environment through the first battery holder 125, and generates new spectral images for each temperature environment and charge/discharge size. can be collected.
  • the first reference model learning unit 153 stores spectral images acquired under the control of the first camera control unit 152 in the first memory 130, and determines the amount of spectral images stored in the first memory 130 in advance. When it exceeds a defined certain amount, supervised learning can be performed to create a reference model based on the corresponding spectral images.
  • the first reference model learning unit 153 may process a spectral image taken of the first battery 50 while charging and discharging (or before the start of charging and discharging) as an input for artificial neural network learning. In this operation, the first reference model learning unit 153 converts the measured data into a plurality of frequency bands (e.g., ultraviolet band (e.g. : Wavelength band less than 400nm), visible light band (e.g.
  • the first reference model learning unit 153 separates each of the multimodal data for each of the plurality of frequency bands into independent spectra corresponding to the indices of the height axis and width axis, and stacks the separated spectra on the channel axis to form an artificial neural network.
  • a number of spectra corresponding to the product of height 'H' and width 'W' (H x W) of the dimensions corresponding to the same channel can be obtained.
  • the sensor information obtained through the first sensor unit 190 can be matched with multimodal data and stored as a multimodal data set, and at least one
  • the data obtained from the first sensor unit 190 including the sensor can be time matched by recording the time at the time of collection, if the sensor information collection period or time does not match the collection time of the spectral image.
  • the first reference model learning unit 153 may match data corresponding to the closest collection time based on the time recorded in each data (e.g., spectral image and sensor information) and store it in the first memory 130.
  • the first reference model learning unit 153 may support labeling at least a portion of the collected multi-modal data set as a good product or a defective product.
  • Output at least part of the data set e.g., a spectral image, data obtained by dividing the spectral image into a certain frequency band, sensor information acquired at the same or similar time point at which the spectral image is collected
  • the good product designation value and the defective product designation value of the multimodal data set can be used as output values for artificial neural network learning.
  • the first reference model learning unit 153 may utilize a pseudo label based on clustering for at least a portion of the multimodal data set. For example, the first reference model learning unit 153 may process temporary labeling of the multimodal data set by comparing the clustering result for the multimodal data set with a predefined specific cluster value that designates good or defective products. .
  • the first reference model learning unit 153 uses an artificial neural network when data 'x' (e.g., at least part of a multimodal data set) and label 'y' are stored in the first memory 130 over a predefined certain amount. You can initialize and perform supervised learning based on the stored information.
  • the artificial neural network may be at least one or a combination of a multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), and graph neural network (GNN), but the present invention is a type of artificial neural network. I am not limited to the number.
  • the first reference model learning unit 153 creates a model that combines an artificial neural network as a feature extractor and a support vector machine (SVM) as a classifier (e.g., Deep Feature-Based (DFB)-SVM). You can utilize it.
  • SVM support vector machine
  • the first reference model learning unit 153 uses some data sets for supervised learning for accumulated data of a certain amount or more predefined in the first memory 130, and uses the remaining data as a verification data set. You can.
  • the split ratio of the supervised learning data set and the verification data set can be, for example, 8:2, and can be changed to 7:3, 9:1, etc. depending on user specifications.
  • the artificial neural network input of the first reference model learning unit 153 may include unimodal input or multimodal input depending on the type of data being collected.
  • the first reference model learning unit 153 may provide each input from a layer of the same level (depth). Alternatively, according to settings or user input, the first reference model learning unit 153 configures a branch in the middle layer of the artificial neural network for each modal data (e.g., uni-modal data or at least part of a multi-modal data set).
  • the first reference model learning unit 153 can operate scratch learning, which learns from the first moment of random initialization of parameters, transfer learning, and knowledge distillation ( Methods for forming initial parameters such as knowledge distillation can be used, or learning techniques such as fine tuning can be used.
  • Methods for forming initial parameters such as knowledge distillation can be used, or learning techniques such as fine tuning can be used.
  • the present invention is not limited to this, and at least part or a combination of various artificial neural networks can be used.
  • the first reference model learning unit 153 evaluates the learned first reference model 131 using the divided verification data set, and displays the evaluation result on the system UI (e.g., the first display 160). It can be output to a designated screen to help users check verification performance.
  • the user of the first battery heat inspection device 100 can check the verification performance of the learned first reference model 131 and decide whether to operate the model.
  • the first reference model learning unit 153 may automatically apply the learned first reference model 131 when the verification performance is greater than or equal to a predefined reference value. For example, the first reference model learning unit 153 may inform the first fever detection unit 154 that learning of the first reference model 131 has been completed.
  • the first reference model learning unit 153 collects and additionally collects spectral images until the verification performance becomes more than the reference value. Model learning based on all spectral images, including spectral images, can be repeatedly performed.
  • the first heat detection unit 154 detects the first reference model 131 when learning of the first reference model 131 is completed or the learned first reference model 131 is stored in the first memory 130.
  • the heat generation state of the first battery 50 can be detected based on .
  • the first heat detection unit 154 requests the first camera control unit 152 to obtain a new spectral image for the first battery 50, and uses the acquired new spectral image as the first reference model 131. It is possible to determine the heat generation state of the first battery 50 by applying .
  • the first heat detection unit 154 reports the result of whether the first battery 50 is a good product or a defective product to the first status information unit 155 according to the application of the first reference model 131 of the new spectral image. It can be delivered.
  • the first heat detection unit 154 separates the acquired new spectral image into frequency bands, applies the data for each separated frequency band to the corresponding first reference model 131, and integrates the application results to create a first It is possible to determine whether the battery 50 is good or defective.
  • the first status information unit 155 may receive the determination value of the first battery 50 from the first heat detection unit 154 and output information corresponding to the received determination value. For example, the first status information unit 155 outputs good quality judgment information or defective quality judgment information about the first battery 50 that is currently being charged and discharged through the first display 160 of the first battery heat inspection device 100. can do. Alternatively, the first status information unit 155 may transmit a message containing a judgment value of a good or defective product of the first battery 50 to a designated user terminal through the first communication circuit 110.
  • the first battery heat inspection device 100 of the present invention determines whether the first battery 50 is good or defective based on the spectral image, and spectral images are divided into predefined frequency bands.
  • spectral images are divided into predefined frequency bands.
  • Figure 4 is a diagram showing an example of a server device configuration according to an embodiment of the present invention. As described above, if the first battery heat test device 100 is designed to independently perform the battery heat test function according to an embodiment of the present invention, the configuration of the first server device 200 may be omitted.
  • the first server device 200 of the present invention may include a first server communication circuit 210, a first server memory 230, and a first server processor 250.
  • the first server communication circuit 210 may form a communication channel with the first battery fever test device 100. As an example, the first server communication circuit 210 responds to a designated period or a predefined event occurrence (e.g., an event detecting a state in which the first battery 50 is placed in the first battery holder 125). A plurality of spectral images for generating the server reference model 231 may be received from the first battery heat inspection device 100. As another example, the first server communication circuit 210 may receive the server reference model 231 from an external server device. The first server communication circuit 210 receives at least one current spectral image 235 of the first battery 50 that requires thermal testing, and controls the corresponding analysis result to the first server processor 250. This can be transmitted to the first battery fever test device 100 (or a designated user terminal).
  • a predefined event occurrence e.g., an event detecting a state in which the first battery 50 is placed in the first battery holder 125.
  • a plurality of spectral images for generating the server reference model 231 may
  • the first server memory 230 may store at least one program or data necessary for operating the first server device 200.
  • the first server memory 230 may include model creation data 233 corresponding to a plurality of spectral images received for generating the server reference model 231 or the current spectral image 235 received for battery heat inspection. ), at least one of the server reference models 231 can be stored.
  • the server reference model 231 may correspond to the first reference model 131 stored in the first memory 130 of the first battery heat inspection device 100 described above.
  • the server reference model 231 may be generated by the first battery heat inspection device 100 and provided to the first server device 200.
  • the server reference model 231 may be generated by the first server processor 250 based on the model creation data 233 stored in the first server memory 230.
  • the first server processor 250 may control transmission and processing of signals necessary for operating the first server device 200, storage of results, transmission of results, or transmission of messages corresponding to the results.
  • the first server processor 250 may include a charge/discharge management unit 251, a data collection unit 252, a model creation unit 253, and a heat management unit 254.
  • the charge/discharge management unit 251 may manage charge/discharge of the first battery 50.
  • the charge/discharge management unit 251 forms a communication channel with the first battery heat inspection device 100, and when the first battery 50 is placed on the first battery holder 125, the first battery 50 While controlling charging and discharging, charging and discharging related information (e.g., at least some of the charging and discharging temperature environment of the first battery 50, charging and discharging speed, and magnitude of charging and discharging power) may be collected.
  • the data collection unit 252 may receive a spectral image of the first battery 50 from the first battery heat inspection device 100.
  • the spectral image received from the first battery heat inspection device 100 may include a spectral image for generating a server reference model or a current spectral image 235 for testing the heat of the first battery 50.
  • the data collection unit 252 may store the received spectral images as model creation data 233 in the first server memory 230. In this operation, the data collection unit 252 separates the received spectroscopic images into predefined frequency bands (e.g., ultraviolet band, visible light band, infrared band) and groups the spectra for each frequency band to provide multi-spectral images.
  • predefined frequency bands e.g., ultraviolet band, visible light band, infrared band
  • the data collection unit 252 collects sensor information at the time the spectral images are collected, matches the collected sensor information with multimodal data, and stores the first server memory 230 as a multimodal data set. It can be saved in .
  • the model generator 253 may generate a server reference model 231.
  • the model generator 253 generates a first reference model 131 of the first battery heat inspection device 100, and uses the generated (or learned) first reference model 131 as the first battery heat inspection device 100. It can be provided to the fever test device 100.
  • the server reference model 231 is pre-stored in the first server memory 230 or when the first battery heat inspection device 100 provides the server reference model 231, the model generator 253 The configuration may be omitted.
  • the model generator 253 may generate a server reference model 231 by applying the model creation data 233 to the input and output of the artificial neural network.
  • the model generator 253 processes at least a portion of the multimodal data set included in the model creation data 233 as input to an artificial neural network, and artificially creates labels for designating good and defective products for the multimodal data set. By processing it as the output of a neural network, learning about the artificial neural network can be performed. In this operation, the model generator 253 outputs at least a part of the data set to the first display 160 of the first battery heat inspection device 100 to label the data set as a good product or a defective product, and responds to the user input. Accordingly, specific data can be labeled as good or defective.
  • the model generator 253 performs clustering on at least a portion of the data set, compares the clustering result with a predefined cluster (e.g., a cluster set for labeling good and defective products), and generates a pseudo-product.
  • a predefined cluster e.g., a cluster set for labeling good and defective products
  • a label can be assigned to the data set.
  • the artificial neural network may be at least one or a combination of multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), graph neural network (GNN), and Deep Feature-Based (DFB)-SVM.
  • MLP multi-layer perceptron
  • CNN convolutional neural network
  • RNN recurrent neural network
  • GNN graph neural network
  • DFB Deep Feature-Based
  • the model creation unit 253 classifies a portion of the model creation data 233 into a verification data set, and after completion of learning, the performance exceeds a predefined reference value for the server reference model 231. This can be used to verify performance.
  • the heat management unit 254 When the heat management unit 254 receives notification of receiving the current spectral image 235 from the data collection unit 252, it can perform analysis on the current spectral image 235 stored in the first server memory 230. For example, the heat management unit 254 performs division of the current spectral image 235 by frequency band, applies the data for each band to the corresponding server reference model 231, and based on the result, the current spectral image ( It is possible to determine whether the first battery 50 corresponding to 235) is good or defective. The heat management unit 254 may provide the determination result to at least one of the first battery heat test device 100 and a designated user terminal.
  • the first server device 200 can operate relatively high-performance hardware compared to the first battery heat inspection device 100, and the server reference model 231 is the first server device 200. 1 Compared to the first reference model 131 of the battery heat inspection device 100, it can be configured to perform more diverse and detailed judgment of good and defective products. Based on this, the first server device 200 can quickly and accurately provide a result of determining whether the first battery 50 is good or defective.
  • FIG. 5 is a diagram illustrating an example of a method for generating a reference model related to a spectral image-based battery thermal inspection according to an embodiment of the present invention.
  • the first processor 150 of the first battery heat test device 100 performs step 501. You can check whether spectral images are collected for generating the first reference model 131.
  • the first battery heat test device 100 may install an application related to battery heat test and operate a reference model creation mode in the application. When the reference model creation mode is activated, the first processor 150 operates the first spectral camera 120 to collect spectral images about the first battery 50 placed on the first battery holder 125. there is.
  • the first processor 150 sends information about the charging and discharging environment (e.g., temperature environment) of the first battery 50 to the first processor 150. It can be collected using the sensor unit 190.
  • the first processor 150 may control at least one of a heating device or a cooling device disposed on the first battery holder 125 so that the temperature environment becomes a predefined temperature value. Alternatively, if the temperature environment is within a predefined reference range, the temperature control operation described above may be omitted.
  • the first processor 150 may process performance of the designated function in step 503. For example, the first processor 150 may check the current state (e.g., normal state or whether a defect has occurred) of at least some of the components of the first battery heat inspection device 100 and output the test result. . If there is no separate designated function, step 503 may be omitted.
  • the current state e.g., normal state or whether a defect has occurred
  • the first processor 150 of the first battery heat inspection device 100 may separate the acquired spectral image into multimodal data.
  • the first processor 150 divides the spectral images in the form of height It can be separated into independent spectra and stacked on the channel axis to be used as input to an artificial neural network.
  • the first processor 150 can obtain (H Alternatively, the first processor 150 separates the spectral image into a visible light band that humans can see, an ultraviolet band that has material penetration properties, and an infrared band that represents temperature values, and converts the data for each band into multimodal data. can be considered.
  • the first processor 150 collects spectral images in a plurality of temperature environments for one first battery 50, and performs classification processing by frequency band for generating multimodal data on each of the plurality of spectral images. can do. Additionally or alternatively, the first processor 150 may process the multimodal data to include each unimodal data (eg, a circular spectral image). Additionally, the first processor 150 can match sensor information acquired at the time a spectral image is acquired with multimodal data and store and manage it as a multimodal data set.
  • each unimodal data eg, a circular spectral image
  • the first processor 150 of the first battery fever test device 100 may process whether to designate data for multimodal data.
  • the first processor 150 may output at least part of the multimodal data to the first display 160.
  • the first processor 150 outputs a spectral image related to multimodal data or at least a part of sensor information acquired when acquiring the corresponding spectral image to the first display 160, and selects a good product or a good product corresponding to the output information. You can input a defective product designation label.
  • the first processor 150 may designate the corresponding multimodal data as a good product.
  • the first processor 150 When the first processor 150 receives a defective product input, it can designate the corresponding multimodal data as a defective product in step 511. Meanwhile, in relation to labeling good or defective products, the first processor 150 performs clustering on at least a portion of the spectral image without receiving user input, and then converts the clustering result into a dictionary to distinguish between good and defective products. By comparing with the stored cluster, it is possible to process the designation of good or defective products from the multimodal data corresponding to the spectral image.
  • the first processor 150 may check whether the labeled multimodal data is greater than or equal to a specified quantity. If the number is less than the designated quantity, the first processor 150 branches before step 501 and re-performs the following operations to collect more multimodal data.
  • the first processor 150 performs supervised learning on data (e.g., multimodal data or multimodal data set) corresponding to the stored spectral images in step 515 to create a first reference model. (131) can be generated and the result can be stored in the first memory (130).
  • the first processor 150 may include multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), graph neural network (GNN), and Deep Feature-Based (DFB)-SVM.
  • MLP multi-layer perceptron
  • CNN convolutional neural network
  • RNN recurrent neural network
  • GNN graph neural network
  • DFB Deep Feature-Based
  • the first processor 150 classifies some of the data stored in the first memory 130 as a verification data set and performs learning using the remaining data to create a first reference model 131. After generating (learning), performance verification can be performed by applying the verification data set to the learned first reference model 131.
  • the first reference model 131 generated based on multimodal data may include models to which data can be applied for each frequency band.
  • the first processor 150 may use part of the data set for training an artificial neural network, and use the remaining part as a data set for verification. The split ratio can be adjusted to 8:2 or 7:3, 9:1, etc. depending on user input.
  • Data processed as input for artificial neural network learning may include unimodal data (eg, spectral images).
  • the output is a single output y, and the content of the output can be a value indicating a good product or a defective product.
  • the first processor 150 grants each input from a layer of the same level (depth), and according to settings or user input, the data of each modal is transferred to the artificial neural network. You can configure and input branches in the secondary layer.
  • the artificial neural network includes at least one of scratch learning, which learns from the moment of random initialization of parameters, transfer learning, knowledge distillation, and fine tuning learning, which forms initial parameters. Can be applied selectively.
  • the first processor 150 can evaluate (or verify performance) the first reference model 131 with the divided verification data set and report the verification performance by outputting the evaluation results through the system UI. there is. Depending on user input or whether a performance value higher than a preset reference value is achieved, whether to operate the first reference model 131 for which verification performance has been reported may be determined.
  • the first processor 150 may return to the heat check function of the first battery 50. Alternatively, the first processor 150 may guide the completion of the reference model creation mode of the application and activate the fever check function.
  • the process of generating the first reference model 131 may be performed in the first server device 200 and used as a method for generating the server reference model 231.
  • the reference model generation method described in FIG. 5 may be at least part of the server reference model generation method in the first server device 200.
  • Figure 6 is a diagram showing an example of a spectral image-based battery heat inspection method according to an embodiment of the present invention.
  • the first processor 150 performs the first test in step 601. It is possible to check whether the battery 50 is being charged or discharged to check its heat. Alternatively, the first processor 150 may detect that the first battery 50 is placed on the first battery holder 125 to test the heat of the first battery 50. The first processor 150 can charge and discharge the first battery 50 when the first battery 50 is placed on the first battery holder 125. If there is no battery charge/discharge event, the first processor 150 may process the performance of the designated function in step 603. For example, the first processor 150 may output status values of at least some of the components of the first battery thermal testing device 100. If there is no separate designated function, step 503 may be omitted.
  • the first processor 150 may acquire a current spectral image of the first battery 50 that is being charged and discharged in step 605. In this operation, the first processor 150 may collect temperature environment information of the first battery 50 that is being charged and discharged.
  • the first processor 150 may perform a heat test of the first battery 50 based on the spectral image acquired in step 607. In this operation, the first processor 150 divides the acquired current spectral image into a plurality of predefined frequency bands and applies the spectra for each frequency band to the pre-stored first reference model 131. .
  • the first reference model 131 may include models that are divided into spectra for a plurality of frequency bands and can be used to determine good products and defective products. The first processor 150 may compare the spectra for each frequency band to a corresponding reference model and calculate the result.
  • the first processor 150 may check whether the result indicates the good quality characteristics of the first battery 50. If the result value in comparison with the first reference model 131 indicates good product characteristics of the first battery 50, the first processor 150 may output first battery state information in step 611.
  • the first battery status information may include information indicating that the first battery 50 currently undergoing thermal testing is a good product.
  • the first processor 150 may output the first battery state information to the first display 160 or a designated manager terminal.
  • the first processor 150 may output second battery state information in step 613.
  • the second battery status information may include information indicating that the first battery 50 is a defective product.
  • the first processor 150 outputs the second battery status information to the first display 160 or a designated management terminal, and may also output information requesting disposal or re-inspection of the first battery 50. .
  • the first processor 150 of the first battery heat test device 100 may check whether the battery heat test function is terminated. If no event related to termination of the battery heat test function occurs, the first processor 150 may branch to step 601 and re-perform the following operations. When an event related to termination of the battery heat test function, such as a user input signal for termination of an application or an input signal instructing termination of the first spectral camera 120, occurs, it is determined that the battery heat test function is terminated, and the first processor 150 ) can handle termination of the relevant function.
  • an event related to termination of the battery heat test function such as a user input signal for termination of an application or an input signal instructing termination of the first spectral camera 120
  • the operations described in FIG. 6 may be similarly performed in the first server device 200.
  • the first server device 200 is defined to perform the operation described in FIG. 6, the first server device 200 skips steps 601 and 603, and the first battery forming a communication channel in step 605.
  • the following operations are performed to determine the good or defective product inspection result of the first battery 50, and the determination result is sent to the first battery heat inspection device 100 or a designated It may be configured to perform a transmission operation to a user terminal.
  • FIG. 7 is a diagram illustrating at least a partial example of a second system environment supporting battery heat testing according to an embodiment of the present invention.
  • the second system environment 1010 supporting the battery heat inspection function of the present invention uses a second battery (1050) for quality control of the second battery 1050 in the process of manufacturing the second battery 1050.
  • 1050 may include components capable of performing a thermal test while performing charging and discharging.
  • the second system environment 1010 of the present invention is used to perform a thermal inspection of all second batteries 1050 manufactured in the battery production process, or a sampled portion of all second batteries 1050. It may also be used to perform a thermal test on the second battery 1050.
  • This second system environment 1010 charges and discharges the second battery 1050, which has been manufactured during the battery production process, in a quality assurance (QA)/quality control (QC) process (or when manufacturing is completed as necessary). It can be configured to detect heat generation from a battery (while charging or discharging a battery that can be charged and discharged even if the battery is not charged).
  • the second system environment 1010 may include a second battery 1050 and a second battery heat inspection device 1100.
  • the second battery heat inspection device 1100 includes a second battery holder 1125 on which the second battery 1050 can be placed, and a second charging and discharging device 1180 for charging and discharging the second battery 1050.
  • a second battery holder 1125 on which the second battery 1050 can be placed may include.
  • at least some of the second battery holder 1125 and the second charge/discharge device 1180 may be independent of the second battery heat test device 1100, or the second battery heat test device 1100. It may be a configuration included in the work configuration of. As an example, only the second charging and discharging device 1180 may be included in the second battery heat inspection device 1100.
  • the second system environment 1010 may further include a second server device 1200 that supports battery fever testing by forming a communication channel with the second battery fever testing device 1100.
  • the second server device 1200 supports the second battery fever test device 1100, but the present invention is not limited thereto.
  • the second system environment 1010 is based on an electronic device capable of executing an embedded program (e.g., the second battery heat inspection device 1100) without configuring the second server device 1200. 2 It may be configured to perform a thermal test of the battery 1050 and guide the results. In this case, the configuration of the second server device 1200 may be omitted from the configuration of the second system environment 1010.
  • the second battery 1050 is a secondary battery and may include a positive electrode prepared with a positive electrode active material, a negative electrode prepared with a negative electrode active material, a separator separating the positive electrode and the negative electrode, and an electrolyte disposed between the positive electrode and the separator or between the negative electrode and the separator. there is.
  • the above-described second battery 1050 can charge and store power supplied from the outside, and supply (discharge) the stored power to the outside according to circuit operation.
  • the second battery 1050 may generate heat during the charging and discharging process, and therefore, an examination of the heat generation characteristics of the second battery 1050 is necessary.
  • the heat generation of the second battery 1050 is inspected during charging and discharging of the second battery 1050, and it is possible to distinguish whether the second battery 1050 is a good product or a defective product.
  • the second battery 1050 may be placed on the second battery holder 1125 in a form wrapped around a battery pack and then charged or discharged by the second charge/discharge device 1180.
  • the second battery holder 1125 may further include wiring connecting the power source and the second charging/discharging device 1180.
  • the second battery heat inspection device 1100 can test heat generation during charging and discharging of the second battery 1050 (or battery pack) that has been manufactured.
  • the second battery heat inspection device 1100 includes a second battery holder 1125 on which the second battery 1050 is placed, a second charging and discharging device 1180 for charging and discharging the second battery 1050, A second spectral camera 1120 capable of taking spectral images of the second battery 1050 while charging and discharging the second battery 1050, and a second spectral camera 1120 for controlling the second charging and discharging device 1180 and the second spectral camera 1120. May include a computing device.
  • the second battery heat inspection device 1100 may further include a second mounting structure 1129 for adjusting the height or direction of the second spectral camera 1120.
  • a second mounting structure 1129 for adjusting the height or direction of the second spectral camera 1120.
  • the second battery 1050 may be placed at a specific position of the second battery holder 1125 where the second spectral camera 1120 can take pictures.
  • the second battery holder 1125 is a structure that can temporarily fix the second battery 1050 after the second battery 1050 is placed, and a second charging and discharging device that supplies power for charging and discharging the second battery 1050. It may include a structure on which device 1180 rests.
  • the second battery holder 1125 may include at least one of a heating device or a cooling device capable of controlling the charging and discharging environment of the second battery 1050. Based on this, the second battery holder 1125 is installed in the computing device so that the surrounding temperature environment of the second battery 1050 can be a specified temperature environment during a charging or discharging operation for testing the heat of the second battery 1050. Depending on the control, at least one of a heating device or a cooling device can be operated.
  • the second charging and discharging device 1180 may charge and discharge the second battery 1050 mounted on the second battery holder 1125 under the control of the computing device.
  • the second charging and discharging device 1180 is connected to a permanent power source and is configured to supply power from the permanent power source to the second battery 1050 or to discharge power stored in the second battery 1050. You can.
  • the second charging and discharging device 1180 may include a load that can consume power from the second battery 1050.
  • the second battery heat inspection device 1100 uses the second spectroscopic camera 1120 during a charging or discharging operation to test the heat of the second battery 1050.
  • the second battery heat test device 1100 may generate a reference model by performing supervised learning on radiomics feature points extracted from spectral images. . In this operation, the second battery heat inspection device 1100 may perform the reference model creation operation when a certain number of spectral images of the charging or discharging state of the second battery 1050 are obtained.
  • the second battery heat test device 1100 may process a heat test function for the second battery 1050 through the second server device 1200.
  • the second battery heat test device 1100 transmits a spectral image of the second battery 1050 to the second server device 1200 and then receives the battery heat test result from the second server device 1200. It can be configured to output.
  • the second battery heat test device 1100 may be configured to independently perform a heat test function and determine good quality products without operating a separate second server device 1200.
  • the second server device 1200 may form a communication channel with the second battery fever test device 1100.
  • the second server device 1200 receives at least one spectral image of the second battery 1050 from the second battery heat inspection device 1100 and detects the battery heat state by analyzing the at least one received spectral image. can be performed.
  • the second server device 1200 may pre-store a server reference model for comparative analysis of the currently acquired spectral image.
  • the server reference model stored in the second server device 1200 may be created through supervised learning based on radiomics feature points of spectral images collected and provided by the second battery heat inspection device 1100.
  • the second server device 1200 may provide the analysis result of the currently acquired spectroscopic image of the second battery 1050 to the second battery heat inspection device 1100.
  • the second system environment 1010 that supports the battery heat test function includes the second battery heat test device 1100 acquiring a spectral image related to the second battery 1050, and , By comparing the radiomics feature points extracted from the spectral image and the reference model to check the battery heating state, it supports more quickly processing the judgment of good and defective products of the second battery 1050 through fewer calculations.
  • FIG. 8 is a diagram showing an example of the configuration of a battery heat inspection device according to an embodiment of the present invention
  • FIG. 9 is a diagram showing an example of the processor configuration of FIG. 8.
  • Figure 10 is a diagram showing an example of radiomics feature points applied to a spectral image according to an embodiment of the present invention.
  • the second battery heat inspection device 1100 includes a second communication circuit 1110, a second spectral camera 1120, a second memory 1130, and a second It may include an input unit 1140, a second display 1160, a second charging/discharging device 1180, and a second processor 1150. Additionally or alternatively, the second battery heat inspection device 1100 includes a second sensor unit including at least one of a contact sensor or a non-contact sensor capable of collecting sensor information related to the heat state of the second battery 1050. (1190) may be further included.
  • the configuration of the second sensor unit 1190 may be omitted from the second battery heat inspection device 1100, and the second communication circuit 1110, second input unit 1140, and second display 1160 , at least one of the second charging and discharging devices 1180 may also be omitted from the second battery heat inspection device 1100.
  • the second battery fever test device 1100 does not include a second display 1160 and may be configured to transmit information about the fever test to a designated user terminal through the second communication circuit 1110.
  • the second charging and discharging device 1180 may be arranged in a separate second system environment 1010 rather than in the second battery heat inspection device 1100.
  • the second battery heat inspection device 1100 is configured to capture a spectral image of the second battery 1050 using the at least one second spectral camera 1120, as previously described in FIG. 7.
  • a second holding structure 1129 capable of adjusting at least one of the shooting distance or shooting angle between the second spectral camera 1120 and the second battery 1050, and a second battery holder on which the second battery 1050 is placed ( 1125) At least one more configuration may be included.
  • the second battery heat inspection device 1100 includes the above-described components, for example, a second communication circuit 1110, a second spectral camera 1120, a second memory 1130, a second input unit 1140, and a second memory 1130. 2.
  • the power supply unit may be a permanent power source that supplies power to the second battery 1050 through the second charge/discharge device 1180.
  • the second communication circuit 1110 may support the communication function of the second battery fever test device 1100.
  • the second communication circuit 1110 may form a communication channel with the second server device 1200.
  • the second server device 1200 performs the calculations necessary for analyzing the spectral image of the second battery 1050 according to an embodiment of the present invention (e.g., extracting radiomics feature points and generating a reference model based on it or comparing it with a reference model).
  • the second communication circuit 1110 may transmit at least one spectral image collected by the second spectral camera 1120 to the second server device 1200.
  • the second communication circuit 1110 provides analysis results of the spectral image from the second server device 1200 (e.g., the heat generation state of the second battery 1050) according to settings or control of the second processor 1150. The result of determining good or defective products according to ) may be received and transmitted to the second processor 1150. Alternatively, the second communication circuit 1110 may transmit heat generation information (or a good or defective product determination result of the second battery 1050) of the second battery 1050 to a designated user terminal (e.g., the second battery heat inspection device 1100). ) can be transmitted to a terminal owned by the administrator of ).
  • a designated user terminal e.g., the second battery heat inspection device 1100
  • the second communication circuit 1110 may form a communication channel with an external server device and receive a second reference model 1131 from the external server device.
  • the second reference model 1131 may include a model generated by performing supervised learning on radiomics feature points extracted from a certain number of spectral images.
  • the second communication circuit 1110 forms a communication channel with the external server device at a certain period in response to the control of the second processor 1150, and when there is a newly updated second reference model 1131, the updated The second reference model 1131 may be received from an external server device and stored (or updated) in the second memory 1130.
  • the second spectral camera 1120 is the second spectral camera 1120 of the second battery heat inspection device 1100 previously described in FIG. 7, and can be arranged to capture a spectral image of the second battery 1050.
  • FIG. 7 a form in which the second battery heat inspection device 1100 includes one second spectral camera 1120 was illustrated, but the present invention is not limited thereto.
  • a plurality of second spectral cameras 1120 may be arranged. When a plurality of spectral cameras are deployed, the plurality of spectral cameras may be arranged to photograph the second battery 1050 at various angles or at various distances.
  • the second spectral camera 1120 is activated in response to the control of the second processor 1150, and when a spectral image of the second battery 1050 is acquired, it can be transmitted to the second processor 1150. Alternatively, in response to control by the second processor 1150, the spectral image acquired by the second spectral camera 1120 may be transmitted to the second server device 1200 through the second communication circuit 1110.
  • the second memory 1130 may store at least one program or data necessary for operating the second battery heat test device 1100.
  • the second memory 1130 includes an application related to the battery heat inspection function, a control program necessary for driving at least one second spectral camera 1120, and a second memory acquired through the at least one second spectral camera 1120.
  • the spectral image 1133 can be stored temporarily or semi-permanently.
  • the second memory 1130 may store a second reference model 1131 used for comparative analysis with a spectral image currently captured for the second battery 1050. As mentioned above, the second reference model 1131 may be received from an external server device.
  • the second reference model 1131 performs supervised learning on radiomics feature points extracted from the second spectral images 1133. It can also be created by performing .
  • the second spectral image 1133 may be divided into a plurality of data sets (eg, multimodal data sets) for supervised learning.
  • the second memory 1130 may store sensor information collected by the second sensor unit 1190.
  • the sensor information may include sensor information acquired at the same time as the time when the second spectral image 1133 was acquired or at a time close to the time when the second spectral image 1133 was acquired and within a predefined certain range. .
  • the sensor information can be used to designate good or defective products of the second battery 1050 based on the second spectral image 1133, or to use machine learning or artificial neural network learning.
  • the second memory 1130 may store characteristic information 1135.
  • the feature information 1135 may include at least some of the radiomics feature points extracted from the second spectral images 1133.
  • the second memory 1130 includes a second spectral image 1133, feature information 1135 corresponding to radiomics feature points extracted from the second spectral image 1133, and a plurality of data for the second spectral image 1133.
  • Multimodal data divided into frequency bands, sensor information collected at the same or most similar time point as the second spectral image 1133 can be matched and stored as a multimodal data set. At least a portion of the multimodal data set may be used as input for supervised learning (eg, machine learning or artificial neural network).
  • the second input unit 1140 may include various input means for manipulating the second battery heat test device 1100.
  • the second input unit 1140 may include an input signal requesting execution of an application related to the heat detection function of the second battery 1050, an input signal for activating the second spectral camera 1120, and a second spectral image 1133.
  • At least one of a manipulation input signal for acquiring the second spectral camera 1120 and an input signal requesting output of an analysis result of the second spectral image 1133 may be generated according to user manipulation.
  • the second input unit 1140 receives an input signal for selecting at least some radiomics feature points in the process of extracting radiomics feature points from the second spectral images 1133, and a second reference model using at least the radiomics feature points ( 1131)
  • An input signal requesting generation can be generated.
  • the second reference model 1131 may be generated based on at least a portion of the multimodal data set described above, and, for example, radiomics feature points may be partially or fully used to generate the second reference model 1131.
  • the second input unit 1140 may include at least one of various means such as soft keys (or touch screen or touch pad-based input means), physical keys, voice input devices, gesture input devices, and jog shuttles.
  • the second display 1160 may output at least one screen necessary for operating the second battery heat inspection device 1100.
  • the second display 1160 displays an application execution screen related to the heat test function of the second battery 1050 and at least one device included in the second battery heat test device 1100 (e.g., a second spectroscopic camera ( 1120), at least one device of the second mounting structure 1129, the second communication circuit 1110, the second input unit 1140, the second charging and discharging device 1180, and the second sensor unit 1190)
  • a screen indicating whether it is in a normal state a second spectral camera 1120 activation screen, a second spectral image 1133 acquisition screen through the second spectral camera 1120, and radiomics feature points extracted from the second spectral image 1133.
  • At least one of a screen for generating the second reference model 1131 based on the data and a battery heating state detection screen according to analysis of a new spectral image after completion of training of the second reference model 1131 may be output.
  • the second display 1160 displays the second server device 1200 connection screen and the second server device 1200.
  • new spectral image analysis results received from e.g., good or defective product judgment results based on battery heating status.
  • the second charging and discharging device 1180 can control charging and discharging of the second battery 1050 mounted on the second battery holder 1125.
  • the second charging and discharging device 1180 may be directly connected to a power source.
  • the second charging and discharging device 1180 includes a charging circuit for supplying charging power for charging the second battery 1050 in response to control by the second processor 1150, and a discharging circuit for discharging the second battery 1050. can do.
  • the second charging and discharging device 1180 may further include a load that consumes power of the second battery 1050.
  • the second charge/discharge device 1180 can detect the remaining charge or discharge amount of the second battery 1050.
  • the second sensor unit 1190 may include at least one sensor capable of collecting various sensor information related to the second battery 1050 when the second battery 1050 is charged or discharged.
  • the second sensor unit 1190 may include a temperature sensor capable of detecting the surface temperature of the second battery 1050 when the second battery 1050 is charged or discharged.
  • the second sensor unit 1190 may include an RGB sensor (or RGB camera) that can detect a change in volume of the second battery 1050 when the second battery 1050 is charged or discharged.
  • the second processor 1150 may perform at least one of transmitting and processing signals necessary for operating the second battery heat test device 1100, storing processing results, and outputting the processing results.
  • the second processor 1150 controls the execution and termination of applications related to the heat detection function of the second battery 1050, and spectral images collected by the second spectral camera 1120 or received from an external server device
  • a process of generating a second reference model 1131 may be performed by at least partially or entirely using radiomics feature points extracted from at least one of the spectral images.
  • the second processor 1150 controls the second spectral camera 1120 to acquire a new spectral image, extracts radiomics feature points from the acquired new spectral image, and then adds radiomics feature points to at least some of the extracted radiomics feature points.
  • a comparative analysis with the second reference model 1131 pre-stored in the second memory 1130 may be performed, and a battery heat state detection result according to the comparative analysis may be output.
  • the second processor 1150 may include a configuration as shown in FIG. 9.
  • the second processor 1150 includes a second charge/discharge control unit 1151, a second camera control unit 1152, a feature extraction unit 1153, a second reference model learning unit 1154, and a second It may include at least one of a fever detection unit 1155 and a second status information unit 1156.
  • the second charge/discharge control unit 1151 may control the charge or discharge of the second battery 1050 by controlling the second charge/discharge device 1180.
  • the second charge/discharge control unit 1151 is configured to connect the second charge/discharge device 1180 and the second battery 1050 after the second battery 1050 is placed on the second battery holder 1125. 2 You can check the remaining amount of battery (1050). In this operation, the second charge/discharge control unit 1151 controls the second battery ( 1050) Remaining amount information can be collected.
  • the second charge/discharge control unit 1151 determines the size (e.g., voltage and current amount) and speed (e.g., fast charge or slow charge) of the charging power of the second battery (1050) based on the information about the second battery (1050). And, the corresponding charging power can be controlled to be supplied to the second battery 1050.
  • the second charge/discharge control unit 1151 can guide the second camera control unit 1152 to this.
  • the second charge/discharge control unit 1151 may complete charging of the second battery 1050 when the second battery 1050 is charged more than a predefined reference value (e.g., 100% charged).
  • the second charge/discharge control unit 1151 checks the amount of natural discharge of the second battery 1050 after a predefined period of time has elapsed after charging the second battery 1050, and controls to perform an additional charging operation according to the natural discharge. can do.
  • the second charge/discharge control unit 1151 controls the second charge/discharge device 1180 to perform a discharge operation of the second battery 1050 charged above a predefined reference value, and when the discharge operation starts, Information can be transmitted to the second camera control unit 1152.
  • the second charge/discharge control unit 1151 adjusts the output of the second battery 1050 to have various discharge rates (e.g., high-speed discharge or low-speed discharge) by adjusting the size of the load. You can. When the load changes, information about this can be transmitted to the second reference model learning unit 1154.
  • the second charging/discharging control unit 1151 controls the second battery holder 1125 during a charging or discharging operation of the second battery 1050 to control the temperature environment for charging or discharging to correspond to a predefined setting value. can do.
  • the second charge/discharge control unit 1151 controls the heating device or cooling device provided in the second battery holder 1125 to ensure that the temperature environment in which the second battery 1050 is charged or discharged is below a specified sub-zero temperature value, It can be controlled to be in a room temperature state or a state that is above a specified video temperature value.
  • the second charge/discharge control unit 1151 controls the charge rate (or charge rate to a specified target charge amount) or discharge rate (or discharge to a specified target discharge amount) of the second battery 1050 according to the temperature environment and the size of the charge power. speed) can be collected.
  • Various information related to the charging and discharging environment of the second battery 1050 such as information about the temperature environment, information about the size of charging power, charging speed, and discharging speed, are obtained when acquiring the second spectral image 1133. It may be matched with the image 1133 and stored in the second memory 1130.
  • the second camera control unit 1152 When the second camera control unit 1152 receives information about the charging operation or discharging operation of the second battery 1050 from the second charging and discharging control unit 1151, it controls the second spectral camera 1120 at the corresponding time. Control can be made to capture a spectral image of the second battery 1050.
  • the second camera control unit 1152 may collect a plurality of spectral images taken in various charging and discharging environments of the second battery 1050 and store them in the second memory 1130 to generate the second reference model 1131. .
  • the second camera control unit 1152 may use a second spectroscopic camera ( 1120) can also be controlled.
  • the second camera control unit 1152 collects at least one spectral image related to the second battery 1050 to determine the current heating state of the second battery 1050. can do. For example, the second camera control unit 1152 requests the second charge/discharge control unit 1151 to adjust the charge/discharge temperature environment through the second battery holder 1125, and generates new spectral images for each temperature environment and charge/discharge size. can be collected.
  • the feature extraction unit 1153 can extract radiomics feature points from the acquired spectral image. For example, as shown in FIG. 10, the feature extraction unit 1153 calculates the average value of all pixel values of the spectral image ( ⁇ image ), the standard deviation of all pixel values ( ⁇ image ), and the ratio (R) above the threshold value. , the skewness of the total pixel values (S), the skewness of the pixel average along the height axis (S( ⁇ height )), the skewness of the pixel average along the width axis (S( ⁇ width)), and the skewness of the pixel average along the height axis (S( ⁇ width )).
  • the second reference model learning unit 1154 stores spectral images acquired under control of the second camera control unit 1152 and feature information 1135 extracted from the spectral images in the second memory 1130. , When the amount of spectral images and the amount of feature information 1135 stored in the second memory 1130 exceeds a predefined certain amount, supervised learning for generating a reference model can be performed at least based on the feature information 1135. there is.
  • the second reference model learning unit 1154 may process the feature information 1135 extracted from the spectral image taken for the second battery 1050 during charging and discharging (or before the start of charging and discharging) as an input for supervised learning. You can.
  • the second reference model learning unit 1154 converts the measured data into a plurality of frequency bands (e.g., an ultraviolet band (( e.g., wavelength band below 400 nm), visible light band (e.g., wavelength band between 400 and 700 nm), and infrared band (e.g., wavelength band exceeding 700 nm), and consider the divided data as multimodal data to store at least some of the data.
  • the second reference model learning unit 1154 may be processed as an input for supervised learning (e.g., modal data in the infrared band is used as the basic input and modal data in the remaining bands are selectively input and processed).
  • Each of the multimodal data for each frequency band can be separated into independent spectra corresponding to the indices of the height and width axes, and the separated spectra can be stacked on the channel axis and used as input for supervised learning.
  • the second reference model learning unit 1154 secures feature information 1135 by extracting radiomics feature points for at least some modal data among a plurality of multimodal data for each frequency band, and secures the feature information ( A second reference model 1131 may be created based on 1135).
  • the second reference model learning unit 1154 requests the feature extractor 1153 to extract feature information for a partial frequency band (e.g., an infrared band related to heat generation) in the spectral image, thereby extracting the partial frequency band in the spectral image.
  • Radiomics feature points for can be collected, and the radiomics feature points for the collected partial frequency bands can be processed as input for supervised learning.
  • the second reference model learning unit 1154 is based on radiomics feature points for a partial frequency band, but uses other data, such as radiomics feature points extracted from the entire spectral image and the frequency band of the spectral image. At least part of the multimodal data divided into partial frequency bands and sensor information (sensor information acquired at the same or similar time point at which the spectral image is collected) is used as an input for supervised learning to generate the corresponding second reference model 1131. It can be handled.
  • the second reference model learning unit 1154 includes radiomics feature points for the entire frequency band as well as radiomics feature points for the partial frequency band of the spectral image.
  • the second reference model learning unit 1154 may support labeling at least part of the collected multimodal data set as good or defective.
  • the second reference model learning unit 1154 divides the multimodal data set (e.g., a spectral image, radiomics feature points for all pixels of the spectral image extracted from the spectral image, and the spectral image into a certain frequency band). Output at least part of the data (radiomics feature points extracted from some of the divided data, sensor information acquired at the same or similar time point at which the spectral image is collected) to the second display 1160, and , you can define a good or defective product designation value for a multimodal data set in response to user input.
  • the good product designation value and the defective product designation value of the multimodal data set can be used as output values of supervised learning.
  • the second reference model learning unit 1154 may utilize a pseudo label based on clustering for at least a portion of the multimodal data set. For example, the second reference model learning unit 1154 may process temporary labeling of the multimodal data set by comparing the clustering result for the multimodal data set with a predefined specific cluster value that specifies good or defective products. .
  • the second reference model learning unit 1154 performs supervised learning when data 'x' (e.g., at least part of a multimodal data set) and label 'y' are stored in the second memory 1130 over a predefined certain amount.
  • the machine learning models include decision tree (DT), random forest (RF), extreme gradient boosting (XGB), light gradient boosting machine (LGBM), and support vector machine (SVM), and k-nearest neighbor classifier (KNN). It can include models that build an ensemble model by selectively using one model, learning multiple specific models, or combining multiple models.
  • the artificial neural network may be at least one or a combination of a multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), and graph neural network (GNN), but the present invention is a type of artificial neural network. I am not limited to the number.
  • the second reference model learning unit 1154 creates a model that combines an artificial neural network as a feature extractor and a support vector machine (SVM) as a classifier (e.g., Deep Feature-Based (DFB)-SVM). You can utilize it.
  • SVM support vector machine
  • DFB Deep Feature-Based
  • the second reference model learning unit 1154 trains only a portion of the data set in the supervised learning process for all accumulated data (e.g., the entire multimodal data set described above) above a certain amount predefined in the second memory 1130. and some of the remaining data sets can be used as verification data sets.
  • the split ratio of the supervised learning data set and the verification data set can be, for example, 8:2, and can be changed to 7:3, 9:1, etc. depending on user designation.
  • the second reference model learning unit 1154 evaluates the learned second reference model 1131 using the divided verification data set, and displays the evaluation result on the system UI (e.g., the second display 1160). It can be output to a designated screen) to help users check verification performance.
  • the user of the second battery heat inspection device 1100 can check the verification performance of the learned second reference model 1131 and decide whether to operate the model.
  • the second reference model learning unit 1154 may automatically apply the learned second reference model 1131 when the verification performance is greater than or equal to a predefined reference value.
  • the second reference model learning unit 1154 may inform the second fever detection unit 1155 that learning of the second reference model 1131 has been completed.
  • the second reference model learning unit 1154 collects and additionally collects spectral images until the verification performance becomes more than the reference value. Model learning based on all spectral images, including spectral images, can be repeatedly performed.
  • the second heat detection unit 1155 detects the second reference model 1131.
  • the heating state of the second battery 1050 can be detected based on .
  • the second heat detection unit 1155 requests the second camera control unit 1152 to obtain a new spectral image related to the second battery 1050, and provides radiomics feature points of the new spectral image to the feature extractor 1153. Extraction may be requested, and the extracted radiomics feature points may be applied to at least the second reference model 1131 to determine the heating state of the second battery 1050.
  • the second heat detection unit 1155 applies the radiomics feature points of the new spectral image to the second reference model 1131, the result value of whether the second battery 1050 is a good product or a defective product is used to guide the second status. It can be delivered to unit 1156. Additionally, the second heat detection unit 1155 separates the acquired new spectral image into frequency bands, and selects radiomics feature points for at least some of the data for each frequency band among the separated data for each frequency band as a corresponding second reference. It can be applied to the model 1131 and the application results can be individually or combined to determine whether the second battery 1050 is good or defective.
  • the second reference model 1131 includes the above-described multimodal data set (e.g., a spectral image taken during charging or discharging of the second battery 1050, and radiomics for all pixels of the spectral image extracted from the spectral image.
  • Feature points data obtained by dividing the spectral image into a certain frequency band, radiomics feature points extracted from at least some of the divided data, and a sensor acquired at the same or similar time point at which the spectral image is collected information
  • the second heat detection unit 1155 determines the newly acquired spectral image, the radiomics feature points for all pixels of the spectral image extracted from the new spectral image, and the new spectral image according to a user input or predefined settings. Data divided into frequency bands, radiomics feature points extracted from at least some of the divided data of the new spectral image, and at least some of the sensor information acquired at the same or similar time point at which the new spectral image is collected. By applying the second reference model 1131, it is possible to determine good or defective products.
  • the second status information unit 1156 may receive a determination value of the second battery 1050 from the second heat detection unit 1155 and output information corresponding to the received determination value. For example, the second status information unit 1156 outputs good quality judgment information or defective quality judgment information about the second battery 1050 that is currently being charged and discharged through the second display 1160 of the second battery heat inspection device 1100. can do. Alternatively, the second status information unit 1156 may transmit a message containing a judgment value of a good or defective product of the second battery 1050 to a designated user terminal through the second communication circuit 1110.
  • the second battery heat inspection device 1100 of the present invention determines whether the second battery 1050 is good or defective based on the spectral image, and at least uses radiomics feature points for the spectral image. By comparing and analyzing the radiomics feature points (or radiomics feature points extracted from at least some of the data for each predefined frequency band for the spectral image) with the second reference model 1131, the second battery 1050 is either a good product or a good product depending on the heating state. It supports the ability to determine defective products with less computational effort.
  • the second battery heat inspection device 1100 of the present invention can utilize the entire multi-modal data set in situations where detailed judgment of good or defective products is required as needed or upon user request. In this way, the second battery heat inspection device 1100 of the present invention performs a more flexible production process operation of the second battery 1050 by selectively determining the state of the second battery 1050 depending on the situation. We can support you to do so.
  • Figure 11 is a diagram showing an example of a server device configuration according to an embodiment of the present invention. As described above, if the second battery heat test device 1100 is designed to independently perform the battery heat test function according to an embodiment of the present invention, the configuration of the second server device 1200 may be omitted.
  • the second server device 1200 of the present invention may include a second server communication circuit 1210, a second server memory 1230, and a second server processor 1250.
  • the second server communication circuit 1210 may form a communication channel with the second battery fever test device 1100.
  • the second server communication circuit 1210 responds to a designated period or a predefined event occurrence (e.g., an event detecting a state in which the second battery 1050 is placed in the second battery holder 1125).
  • a plurality of spectral images for generating a second server reference model 1231 may be received from the second battery heat inspection device 1100.
  • the second server communication circuit 1210 may receive the second server reference model 1231 from an external server device.
  • the second server communication circuit 1210 receives at least one second current spectral image 1235 for the second battery 1050 that requires thermal testing, and sends the corresponding analysis result to the second server processor 1250. In response to the control, it can be transmitted to the second battery fever test device 1100 (or a designated user terminal).
  • the second server memory 1230 may store at least one program or data necessary for operating the second server device 1200.
  • the second server memory 1230 may include model learning data 1233 corresponding to a plurality of spectral images received for generating a second server reference model 1231 or second current spectral data received for battery heat inspection. At least one of the image 1235 and the second server reference model 1231 may be stored.
  • the second server reference model 1231 may correspond to the second reference model 1131 stored in the second memory 1130 of the second battery fever test device 1100 described above.
  • the second server reference model 1231 may be generated by the second battery heat inspection device 1100 and provided to the second server device 1200.
  • the second server reference model 1231 may be generated by the second server processor 1250 based on the model training data 1233 stored in the second server memory 1230.
  • the model training data 1233 includes a plurality of spectral images provided by the second battery heat inspection device 1100, radiomics feature points extracted from each of the plurality of spectral images, and each of the plurality of spectral images.
  • Band-specific data (or multimodal data) divided by defined frequency bands, radiomics feature points extracted from at least some of the band data among the frequency band data of each spectral image, and the same time point at which the plurality of spectral images were collected Alternatively, it may include at least some of the sensor information acquired at the nearest point in time.
  • the model training data 1233 of the present invention includes first radiomics feature point groups extracted from each of a plurality of spectral images or second radiomics feature point groups extracted from at least some band data among the data for each frequency band of each spectral image. It may necessarily include radiomics feature point groups, and at least some of the remaining data may be added to the model learning data 1233 according to a user request or according to a preset policy of the second server device 1200.
  • the second server processor 1250 may control transmission and processing of signals required for operation of the second server device 1200, storage of results, transmission of results, or transmission of messages corresponding to the results.
  • the second server processor 1250 includes a second charge/discharge management unit 1251, a second data collection unit 1252, a feature detection unit 1253, a second model creation unit 1254, and a second heat management unit. May include (1255).
  • the second charge/discharge management unit 1251 may manage charge/discharge of the second battery 1050.
  • the second charge/discharge management unit 1251 forms a communication channel with the second battery heat inspection device 1100, and when the second battery 1050 is placed on the second battery holder 1125, the second battery 1050 operates according to a preset plan. Accordingly, while controlling the charging and discharging of the second battery 1050, charging and discharging related information (e.g., at least some of the charging and discharging temperature environment of the second battery 1050, charging and discharging speed, and magnitude of charging and discharging power) may be collected.
  • charging and discharging related information e.g., at least some of the charging and discharging temperature environment of the second battery 1050, charging and discharging speed, and magnitude of charging and discharging power
  • the second data collection unit 1252 may receive a spectral image of the second battery 1050 from the second battery heat inspection device 1100.
  • the spectral images received from the second battery heat inspection device 1100 are spectral images for generating a second server reference model 1231 or second current spectral images 1235 for testing heat generation of the second battery 1050. ) may include.
  • the second data collection unit 1252 stores the received spectral images in the second server memory 1230 to form at least part of the model training data 1233. It can be saved as .
  • the second data collection unit 1252 separates the received spectral images into predefined frequency bands (e.g., ultraviolet band, visible light band, infrared band) and multi-segments the spectra for each frequency band. It can be grouped in modal data form and stored in the second server memory 1230 as model training data 1233. Additionally or alternatively, the second data collection unit 1252 collects sensor information at the time the spectral images are collected, matches the collected sensor information with the multimodal data, and stores the multimodal data set in the second server memory ( 1230). Additionally or alternatively, the second data collection unit 1252 may provide at least some of the received spectral images or multimodal data classified into spectra for each frequency band to the feature detection unit 1253.
  • predefined frequency bands e.g., ultraviolet band, visible light band, infrared band
  • the feature detection unit 1253 may extract first radiomics feature points for each of the received spectral images. For example, when the feature detection unit 1253 classifies a plurality of radiomics feature points (e.g., 13 when referring to FIG. 10) extracted from one spectral image into one group, First radiomics feature point groups can be detected. As another example, the feature detector 1253 may extract radiomics feature points from the spectra classified by frequency band. For example, when one spectral image is classified by a plurality of frequency bands and radiomics feature points are extracted from at least some of the spectra of the plurality of frequency bands and classified into one group, the feature detection unit 1253 classifies the plurality of spectral images into one group.
  • a plurality of radiomics feature points e.g. 13 when referring to FIG. 10
  • First radiomics feature point groups can be detected.
  • the feature detector 1253 may extract radiomics feature points from the spectra classified by frequency band. For example, when one spectral image is classified by a
  • Second radiomics feature point groups extracted from at least some of the spectra for each frequency band corresponding to each of the images may be detected.
  • the feature detection unit 1253 detects at least some of the first radiomics feature point groups or the second radiomics feature point groups as at least part of the model training data 1233 (or multimodal data set) in the second server memory 1230. It can be saved in .
  • the second model generator 1254 may generate a second server reference model 1231.
  • the second model generator 1254 generates a second server reference model 1231 according to the request of the second battery heat inspection device 1100, and applies the generated second server reference model 1231 to the second server reference model 1231. It can be provided to the second battery heat test device 1100 as a second reference model 1131 to be used by the battery heat test device 1100.
  • the second server reference model 1231 is pre-stored in the second server memory 1230 or when the second battery heat inspection device 1100 provides the second server reference model 1231, the second server reference model 1231
  • the configuration of the model creation unit 1254 may be omitted.
  • the second model generator 1254 may generate a second server reference model 1231 by applying the model learning data 1233 to the input and output of supervised learning (or machine learning or artificial neural network). In relation to this, the second model generator 1254 may perform an operation of specifying labels for designating good products and defective products for the multimodal data set included in the model training data 1233. The label designation may be determined according to user input of the second battery heat inspection device 1100. Alternatively, labeling may be performed automatically by comparing the clustering results for at least part of the multimodal data set with predefined clusters for designating good or defective products. The second model generator 1254 may use a traditional machine learning model or an artificial neural network for at least part of the multimodal data set.
  • the second model generator 1254 When using a traditional machine learning model, the second model generator 1254 includes decision tree (DT), random forest (RF), extreme gradient boosting (XGB), light gradient boosting machine (LGBM), and support vector machine (You can build an ensemble model by selectively using one of SVM), k-nearest neighbor classifier (KNN), learning multiple specific models, or combining multiple models.
  • the second model generator 1254 may use multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), graph neural network (GNN), or Deep Feature-Based (DFB)-SVM (a form that uses an artificial neural network as a feature extractor and SVM as a classifier) can also be used in combination.
  • MLP multi-layer perceptron
  • CNN convolutional neural network
  • RNN recurrent neural network
  • GNN graph neural network
  • DFB Deep Feature-Based
  • the second model generator 1254 classifies part of the model learning data 1233 as a verification data set, and after completing learning, creates a second server reference model ( 1231) can be used to verify performance to see whether the performance exceeds the predefined standard value.
  • the second fever management unit 1255 When the second fever management unit 1255 receives notification of receiving the second current spectral image 1235 from the second data collection unit 1252, the second current spectral image 1235 stored in the second server memory 1230 is Analysis can be performed. For example, the second heat management unit 1255 extracts the first radiomics feature points from the second current spectral image 1235, applies them to the second server reference model 1231, and based on the results, The second battery 1050 corresponding to the spectral image 1235 may be determined to be good or defective. The second heat management unit 1255 may provide the determination result to at least one of the second battery heat test device 1100 and a designated user terminal.
  • the second heat management unit 1255 performs spectrum classification for each frequency band for the second current spectral image 1235, extracts second radiomics feature points from the spectrum of some frequency bands (e.g., infrared band), and then , it is possible to determine whether the second battery 1050 corresponding to the second current spectral image 1235 is good or defective by applying the corresponding server reference model.
  • the second server reference model 1231 to which the first radiomics feature points are applied may be different from the server standard model to which the second radiomix feature points are applied.
  • the second server standard model 1231 (or the second standard model 1131) of the present invention may be configured to apply the entire multimodal data set, or may be configured to apply only specific data.
  • all types of multimodal data sets described above e.g., spectral images taken when charging or discharging the second battery 1050, the above
  • Radiomics feature points for all pixels of the spectral image extracted from the spectral image, data obtained by dividing the spectral image into a certain frequency band, radiomics feature points extracted from at least some data among the divided data, and the spectral image Model creation may be performed so that sensor information (obtained at the same or similar time as the image collection point) can be applied.
  • the second server device 1200 can support the application of an adaptive system according to the environment that can test battery heat through a trade-off between speed and accuracy.
  • Figure 12 is a diagram showing an example of a reference model generation method using radiomics feature points of a spectral image according to an embodiment of the present invention.
  • the second processor 1150 of the second battery heat test device 1100 performs step 1501. You can check whether a request to create a second reference model 1131 occurs.
  • the second processor 1150 of the second battery heat test device 1100 installs an application related to battery heat test, and automatically You can operate the reference model creation mode.
  • the second processor 1150 may check the version of the second reference model 1131 and, if an update is necessary, operate a reference model creation mode.
  • the second processor 1150 collects identification information of the second battery 1050 to perform a heat test, and if there is no reference model corresponding to the second battery 1050 corresponding to the identification information, the reference model You can enter model creation mode.
  • the second processor 1150 operates the second spectral camera 1120 to obtain a spectral image of the second battery 1050 placed on the second battery holder 1125. can be collected.
  • the second processor 1150 sends information about the charging and discharging environment (e.g., temperature environment) of the second battery 1050 to the second processor 1150. It can be collected using the sensor unit 1190.
  • the second processor 1150 may control at least one of a heating device or a cooling device disposed on the second battery holder 1125 so that the temperature environment becomes a predefined temperature value. Alternatively, if the temperature environment is within a predefined reference range, the temperature control operation described above may be omitted.
  • the second processor 1150 may process performance of the specified function in step 1503. For example, when the second reference model 1131 is already stored in the second memory 1130, the second processor 1150 may perform an operation related to the heat detection function of the second battery 1050. Alternatively, the second processor 1150 may check the current state (e.g., normal state or whether a defect has occurred) of at least some of the components of the second battery heat inspection device 1100 and output the test result. . If there is no separate designated function, step 1503 may be omitted.
  • the current state e.g., normal state or whether a defect has occurred
  • the second processor 1150 of the second battery heat inspection device 1100 collects modeling data through radiomics analysis from the acquired spectral image ( Example: data including at least the characteristic information 1135 described above in FIG. 2, data including at least a part of the model training data 1233 described in FIG. 11, or at least a part of a multimodal data set) may be configured.
  • the second processor 1150 may extract the radiomics feature points previously described in FIG. 10 from the collected spectral images.
  • the second processor 1150 may classify the collected spectral images into a plurality of predefined frequency bands and collect partial radiomics feature points from the spectrum of at least some frequency bands (e.g., spectrum of the infrared band). . When radiomics feature points of the entire frequency band are collected, the second processor 1150 can classify and group them by frequency band. Additionally or alternatively, the second processor 1150 secures sensor information collected at the same point in time (or the point closest to that point in time) at which the spectral image was collected, and combines the sensor information and the above-described data (e.g.
  • a multimodal data set is formed with a spectral image, first radiomics feature points extracted from the spectral image, and second radiomics feature points extracted from spectra that classify the spectral image by frequency band) and a second memory as modeling data. It can be saved at (1130). Additionally or alternatively, the second processor 1150 collects spectral images in a plurality of temperature environments for one second battery 1050 and extracts at least some of the radiomics feature points from the plurality of spectral images. , partial radiomics feature points can be extracted from multimodal data classified and processed by frequency band.
  • the second processor 1150 of the second battery heat inspection device 1100 may check whether a data label designation input for modeling data including at least feature information has been received. In relation to this, the second processor 1150 may output at least part of the modeling data to the second display 1160. Alternatively, the second processor 1150 outputs at least a part of the spectral image related to the modeling data or the sensor information acquired when acquiring the corresponding spectral image to the second display 1160, and outputs a good product or defective product in response to the output information.
  • a designated label can be input (e.g. user input).
  • the second processor 1150 may designate the corresponding modeling data as a good product.
  • the second processor 1150 receives a defective product input, it can designate the corresponding modeling data as a defective product in step 1511.
  • the second processor 1150 performs clustering on at least a portion of the spectral image without receiving user input, and then uses the clustering result as a dictionary to distinguish between good and defective products. By comparing with the stored cluster, designation of good or defective products of modeling data corresponding to the spectral image can be processed.
  • the second processor 1150 may check whether the labeled modeling data is greater than or equal to a specified quantity. If the number is less than the specified quantity, the second processor 1150 branches to step 1501 and re-performs the following operations to collect more modeling data.
  • the second processor 1150 performs supervised learning on data (e.g., modeling data or multimodal data set) corresponding to the stored spectral images in step 1515 to create a second reference model ( 1131) can be generated, and the result can be stored in the second memory 1130.
  • the second processor 1150 outputs the above-described designated label value (e.g., a value designating a good product or a defective product) for at least one of a machine learning model or an artificial neural network, and processes the rest as input. Afterwards, model learning can be performed to generate the second reference model 1131.
  • the second processor 1150 classifies some data (e.g., modeling data or at least a portion of the multimodal data set) stored in the second memory 1130 as a verification data set, and classifies the remaining data as a verification data set.
  • some data e.g., modeling data or at least a portion of the multimodal data set
  • performance verification can be performed by applying the verification data set to the learned second reference model 1131.
  • the second processor 1150 may set the split ratio of the data set used for supervised learning and the data set for verification to 8:2, or adjust it to 7:3, 9:1, etc. according to user input.
  • the second processor 1150 may output the performance verification results through the system UI and report the verification performance to the designated user according to user input or whether a performance value higher than a preset standard value is achieved.
  • the second processor 1150 may return to the heat detection function of the second battery 1050. 1150) guides completion of the application's reference model creation mode and can activate the fever check function.
  • the present invention is not limited thereto.
  • at least part of the process of generating the second reference model 1131 may be performed in the second server device 1200.
  • the reference model generation method described in FIG. 12 may be at least part of the server reference model generation method in the second server device 1200.
  • Figure 13 is a diagram showing an example of a battery heat inspection method using radiomics feature points of a spectral image according to an embodiment of the present invention.
  • the second processor 1150 performs the second test in step 1601. It is possible to check whether a request for thermal testing of the battery 1050 occurs.
  • the second processor 1150 activates the application according to user input or predefined schedule information, and a user input for selecting the heat check function of the second battery 1050 among the application support functions is generated. You can check if it does. If no input requesting a battery thermal check is received, execution of a designated function may be processed in step 1603. For example, the second processor 1150 may output status values of at least some of the components of the second battery fever test device 1100.
  • step 1603 may be omitted.
  • the second processor 1150 can detect that the second battery 1050 is placed on the second battery holder 1125 to test the heat of the second battery 1050. .
  • the second processor 1150 can control charging and discharging of the second battery 1050 when the second battery 1050 is placed on the second battery holder 1125.
  • the second processor 1150 may obtain a current spectral image of the second battery 1050 that is being charged and discharged. In this operation, the second processor 1150 may collect temperature environment information of the second battery 1050 that is being charged and discharged. If the temperature environment is outside the predefined reference range, a heating device adjustment or cooling device adjustment can be performed to control the temperature environment.
  • the second processor 1150 After acquiring the current spectral image, the second processor 1150 extracts radiomics feature points (e.g., at least some of the radiomics feature points described previously in FIG. 10) from the spectral image acquired in step 1607, and uses the extracted feature points. Thus, a heat test of the second battery 1050 can be performed. In this operation, the second processor 1150 divides the acquired current spectral image into a plurality of predefined frequency bands, extracts partial radiomics feature points from the spectra for each frequency band, and extracts the extracted partial radiomics The feature points and the pre-stored second reference model 1131 may also be compared. In this regard, the second reference model 1131 may include models related to radiomics feature points extracted from spectra for a plurality of frequency bands. The second processor 1150 may compare spectra for a plurality of frequency bands to a corresponding reference model and calculate the result.
  • radiomics feature points e.g., at least some of the radiomics feature points described previously in FIG. 10.
  • the second processor 1150 may check whether the heat test result value of the second battery 1050 indicates good product characteristics of the second battery 1050. If the result value in comparison with the second reference model 1131 indicates non-defective characteristics of the second battery 1050, the second processor 1150 may output first battery state information in step 1611.
  • the first battery status information may include information indicating that the second battery 1050, which is currently undergoing thermal testing, is a good product.
  • the second processor 1150 may output the first battery status information to the second display 1160 or a designated manager terminal.
  • the second processor 1150 may output second battery state information in step 1613.
  • the second battery status information may include information indicating that the second battery 1050 is a defective product.
  • the second processor 1150 outputs the second battery status information to the second display 1160 or a designated management terminal, and may also output information requesting disposal or re-inspection of the second battery 1050. .
  • the second processor 1150 of the second battery heat test device 1100 may check whether the battery heat test function is terminated. If no event related to termination of the battery heat test function occurs, the second processor 1150 may branch to step 1601 and re-perform the following operations. When an event related to termination of the battery heat test function, such as a user input signal for termination of an application or an input signal indicating termination of the second spectral camera 1120, occurs, it is determined that the battery heat test function is terminated, and the second processor 1150 ) can handle termination of the relevant function.
  • an event related to termination of the battery heat test function such as a user input signal for termination of an application or an input signal indicating termination of the second spectral camera 1120
  • the operations described in FIG. 13 may be similarly performed in the second server device 1200.
  • the second server device 1200 is defined to perform the operation described in FIG. 13, the second server device 1200 skips steps 1601 and 1603, and the second battery forms a communication channel in step 1605.
  • the following operations are performed to determine the good or defective product inspection result of the second battery 1050, and the determination result is sent to the second battery heat inspection device 1100 or a designated It may be configured to perform a transmission operation to a user terminal.
  • Figure 14 is a diagram showing at least some examples of a system environment supporting unsupervised learning-based battery thermal testing according to an embodiment of the present invention.
  • the third system environment (2010) supporting the unsupervised learning-based battery heat inspection function of the present invention performs quality control of the third battery (2050) in the process of manufacturing the third battery (2050). It may include components that can perform a heat test while charging and discharging the third battery 2050.
  • the third system environment 2010 of the present invention may perform a thermal test on all third batteries 2050 during the manufacturing process, or may sample some batteries among all third batteries 2050. Afterwards, it may be used to perform a heat test on the sampled third battery 2050.
  • This third system environment (2010) is used, for example, in the quality assurance (QA)/quality control (QC) process of the battery production process, while charging and discharging the third battery (2050) that has been manufactured (or, as necessary, manufacturing is completed). It can be configured to detect heat generation from a battery (while charging or discharging a battery that can be charged and discharged even if the battery is not charged).
  • the third system environment 2010 may include a third battery 2050 and a third battery heat inspection device 2100.
  • the third battery heat inspection device 2100 includes a third battery holder 2125 on which the third battery 2050 can be placed, and a third charging and discharging device 2180 for charging and discharging the third battery 2050. ) may include.
  • the third battery holder 2125 and the third charge/discharge device 2180 may be independent of the third battery heat test device 2100, or the third battery heat test device 2100. It may be a configuration included in the work configuration of. As an example, only the third charging and discharging device 2180 may be included in the third battery heat inspection device 2100.
  • the third server device 2200 may further include a third server device 2200 that supports battery fever testing by forming a communication channel with the third battery fever testing device 2100.
  • the third server device 2200 supports the third battery fever test device 2100, but the present invention is not limited thereto.
  • the third system environment 2010 is based on an electronic device capable of executing an embedded program (e.g., a third battery heat inspection device 2100) without configuring the third server device 2200. 3 It may be configured to perform a thermal test of the battery 2050 and provide information on the results. In this case, the configuration of the third server device 2200 may be omitted from the configuration of the third system environment 2010.
  • the third battery 2050 is a secondary battery and may include a positive electrode prepared with a positive electrode active material, a negative electrode prepared with a negative electrode active material, a separator separating the positive electrode and the negative electrode, and an electrolyte disposed between the positive electrode and the separator or between the negative electrode and the separator. there is.
  • the third battery 2050 described above can charge and store power supplied from the outside, and supply (discharge) the stored power to the outside according to circuit operation. This third battery 2050 may generate heat during the charging and discharging process, and accordingly, a heat inspection of the third battery 2050 may be required for quality control.
  • the heat generation of the third battery 2050 is inspected during charging and discharging of the third battery 2050, and it is possible to distinguish whether the third battery 2050 is a good product or a defective product.
  • the third battery 2050 is wrapped in a battery pack and placed on the third battery holder 2125, and then can be charged or discharged by the third charging and discharging device 2180.
  • the third battery holder 2125 may further include wiring connecting the power source and the third charging/discharging device 2180.
  • the third battery heat inspection device 2100 can test heat generation during charging and discharging of the third battery 2050 (or battery pack) that has been manufactured.
  • the third battery heat inspection device 2100 includes a third battery holder 2125 on which the third battery 2050 is placed, a third charging and discharging device 2180 for charging and discharging the third battery 2050, A third spectral camera 2120 capable of taking a spectral image of the third battery 2050 while charging and discharging the third battery 2050, and a third spectral camera 2120 for controlling the third charging and discharging device 2180 and the third spectral camera 2120. May include a computing device.
  • the third battery heat inspection device 2100 may further include a third mounting structure 2129 for adjusting the height or direction of the third spectral camera 2120.
  • a third mounting structure 2129 for adjusting the height or direction of the third spectral camera 2120.
  • the third battery 2050 may be placed at a specific position of the third battery holder 2125 where the third spectral camera 2120 can take pictures.
  • the third battery holder 2125 is a structure on which the third battery 2050 can be temporarily fixed after the third battery 2050 is placed, and a third charge/discharge unit that supplies power for charging and discharging the third battery 2050. It may include a structure on which device 2180 rests.
  • the third battery holder 2125 may include at least one of a heating device or a cooling device capable of controlling the charging and discharging environment of the third battery 2050. Based on this, the third battery holder 2125 can provide a designated temperature environment among the environments in which the third battery 2050 is charged or discharged according to the control of the computing device.
  • the third charging and discharging device 2180 can charge and discharge the third battery 2050 mounted on the third battery holder 2125 according to the control of the computing device.
  • the third charging and discharging device 2180 is connected to a permanent power source and is configured to supply power from the permanent power source to the third battery 2050 or to discharge power stored in the third battery 2050. You can.
  • the third charging and discharging device 2180 may include a load that can consume power from the third battery 2050.
  • the third battery heat inspection device 2100 uses the third spectral camera 2120 while the third battery 2050 is being charged or discharged to detect at least It is possible to determine whether the third battery 2050 is a good product or a defective product by capturing one spectral image and comparing the captured spectral image with a reference model generated by an unsupervised learning method. In relation to generating the reference model, the third battery heat inspection device 2100 may acquire a certain number of spectroscopic images of the charging and discharging states of the third battery 2050.
  • the third battery heat test device 2100 can process a heat test function for the third battery 2050 through the third server device 2200.
  • the third battery heat test device 2100 transmits a spectral image of the third battery 2050 to the third server device 2200 and then receives the battery heat test result from the third server device 2200. It can be configured to output.
  • the third battery heat test device 2100 may be configured to independently perform a heat test function and determine good quality products without operating a separate third server device 2200.
  • the third server device 2200 may form a communication channel with the third battery fever test device 2100.
  • the third server device 2200 receives at least one spectral image of the third battery 2050 from the third battery heat inspection device 2100 and detects the battery heat state by analyzing the at least one received spectral image. can be performed.
  • the third server device 2200 may pre-store a server reference model for comparative analysis of the currently acquired spectral image.
  • the server reference model stored in the third server device 2200 may be created through unsupervised learning of spectral images collected and provided by the third battery heat inspection device 2100.
  • the third server device 2200 may provide the analysis result of the currently acquired spectral image of the third battery 2050 to the third battery heat inspection device 2100.
  • the third system environment 2010 supporting the battery heat test function includes the third battery heat test device 2100 acquiring a spectral image related to the third battery 2050, and , It supports the determination of good and defective products of the third battery 2050 by checking the battery heating status by comparing it with a pre-stored reference model.
  • FIG. 15 is a diagram showing an example of the configuration of a third battery heat inspection device according to an embodiment of the present invention
  • FIG. 16 is a diagram showing an example of the processor configuration of FIG. 15.
  • the third battery heat inspection device 2100 includes a third communication circuit 2110, a third spectral camera 2120, a third memory 2130, and a third It may include an input unit 2140, a third display 2160, a third charging/discharging device 2180, and a third processor 2150. Additionally or alternatively, the third battery heat inspection device 2100 includes a third sensor unit including at least one of a contact sensor or a non-contact sensor capable of collecting sensor information related to the heat state of the third battery 2050. (2190) may be further included.
  • the third sensor unit 2190 may be omitted from the third battery heat inspection device 2100, and the third communication circuit 2110, third input unit 2140, and third display 2160 may be omitted. , at least one of the third charging and discharging devices 2180 may also be omitted from the third battery heat inspection device 2100.
  • the third battery fever test device 2100 does not include a third display 2160, and may be configured to transmit information about the heat check to a designated user terminal through the third communication circuit 2110. .
  • the third charging and discharging device 2180 may be arranged in a separate third system environment 2010 rather than in the third battery fever test device 2100.
  • the third battery heat inspection device 2100 is configured to capture a spectral image of the third battery 2050 using the at least one third spectral camera 2120, as previously described in FIG. 14.
  • a third mounting structure 2129 that can adjust at least one of the shooting distance or shooting angle between the third spectral camera 2120 and the third battery 2050 and a third battery holder on which the third battery 2050 is placed ( 2125) At least one more configuration may be included.
  • the third battery heat inspection device 2100 includes the above-described components, such as a third communication circuit 2110, a third spectral camera 2120, a third memory 2130, a third input unit 2140, and a third memory 2130. 3.
  • the power supply unit may be a permanent power source that supplies power to the third battery 2050 through the third charge/discharge device 2180.
  • the third communication circuit 2110 may support the communication function of the third battery fever test device 2100.
  • the third communication circuit 2110 may form a communication channel with the third server device 2200.
  • the third communication circuit 2110 is configured to operate the third spectral camera 2120. At least one collected spectral image may be transmitted to the third server device 2200.
  • the third communication circuit 2110 may receive analysis results of the spectral image from the third server device 2200 (e.g., the heat generation state of the third battery 2050) according to settings or control of the third processor 2150. A status abnormality result according to) may be received and transmitted to the third processor 2150.
  • the third communication circuit 2110 transmits heat information of the third battery 2050 (or a condition abnormality determination result of the third battery 2050) to a designated user terminal (e.g., third battery heat inspection device 2100). It can be transmitted to a terminal owned by the administrator of .
  • the third communication circuit 2110 may form a communication channel with an external server device and receive a third reference model 2131 from the external server device.
  • the third reference model 2131 may include a model that performs unsupervised learning on a certain number of spectral images or more.
  • the third communication circuit 2110 forms a communication channel with the external server device at a certain period in response to the control of the third processor 2150, and when there is a newly updated third reference model 2131, the updated The third reference model 2131 may be received from an external server device and stored (or updated) in the third memory 2130.
  • the third spectral camera 2120 is the third spectral camera 2120 of the third battery heat inspection device 2100 previously described in FIG. 14, and can be arranged to capture a spectral image of the third battery 2050.
  • the third battery heat inspection device 2100 includes one third spectral camera 2120 was illustrated, but the present invention is not limited thereto.
  • a plurality of third spectral cameras 2120 may be arranged. When a plurality of spectral cameras are deployed, the plurality of spectral cameras may be arranged to photograph the third battery 2050 from various angles or distances.
  • the third spectral camera 2120 is activated in response to the control of the third processor 2150, and the spectral image of the third battery 2050 may be transmitted to the third processor 2150. Alternatively, in response to control by the third processor 2150, the spectral image acquired by the third spectral camera 2120 may be transmitted to the third server device 2200 through the third communication circuit 2110.
  • the third memory 2130 may store at least one program or data necessary for operating the third battery heat test device 2100.
  • the third memory 2130 includes an application related to the battery heat inspection function, a control program necessary for driving at least one third spectral camera 2120, and a spectral image acquired through at least one third spectral camera 2120. (2133) can be stored temporarily or semi-permanently.
  • the third memory 2130 may store a third reference model 2131 used for comparative analysis with a spectral image currently captured for the third battery 2050. As mentioned above, the third reference model 2131 may be received from an external server device.
  • the third reference model 2131 may be generated through unsupervised learning on the spectral images 2133 when a plurality of spectral images 2133 are accumulated and stored over a predefined amount.
  • the spectral image 2133 may be divided into a plurality of data (e.g., multimodal data) for unsupervised learning.
  • the third memory 2130 may store sensor information collected by the third sensor unit 2190.
  • the sensor information stored in the third memory 2130 is the same time as the time when the spectral image 2133 was acquired or a time close to the time when the spectral image 2133 was acquired and within a predefined certain range (or a spectral image ( 2133) may include sensor information acquired at a time point (closest to the point of acquisition).
  • the sensor information can be used for designating good and defective products or unsupervised learning of the third battery 2050 based on the spectral image 2133.
  • the multimodal data may be stored in the third memory 2130 as a multimodal data set along with the sensor information.
  • the third memory 2130 may separately store non-defective product label data 2135.
  • the non-defective product label data 2135 is a predefined standard for the heat generation state of the third battery 2050 among the spectral images collected during charging or discharging of the third battery 2050 in relation to the generation of the third reference model 2131. It may include spectral images with non-defective characteristics below the value. As an example, spectral images obtained at the same time as the time when the heat generation of the third battery (2050) is below the reference value through the sensor information that detects the temperature of the third battery (2050) among the sensor information are the non-defective label data ( 2135).
  • the non-defective product label data 2135 may include multimodal data that classifies spectroscopic images confirmed as non-defective products by predefined frequency bands.
  • the non-defective label data 2135 may include spectral images taken of the third battery 2050 that the user entered as a non-defective product.
  • the third input unit 2140 may include various input means for manipulating the third battery heat test device 2100.
  • the third input unit 2140 obtains an input signal requesting execution of an application related to the heat detection function of the third battery 2050, an input signal for activating the third spectral camera 2120, and a spectral image 2133.
  • At least one of a manipulation input signal for the third spectral camera 2120 and an input signal requesting output of an analysis result of the spectral image 2133 may be generated according to user manipulation.
  • the third input unit 2140 may generate an input signal requesting the creation of a third reference model 2131.
  • the third reference model 2131 may be created based on at least part of the multimodal data set described above.
  • the third input unit 2140 may receive a user input corresponding to designating a label for a good product or a defective product with respect to the spectral image.
  • the third input unit 2140 may include at least one of various means such as soft keys (or touch screen or touch pad-based input means), physical keys, voice input devices, gesture input devices, and jog shuttles.
  • the third display 2160 may output at least one screen necessary for operating the third battery heat inspection device 2100.
  • the third display 2160 displays an application execution screen related to the heat test function of the third battery 2050, at least one device included in the third battery heat test device 2100 (e.g., a third spectral camera ( 2120), at least one of the third mounting structure 2129, the third communication circuit 2110, the third input unit 2140, the third charging and discharging device 2180, and the third sensor unit 2190)
  • a screen indicating whether it is in a normal state a screen for activating the third spectral camera 2120, a screen for acquiring a spectral image 2133 through the third spectral camera 2120, and a third reference model 2131 based on the spectral images 2133.
  • At least one of a screen for generating a screen and a screen for detecting a battery heating state according to analysis of a new spectral image after completion of training of the third reference model 2131 may be output.
  • the third display 2160 displays the third server device 2200 connection screen and the third server device 2200.
  • new spectroscopic image analysis results received from e.g., status abnormality determination results based on battery heating status.
  • the third charging and discharging device 2180 can control charging and discharging of the third battery 2050 mounted on the third battery holder 2125.
  • the third charging and discharging device 2180 may be directly connected to the power source.
  • the third charging and discharging device 2180 includes a charging circuit for supplying charging power for charging the third battery 2050 in response to control by the third processor 2150, and a discharging circuit for discharging the third battery 2050. can do.
  • the third charging and discharging device 2180 may further include a load that consumes power of the third battery 2050.
  • the third charge/discharge device 2180 can detect the remaining charge or discharge amount of the third battery 2050.
  • the third sensor unit 2190 may include at least one sensor capable of collecting various sensor information related to the third battery 2050 when the third battery 2050 is charged or discharged.
  • the third sensor unit 2190 may include a temperature sensor capable of detecting the surface temperature of the third battery 2050 when the third battery 2050 is charged or discharged.
  • the third sensor unit 2190 may include an RGB sensor (or RGB camera) that can detect a change in volume of the third battery 2050 when the third battery 2050 is charged or discharged.
  • the third processor 2150 may perform at least one of transmitting and processing signals necessary for operating the third battery heat test device 2100, storing processing results, and outputting the processing results.
  • the third processor 2150 controls the execution and termination of applications related to the heat inspection function of the third battery 2050, and spectral images collected by the third spectral camera 2120 or received from an external server device
  • a process of generating an unsupervised learning-based third reference model 2131 may be performed using spectral images at least partially or entirely.
  • the third processor 2150 controls the third spectral camera 2120 to acquire a new spectral image, and applies the acquired new spectral image to the pre-stored third reference model 2131 to determine the battery heating state. Status abnormality results can be output.
  • the third processor 2150 may include a configuration as shown in FIG. 16.
  • the third processor 2150 includes at least one of a charge/discharge control unit 2151, a camera control unit 2152, an unsupervised learning unit 2153, a heat detection unit 2154, and a status information unit 2155. may include.
  • the charge/discharge control unit 2151 may control the charge or discharge of the third battery 2050 by controlling the third charge/discharge device 2180.
  • the charge/discharge control unit 2151 controls the third battery 2050 when the third battery 2050 is placed on the third battery holder 2125 and the third charge/discharge device 2180 and the third battery 2050 are connected. You can check the remaining amount of (2050).
  • the charge/discharge control unit 2151 controls the third battery 2050 based on at least one of communication using a wire connected between the third charge/discharge device 2180 and the third battery 2050 or short-range wireless communication. Remaining amount information can be collected.
  • the charging/discharging control unit 2151 determines the size (e.g., voltage and current amount) and speed (e.g., fast charging or slow charging) of the charging power of the third battery (2050) based on the information about the third battery (2050), The corresponding charging power can be controlled to be supplied to the third battery 2050.
  • the charging/discharging control unit 2151 can inform the camera control unit 2152 of this.
  • the charge/discharge control unit 2151 may complete charging of the third battery 2050 when the third battery 2050 is charged more than a predefined reference value (e.g., 100% charged).
  • the charge/discharge control unit 2151 may check the amount of natural discharge of the third battery 2050 after a predefined period of time has elapsed after charging the third battery 2050, and control the battery to perform an additional charging operation according to the natural discharge. there is.
  • the charge/discharge control unit 2151 controls the third charge/discharge device 2180 to perform a discharge operation of the third battery 2050 charged above a predefined reference value, and provides information about this when the discharge operation starts. It can be transmitted to the camera control unit 2152.
  • the charge/discharge control unit 2151 can adjust the output of the third battery 2050 to have various discharge rates (e.g., high-speed discharge or low-speed discharge) by adjusting the size of the load. . When the load changes, information about this can be transmitted to the unsupervised learning unit 2153.
  • the charging/discharging control unit 2151 can control the temperature environment for charging or discharging to correspond to a predefined setting value by controlling the third battery holder 2125 during the charging or discharging operation of the third battery 2050.
  • the charge/discharge control unit 2151 controls the heating device or cooling device provided in the third battery holder 2125 to ensure that the temperature environment in which the third battery 2050 is charged or discharged is below a specified sub-zero temperature value or at room temperature. , it can be controlled to be in a state that is above the specified video temperature value.
  • the charge/discharge control unit 2151 controls the charge rate (or charge rate to a specified target charge amount) or discharge rate (or discharge rate to a specified target discharge amount) of the third battery 2050 according to temperature environment and size of charge power. can be collected.
  • Various information related to the charging and discharging environment of the third battery 2050 such as information about the temperature environment, information about the size of charging power, charging speed, and discharging speed, is obtained when acquiring the spectral image 2133. It can be matched with and stored in the third memory 2130.
  • the temperature environment control function of the charge/discharge control unit 2151 is performed selectively and may be omitted.
  • the camera control unit 2152 When the camera control unit 2152 receives information about the charging or discharging operation of the third battery 2050 from the charging and discharging control unit 2151, it controls the third spectral camera 2120 at the corresponding time to charge the third battery (2152). 2050) can be controlled to capture a spectral image.
  • the camera control unit 2152 may collect a plurality of spectral images taken in various charging and discharging environments of the third battery 2050 and store them in the third memory 2130 to generate the third reference model 2131.
  • the camera control unit 2152 may use the third spectral camera 2120 to acquire a spectral image while the third battery 2050 is being charged above a predefined certain amount or at a predefined charging or discharging rate. can also be controlled.
  • the camera control unit 2152 may collect at least one spectral image related to the third battery 2050 to determine the current heat generation state of the third battery 2050. there is.
  • the camera control unit 2152 may request the charge/discharge control unit 2151 to adjust the charge/discharge temperature environment through the third battery holder 2125, and collect new spectral images for each temperature environment and charge/discharge size. there is.
  • the unsupervised learning unit 2153 stores spectral images acquired under control of the camera control unit 2152 and at least a portion of multimodal data extracted from the spectral images in the third memory 2130, and When the amount of spectral images (or the amount of multimodal data) stored in the memory 2130 exceeds a predefined certain amount, unsupervised learning can be performed on the non-defective product label data 2135.
  • the unsupervised learning unit 2153 processes the spectral image acquired by the third spectral camera 2120 into unimodal data, or uses visible light in the 400-700 nm wavelength band, ultraviolet rays in the wavelength band shorter than 400 nm, After dividing into infrared waves in a wavelength band longer than 700 nm and processing them as multimodal data, they can be separated into independent spectra composed of height (H) x width (W) x channel (C, wavelength). When decomposing into independent spectra, the unsupervised learning unit 2153 can obtain (H
  • the unsupervised learning unit 2153 records the time at the time of collection of the sensor information acquired by the third sensor unit 2190, which includes at least one of a non-contact sensor or a contact sensor, and combines the multi-modal data with the sensor information. You can match them in pairs and save them as a multimodal data set. If the collection refresh rate inevitably does not match, the unsupervised learning unit 2153 can form a pair with data corresponding to the closest collection time between different sensors, based on the time recorded in each data. The unsupervised learning unit 2153 can label each pair of collected data as good or defective according to user input, which can become the output ‘y’ of artificial neural network learning.
  • the unsupervised learning unit 2153 may selectively label specific spectral images (or multimodal data) as good products according to predefined reference values or user input.
  • the unsupervised learning unit 2153 can specify a pseudo label based on the clustering results for the spectral images, and when specifying a pseudo label, the scale in the clustering result is The largest or densest cluster can be considered the good cluster.
  • the unsupervised learning unit 2153 can initialize an artificial neural network and perform unsupervised learning when data (e.g., spectral images or multimodal data) 'x' and label 'y' are accumulated more than a certain amount. .
  • data e.g., spectral images or multimodal data
  • the unsupervised learning unit 2153 uses one of generative artificial neural networks (e.g., multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), and graph neural network (GNN). at least one or a combination) can be used.
  • MLP multi-layer perceptron
  • CNN convolutional neural network
  • RNN recurrent neural network
  • GNN graph neural network
  • the unsupervised learning unit 2153 may optionally use a traditional machine learning-based generative model.
  • the traditional machine learning models include decision tree (DT), random forest (RF), extreme gradient boosting (XGB), light gradient boosting machine (LGBM), and support vector machine (SVM), k-nearest neighbor classifier (KNN), etc. It can include a model that builds an ensemble model by selectively using one of the models, learning multiple specific models, or combining multiple models.
  • DT decision tree
  • RF random forest
  • XGB extreme gradient boosting
  • LGBM light gradient boosting machine
  • SVM support vector machine
  • KNN k-nearest neighbor classifier
  • the unsupervised learning unit 2153 may use some of the total data as a learning data set for unsupervised learning, and use the remaining part as a verification data set.
  • the split ratio between the training data set and the verification data set can be changed to 8:2, or 7:3 or 9:1 depending on the user's input.
  • the learning data set is non-defective product data, and may be stored, for example, as non-defective product label data 2135 in the third memory 2130.
  • the unsupervised learning unit 2153 performs unsupervised learning using only the good product label data 2135 corresponding to the learning data set to generate a third reference model 2131, and when learning is completed, divided verification is performed.
  • the third standard model (2131) can be evaluated and the results can be output through the system UI, allowing users to check verification performance.
  • data on non-defective product labels may be accumulated above a certain level. If the verification data set includes data of a defective product label and the quantity is above a certain level, the unsupervised learning unit 2153 determines the binary value of a good product or a defective product through the residual error standard of the generative model. Classification performance can be measured and the measurement results can be reported to the user through the system UI.
  • the unsupervised learning unit 2153 calculates the average and standard deviation of the generation error of the non-defective product data from the generative model. can do.
  • the calculation method can use, for example, the L2 distance, or, if necessary, various indicators such as L1 and SSIM.
  • the unsupervised learning unit 2153 can specify the threshold of the normal category as the outer area of ⁇ (mean) ⁇ 1.5 ⁇ (standard deviation), and the corresponding If it is outside the range, a status abnormality judgment may be determined.
  • the unsupervised learning unit 2153 may set an upper or lower limit value, such as ⁇ + 1.5 ⁇ or ⁇ - 1.5 ⁇ , rather than a range, and then determine a condition abnormality based on whether it exceeds or falls below the corresponding reference value.
  • 1.5 serves as a threshold and can be changed to various levels such as 1 or 3 depending on the user's adjustment.
  • the unsupervised learning unit 2153 may provide the verification performance value of the learned third reference model 2131 to the user (e.g., output it on a display) and determine whether to operate the model according to the user input. Alternatively, the unsupervised learning unit 2153 may automatically apply the learned third reference model 2131 when the verification performance is greater than or equal to a predefined reference value. For example, the unsupervised learning unit 2153 may inform the fever detection unit 2154 of completion of learning for the third reference model 2131. Alternatively, when the verification performance of the third reference model 2131 is less than a predefined reference value, the unsupervised learning unit 2153 additionally collects spectral images and collects the additionally collected spectral images until the verification performance becomes more than the reference value. Model learning based on all spectral images, including images, can be repeatedly performed.
  • the heat detection unit 2154 generates a third reference model ( 2131), the heat generation state of the third battery 2050 may be detected.
  • the heat detection unit 2154 requests the camera control unit 2152 to obtain a new spectral image for the third battery 2050, and applies the acquired new spectral image to the third reference model 2131 to obtain a third spectral image. It is possible to determine whether the heat condition of the battery 2050 is abnormal.
  • the heat detection unit 2154 divides the new spectral image by predefined frequency bands and applies the divided multimodal data to the third reference model 2131 to determine whether the third battery 2050 is in abnormal condition ( Alternatively, whether the product is good or defective) can be transmitted to the status information unit 2155.
  • the status information unit 2155 may receive the determination value of the third battery 2050 from the heat detection unit 2154 and output information corresponding to the received determination value. For example, the status information unit 2155 may output good product judgment information or defective product judgment information of the third battery 2050 that is currently being charged and discharged through the third display 2160 of the third battery heat inspection device 2100. there is. Alternatively, the status information unit 2155 may transmit a message containing a judgment value of a good or defective product of the third battery 2050 to a designated user terminal through the third communication circuit 2110.
  • the third battery heat inspection device 2100 of the present invention determines whether the third battery 2050 is a good product or a defective product based on a spectroscopic image, and uses a third battery 2050 generated based on unsupervised learning.
  • the standard model 2131 is used to support the determination of good or defective products according to the heat generation state of the third battery 2050.
  • Figure 17 is a diagram showing an example of a server device configuration according to an embodiment of the present invention. As described above, if the third battery heat test device 2100 is designed to independently perform the battery heat test function according to an embodiment of the present invention, the configuration of the third server device 2200 may be omitted.
  • the third server device 2200 of the present invention may include a third server communication circuit 2210, a third server memory 2230, and a third server processor 2250.
  • the third server communication circuit 2210 may form a communication channel with the third battery fever test device 2100.
  • the third server communication circuit 2210 responds to the occurrence of a specified period or a predefined event (e.g., an event detecting the state in which the third battery 2050 is placed in the third battery holder 2125).
  • At least one spectral image may be received from the third battery heat inspection device 2100.
  • the at least one received spectral image may be used to generate a third server reference model 2231 based on unsupervised learning.
  • the third server communication circuit 2210 may receive the third server reference model 2231 from an external server device.
  • the third server communication circuit 2210 receives at least one third current spectral image 2235 for the third battery 2050 that requires thermal testing, and sends the corresponding analysis result to the third server processor 2250. In response to the control, it can be transmitted to the third battery fever test device 2100 (or a designated user terminal).
  • the third server memory 2230 may store at least one program or data necessary for operating the third server device 2200.
  • the third server memory 2230 may include unsupervised learning data 2233 corresponding to a plurality of spectral images received for generating a third server reference model 2231 or third current received for battery heat inspection. At least one of the spectral image 2235 and the third server reference model 2231 may be stored.
  • the third server reference model 2231 may correspond to the third reference model 2131 stored in the third memory 2130 of the third battery fever test device 2100 described above.
  • the third server reference model 2231 may be generated by the third battery heat inspection device 2100 and provided to the third server device 2200.
  • the third server reference model 2231 may be generated by performing unsupervised learning on the unsupervised learning data 2233 stored in the third server memory 2230.
  • the unsupervised learning data 2233 is a plurality of spectral images provided by the third battery heat inspection device 2100, and band-specific data (or multi-modal data) divided by predefined frequency bands from each of the plurality of spectral images. ), may include at least some of the sensor information acquired at the same time or closest to the time at which the plurality of spectral images were collected.
  • the unsupervised learning data 2233 of the present invention may include only data designated as a good product label among a plurality of spectral images.
  • the third server processor 2250 may control transmission and processing of signals required for operation of the third server device 2200, storage of results, transmission of results, or transmission of messages corresponding to the results.
  • the third server processor 2250 may include a third charge/discharge management unit 2251, a third data collection unit 2252, a third model creation unit 2253, and a third heat management unit 2254. You can.
  • the third charge/discharge management unit 2251 may manage charge/discharge of the third battery 2050.
  • the third charge/discharge management unit 2251 forms a communication channel with the third battery heat inspection device 2100, and when the third battery 2050 is placed on the third battery holder 2125, the third battery 2050 is stored according to a preset plan. Accordingly, while controlling the charging and discharging of the third battery 2050, charging and discharging related information (e.g., at least some of the charging and discharging temperature environment, charging and discharging speed, and magnitude of charging and discharging power of the third battery 2050) can be collected.
  • charging and discharging related information e.g., at least some of the charging and discharging temperature environment, charging and discharging speed, and magnitude of charging and discharging power of the third battery 2050
  • the third data collection unit 2252 may receive a spectral image of the third battery 2050 from the third battery heat inspection device 2100.
  • the spectral images received from the third battery heat inspection device 2100 are spectral images for generating a third server reference model 2231 or third current spectral images 2235 for inspecting heat of the third battery 2050. ) may include.
  • the third data collection unit 2252 receives the spectral images for generating the third server reference model 2231, the third data collection unit 2252 stores the received spectral images in the third server memory 2230 at least part of the unsupervised learning data 2233. It can be saved as a configuration.
  • the third data collection unit 2252 separates the received spectral images into predefined frequency bands (e.g., ultraviolet band, visible light band, infrared band) and multi-segments the spectra for each frequency band. It can be grouped in modal data form and stored in the third server memory 2230 as unsupervised learning data 2233. Additionally or alternatively, the third data collection unit 2252 collects sensor information at the time the spectral images are collected, matches the collected sensor information with multimodal data, and stores the multimodal data set in a third server memory ( 2230).
  • predefined frequency bands e.g., ultraviolet band, visible light band, infrared band
  • the third data collection unit 2252 collects sensor information at the time the spectral images are collected, matches the collected sensor information with multimodal data, and stores the multimodal data set in a third server memory ( 2230).
  • the third model generator 2253 may generate a third server reference model 2231.
  • the third model generator 2253 generates a third server reference model 2231 according to the request of the third battery fever test device 2100, and matches the generated third server reference model 2231 to the third server reference model 2231. It can be provided to the third battery heat test device 2100 as a third reference model 2131 to be used by the battery heat test device 2100.
  • the third server reference model 2231 is pre-stored in the third server memory 2230 or when the third battery heat inspection device 2100 provides the third server reference model 2231, the third server reference model 2231
  • the configuration of the model creation unit 2253 may be omitted.
  • the third model generator 2253 can label the collected unsupervised learning data 2233 as a good product or a defective product according to user input, and this can be processed as the output y of artificial neural network learning. .
  • the third model generator 2253 outputs the unsupervised learning data 2233 to the third display 2160 of the third battery heat inspection device 2100, and You can receive labeling of good or defective products.
  • the third model generator 2253 may only receive data for which the user selectively designated a good product label with respect to at least certain non-defective product data.
  • the third model generator 2253 may perform clustering on the spectral image and assign a pseudo label to the data based on the clustering result. there is.
  • the third model generator 2253 may regard the clusters with the largest scale or highest density as non-defective product clusters (or designate them as non-defective product labels).
  • the third model generator 2253 may initialize the artificial neural network and perform unsupervised learning on the corresponding data.
  • the third model generator 2253 uses one of generative artificial neural networks (e.g., multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), and graph neural network (GNN) for unsupervised learning. at least one or a combination), or alternatively, a traditional machine learning-based generative model can be used.
  • MLP multi-layer perceptron
  • CNN convolutional neural network
  • RNN recurrent neural network
  • GNN graph neural network
  • Part of the unsupervised learning data (2233) is used for learning, and the remaining part can be used as a verification data set, and the split ratio of the learning data set and the verification data set is 8:2, 7:3, 9:1, etc. It can be a variety of values and can change depending on user adjustments.
  • the third model generator 2253 can learn by extracting only data corresponding to the good product label from the training data set. When learning is completed, the model is evaluated using the divided verification data set and verification is provided to the user through the system UI. Performance can be reported. In the case of the verification data set, data on non-defective product labels may be accumulated above a certain level.
  • a third model generator ( 2253) measures the performance of binary classification into good or defective products through the residual error of the generative model, and can output the measurement results through the system UI. If there is no defective product label data in the verification data set or does not include a quantity above a pre-specified level, the third model generator 2253 calculates the average and standard deviation of the generation error of the non-defective product data from the generative model, Based on this, a status abnormality judgment can be performed. In the calculation process, the L2 distance can be used, and various indicators such as L1 and SSIM can be used depending on the setting or need.
  • the third model generator 2253 may specify the threshold of the normal category as an area outside ⁇ (mean) ⁇ 1.5 ⁇ (standard deviation) based on the average and standard deviation of the restoration error of the calculated non-defective product data. Alternatively, the third model generator 2253 may set the upper limit value ⁇ + 1.5 ⁇ or the lower limit value ⁇ - 1.5 ⁇ . In the above-mentioned range value setting, the constant 1.5 serves as a threshold and can be changed to various levels such as 1 or 3 depending on the user's adjustment.
  • the third fever management unit 2254 When the third fever management unit 2254 receives notification of receiving the third current spectral image 2235 from the third data collection unit 2252, the third current spectral image 2235 stored in the third server memory 2230 is Analysis can be performed. For example, the third heat management unit 2254 performs clustering on the third current spectral image 2235 and compares the calculated cluster to the third server reference model 2231 to create the above-described third server reference model ( 2231) can be checked to see if it is within the normal range (e.g. ⁇ ⁇ 1.5 ⁇ ).
  • the third fever management unit 2254 determines the condition to be abnormal when the cluster corresponding to the third current spectral image 2235 is outside the predefined normal range of the third server reference model 2231, and the third The third battery 2050 corresponding to the current spectral image 2235 may be determined to be defective.
  • the third heat management unit 2254 performs spectrum classification by frequency band for the third current spectral image 2235, and connects a cluster and a third server corresponding to the spectrum of at least some frequency bands (e.g., infrared band). Good or defective products can be determined by comparing the normal category of the reference model 2231.
  • the third server reference model 2231 may be generated through clustering of the spectrum of some frequency bands of a plurality of spectral images included in the unsupervised learning data 2233.
  • the third server device 2200 processes the judgment of good or defective products with respect to battery heat with high reliability while minimizing user intervention through generation of a server reference model through unsupervised learning. can do.
  • Figure 18 is a diagram showing an example of a method for generating a reference model for battery heat inspection according to an embodiment of the present invention.
  • the third battery heat test device in the operation of the third battery heat test device 2100, the third battery heat test device ( The third processor 2150 of 2100 may check whether a request to create a third reference model 2131 occurs in step 2501.
  • the third processor 2150 of the third battery heat test device 2100 installs an application related to battery heat test (if already installed, the operation is omitted) and sets a third standard that the application can operate. If there is no model (2131), the reference model creation mode can be automatically operated.
  • the third processor 2150 may check the version of the third reference model 2131 and, if an update is necessary, operate a reference model creation mode.
  • the third processor 2150 collects identification information of the third battery 2050 to perform the heat test, and if there is no reference model corresponding to the third battery 2050 corresponding to the identification information, the reference model You can enter model creation mode.
  • the third processor 2150 may process performance of the specified function in step 2503. For example, when the third reference model 2131 is already stored in the third memory 2130, the third processor 2150 may perform an operation related to the heat test function of the third battery 2050. Alternatively, the third processor 2150 may check the current state (e.g., normal state or whether a defect has occurred) of at least some of the components of the third battery heat inspection device 2100 and output the test result. . If there is no separate designated function, step 2503 may be omitted.
  • the current state e.g., normal state or whether a defect has occurred
  • the third processor 2150 operates the third spectral camera 2120 in step 2505 to detect the third battery ( At least one spectral image about 2050) can be collected.
  • the third processor 2150 sends information about the charging and discharging environment (e.g., temperature environment) of the third battery 2050 to the third processor 2150. It can be collected using the sensor unit 2190.
  • the third processor 2150 may control at least one of a heating device or a cooling device disposed on the third battery holder 2125 so that the temperature environment becomes a predefined temperature value. Alternatively, if the temperature environment is within a predefined reference range, the temperature control operation described above may be omitted.
  • the third processor 2150 of the third battery heat inspection device 2100 may check whether a data label designation input for at least one collected spectral image has been received.
  • the third processor 2150 displays at least a portion of at least one spectral image (or a spectral image and sensor information collected together when collecting the spectral image) on the third display of the third battery heat inspection device 2100. It can be output at (2160).
  • the third processor 2150 may receive an input (eg, user input) of a label designating a good product or a defective product in response to the information output on the third display 2160.
  • the third processor 2150 of the third battery heat inspection device 2100 cannot perform data label designation according to user input (e.g., the third display 2160 or the third input unit ( 2140), if there is no configuration such as or is set to label data in a separate manner), perform clustering on at least one collected spectral image, and label the spectral image as good or defective based on the clustering result. Designation can be performed automatically. For example, the third processor 2150 may automatically designate the cluster with the largest size or highest density as the good product cluster in the clustering results.
  • the third processor 2150 temporarily designates spectral images corresponding to clusters whose scale is greater than a specified size or whose density is greater than a reference value as good products, and spectral images corresponding to the temporarily designated clusters are It can also be output on the third display 2160 and confirm the designation of a good product according to user input.
  • the third processor 2150 may designate the corresponding spectral image as a good product.
  • the third processor 2150 receives a defective product input, it can designate the corresponding spectral image as a defective product in step 2511.
  • the third processor 2150 performs clustering on at least a portion of the spectral image without receiving user input in relation to labeling a good product or a defective product, and then classifies the clustering result as a good product. And by comparing with pre-stored clusters to distinguish defective products, designation of good or defective products of modeling data corresponding to the spectral image can be processed.
  • the third processor 2150 may perform clustering on the spectral image and then designate good or defective products according to the size or density of a predefined cluster.
  • the third processor 2150 may check whether the number of labeled spectral images is greater than or equal to the designated quantity. If the number is less than the designated quantity, the third processor 2150 branches to step 2501 and re-performs the following operations to collect more data.
  • the third processor 2150 may perform unsupervised learning on the non-defective product label data in step 2515. For example, the third processor 2150 performs clustering on the spectra of spectral images designated as non-defective products, calculates the average and standard deviation as a result of the clustering, and then determines the cluster normal category as a non-defective product based on this. (Example: average + 1.5x standard deviation) can be calculated. Alternatively, the third processor 2150 may classify the spectral images designated as non-defective products into a plurality of predefined frequency bands and perform clustering and normal category calculation on the classified frequency bands. As an example, the third processor 2150 may calculate clusters for an infrared band among a plurality of frequency bands for each spectral image and set a normal category using the average and standard deviation of the clusters.
  • the third processor 2150 may check whether the verification performance is equal to or higher than the reference value.
  • the third processor 2150 divides the accumulated data (e.g., non-defective product label data) into a certain ratio of a training data set and a verification data set, and then performs a busy operation on the training data set in step 2515. It is also possible to create a reference model through learning. When unsupervised learning of the reference model is completed, the third processor 2150 may perform performance verification by applying a verification data set to the learned third reference model 2131. As an example, the third processor 2150 may set the split ratio of the data set used for supervised learning and the data set for verification to 8:2, or adjust it to 7:3, 9:1, etc. according to user input. there is.
  • the third processor 2150 may branch to step 2505 and re-perform the following operations. If the verification performance is equal to or higher than the reference value, the third processor 2150 may end learning the reference model in step 2519 and store it in the third memory 2130.
  • the present invention is not limited thereto.
  • at least part of the process of generating the third reference model 2131 may be performed in the third server device 2200.
  • the reference model generation method described in FIG. 18 may be at least part of the server reference model generation method in the third server device 2200.
  • Figure 19 is a diagram showing an example of a battery heat inspection method according to an embodiment of the present invention.
  • the third processor 2150 processes the third battery in step 2601. (2050) You can check whether a fever test request occurs. In this regard, the third processor 2150 activates the application according to user input or predefined schedule information, and a user input for selecting the heat check function of the third battery 2050 among the application support functions is generated. You can check if it does.
  • the performance of the designated function may be processed in step 2603.
  • the third processor 2150 may output status values of at least some of the components of the third battery fever test device 2100. If there is no separate designated function, step 2603 may be omitted.
  • the third processor 2150 can detect that the third battery 2050 is placed on the third battery holder 2125 to test the heat of the third battery 2050. .
  • the third processor 2150 can control charging and discharging of the third battery 2050 when the third battery 2050 is placed on the third battery holder 2125.
  • the third processor 2150 may obtain a current spectral image of the third battery 2050 that is being charged and discharged. In this operation, the third processor 2150 may collect temperature environment information of the third battery 2050 that is being charged and discharged. If the temperature environment is outside the predefined reference range, a heating device adjustment or cooling device adjustment can be performed to control the temperature environment.
  • the third processor 2150 may compare the acquired spectral image with the unsupervised learning-based third reference model 2131 in step 2607. In this operation, the third processor 2150 may perform clustering on the acquired current spectral image and check whether the clustering result is within the normal range defined by the third reference model 2131. Alternatively, in step 2607, the third processor 2150 divides the acquired spectral image into a plurality of predefined frequency bands, performs clustering on the spectra for each frequency band, and stores at least some of the clustering results. It can be compared to the corresponding third reference model (2131).
  • the third processor 2150 may divide the current spectral image into visible light band, ultraviolet band, and infrared band, and compare the data corresponding to each frequency band with reference models generated by performing unsupervised learning. there is. Accordingly, the third reference model 2131 may include models corresponding to each frequency band. Alternatively, the third processor 2150 performs clustering only on the spectrum in the infrared band that is most closely related to heat generation, and uses the clustering result as a reference model (e.g., a model generated through unsupervised learning for the spectra in the infrared band). can be compared with the reference model).
  • a reference model e.g., a model generated through unsupervised learning for the spectra in the infrared band.
  • the third processor 2150 may check whether the comparison result corresponds to a status abnormality. If the result value indicates a state abnormality in comparison with the third reference model 2131, the third processor 2150 may output first battery state information in step 2611.
  • the first battery status information may include information indicating that the third battery 2050, which is currently being tested for heat, is a defective product.
  • the third processor 2150 may output the first battery status information to the third display 2160 or a designated manager terminal. Additionally, the third processor 2150 may also output information requesting disposal or re-inspection of the third battery 2050.
  • the third processor 2150 may output second battery state information in step 2613.
  • the second battery status information may include information indicating that the third battery 2050 is a good product.
  • the third processor 2150 may output the second battery state information to the third display 2160 or a designated management terminal.
  • the third processor 2150 of the third battery heat test device 2100 may check whether the battery heat test function is terminated. If no event related to termination of the battery heat test function occurs, the third processor 2150 may branch to step 2601 and re-perform the following operations. When an event related to termination of the battery heat test function, such as a user input signal for termination of an application or an input signal indicating termination of the third spectral camera 2120, occurs, it is determined that the battery heat test function is terminated, and the third processor 2150 ) can handle termination of the relevant function.
  • an event related to termination of the battery heat test function such as a user input signal for termination of an application or an input signal indicating termination of the third spectral camera 2120
  • a method of performing a heat test of the third battery 2050 using the third battery heat test device 2100 is illustrated, but the present invention is not limited thereto.
  • the operations described in FIG. 19 may be similarly performed in the third server device 2200.
  • the third server device 2200 is defined to perform the operation described in FIG. 19, the third server device 2200 skips steps 2601 and 2603, and the third battery forms a communication channel in step 2605.
  • the following operations are performed to determine the inspection result of good or defective products depending on whether the third battery 2050 is in abnormal condition, and the judgment result is used to inspect the third battery heat. It may be configured to perform a transmission operation to the device 2100 or a designated user terminal.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biochemistry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은, 충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수집하는 단계, 상기 현재 분광 이미지에 대한 프로세싱을 수행하는 단계, 상기 프로세서가, 상기 프로세싱 결과를 기반으로 상기 배터리의 양품 또는 불량품 판정을 수행하는 단계, 상기 양품 또는 불량품 판정 결과를 출력하는 단계를 포함하는 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사 방법 및 이를 지원하는 장치를 개시할 수 있다.

Description

분광 이미지 기반의 배터리 발열 검사 방법 및 이를 지원하는 장치
본 발명은 배터리 발열 검사에 관한 것이다.
휴대용 전자 기기에 대한 수요가 증가하면서, 다양한 형태 및 크기의 휴대용 전자 기기가 제작 및 판매되고 있으며, 점진적으로, 대량의 휴대용 전자 기기가 사용되고 있다. 휴대용 전자 기기는 전원으로서, 배터리 또는 2차 전지가 이용되고 있다. 또한, 최근에는 전기자동차(EV), 하이브리드 전기자동차(HEV)의 동력원이나 전력 저장 장치로서 이차전지의 사용이 현실화되고 있다.
상술한 바와 같이, 다양한 분야에서 이차전지에 대해 많은 연구가 행해지고 있으며, 특히, 높은 에너지 밀도, 높은 방전 전압 및 출력 안정성을 가질 수 있는 이차전지 연구에 집중되고 있다. 일 예로서, 전기자동차 등에 사용되는 리튬이차전지는 높은 에너지 밀도와 단시간에 큰 출력을 발휘할 수 있는 특성과 더불어, 대전류에 의한 충방전이 단시간에 반복되는 가혹한 조건 하에서 10년 이상 사용될 수 있어야 하므로, 기존의 소형 리튬이차전지보다 월등히 우수한 안전성 및 장기 수명 특성이 필연적으로 요구된다.
이러한 전기자동차 또는 전력 저장 장치에 사용되는 이차전지는 다수 개가 모듈화된 배터리 팩으로 제조된다. 배터리 팩에 포함된 다수 개의 이차전지는 내부의 전기 화학적 반응에 의하여 충전 또는 방전이 끊임없이 반복적으로 일어난다. 이와 같은 반복적인 충방전 과정은 불가피하게 발열을 수반하게 되는데 상기와 같이 이차전지가 대형화된 구조에서는 반복적인 충방전에 따른 발열 현상이 증가하게 된다. 배터리 팩에서의 발열은 배터리 팩의 수명을 저하시킬 뿐만 아니라, 폭발 등의 안전사고를 유발할 수 있다.
본 발명은 배터리 생산 과정에서 배터리의 발열을 보다 정확하게 검사할 수 있도록 하는 방법 및 장치를 제공함에 있다.
본 발명은 배터리 생산 과정에서 배터리의 발열 검사를 보다 적은 자원으로 보다 신속 및 정확하게 수행할 수 있도록 하는 방법 및 장치를 제공함에 있다.
본 발명은 배터리 생산 과정에서 사람의 개입을 최소화하여 높은 공정 효율을 제공할 수 있도록 지원하는 방법 및 장치를 제공함에 있다.
그러나, 이러한 본 발명의 목적은 상기의 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치는 분광 이미지를 획득하는 분광 카메라, 메모리, 상기 분광 카메라 및 상기 메모리와 기능적으로 연결되는 프로세서를 포함할 수 있다. 상기 프로세서는, 충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수집하고, 상기 현재 분광 이미지에 대한 프로세싱을 수행하고, 상기 프로세싱 결과를 기반으로 상기 배터리의 양품 또는 불량품 판정을 수행하고, 상기 양품 또는 불량품 판정 결과를 출력하도록 설정할 수 있다.
일 예로서, 프로세서는, 충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수집하고, 상기 현재 분광 이미지를 사전 정의된 복수개의 주파수 대역별로 분류하여 상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 생성하고, 상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 상기 메모리에 사전 저장되며 지도 학습을 통해 생성된 기준 모델에 적용하여 상기 현재 분광 이미지 기반의 멀티모달 데이터에 대응하는 배터리의 양품 또는 불량품 판정을 수행하고, 상기 양품 또는 불량품 판정 결과를 출력하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는, 상기 현재 분광 이미지를 가시광선 대역, 자외선 대역, 적외선 대역의 스펙트럼들로 분류하여 상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 생성하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는 상기 판정 결과를 디스플레이에 출력하거나 또는 지정된 사용자 단말에 출력하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는, 상기 기준 모델 생성과 관련하여, 충전 또는 방전 중인 배터리에 관한 복수의 분광 이미지들을 수집하고, 상기 복수의 분광 이미지들을 각각을 사전 정의된 복수개의 주파수 대역별로 분류하여 상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터를 생성하고, 상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터에 대응하는 배터리의 양품 또는 불량품 라벨 지정을 수행하고, 상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터를 인공신경망의 입력으로 처리하면서 상기 양품 및 불량품 라벨을 상기 인공신경망의 출력으로 처리하여 상기 기준 모델 생성을 위한 학습을 수행하고, 상기 학습 수행 완료된 기준 모델을 상기 메모리에 저장하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는 상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터의 적어도 일부를 디스플레이에 출력하고, 상기 배터리의 양품 또는 불량품 라벨 지정과 관련한 사용자 입력을 수신하고, 상기 사용자 입력에 대응하여 상기 디스플레이에 출력된 상기 멀티모달 데이터의 양품 라벨 지정 또는 불량품 라벨 지정을 처리하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는 상기 복수의 분광 이미지들에 대한 클러스터링을 수행하고, 상기 양품 라벨 지정 또는 불량품 라벨 지정에 이용하도록 사전 정의된 클러스터와 상기 클러스터링 결과를 상호 비교하여 상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터에 대한 양품 라벨 지정 또는 불량품 라벨 지정을 처리하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는 상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터를 학습용 데이터 셋과 검증용 데이터 셋으로 분할하고, 상기 학습용 데이터 셋을 기반으로 상기 기준 모델 학습을 수행하고, 상기 학습 완료된 상기 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증 값을 출력하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는, 상기 성능 검증 값이 사전 정의된 일정 값 이상인 경우 상기 기준 모델 학습을 종료하고, 상기 성능 검증 값이 사전 정의된 일정 값 미만인 경우 추가 분광 이미지를 수집하고, 상기 수집된 추가 분광 이미지 및 상기 복수개의 분광 이미지들을 기반으로 상기 기준 모델 생성을 재수행하도록 설정된 것을 특징으로 한다.
일 예로서, 상기 프로세서는, 상기 현재 분광 이미지로부터 제1 라디오믹스 특징점을 추출하고, 상기 메모리에 사전 저장되며 지도 학습을 통해 생성된 기준 모델에 상기 제1 라디오믹스 특징점을 적용하여 상기 현재 분광 이미지에 대응하는 배터리의 양품 또는 불량품 판정을 수행하고, 상기 양품 또는 불량품 판정 결과를 출력하도록 설정될 수 있다.
구체적으로, 상기 제1 라디오믹스 특징점은 상기 현재 분광 이미지의 전체 픽셀 값들의 평균 값, 상기 전체 픽셀 값들의 표준 편차, 임계 값 이상의 비율, 상기 전체 픽셀 값들의 왜도, 상기 현재 분광 이미지의 스펙트럼들의 높이 축을 따른 픽셀 평균의 왜도, 상기 현재 분광 이미지의 스펙트럼들의 너비 축을 따른 픽셀 평균의 왜도, 상기 높이 축을 따른 픽셀 표준 편차의 왜도, 상기 너비 축을 따른 픽셀 표준 편차의 왜도, 상기 전체 픽셀 값들의 첨도, 상기 현재 분광 이미지의 스펙트럼들의 높이 축을 따른 픽셀 평균의 첨도, 상기 너비 축을 따른 픽셀 평균의 첨도, 상기 높이 축을 따른 픽셀 표준 편차의 첨도, 상기 너비 축을 따른 픽셀 표준 편차의 첨도 중 적어도 하나를 포함할 수 있다.
구체적으로, 상기 프로세서는, 상기 현재 분광 이미지 중 적외선 대역의 스펙트럼을 분류하고, 상기 분류된 적외선 대역의 스펙트럼으로부터 제2 라디오믹스 특징점들을 추출하고, 상기 제2 라디오믹스 특징점들에 대응하는 기준 모델에 상기 제2 라디오믹스 특징점들을 적용하여 상기 현재 분광 이미지에 대응하는 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는 상기 판정 결과를 디스플레이에 출력하거나 또는 지정된 사용자 단말에 출력하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는, 상기 기준 모델의 생성과 관련하여, 충전 또는 방전 중인 배터리에 관한 복수의 분광 이미지들을 수집하고, 상기 복수의 분광 이미지들 각각으로부터 라디오믹스 특징점들을 추출하고, 상기 복수의 분광 이미지들에 대응하는 라디오믹스 특징점들에 대응하는 배터리의 양품 또는 불량품 라벨 지정을 수행하고, 상기 복수의 분광 이미지들에 대응하는 라디오믹스 특징점들을 지도 학습의 입력으로 처리하면서 상기 양품 및 불량품 라벨을 상기 지도 학습의 출력으로 처리하여 상기 기준 모델 생성을 위한 학습을 수행하고, 상기 학습 수행 완료된 기준 모델을 상기 메모리에 저장하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는 상기 복수의 분광 이미지들의 적어도 일부를 디스플레이에 출력하고, 상기 배터리의 양품 또는 불량품 라벨 지정과 관련한 사용자 입력을 수신하고, 상기 사용자 입력에 대응하여 상기 복수의 분광 이미지들의 양품 라벨 지정 또는 불량품 라벨 지정을 처리하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는 상기 복수의 분광 이미지들에 대한 클러스터링을 수행하고, 상기 양품 라벨 지정 또는 불량품 라벨 지정에 이용하도록 사전 정의된 클러스터와 상기 클러스터링 결과를 상호 비교하여 상기 복수의 분광 이미지들에 대응하는 배터리의 양품 라벨 지정 또는 불량품 라벨 지정을 처리하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는 상기 복수의 분광 이미지들에 대응하는 라디오믹스 특징점들을 학습용 데이터 셋과 검증용 데이터 셋으로 분할하고, 상기 학습용 데이터 셋을 기반으로 상기 기준 모델 학습을 수행하고, 상기 학습 완료된 상기 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증 값을 출력하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는, 상기 성능 검증 값이 사전 정의된 일정 값 이상인 경우 상기 기준 모델 학습을 종료하고, 상기 성능 검증 값이 사전 정의된 일정 값 미만인 경우 추가 분광 이미지를 수집하고, 상기 수집된 추가 분광 이미지 및 상기 복수개의 분광 이미지들을 기반으로 상기 기준 모델 생성을 재수행하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는, 상기 현재 분광 이미지를 복수개의 주파수 대역 별로 분류하고, 분류된 주파수 대역 별 스펙트럼들 중 적어도 일부 스펙트럼으로부터 제2 라디오믹스 특징점들을 추출하고, 상기 제2 라디오믹스 특징점들에 대응하는 기준 모델에 상기 제2 라디오믹스 특징점들을 적용하여 상기 현재 분광 이미지에 대응하는 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는, 상기 기준 모델의 생성과 관련하여, 충전 또는 방전 중인 배터리에 관한 복수의 분광 이미지들을 수집하고, 상기 복수의 분광 이미지들 각각에 대하여 사전 정의된 주파수 대역 별로 분류하고, 주파수 대역 별로 분류된 스펙트럼들로부터 라디오믹스 특징점들을 추출하고, 상기 복수의 분광 이미지들의 주파수 대역 별 라디오믹스 특징점들에 대응하는 배터리의 양품 또는 불량품 라벨 지정을 수행하고, 상기 복수의 분광 이미지들에 대응하는 라디오믹스 특징점들을 지도 학습의 입력으로 처리하면서 상기 양품 및 불량품 라벨을 상기 지도 학습의 출력으로 처리하여 상기 기준 모델 생성을 위한 학습을 수행하고, 상기 학습 수행 완료된 기준 모델을 상기 메모리에 저장하도록 설정된 것을 특징으로 한다.
일 예로서, 상기 프로세서는, 상기 현재 분광 이미지에 대한 클러스터링을 수행하고, 상기 클러스터링 결과를, 상기 메모리에 사전 저장되며 비지도 학습에 의해 생성된 기준 모델과 비교하고, 상기 비교 결과, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위 내에 있는 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 양품으로 판정하고, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위를 벗어난 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 불량품으로 판정하도록 설정될 수 있다.
구체적으로, 상기 프로세서는 상기 비지도 학습과 관련하여, 양품 라벨로 지정된 데이터들에 대해 비지도 학습을 수행하고, 상기 양품 라벨로 지정된 데이터의 복원 오차에 대한 평균과 표준편차를 기반으로 상기 정상 범주를 설정하는 것을 특징으로 한다.
구체적으로, 상기 프로세서는 상기 현재 분광 이미지를 사전 정의된 주파수 대역들로 분류하고, 상기 분류된 주파수 대역들 각각에 대해 클러스터링을 수행하고, 각 클러스터링 결과들을 대응되는 기준 모델들과 비교하여 상기 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는 상기 현재 분광 이미지를 사전 정의된 주파수 대역들로 분류하고, 상기 분류된 주파수 대역들 중 적외선 대역에 대해 클러스터링을 수행하고, 상기 적외선 대역에 대한 클러스터링 결과를, 그에 대응되는 기준 모델과 비교하여 상기 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는, 상기 기준 모델의 생성과 관련하여, 상기 배터리의 발열과 관련하여 수집된 복수의 분광 이미지들을 사전 정의된 일정 비율에 따라 학습용 데이터 셋과 검증용 데이터 셋으로 분할하고, 상기 학습용 데이터 셋에 대해 비지도 학습을 수행하여 상기 기준 모델에 대한 학습을 완료하고, 상기 학습이 완료된 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증을 수행하고, 상기 검증 성능 값을 출력하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 프로세서는, 상기 학습용 데이터 셋 중 양품으로 지정된 데이터들만을 이용하여 비지도 학습을 수행하도록 설정된 것을 특징으로 한다.
본 발명의 실시 예에 따른 배터리 발열 검사를 지원하는 서버 장치는, 배터리 발열 검사 장치와 통신 채널을 형성하는 서버 통신 회로, 서버 메모리, 상기 서버 통신 회로 및 상기 서버 메모리와 기능적으로 연결되는 서버 프로세서를 포함하고, 상기 서버 프로세서는, 상기 배터리 발열 검사 장치로부터, 충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수신하고, 상기 현재 분광 이미지에 대한 프로세싱을 수행하고, 상기 프로세싱 결과를 기반으로 상기 배터리의 양품 또는 불량품 판정을 수행하고, 상기 양품 또는 불량품 판정 결과를 출력하도록 설정될 수 있다.
일 예로서, 상기 서버 프로세서는, 상기 현재 분광 이미지를 사전 정의된 복수개의 주파수 대역별로 분류하여 상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 생성하고, 상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 상기 서버 메모리에 사전 저장되며 지도 학습을 통해 생성된 서버 기준 모델에 적용하여 상기 현재 분광 이미지 기반의 멀티모달 데이터에 대응하는 배터리의 양품 또는 불량품 판정을 수행하도록 설정될 수 있다.
일 예로서, 상기 서버 프로세서는, 상기 현재 분광 이미지로부터 제1 라디오믹스 특징점을 추출하고, 상기 메모리에 사전 저장되며 지도 학습을 통해 생성된 기준 모델에 상기 제1 라디오믹스 특징점을 적용하여 상기 현재 분광 이미지에 대응하는 배터리의 양품 또는 불량품 판정을 수행하도록 설정될 수 있다.
일 예로서, 상기 서버 프로세서는, 상기 현재 분광 이미지에 대한 클러스터링을 수행하고, 상기 클러스터링 결과를, 상기 메모리에 사전 저장되며 비지도 학습에 의해 생성된 기준 모델과 비교하고, 상기 비교 결과, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위 내에 있는 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 양품으로 판정하고, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위를 벗어난 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 불량품으로 판정하도록 설정될 수 있다.
구체적으로, 상기 서버 프로세서는, 상기 기준 모델의 생성과 관련하여, 상기 배터리 발열 검사 장치로부터 수집된 복수의 분광 이미지들을 사전 정의된 일정 비율에 따라 학습용 데이터 셋과 검증용 데이터 셋으로 분할하고, 상기 학습용 데이터 셋에 대해 비지도 학습을 수행하여 상기 기준 모델의 학습을 완료하고, 상기 학습이 완료된 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증을 수행하고, 상기 검증 성능 값을 상기 배터리 발열 검사 장치에 출력하도록 설정된 것을 특징으로 한다.
구체적으로, 상기 서버 프로세서는, 상기 학습용 데이터 셋 중 양품으로 지정된 데이터들만을 이용하여 비지도 학습을 수행하도록 설정된 것을 특징으로 한다.
본 발명의 실시 예에 따른 분광 이미지 기반의 배터리 발열 검사 방법은, 배터리 발열 검사 장치의 프로세서가, 충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수집하는 단계, 상기 프로세서가, 상기 현재 분광 이미지에 대한 프로세싱을 수행하는 단계, 상기 프로세서가, 상기 프로세싱 결과를 기반으로 상기 배터리의 양품 또는 불량품 판정을 수행하는 단계, 상기 양품 또는 불량품 판정 결과를 출력하는 단계를 포함할 수 있다.
일 예로서, 상기 프로세싱을 수행하는 단계는 상기 프로세서가, 상기 현재 분광 이미지를 사전 정의된 복수개의 주파수 대역별로 분류하여 상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 생성하는 단계, 상기 프로세서가, 상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 지도 학습을 통해 생성된 기준 모델에 적용하여 상기 현재 분광 이미지 기반의 멀티모달 데이터에 대응하는 배터리의 양품 또는 불량품 판정을 수행하는 단계를 포함하는 것을 특징으로 한다.
상기 방법은, 상기 기준 모델 생성 단계를 더 포함하고, 상기 기준 모델 생성 단계는 상기 프로세서가, 충전 또는 방전 중인 배터리에 관한 복수의 분광 이미지들을 수집하는 단계, 상기 프로세서가, 상기 복수의 분광 이미지들을 각각을 사전 정의된 복수개의 주파수 대역별로 분류하여 상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터를 생성하는 단계, 상기 프로세서가, 상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터에 대응하는 배터리의 양품 또는 불량품 라벨 지정을 수행하는 단계, 상기 프로세서가, 상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터를 인공신경망의 입력으로 처리하면서 상기 양품 및 불량품 라벨을 상기 인공신경망의 출력으로 처리하여 상기 기준 모델 생성을 위한 학습을 수행하는 단계, 상기 프로세서가, 상기 학습 수행 완료된 기준 모델을 메모리에 저장하는 단계를 포함하는 것을 특징으로 한다.
일 예로서, 상기 프로세싱을 수행하는 단계는 상기 현재 분광 이미지로부터 라디오믹스 특징점들을 추출하는 단계를 포함하고, 상기 판정을 수행하는 단계는 복수의 분광 이미지들의 라디오믹스 특징점들에 대해 지도 학습을 적용하여 생성된 기준 모델에, 상기 현재 분광 이미지의 라디오믹스 특징점들을 적용하여 상기 현재 분광 이미지에 대응하는 배터리의 양품 또는 불량품 판정을 수행하는 단계를 포함하는 것을 특징으로 한다.
일 예로서, 상기 프로세싱을 수행하는 단계는 상기 현재 분광 이미지에 대한 클러스터링을 수행하는 단계, 상기 클러스터링 결과를, 상기 배터리 발열 검사 장치의 메모리에 사전 저장되며 비지도 학습에 의해 생성된 기준 모델과 비교하는 단계를 포함하고, 상기 판정을 수행하는 단계는 상기 비교 결과, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위 내에 있는 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 양품으로 판정하고, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위를 벗어난 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 불량품으로 판정하는 단계를 포함하는 것을 특징으로 한다.
구체적으로, 상기 방법은, 상기 기준 모델을 생성하는 단계를 더 포함하고, 상기 기준 모델을 생성하는 단계는, 수집된 복수의 분광 이미지들을 사전 정의된 일정 비율에 따라 학습용 데이터 셋과 검증용 데이터 셋으로 분할하는 단계, 상기 학습용 데이터 셋에 대해 비지도 학습을 수행하여 상기 기준 모델의 학습을 완료하는 단계, 상기 학습이 완료된 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증을 수행하는 단계, 상기 검증 성능 값을 출력하는 단계를 포함하는 특징으로 한다.
본 발명에 따르면, 배터리의 발열 이상을 검사하는 방법 및 이를 지원하는 장치는 분광 이미지에 대한 지도 학습 인공신경망을 기반으로 기준 모델을 생성하여 배터리 양품 또는 불량품 구분을 명확히 할 수 있는 기준 값을 제공할 수 있으며, 배터리 품질 관리 기능을 보다 효율적이며 정확하게 처리할 수 있도록 지원할 수 있다.
본 발명에 따르면, 배터리의 발열 검사 방법 및 이를 지원하는 장치는 분광 이미지에 대한 라디오믹스 분석과 지도 학습을 이용하여 보다 적은 연산을 통해 기준 모델을 생성할 수 있도록 하고, 이를 기반으로 보다 신속하게 배터리 양품 또는 불량품 구분을 할 수 있어, 시스템 운용에 소요되는 자원의 효율적인 사용을 지원할 수 있다.
본 발명에 따르면, 비지도 학습 기반의 배터리의 발열 검사 방법 및 이를 지원하는 장치는 배터리 생산 공정에서 사람 개입을 최소화하여 오류 발생을 개선하면서 공정 효율을 개선할 수 있도록 지원한다.
아울러, 상술한 효과 이외의 다양한 효과들이 후술될 본 발명의 실시 예에 따른 상세한 설명에서 직접적 또는 암시적으로 개시될 수 있다.
도 1은 본 발명의 실시 예에 따른 배터리 발열 검사를 지원하는 제1 시스템 환경의 적어도 일부 예를 나타낸 도면.
도 2는 본 발명의 실시 예에 따른 제1 배터리 발열 검사 장치 구성의 한 예를 나타낸 도면.
도 3은 도 2의 제1 프로세서 구성의 한 예를 나타낸 도면.
도 4는 본 발명의 실시 예에 따른 제1 서버 장치 구성의 한 예를 나타낸 도면.
도 5는 본 발명의 실시 예에 따른 분광 이미지 기반의 배터리 발열 검사와 관련한 기준 모델 생성 방법의 한 예를 나타낸 도면.
도 6은 본 발명의 실시 예에 따른 분광 이미지 기반의 배터리 발열 검사 방법의 한 예를 나타낸 도면.
도 7은 본 발명의 실시 예에 따른 배터리 발열 검사를 지원하는 제2 시스템 환경의 적어도 일부 예를 나타낸 도면.
도 8은 본 발명의 실시 예에 따른 제2 배터리 발열 검사 장치 구성의 한 예를 나타낸 도면.
도 9는 도 8의 제2 프로세서 구성의 한 예를 나타낸 도면.
도 10은 본 발명의 실시 예에 따른 분광 이미지에서의 라디오믹스 특징점 추출의 한 예를 나타낸 도면.
도 11은 본 발명의 실시 예에 따른 제2 서버 장치 구성의 한 예를 나타낸 도면.
도 12는 본 발명의 실시 예에 따른 분광 이미지의 라디오믹스 특징점을 이용하는 기준 모델 생성 방법의 한 예를 나타낸 도면.
도 13은 본 발명의 실시 예에 따른 분광 이미지의 라디오믹스 특징점을 이용한 배터리 발열 검사 방법의 한 예를 나타낸 도면.
도 14는 본 발명의 실시 예에 따른 배터리 발열 검사를 지원하는 제3 시스템 환경의 적어도 일부 예를 나타낸 도면.
도 15는 본 발명의 실시 예에 따른 제3 배터리 발열 검사 장치 구성의 한 예를 나타낸 도면.
도 16은 도 15의 제3 프로세서 구성의 한 예를 나타낸 도면.
도 17은 본 발명의 실시 예에 따른 제3 서버 장치 구성의 한 예를 나타낸 도면.
도 18은 본 발명의 실시 예에 따른 배터리 발열 검사를 위한 기준 모델 생성 방법의 한 예를 나타낸 도면.
도 19는 본 발명의 실시 예에 따른 배터리 발열 검사 방법의 한 예를 나타낸 도면.
본 발명의 과제 해결 수단의 특징 및 이점을 보다 명확히 하기 위하여, 첨부된 도면에 도시된 본 발명의 특정 실시 예를 참조하여 본 발명을 더 상세하게 설명한다.
다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
이하의 설명 및 도면에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다.
또한, 본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 본 명세서에서 기술되는 "포함 한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 명세서에 기재된 "부", "기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
상술한 용어들 이외에, 이하의 설명에서 사용되는 특정 용어들은 본 발명의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
아울러, 본 발명의 범위 내의 실시 예들은 컴퓨터 실행가능 명령어 또는 컴퓨터 판독가능 매체에 저장된 데이터 구조를 가지거나 전달하는 컴퓨터 판독가능 매체를 포함한다. 이러한 컴퓨터 판독가능 매체는, 범용 또는 특수 목적의 컴퓨터 시스템에 의해 액세스 가능한 임의의 이용 가능한 매체일 수 있다. 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EPROM, CD-ROM 또는 기타 광 디스크 저장장치, 자기 디스크 저장장치 또는 기타 자기 저장장치, 또는 컴퓨터 실행가능 명령어, 컴퓨터 판독가능 명령어 또는 데이터 구조의 형태로 된 소정의 프로그램 코드 수단을 저장하거나 전달하는 데에 이용될 수 있고, 범용 또는 특수 목적 컴퓨터 시스템에 의해 액세스 될 수 있는 임의의 기타 매체와 같은 물리적 저장 매체를 포함할 수 있지만, 이에 한정되지 않는다.
이하, 본 발명에서는, 분광 이미지를 이용하여 배터리의 발열을 검사할 수 있도록 하는 배터리 발열 검사 장치를 포함하는 시스템 환경 및 이에 포함되는 각 구성들의 종류와 역할에 대하여 설명하기로 한다.
도 1은 본 발명의 실시 예에 따른 배터리 발열 검사를 지원하는 제1 시스템 환경의 적어도 일부 예를 나타낸 도면이다.
도 1을 참조하면, 본 발명의 배터리 발열 검사 기능을 지원하는 제1 시스템 환경(10)은 제1 배터리(50)를 제조하는 과정에서 제1 배터리(50)의 품질 관리를 위해 제1 배터리(50)의 충방전을 수행하면서 제1 배터리(50)의 발열 검사를 수행할 수 있는 구성들을 포함할 수 있다. 일 예로, 본 발명의 제1 시스템 환경(10)은 제조 과정에서 모든 제1 배터리(50)에 대한 배터리 발열 검사에 이용되거나 또는 전체 제1 배터리(50)들 중 샘플링된 일부 배터리들에 대한 발열 검사에 이용될 수도 있다.
이러한 제1 시스템 환경(10)은 예컨대, 배터리 생산공정 중 품질보증(QA)/품질관리(QC) 공정에서, 제1 배터리(50)를 충방전하면서 발열을 검사할 수 있도록 구성될 수 있다. 이를 위하여, 상기 제1 시스템 환경(10)은 제1 배터리(50)가 놓일 수 있는 제1 배터리 거치대(125), 제1 배터리(50) 충방전을 위한 제1 충방전 장치(180), 제1 배터리 발열 검사 장치(100)를 포함할 수 있다. 여기서, 상기 제1 배터리 거치대(125) 및 제1 충방전 장치(180) 중 적어도 일부는 제1 배터리 발열 검사 장치(100)의 일 구성일 수 있으며, 또는 제1 배터리 발열 검사 장치(100)와는 별도의 독립된 장치로 구성될 수도 있다. 일 예로서, 상기 제1 충방전 장치(180)만 제1 배터리 발열 검사 장치(100)에 포함될 수도 있다. 추가적으로 또는 대체적으로 상기 제1 배터리 발열 검사 장치(100)와 통신 채널을 형성하여 배터리 발열 검사를 지원하는 제1 서버 장치(200)를 더 포함할 수 있다. 일 예로서, 상기 제1 시스템 환경(10)에서는 제1 배터리 발열 검사 장치(100)와 제1 서버 장치(200) 간의 통신 채널을 형성하고, 제1 서버 장치(200)가 제1 배터리 발열 검사 장치(100)를 지원하는 형태로 예시하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 제1 시스템 환경(10)은 상기 제1 서버 장치(200) 구성 없이, 임베이디드 된 프로그램을 실행할 수 있는 전자 장치(예: 제1 배터리 발열 검사 장치(100))를 기반으로 제1 배터리(50)의 발열 검사 및 결과 안내를 수행되도록 구성될 수도 있다. 이 경우, 상기 제1 서버 장치(200) 구성은 제1 시스템 환경(10)의 구성에서 생략될 수 있다.
상기 제1 배터리(50)는 2차 전지로서, 양극 활물질로 마련된 양극, 음극 활물질로 마련된 음극, 양극과 음극을 분리하는 분리막, 양극과 분리막 사이 또는 음극과 분리막 사이에 배치되는 전해질을 포함할 수 있다. 상술한 제1 배터리(50)는 외부로부터 공급되는 전원을 충전하여 저장하고, 회로 조작에 따라 저장된 전원을 외부로 공급(방전)할 수 있다. 이러한 제1 배터리(50)는 충전과 방전 과정에서 발열이 발생할 수 있으며, 경우에 따라 지정된 온도 이상(예: 80도 이상)으로 발열이 발생할 수 있어, 제1 배터리(50)의 발열 특성에 관한 확인 요구된다. 본 발명에서는 제1 배터리(50)의 충전과 방전 중에 제1 배터리(50)의 발열을 검사하여, 해당 제1 배터리(50)가 양품인지 또는 불량품인지를 구분할 수 있도록 지원한다. 일 예로, 본 발명에서 제1 배터리(50)는 배터리 팩에 감싸진 형태로 제1 배터리 거치대(125)에 놓인 후, 제1 충방전 장치(180)에 의해 충전 또는 방전될 수 있다. 이와 관련하여, 제1 배터리 거치대(125)는 전원과 제1 충방전 장치(180)를 연결하는 배선을 더 포함할 수 있다.
상기 제1 배터리 발열 검사 장치(100)는 제조가 완료된 제1 배터리(50)(또는 배터리 팩)의 충방전 시 발열을 검사할 수 있다. 이와 관련하여, 상기 제1 배터리 발열 검사 장치(100)는 제1 배터리(50)가 놓이는 제1 배터리 거치대(125), 제1 배터리(50) 충방전을 위한 제1 충방전 장치(180), 제1 배터리(50) 충방전 중 제1 배터리(50)에 대한 분광 이미지를 촬영할 수 있는 제1 분광 카메라(120), 제1 충방전 장치(180)와 제1 분광 카메라(120) 제어를 위한 컴퓨팅 장치를 포함할 수 있다. 또한, 상기 제1 배터리 발열 검사 장치(100)는 상기 제1 분광 카메라(120)의 높이 또는 방향 조절을 위한 제1 거치 구조물(129)을 더 포함할 수 있다. 상기 제1 배터리(50)는 제조가 완료되면 품질 보증 및 품질 관리를 위해 제1 배터리 거치대(125)에 이송되어 배치될 수 있다. 제1 배터리 거치대(125)는 제1 배터리(50)가 놓일 수 있는 구조물을 포함하며, 제1 배터리(50)를 충방전하는 제1 충방전 장치(180)가 놓이는 구조를 포함할 수 있다. 추가적으로, 상기 제1 배터리 거치대(125)는 제1 배터리(50)의 충방전 환경을 제어할 수 있는 온열 장치 또는 냉각 장치 중 적어도 하나를 포함할 수 있다. 이를 기반으로, 제1 배터리 거치대(125)는 제1 배터리(50)가 충전 또는 방전되는 환경 중 지정된 온도 환경을 제공할 수 있다.
상기 제1 충방전 장치(180)는 컴퓨팅 장치의 제어에 따라, 제1 배터리 거치대(125)에 놓인 제1 배터리(50)의 충방전을 수행할 수 있다. 이와 관련하여, 제1 충방전 장치(180)는 영구전원에 연결되고, 영구전원으로부터의 전원을 제1 배터리(50)에 공급하거나 또는 제1 배터리(50)에 저장된 전원을 방전시키도록 구성될 수 있다. 특히, 본 발명의 제1 배터리 발열 검사 장치(100)는 제1 분광 카메라(120)를 이용하여 제1 배터리(50)가 충전하는 동안 및 방전하는 동안 적어도 하나의 분광 이미지를 촬영하고, 촬영된 분광 이미지에 사전 저장된 기준 모델과의 비교를 통해 해당 제1 배터리(50)가 양품인지 또는 불량품인지를 판단할 수 있도록 지원할 수 있다. 이 동작에서, 상기 제1 배터리 발열 검사 장치(100)는 지도 학습을 통하여 기준 모델을 생성하기 위하여 일정 개수 이상의 제1 배터리(50) 충방전 상태를 촬영한 분광 이미지들을 획득하고, 획득된 분광 이미지들을 기반으로 지도 학습을 통한 기준 모델을 생성할 수 있다.
추가적으로, 상기 제1 배터리 발열 검사 장치(100)는 제1 서버 장치(200)를 통하여 제1 배터리(50)에 대한 배터리 발열 검사 기능을 처리할 수 있다. 이 경우, 제1 배터리 발열 검사 장치(100)는 제1 배터리(50)에 대한 분광 이미지를 제1 서버 장치(200)에 전송한 후, 제1 서버 장치(200)로부터 배터리 발열에 관한 정보를 수신하여 출력하도록 구성될 수 있다. 또한, 상기 제1 배터리 발열 검사 장치(100)가 별도의 제1 서버 장치(200) 운용 없이 독립적으로 배터리 발열 검사 기능을 수행하도록 구성될 수도 있다.
상기 제1 서버 장치(200)는 상기 제1 배터리 발열 검사 장치(100)와 통신 채널을 형성할 수 있다. 상기 제1 서버 장치(200)는 제1 배터리 발열 검사 장치(100)로부터 제1 배터리(50)에 대한 적어도 하나의 분광 이미지를 수신하고, 수신된 적어도 하나의 분광 이미지에 대한 배터리 발열 상태 검출을 수행할 수 있다. 이 과정에서, 상기 제1 서버 장치(200)는 현재 획득한 분광 이미지에 대한 비교 분석을 위하여 서버 기준 모델을 사전 저장할 수 있다. 상기 제1 서버 장치(200)에 저장되는 서버 기준 모델은 제1 배터리 발열 검사 장치(100)가 수집하여 제공한 분광 이미지들을 기반으로 지도 학습을 통하여 생성될 수도 있다. 상기 제1 서버 장치(200)는 현재 획득된 제1 배터리(50)에 대한 분광 이미지의 분석 결과를 제1 배터리 발열 검사 장치(100)에 제공할 수 있다.
상술한 바와 같이, 본 발명의 실시 예에 따른 배터리 발열 검사 기능을 지원하는 제1 시스템 환경(10)은 제1 배터리(50)에 관한 분광 이미지를 제1 배터리 발열 검사 장치(100)가 획득하고, 사전 저장된 기준 모델과 비교하여 배터리 발열 상태를 확인함으로써, 제1 배터리(50)의 양품 및 불량품 판정을 보다 정확하고 신속하게 처리할 수 있도록 지원한다.
도 2는 본 발명의 실시 예에 따른 배터리 발열 검사 장치 구성의 한 예를 나타낸 도면이며, 도 3은 도 2의 프로세서 구성의 한 예를 나타낸 도면이다.
먼저, 도 2를 참조하면, 본 발명의 실시 예에 따른 제1 배터리 발열 검사 장치(100)는 제1 통신 회로(110), 제1 분광 카메라(120), 제1 메모리(130), 제1 입력부(140), 제1 디스플레이(160), 제1 충방전 장치(180) 및 제1 프로세서(150)를 포함할 수 있다. 추가적으로 또는 대체적으로 상기 제1 배터리 발열 검사 장치(100)는 상기 제1 배터리(50)의 발열 상태와 관련한 센서 정보를 수집할 수 있는 접촉식 센서 또는 비접촉식 센서 중 적어도 하나를 포함하는 제1 센서부(190)를 더 포함할 수도 있다. 상기 제1 센서부(190) 구성은 상기 제1 배터리 발열 검사 장치(100)에서 생략될 수 있으며, 또한, 상기 제1 통신 회로(110), 제1 입력부(140), 제1 디스플레이(160), 제1 충방전 장치(180) 중 적어도 하나 역시 상기 제1 배터리 발열 검사 장치(100)에서 생략될 수 있다.
추가로, 상기 제1 배터리 발열 검사 장치(100)는 앞서 도 1에서 설명한 바와 같이, 상기 적어도 하나의 제1 분광 카메라(120)를 이용하여 제1 배터리(50)에 대한 분광 이미지를 촬영할 수 있도록 상기 제1 분광 카메라(120)와 제1 배터리(50) 사이의 촬영 거리 또는 촬영 각도 중 적어도 하나를 조절할 수 있는 제1 거치 구조물(129) 및 제1 배터리(50)가 놓이는 제1 배터리 거치대(125) 중 적어도 하나를 더 포함할 수 있다. 또한, 상기 제1 배터리 발열 검사 장치(100)는 상술한 구성들 예컨대, 제1 통신 회로(110), 제1 분광 카메라(120), 제1 메모리(130), 제1 입력부(140), 제1 디스플레이(160), 제1 충방전 장치(180), 제1 센서부(190) 및 제1 프로세서(150) 중 적어도 하나의 운용에 필요한 전원부(예: 영구전원 또는 배터리)를 더 포함할 수 있다. 상기 전원부는 제1 충방전 장치(180)를 통해 제1 배터리(50)에 전력을 공급할 수도 있다.
상기 제1 통신 회로(110)는 제1 배터리 발열 검사 장치(100)의 통신 기능을 지원할 수 있다. 일 예로, 상기 제1 통신 회로(110)는 제1 서버 장치(200)와 통신 채널을 형성할 수 있다. 본 발명의 실시 예에 따른 제1 배터리(50)의 분광 이미지 분석에 필요한 연산을 제1 서버 장치(200)에서 수행하도록 설계된 경우, 제1 통신 회로(110)는 제1 분광 카메라(120)가 수집한 적어도 하나의 분광 이미지를 제1 서버 장치(200)에 전송할 수 있다. 또한, 상기 제1 통신 회로(110)는 설정에 따라 또는 제1 프로세서(150) 제어에 따라, 제1 서버 장치(200)로부터 분광 이미지의 분석 결과를 수신하여 제1 프로세서(150)에 전달할 수 있다. 또는, 상기 제1 통신 회로(110)는 제1 배터리(50)의 발열 정보를 지정된 사용자 단말(예: 제1 배터리 발열 검사 장치(100)의 관리자가 소유한 단말)에 전송할 수 있다. 추가적으로 또는 대체적으로, 제1 통신 회로(110)는 외부 서버 장치와 통신 채널을 형성하고, 상기 외부 서버 장치로부터 제1 기준 모델(131)을 수신할 수도 있다. 상기 제1 기준 모델(131)은 일정 개수 이상의 분광 이미지들을 기반으로 지도 학습을 수행한 모델을 포함할 수 있다. 이와 관련하여, 제1 통신 회로(110)는 제1 프로세서(150) 제어에 대응하여 일정 주기로 외부 서버 장치와 통신 채널을 형성하고, 새롭게 갱신된 제1 기준 모델(131)이 있는 경우, 갱신된 제1 기준 모델(131)을 외부 서버 장치로부터 수신하여 제1 메모리(130)에 저장(또는 갱신)할 수 있다.
상기 제1 분광 카메라(120)는 앞서 도 1에서 설명한 제1 배터리 발열 검사 장치(100)의 제1 분광 카메라(120)로서, 제1 배터리(50)에 대한 분광 이미지를 촬영할 수 있도록 배치될 수 있다. 앞서 도 1에서는 제1 배터리 발열 검사 장치(100)가 하나의 제1 분광 카메라(120)를 포함하는 형태를 예시하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 제1 분광 카메라(120)는 복수개가 배치될 수도 있다. 복수개의 분광 카메라들이 배치되는 경우, 복수개의 분광 카메라들은 제1 배터리(50)를 다양한 각도에서 촬영하도록 배치될 수 있다. 상기 제1 분광 카메라(120)는 제1 프로세서(150) 제어에 대응하여 활성화되고, 제1 배터리(50)에 대한 분광 이미지를 획득하면, 제1 프로세서(150)에 전달할 수 있다. 또는, 제1 프로세서(150) 제어에 대응하여, 제1 분광 카메라(120)가 획득한 분광 이미지는 제1 통신 회로(110)를 통해 제1 서버 장치(200)에 전송될 수도 있다.
상기 제1 메모리(130)는 제1 배터리 발열 검사 장치(100) 운용에 필요한 적어도 하나의 프로그램 또는 데이터를 저장할 수 있다. 일 예로, 제1 메모리(130)는 적어도 하나의 제1 분광 카메라(120) 구동에 필요한 제어 프로그램, 적어도 하나의 제1 분광 카메라(120)를 통해 획득된 제1 분광 이미지(133)를 임시 또는 반영구적으로 저장할 수 있다. 예컨대, 상기 제1 메모리(130)는 제1 배터리(50)에 대해 현재 촬영된 분광 이미지와 비교 분석하는데 이용되는 제1 기준 모델(131)을 저장할 수 있다. 상기 제1 기준 모델(131)은 앞서 언급한 바와 같이, 외부 서버 장치로부터 수신될 수 있다. 또는, 상기 제1 기준 모델(131)은 복수개의 제1 분광 이미지(133)가 사전 정의된 일정량 이상 누적 저장된 경우, 지도 학습을 통해 생성될 수도 있다. 상기 제1 분광 이미지(133)는 지도 학습을 위하여 복수개의 데이터 셋(예: 멀티모달 데이터 셋)으로 분할 될 수 있다. 추가적으로, 상기 제1 메모리(130)는 제1 센서부(190)가 수집한 센서 정보를 저장할 수 있다. 상기 센서 정보는 상기 제1 분광 이미지(133)가 획득된 시점과 동일 시점 또는 제1 분광 이미지(133)가 획득된 시점과 사전 정의된 일정 범위 이내로 가까운 시점에 획득된 센서 정보를 포함할 수 있다. 상기 센서 정보는 제1 분광 이미지(133) 기반의 제1 배터리(50)의 양품 및 불량품 지정에 이용될 수 있다. 상기 제1 메모리(130)는 배터리 정보(135)를 저장할 수 있다. 상기 배터리 정보(135)는 배터리 식별 정보, 제1 배터리(50)의 양품 또는 불량품 지정 정보를 포함할 수 있다.
상기 제1 입력부(140)는 상기 제1 배터리 발열 검사 장치(100) 조작을 위한 다양한 입력 수단을 포함할 수 있다. 예컨대, 상기 제1 입력부(140)는 배터리 발열 검사 기능용 어플리케이션 실행을 요청하는 입력 신호, 제1 분광 카메라(120)의 활성화를 위한 입력 신호, 제1 분광 이미지(133) 획득을 위한 제1 분광 카메라(120) 조작 입력 신호, 제1 분광 이미지(133) 분석 결과 출력을 요청하는 입력 신호 중 적어도 하나를 사용자 조작에 따라 생성할 수 있다. 또한, 상기 제1 입력부(140)는 제1 분광 이미지(133)들을 이용한 제1 기준 모델(131) 생성을 요청하는 입력 신호를 생성할 수 있다. 이러한 제1 입력부(140)는, 소프트키(또는 터치스크린이나 터치 패드 기반의 입력 수단), 물리키, 음성 입력 장치, 제스처 입력 장치, 죠그 셔틀 등 다양한 수단 중 적어도 하나를 포함할 수 있다.
상기 제1 디스플레이(160)는 상기 제1 배터리 발열 검사 장치(100) 운용에 필요한 적어도 하나의 화면을 출력할 수 있다. 예컨대, 상기 제1 디스플레이(160)는 제1 배터리 발열 검사 장치(100)에 포함된 적어도 하나의 장치들(예: 제1 분광 카메라(120), 제1 거치 구조물(129), 제1 통신 회로(110), 제1 입력부(140), 제1 충방전 장치(180), 제1 센서부(190) 중 적어도 하나의 장치들)의 정상 상태 여부를 지시하는 화면, 제1 분광 카메라(120) 활성화 화면, 제1 분광 카메라(120)를 통한 제1 분광 이미지(133) 획득 화면, 제1 분광 이미지(133) 기반의 제1 기준 모델(131) 생성 화면, 제1 기준 모델(131)의 학습 완료 이후 새 분광 이미지의 분석에 따른 배터리 발열 상태 검출 화면 중 적어도 하나를 출력할 수 있다. 또한, 상기 제1 배터리 발열 검사 장치(100)가 제1 서버 장치(200)와 연계 운용되는 경우, 상기 제1 디스플레이(160)는 제1 서버 장치(200) 접속 화면, 제1 서버 장치(200)로부터 수신된 새 분광 이미지 분석 결과(예: 배터리 발열 상태)를 출력할 수 있다.
상기 제1 충방전 장치(180)는 제1 배터리 거치대(125)에 거치된 제1 배터리(50)의 충방전을 제어할 수 있다. 이와 관련하여, 제1 충방전 장치(180)는 전원과 직접적으로 연결될 수 있다. 상기 제1 충방전 장치(180)는 제1 프로세서(150) 제어에 대응하여 제1 배터리(50) 충전을 위한 충전 전력을 공급하는 충전 회로, 제1 배터리(50) 방전을 위한 방전 회로를 포함할 수 있다. 상기 제1 배터리(50) 방전을 위하여 상기 제1 충방전 장치(180)는 제1 배터리(50)의 전원을 소모하는 부하를 더 포함할 수도 있다. 상기 제1 충방전 장치(180)는 제1 배터리(50)의 충전 잔량 또는 방전량 등을 검출할 수 있다.
상기 제1 센서부(190)는 상기 제1 배터리(50) 충전 또는 방전 시, 제1 배터리(50)와 관련한 다양한 센서 정보를 수집할 수 있는 적어도 하나의 센서를 포함할 수 있다. 예컨대, 상기 제1 센서부(190)는 제1 배터리(50)의 충전 또는 방전 시 제1 배터리(50)의 표면 온도를 검출할 수 있는 온도 센서를 포함할 수 있다. 또는, 상기 제1 센서부(190)는 제1 배터리(50)의 충전 또는 방전 시 제1 배터리(50)의 부피 변화를 검출할 수 있는 RGB 센서(또는 RGB 카메라)를 포함할 수 있다.
상기 제1 프로세서(150)는 제1 배터리 발열 검사 장치(100) 운용에 필요한 신호의 전달과 처리, 처리 결과의 저장, 처리 결과의 출력 중 적어도 하나를 수행할 수 있다. 예컨대, 상기 제1 프로세서(150)는 제1 분광 카메라(120)가 수집한 분광 이미지 또는 외부 서버 장치로부터 수신한 분광 이미지 중 적어도 하나를 기반으로 제1 기준 모델(131)을 생성하는 과정을 수행할 수 있다. 또는, 상기 제1 프로세서(150)는 제1 분광 카메라(120)를 제어하여 제1 분광 이미지(133)를 획득하고, 획득된 제1 분광 이미지(133)에 대해 제1 메모리(130)에 사전 저장된 제1 기준 모델(131)과의 비교 분석을 수행하고, 비교 분석에 따른 배터리 발열 상태 검출 결과를 출력할 수 있다. 이와 관련하여, 상기 제1 프로세서(150)는 도 3에 도시된 바와 같은 구성을 포함할 수 있다.
도 3을 참조하면, 상기 제1 프로세서(150)는 제1 충방전 제어부(151), 제1 카메라 제어부(152), 제1 기준 모델 학습부(153), 제1 발열 검출부(154) 및 제1 상태 안내부(155) 중 적어도 하나를 포함할 수 있다.
상기 제1 충방전 제어부(151)는 제1 충방전 장치(180)를 제어하여 제1 배터리(50)의 충전 또는 방전을 제어할 수 있다. 이와 관련하여, 제1 충방전 제어부(151)는 제1 배터리 거치대(125)에 제1 배터리(50)가 놓인 후 제1 충방전 장치(180)와 제1 배터리(50)가 연결되면, 제1 배터리(50)의 잔량을 확인할 수 있다. 이 동작에서, 상기 제1 충방전 제어부(151)는 제1 배터리(50)와의 통신을 통하여 제1 배터리(50) 정보를 수집할 수 있다. 상기 제1 충방전 제어부(151)는 제1 배터리(50) 정보를 기반으로 제1 배터리(50) 충전 전력의 크기(예: 전압 및 전류량) 또는 충전 속도(예: 고속 충전 또는 저속 충전)를 결정하고, 그에 대응하는 충전 전력을 제1 배터리(50)에 공급하도록 제어할 수 있다. 상기 제1 충방전 제어부(151)는 제1 배터리(50) 충전이 시작되면, 이를 제1 카메라 제어부(152)에 안내할 수 있다. 상기 제1 충방전 제어부(151)는 제1 배터리(50)가 사전 정의된 기준 값 이상 충전(예: 100% 충전)되면, 제1 배터리(50) 충전을 완료할 수 있다. 또는, 제1 충방전 제어부(151)는 제1 배터리(50) 완충 이후 사전 정의된 일정 시간 경과 후 제1 배터리(50) 자연 방전량을 확인하고, 자연 방전에 따른 추가 충전 동작을 수행하도록 제어할 수 있다. 상기 제1 충방전 제어부(151)는 사전 정의된 기준 값 이상으로 충전된 제1 배터리(50)의 방전 동작을 수행하도록 제1 충방전 장치(180)를 제어하고, 방전 동작 시작 시, 이에 대한 정보를 제1 카메라 제어부(152)에 전달할 수 있다. 상기 제1 충방전 제어부(151)는 제1 배터리(50) 방전 시, 부하의 크기를 조절하여 다양한 방전 속도를 가지도록 제1 배터리(50)이 출력을 조절할 수 있다. 부하량 변화 시, 이에 대한 정보를 제1 기준 모델 학습부(153)에 전달할 수 있다.
상기 제1 충방전 제어부(151)는 제1 배터리(50) 충전 또는 방전 동작 수행 중에, 제1 배터리 거치대(125)를 제어하여 충전 또는 방전을 위한 온도 환경을 사전 정의된 설정 값에 대응되도록 제어할 수 있다. 예컨대, 상기 제1 충방전 제어부(151)는 제1 배터리 거치대(125)를 제어하여 제1 배터리(50)가 충전 또는 방전되는 온도 환경이 지정된 영하 온도 값 미만 상태, 상온 상태, 지정된 영상 온도 값 이상인 상태 등이 되도록 제어할 수 있다. 상기 제1 충방전 제어부(151)는 온도 환경 별 및 충전 전력의 크기 별 제1 배터리(50)의 충전 속도(또는 지정된 목표 충전량까지의 충전 속도) 또는 방전 속도(또는 지정된 목표 방전량까지의 방전 속도)를 수집할 수 있다. 상기 온도 환경에 관한 정보, 충전 전력의 크기 정보, 충전 속도, 방전 속도 등 제1 배터리(50)의 충방전 환경과 관련한 다양한 정보는, 제1 분광 이미지(133) 획득 시, 획득된 제1 분광 이미지(133)와 매칭하여 제1 메모리(130)에 저장될 수 있다.
상기 제1 카메라 제어부(152)는 제1 충방전 제어부(151)로부터 제1 배터리(50)의 충전 동작 또는 방전 동작에 대한 정보를 수신하면, 해당 시점에 제1 분광 카메라(120)를 제어하여 제1 배터리(50)에 대한 분광 이미지를 촬영하도록 제어할 수 있다. 상기 제1 카메라 제어부(152)는 제1 기준 모델(131) 생성을 위해 제1 배터리(50)의 다양한 충방전 환경에서 촬영되는 복수개의 분광 이미지들을 수집하여 제1 메모리(130)에 저장할 수 있다. 제1 기준 모델(131) 생성 이후 또는 학습 완료 이후, 제1 카메라 제어부(152)는 현재 제1 배터리(50)의 발열 상태 판단을 위해 제1 배터리(50)와 관련한 적어도 하나의 분광 이미지를 수집할 수 있다. 예컨대, 제1 카메라 제어부(152)는 제1 충방전 제어부(151)에 요청하여 제1 배터리 거치대(125)를 통해 충방전 온도 환경을 조절하고, 각 온도 환경 별 및 충방전 크기 별 새 분광 이미지들을 수집할 수 있다.
상기 제1 기준 모델 학습부(153)는 제1 카메라 제어부(152)의 제어에 따라 획득된 분광 이미지들이 제1 메모리(130)에 저장되고, 제1 메모리(130)에 저장된 분광 이미지들의 량이 사전 정의된 일정량 이상이 되면, 해당 분광 이미지들을 기반으로 기준 모델 생성을 위한 지도 학습을 수행할 수 있다. 예컨대, 제1 기준 모델 학습부(153)는 충방전 중인(또는 충방전 시작 이전) 제1 배터리(50)에 대해 촬영된 분광 이미지를 인공신경망 학습의 입력으로 처리할 수 있다. 이 동작에서, 상기 제1 기준 모델 학습부(153)는 획득한 분광 이미지에 대해 제1 분광 카메라(120)의 특징에 기반하여, 측정된 데이터를 복수개의 주파수 대역(예: 자외선 대역((예: 400nm 미만 파장 대역), 가시광선 대역(예: 400~700nm 파장 대역), 적외선 대역(예: 700nm 초과 파장 대역))으로 분할하고, 분할된 데이터들을 멀티모달 데이터로 간주하여 학습할 수 있다. 여기서, 상기 제1 기준 모델 학습부(153)는 복수개의 주파수 대역별 멀티모달 데이터들 각각을 높이 축과 너비축의 인덱스에 해당하는 독립 스펙트럼으로 분리하고, 분리된 스펙트럼들을 채널축으로 스택하여 인공신경망의 입력으로 사용할 수 있다. 독립 스펙트럼으로 분해하는 경우 동일한 채널에 해당하는 차원의 높이 ‘H’, 너비 'W’의 곱(H x W)에 해당하는 수의 스펙트럼을 얻을 수 있다. 추가적으로 또는 대체적으로 제1 기준 모델(131) 생성을 관리하는 사용자의 요구사항에 따라 제1 센서부(190)를 통해 획득한 센서 정보를 멀티모달 데이터와 함께 매칭하여 멀티모달 데이터 셋으로 저장할 수 있으며, 적어도 하나의 센서를 포함하는 제1 센서부(190)로부터 얻은 데이터는 수집 당시의 시간을 함께 기록하여, 시간 매칭을 할 수 있다. 센서 정보 수집 주기 또는 시점이 분광 이미지의 수집 시점과 일치하지 않을 경우, 제1 기준 모델 학습부(153)는 각 데이터(예: 분광 이미지 및 센서 정보)에 기록된 시간에 기반하여, 가장 가까운 수집시간에 대응되는 데이터로 매칭하여 제1 메모리(130)에 저장할 수 있다. 상기 제1 기준 모델 학습부(153)는 수집된 멀티모달 데이터 셋의 적어도 일부에 대해 양품 또는 불량품 라벨 지정을 지원할 수 있다. 이와 관련하여, 상기 제1 기준 모델 학습부(153)는 멀티모달 데이터 셋(예: 분광 이미지, 분광 이미지를 일정 주파수 대역으로 분할한 데이터들, 분광 이미지를 수집하는 시점과 동일 또는 유사한 시점에 획득된 센서 정보)의 적어도 일부를 제1 디스플레이(160)에 출력하고, 사용자 입력에 대응하여 멀티모달 데이터 셋의 양품 지정 또는 불량품 지정 값을 정의할 수 있다. 상기 멀티모달 데이터 셋의 양품 지정 값 및 불량품 지정 값은 인공신경망 학습의 출력 값으로 이용될 수 있다. 멀티모달 데이터 셋의 라벨 지정에 대해 사용자 입력이 없는 경우, 제1 기준 모델 학습부(153)는 멀티모달 데이터 셋의 적어도 일부에 대한 클러스터링에 기반한 의사라벨 (pseudo label)을 활용할 수 있다. 예컨대, 제1 기준 모델 학습부(153)는 멀티모달 데이터 셋에 대한 클러스터링 결과와 양품 또는 불량품을 지정하는 사전 정의된 특정 클러스터 값을 비교하여 해당 멀티모달 데이터 셋의 임시 라벨 지정을 처리할 수 있다. 상기 제1 기준 모델 학습부(153)는 데이터 ‘x’(예: 멀티모달 데이터 셋의 적어도 일부)와 라벨 ‘y’가 사전 정의된 일정 수량 이상 제1 메모리(130)에 저장되면, 인공신경망을 초기화하고 저장된 정보들을 토대로 지도 학습을 수행할 수 있다. 상기 인공신경망은 multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), graph neural network (GNN) 중 적어도 하나 또는 조합이 될 수 있으나, 본 발명이 이러한 인공신경망의 종류나 개수에 한정되는 것은 아니다. 또는 제1 기준 모델 학습부(153)는 인공신경망을 특징 추출기로 사용하고, SVM(support vector machine)을 분류기로 활용하는 형태(예: Deep Feature-Based (DFB)-SVM)로 조합한 모델을 활용할 수 있다.
상기 제1 기준 모델 학습부(153)는 제1 메모리(130)에 사전 정의된 일정량 이상의 누적된 데이터들에 대하여, 지도 학습에 일부 데이터 셋을 활용하고, 나머지 일부 데이터는 검증용 데이터 셋으로 사용할 수 있다. 지도 학습용 데이터 셋과 검증용 데이터 셋의 분할 비율은 예컨대, 8:2가 될 수 있으며, 사용자 지정에 따라 7:3, 9:1 등으로 변경될 수 있다. 상기 제1 기준 모델 학습부(153)의 인공신경망 입력은 수집되는 데이터의 형태에 따라 유니모달 입력 또는 멀티모달 입력을 포함할 수 있다. n개의 멀티모달 입력인 경우 (x1, x2, x3, …, xn)이 한 쌍(또는 하나의 그룹)의 인공신경망 입력이 되며, 인공신경망 출력은 단일 출력 y이고, 출력의 내용은 양품 또는 불량품을 표시하는 값이 될 수 있다. 멀티모달 입력을 사용하는 경우(또는 멀티모달 데이터 셋을 인공신경망의 입력으로 처리하는 경우), 제1 기준 모델 학습부(153)는 동일한 레벨 (깊이)의 레이어에서 각 입력을 부여할 수 있다. 또는, 설정에 따라 또는 사용자 입력에 따라, 제1 기준 모델 학습부(153)는 각 모달의 데이터(예: 유니 모달 데이터 또는 멀티모달 데이터 셋의 적어도 일부)를 인공신경망 중간부 레이어에 브랜치를 구성하여 입력할 수 있다. 상기 제1 기준 모델 학습부(153)는 인공신경망 운용과 관련하여, 파라미터를 랜덤 초기화한 처음 순간부터 학습하는 스크래치 러닝(scratch learning)을 운용할 수 있으며, 전이학습(transfer learning), 지식증류(knowledge distillation) 등 초기 파라미터를 형성하는 방법을 이용하거나, 미세조정 (fine tuning)과 같은 학습 기법을 이용할 수 있다. 그러나, 본 발명이 이에 한정되는 것은 아니며, 다양한 인공신경망의 적어도 일부 또는 조합을 사용할 수 있다.
상기 제1 기준 모델 학습부(153)는 학습이 종료되면 분할된 검증용 데이터 셋으로 학습 완료된 제1 기준 모델(131)을 평가하고, 평가 결과를 시스템 UI(예: 제1 디스플레이(160)에 지정된 화면)로 출력하여, 사용자가 검증 성능을 확인할 수 있도록 지원할 수 있다. 제1 배터리 발열 검사 장치(100) 사용자는 학습 완료된 제1 기준 모델(131)의 검증성능을 확인하고 해당 모델을 운용여부를 결정할 수 있다. 또는, 상기 제1 기준 모델 학습부(153)는 검증 성능이 사전 정의된 기준 값 이상인 경우, 학습 완료된 제1 기준 모델(131)을 자동으로 적용할 수 있다. 예컨대, 제1 기준 모델 학습부(153)는 제1 기준 모델(131)에 대한 학습 완료를 제1 발열 검출부(154)에 안내할 수 있다. 또는, 제1 기준 모델 학습부(153)는 제1 기준 모델(131)의 검증 성능이 사전 정의된 기준 값 미만인 경우, 검증 성능이 기준 값 이상이 될 때까지, 분광 이미지들의 추가 수집 및 추가 수집된 분광 이미지들 포함 전체 분광 이미지들 기반의 모델 학습을 반복 수행할 수 있다.
상기 제1 발열 검출부(154)는 제1 기준 모델(131)의 학습이 완료되었거나, 학습이 완료된 제1 기준 모델(131)이 제1 메모리(130)에 저장되면, 제1 기준 모델(131)을 기준으로 제1 배터리(50)의 발열 상태 검출을 수행할 수 있다. 이와 관련하여, 제1 발열 검출부(154)는 제1 카메라 제어부(152)에 요청하여 제1 배터리(50)에 관한 새 분광 이미지를 획득하고, 획득된 새 분광 이미지를 제1 기준 모델(131)에 적용하여 제1 배터리(50)의 발열 상태를 판단할 수 있다. 예컨대, 제1 발열 검출부(154)는 새 분광 이미지의 제1 기준 모델(131) 적용에 따라, 제1 배터리(50)가 양품인지 불량품인지에 대한 결과 값을 제1 상태 안내부(155)에 전달할 수 있다. 추가적으로, 상기 제1 발열 검출부(154)는 획득된 새 분광 이미지를 주파수 대역으로 분리하고, 분리된 주파수 대역별 데이터들을 대응되는 제1 기준 모델(131)에 적용하고, 적용 결과들을 통합하여 제1 배터리(50)의 양품 또는 불량품 판정을 수행할 수 있다.
상기 제1 상태 안내부(155)는 제1 발열 검출부(154)로부터 제1 배터리(50)의 판정 값을 수신하고, 수신된 판정 값에 대응하는 정보를 출력할 수 있다. 예컨대, 상기 제1 상태 안내부(155)는 제1 배터리 발열 검사 장치(100)의 제1 디스플레이(160)를 통해 현재 충방전 중인 제1 배터리(50)의 양품 판정 정보 또는 불량품 판정 정보를 출력할 수 있다. 또는, 상기 제1 상태 안내부(155)는 상기 제1 통신 회로(110)를 통하여 지정된 사용자 단말에 상기 제1 배터리(50)의 양품 또는 불량품 판정 값을 포함하는 메시지를 전송할 수 있다.
상술한 바와 같이, 본 발명에 따르면, 본 발명의 제1 배터리 발열 검사 장치(100)는 제1 배터리(50)의 양품 또는 불량품 판정을 분광 이미지를 토대로 하되, 분광 이미지를 사전 정의된 주파수 대역별로 분류하여 복수개의 주파수 대역별 데이터들을 제1 기준 모델(131)과 비교 분석함으로써, 제1 배터리(50) 발열 상태에 따라 보다 정확한 양품 또는 불량품 판정을 수행할 수 있을 뿐만 아니라, 품질 판정 속도를 개선할 수 있도록 지원한다.
도 4는 본 발명의 실시 예에 따른 서버 장치 구성의 한 예를 나타낸 도면이다. 앞서 설명한 바와 같이, 본 발명의 실시 예에 따른 배터리 발열 검사 기능을 제1 배터리 발열 검사 장치(100)가 독립적으로 수행하도록 설계된 경우, 상기 제1 서버 장치(200) 구성은 생략될 수도 있다.
도 1 내지 도 4를 참조하면, 본 발명의 제1 서버 장치(200)는 제1 서버 통신 회로(210), 제1 서버 메모리(230) 및 제1 서버 프로세서(250)를 포함할 수 있다.
상기 제1 서버 통신 회로(210)는 제1 배터리 발열 검사 장치(100)와 통신 채널을 형성할 수 있다. 일 예로, 상기 제1 서버 통신 회로(210)는 지정된 주기 또는 사전 정의된 이벤트 발생(예: 제1 배터리 거치대(125)에 제1 배터리(50)가 배치된 상태를 감지한 이벤트)에 대응하여 제1 배터리 발열 검사 장치(100)로부터 서버 기준 모델(231) 생성을 위한 복수개의 분광 이미지를 수신할 수 있다. 다른 예로, 상기 제1 서버 통신 회로(210)는 외부 서버 장치로부터 서버 기준 모델(231)을 수신할 수 있다. 상기 제1 서버 통신 회로(210)는 발열 검사가 필요한 제1 배터리(50)의 적어도 하나의 현재 분광 이미지(235)를 수신하고, 그에 대응하는 분석 결과를 제1 서버 프로세서(250) 제어에 대응하여 제1 배터리 발열 검사 장치(100)(또는 지정된 사용자 단말)에 전송할 수 있다.
상기 제1 서버 메모리(230)는 제1 서버 장치(200) 운용에 필요한 적어도 하나의 프로그램 또는 데이터를 저장할 수 있다. 일 예로, 상기 제1 서버 메모리(230)는 서버 기준 모델(231) 생성을 위해 수신된 복수개의 분광 이미지에 대응하는 모델 생성용 데이터(233) 또는 배터리 발열 검사를 위해 수신된 현재 분광 이미지(235), 서버 기준 모델(231) 중 적어도 하나를 저장할 수 있다. 상기 서버 기준 모델(231)은 앞서 설명한 제1 배터리 발열 검사 장치(100)의 제1 메모리(130)에 저장된 제1 기준 모델(131)에 대응될 수 있다. 일 예로서, 상기 서버 기준 모델(231)은 제1 배터리 발열 검사 장치(100)가 생성하여 제1 서버 장치(200)에 제공될 수도 있다. 또는, 상기 제1 서버 메모리(230)에 저장된 모델 생성용 데이터(233)를 토대로 상기 제1 서버 프로세서(250)에 의해 서버 기준 모델(231)이 생성될 수도 있다.
상기 제1 서버 프로세서(250)는 제1 서버 장치(200) 운용에 필요한 신호의 전달과 처리 또는 결과의 저장, 결과의 전송 또는 결과에 대응하는 메시지의 전송을 제어할 수 있다. 이와 관련하여, 상기 제1 서버 프로세서(250)는 충방전 관리부(251), 데이터 수집부(252), 모델 생성부(253), 발열 관리부(254)를 포함할 수 있다.
상기 충방전 관리부(251)는 제1 배터리(50)의 충방전을 관리할 수 있다. 이와 관련하여, 상기 충방전 관리부(251)는 제1 배터리 발열 검사 장치(100)와 통신 채널을 형성하고, 제1 배터리 거치대(125)에 제1 배터리(50)가 놓이면 제1 배터리(50) 충방전을 제어하면서, 충방전 관련 정보(예: 제1 배터리(50) 충방전 온도 환경, 충방전 속도, 충방전 전력의 크기 중 적어도 일부)를 수집할 수 있다.
상기 데이터 수집부(252)는 제1 배터리 발열 검사 장치(100)로부터 제1 배터리(50)에 대한 분광 이미지를 수신할 수 있다. 상기 제1 배터리 발열 검사 장치(100)로부터 수신되는 분광 이미지는 서버 기준 모델 생성을 위한 분광 이미지 또는 제1 배터리(50)의 발열을 검사하기 위한 현재 분광 이미지(235)를 포함할 수 있다. 상기 데이터 수집부(252)는 서버 기준 모델 생성을 위해 분광 이미지들이 수신되면, 수신된 분광 이미지들을 제1 서버 메모리(230)에 모델 생성용 데이터(233)로서 저장할 수 있다. 이 동작에서, 상기 데이터 수집부(252)는 수신된 분광 이미지들을 사전 정의된 주파수 대역별(예: 자외선 대역, 가시 광선 대역, 적외선 대역)로 분리하고, 각각의 주파수 대역별 스펙트럼들을 그룹핑하여 멀티모달 데이터 형태로 변환하고, 멀티모달 데이터의 적어도 일부를 모델 생성용 데이터(233)로서 제1 서버 메모리(230)에 저장할 수 있다. 추가적으로 또는 대체적으로, 데이터 수집부(252)는 분광 이미지들이 수집된 시점의 센서 정보를 함께 수집하고, 수집된 센서 정보를 멀티모달 데이터들과 매칭하여 멀티모달 데이터 셋으로 제1 서버 메모리(230)에 저장할 수 있다.
상기 모델 생성부(253)는 서버 기준 모델(231) 생성을 수행할 수 있다. 또는, 상기 모델 생성부(253)는 제1 배터리 발열 검사 장치(100)의 제1 기준 모델(131) 생성을 수행하고, 생성된(또는 학습 완료된) 제1 기준 모델(131)을 제1 배터리 발열 검사 장치(100)에 제공할 수 있다. 한편, 상기 서버 기준 모델(231)이 제1 서버 메모리(230)에 사전 저장된 경우 또는 제1 배터리 발열 검사 장치(100)가 서버 기준 모델(231)을 제공한 경우, 상기 모델 생성부(253)의 구성은 생략될 수 있다. 상기 모델 생성부(253)는 모델 생성용 데이터(233)를 인공 신경망의 입력과 출력에 적용하여 서버 기준 모델(231)을 생성할 수 있다. 이와 관련하여, 모델 생성부(253)는 모델 생성용 데이터(233)에 포함된 멀티모달 데이터 셋의 적어도 일부를 인공신경망의 입력으로 처리하고, 멀티모달 데이터 셋에 대한 양품 및 불량품 지정 라벨을 인공신경망의 출력으로 처리하여, 인공신경망에 대한 학습을 수행할 수 있다. 이 동작에서, 모델 생성부(253)는 데이터 셋의 양품 또는 불량품 라벨 지정을 위해 데이터 셋의 적어도 일부를 제1 배터리 발열 검사 장치(100)의 제1 디스플레이(160)에 출력하고, 사용자 입력에 따라 특정 데이터의 라벨을 양품으로 또는 불량품으로 지정할 수 있다. 다른 예로서, 상기 모델 생성부(253)는 상기 데이터 셋의 적어도 일부에 대한 클러스터링을 수행하고, 클러스터링 결과를 사전 정의된 클러스터(예: 양품과 불량품 라벨 지정을 위해 설정된 클러스터)와 비교하여, 의사라벨을 해당 데이터 셋에 지정할 수 있다.
상기 인공신경망은 multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), graph neural network (GNN), Deep Feature-Based (DFB)-SVM 중 적어도 하나 또는 그 조합이 될 수 있으나, 본 발명이 이에 한정되는 것은 아니다. 입력 처리 과정에서, 상기 모델 생성부(253)는 모델 생성용 데이터(233)의 일부를 검증용 데이터 셋으로 분류하고, 학습 완료 후, 서버 기준 모델(231)에 대한 사전 정의된 기준 값 이상의 성능이 나오는지에 대한 성능 검증에 이용할 수 있다.
상기 발열 관리부(254)는 데이터 수집부(252)로부터 현재 분광 이미지(235) 수신을 안내 받으면, 제1 서버 메모리(230)에 저장된 현재 분광 이미지(235)에 대한 분석을 수행할 수 있다. 예컨대, 상기 발열 관리부(254)는 현재 분광 이미지(235)의 주파수 대역별 분할을 수행하고, 각 대역별 데이터들을 대응되는 서버 기준 모델(231)에 적용하고, 그 결과를 기반으로 현재 분광 이미지(235)에 대응하는 제1 배터리(50)의 양품 판정 또는 불량품 판정을 수행할 수 있다. 상기 발열 관리부(254)는 판정 결과를 상기 제1 배터리 발열 검사 장치(100) 및 지정된 사용자 단말 중 적어도 하나에 제공할 수 있다.
상술한 바와 같이, 본 발명의 실시 예에 따른 제1 서버 장치(200)는 제1 배터리 발열 검사 장치(100)에 비하여 상대적으로 고성능의 하드웨어를 운용할 수 있으며, 서버 기준 모델(231)은 제1 배터리 발열 검사 장치(100)의 제1 기준 모델(131)에 비하여 보다 다양하고 세밀한 양품 및 불량품 판정을 수행할 수 있도록 구성될 수 있다. 제1 서버 장치(200)는 이를 기반으로, 제1 배터리(50)의 양품 또는 불량품 판정 결과를 신속 및 정확하게 제공할 수 있다.
도 5는 본 발명의 실시 예에 따른 분광 이미지 기반의 배터리 발열 검사와 관련한 기준 모델 생성 방법의 한 예를 나타낸 도면이다.
도 1 내지 도 5를 참조하면, 본 발명의 실시 예에 따른 제1 배터리 발열 검사 장치(100)의 운용 방법에 있어서, 제1 배터리 발열 검사 장치(100)의 제1 프로세서(150)는 501 단계에서 제1 기준 모델(131) 생성을 위한 분광 이미지 수집 여부를 확인할 수 있다. 이와 관련하여, 상기 제1 배터리 발열 검사 장치(100)는 배터리 발열 검사와 관련한 어플리케이션을 설치하고, 해당 어플리케이션에서 기준 모델 생성 모드를 운용할 수 있다. 상기 기준 모델 생성 모드가 활성화되면, 상기 제1 프로세서(150)는 제1 분광 카메라(120)를 운용하여 제1 배터리 거치대(125)에 놓인 제1 배터리(50)에 관한 분광 이미지를 수집할 수 있다. 이 동작에 앞서, 상기 제1 프로세서(150)는 제1 배터리 거치대(125)에 제1 배터리(50)가 놓이면 제1 배터리(50) 충방전 환경(예: 온도 환경)에 관한 정보를 제1 센서부(190)를 이용하여 수집할 수 있다. 상기 제1 프로세서(150)는 온도 환경이 사전 정의된 온도 값이 되도록 제1 배터리 거치대(125)에 배치된 온열 장치 또는 냉각 장치 중 적어도 하나를 제어할 수 있다. 또는, 온도 환경이 사전 정의된 기준 범위 이내인 경우 상술한 온도 조절 동작은 생략될 수 있다.
분광 이미지 수집에 관한 요청이 발생하지 않으면, 상기 제1 프로세서(150)는 503 단계에서 지정 기능 수행을 처리할 수 있다. 예컨대, 제1 프로세서(150)는 제1 배터리 발열 검사 장치(100)의 각 구성들 중 적어도 일부 구성의 현재 상태(예: 정상 상태 또는 불량 발생 여부)를 검사하고, 검사 결과를 출력할 수 있다. 별도의 지정 기능이 없는 경우, 503 단계는 생략될 수 있다.
제1 기준 모델(131) 생성과 관련한 분광 이미지가 수집되면, 505 단계에서, 제1 배터리 발열 검사 장치(100)의 제1 프로세서(150)는 획득된 분광 이미지를 멀티모달 데이터로 분리할 수 있다. 일 예로서, 상기 제1 프로세서(150)는 분광 이미지들에 대하여, 높이 x 너비 x 채널 (파장) 형태로 구분하여 인공신경망의 입력으로 사용하거나, 분광 이미지들을 각 높이 축 및 너비축의 인덱스에 해당하는 독립 스펙트럼으로 분리하여 채널축으로 스택하여 인공신경망의 입력으로 사용할 수 있다. 독립 스펙트럼으로 분해하는 경우 제1 프로세서(150)는 동일한 채널에 해당하는 차원의 높이 ‘H’, 너비 'W’의 곱만큼 (H x W) 수의 스펙트럼을 얻을 수 있다. 또는, 상기 제1 프로세서(150)는 분광 이미지를 사람이 볼 수 있는 가시광선 대역과, 물질 투과 성질을 가지는 자외선 대역, 온도 값을 나타내는 적외선 대역으로 분리하고, 각 대역 별 데이터들을 멀티모달 데이터로 간주할 수 있다. 상기 제1 프로세서(150)는 하나의 제1 배터리(50)에 대하여 복수의 온도 환경에서 분광 이미지들을 수집하고, 복수의 분광 이미지들에 대하여 각각 멀티모달 데이터 생성을 위한 주파수 대역별 분류 처리를 수행할 수 있다. 추가적으로 또는 대체적으로 상기 제1 프로세서(150)는 상기 멀티모달 데이터에 각각의 유니모달 데이터(예: 원 분광 이미지)를 포함하도록 처리할 수 있다. 또한, 상기 제1 프로세서(150)는 분광 이미지가 획득된 시점에 획득된 센서 정보를 멀티모달 데이터와 함께 매칭하여 멀티모달 데이터 셋으로 저장 관리할 수 있다.
507 단계에서 상기 제1 배터리 발열 검사 장치(100)의 제1 프로세서(150)는 멀티모달 데이터에 대한 데이터 지정 여부를 처리할 수 있다. 이와 관련하여, 상기 제1 프로세서(150)는 멀티모달 데이터의 적어도 일부를 제1 디스플레이(160)에 출력할 수 있다. 또는, 상기 제1 프로세서(150)는 멀티모달 데이터와 관련한 분광 이미지 또는 해당 분광 이미지 획득 시 함께 획득된 센서 정보의 적어도 일부를 제1 디스플레이(160)에 출력하고, 출력된 정보에 대응하여 양품 또는 불량품 지정 라벨을 입력 받을 수 있다. 상기 제1 프로세서(150)는 양품 입력을 수신하면, 509 단계에서, 해당 멀티모달 데이터를 양품으로 지정할 수 있다. 상기 제1 프로세서(150)는 불량품 입력을 수신하면, 511 단계에서 해당 멀티모달 데이터를 불량품으로 지정할 수 있다. 한편, 상기 제1 프로세서(150)는 양품 또는 불량품 라벨 지정과 관련하여, 사용자 입력을 수신하지 않고, 분광 이미지의 적어도 일부에 대한 클러스터링을 수행한 후, 클러스터링 결과를, 양품 및 불량품 구분을 위해 사전 저장된 클러스터와 비교하여, 해당 분광 이미지에 대응하는 멀티모달 데이터의 양품 지정 또는 불량품 지정을 처리할 수 있다.
이후, 상기 제1 프로세서(150)는 513 단계에서, 라벨이 지정된 멀티모달 데이터가 지정 수량 이상인지 확인할 수 있다. 지정 수량 미만인 경우, 제1 프로세서(150)는 501 단계 이전으로 분기하여, 이하 동작을 재수행하여 보다 많은 멀티모달 데이터를 수집할 수 있다.
지정 수량 이상이 되면, 상기 제1 프로세서(150)는 515 단계에서, 저장된 분광 이미지들에 대응하는 데이터들(예: 멀티모달 데이터 또는 멀티모달 데이터 셋)에 대해 지도 학습을 수행하여 제1 기준 모델(131)을 생성하고, 그 결과를 제1 메모리(130)에 저장할 수 있다. 일 예로서, 상기 제1 프로세서(150)는 multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), graph neural network (GNN), Deep Feature-Based (DFB)-SVM 중 적어도 하나 또는 조합의 인공신경망에 대해 상기 멀티모달 데이터를 입력으로 처리하고, 양품 및 불량품 지정 라벨을 출력으로 처리하여, 모델 학습을 수행하여 제1 기준 모델(131)을 생성할 수 있다. 이 동작에서, 상기 제1 프로세서(150)는 제1 메모리(130)에 저장된 데이터들 중 일부 데이터는 검증용 데이터 셋으로 분류하고, 나머지 데이터들을 이용하여 학습을 수행하여 제1 기준 모델(131)을 생성(학습)한 후, 학습 완료된 제1 기준 모델(131)에 검증용 데이터 셋을 적용하여 성능 검증을 수행할 수 있다. 멀티모달 데이터를 기반으로 생성된 제1 기준 모델(131)은 각 주파수 대역별 데이터 적용이 가능한 모델들을 포함할 수 있다. 상기 제1 프로세서(150)는 인공신경망 학습에 데이터 셋의 일부를 사용하고, 나머지 일부는 검증용 데이터 셋으로 사용할 수 있다. 분할 비율은 8:2 또는 사용자 입력에 따라 7:3, 9:1 등으로 조정될 수 있다. 상기 인공신경망 학습의 입력으로 처리되는 데이터는 유니모달 데이터(예: 분광 이미지)를 포함할 수 있다. n개의 멀티모달 입력인 경우 (x1, x2, x3, …, xn)이 한 쌍의 입력이 되며, 출력은 단일 출력 y이고, 출력의 내용은 양품 또는 불량품을 표시하는 값이 될 수 있다. 멀티모달 데이터를 인공신경망의 입력으로 사용하는 경우, 제1 프로세서(150)는 동일한 레벨 (깊이)의 레이어에서 각 입력을 부여하고, 설정에 따라 또는 사용자 입력에 따라 각 모달의 데이터를 인공신경망 중간부 레이어에 브랜치를 구성하여 입력할 수 있다. 상기 인공신경망은 파라미터를 랜덤 초기화한 순간부터 학습하는 스크래치 러닝 (scratch learning), 초기 파라미터를 형성하는 전이학습 (transfer learning), 지식증류 (knowledge distillation), 미세조정 (fine tuning) 학습 중 적어도 하나가 선택적으로 적용될 수 있다. 상기 제1 프로세서(150)는 학습이 종료되면 분할된 검증용 데이터 셋으로 제1 기준 모델(131)을 평가(또는 성능 검증)하고, 평가 결과를 시스템 UI를 통하여 출력하여 검증 성능을 보고할 수 있다. 사용자 입력에 따라 또는 사전 설정된 기준 값 이상의 성능 값 달성 여부에 따라, 검증 성능이 보고된 제1 기준 모델(131)의 운용 여부가 결정될 수 있다. 지도 학습이 완료되면, 제1 프로세서(150)는 제1 배터리(50)의 발열 검사 기능으로 복귀할 수 있다. 또는, 제1 프로세서(150)는 어플리케이션의 기준 모델 생성 모드 완료를 안내하고, 발열 검사 기능을 활성화할 수 있다.
한편, 상술한 도 5의 설명에서는, 제1 배터리 발열 검사 장치(100)가 제1 기준 모델(131)을 생성하는 방법의 한 예를 설명하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 제1 기준 모델(131) 생성 과정은 제1 서버 장치(200)에서 수행되어 서버 기준 모델(231) 생성 방법으로 이용될 수도 있다. 이에 따라, 도 5에 설명한 기준 모델 생성 방법은 제1 서버 장치(200)에서의 서버 기준 모델 생성 방법의 적어도 일부가 될 수 있다.
도 6은 본 발명의 실시 예에 따른 분광 이미지 기반의 배터리 발열 검사 방법의 한 예를 나타낸 도면이다.
도 1 내지 도 6을 참조하면, 본 발명의 실시 예에 따른 배터리 발열 검사 방법과 관련한, 제1 배터리 발열 검사 장치(100)의 운용 방법에 있어서, 제1 프로세서(150)는 601 단계에서 제1 배터리(50)의 발열 검사를 위한 배터리 충방전 여부를 확인할 수 있다. 또는, 상기 제1 프로세서(150)는 제1 배터리(50) 발열 검사를 위해 제1 배터리(50)가 제1 배터리 거치대(125)에 놓이는 것을 감지할 수 있다. 상기 제1 프로세서(150)는 제1 배터리(50)가 제1 배터리 거치대(125)에 놓이면 제1 배터리(50)의 충방전을 수행할 수 있다. 배터리 충방전 이벤트가 없으면, 상기 제1 프로세서(150)는 603 단계에서, 지정 기능 수행을 처리할 수 있다. 예컨대, 제1 프로세서(150)는 제1 배터리 발열 검사 장치(100)의 각 구성들 중 적어도 일부 구성의 상태 값을 출력할 수 있다. 별도의 지정 기능이 없는 경우, 503 단계는 생략될 수 있다.
제1 배터리(50)의 발열 검사를 위해 배터리 충방전이 수행되면, 605 단계에서 제1 프로세서(150)는 충방전 중인 제1 배터리(50)에 대한 현재 분광 이미지를 획득할 수 있다. 이 동작에서, 상기 제1 프로세서(150)는 충방전 중인 제1 배터리(50)의 온도 환경 정보를 함께 수집할 수 있다.
현재 분광 이미지 획득 이후, 제1 프로세서(150)는 607 단계에서 획득된 분광 이미지를 기반으로 제1 배터리(50)의 발열 검사를 수행할 수 있다. 이 동작에서, 상기 제1 프로세서(150)는 획득된 현재 분광 이미지를 사전 정의된 복수개의 주파수 대역별로 분할하고, 각각의 주파수 대역별 스펙트럼들을 사전 저장된 제1 기준 모델(131)에 적용할 수 있다. 이와 관련하여, 제1 기준 모델(131)은 복수의 주파수 대역별 스펙트럼들로 구분되어 양품 및 불량품 판정에 이용할 수 있는 모델들을 포함할 수 있다. 상기 제1 프로세서(150)는 복수의 주파수 대역별 스펙트럼들을 대응되는 기준 모델에 비교하고 그 결과 값을 산출할 수 있다.
상기 제1 프로세서(150)는 609 단계에서, 결과 값이 제1 배터리(50)의 양품 특성을 나타내는지 확인할 수 있다. 제1 기준 모델(131)과의 비교에서 결과 값이, 제1 배터리(50)의 양품 특성을 나타낸 경우, 611 단계에서, 제1 프로세서(150)는 제1 배터리 상태 정보를 출력할 수 있다. 상기 제1 배터리 상태 정보는 예컨대, 현재 발열 검사 중인 제1 배터리(50)가 양품임을 나타낸 정보를 포함할 수 있다. 상기 제1 프로세서(150)는 제1 배터리 상태 정보를 제1 디스플레이(160) 또는 지정된 관리자 단말에 출력할 수 있다.
제1 기준 모델(131)과의 비교에서 결과 값이, 제1 배터리(50)의 불량품 특성을 나타낸 경우, 613 단계에서, 제1 프로세서(150)는 제2 배터리 상태 정보를 출력할 수 있다. 상기 제2 배터리 상태 정보는 상기 제1 배터리(50)가 불량품임을 지시하는 정보를 포함할 수 있다. 상기 제1 프로세서(150)는 제2 배터리 상태 정보를 제1 디스플레이(160) 또는 지정된 관리 단말에 출력하되, 해당 제1 배터리(50)의 폐기 처분 또는 재검사를 요청하는 정보를 함께 출력할 수 있다.
615 단계에서, 상기 제1 배터리 발열 검사 장치(100)의 제1 프로세서(150)는 배터리 발열 검사 기능의 종료 여부를 확인할 수 있다. 배터리 발열 검사 기능 종료와 관련한 이벤트 발생이 없으면, 제1 프로세서(150)는 601 단계 이전으로 분기하여 이하 동작을 재수행할 수 있다. 배터리 발열 검사 기능 종료와 관련한 이벤트 예컨대, 어플리케이션 종료를 위한 사용자 입력 신호 또는 제1 분광 카메라(120) 종료를 지시하는 입력 신호 등이 발생하면 배터리 발열 검사 기능의 종료로 판단하고, 제1 프로세서(150)는 관련 기능 종료를 처리할 수 있다.
한편, 상술한 설명에서는, 제1 배터리 발열 검사 장치(100)를 이용하여 제1 배터리(50)의 발열 검사를 수행하는 방법을 예시하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상술한 도 6에서 설명한 동작들은 제1 서버 장치(200)에서도 유사하게 수행될 수도 있다. 제1 서버 장치(200)가 상기 도 6에 기재된 동작을 수행하도록 정의되는 경우, 상기 제1 서버 장치(200)는 601 단계 및 603 단계를 스킵하고, 605 단계에서 통신 채널을 형성한 제1 배터리 발열 검사 장치(100)로부터 현재 분광 이미지를 획득한 후, 이하 동작을 수행하여 제1 배터리(50)의 양품 또는 불량품 검사 결과를 판정하고, 판정 결과를 제1 배터리 발열 검사 장치(100) 또는 지정된 사용자 단말에 전송하는 동작을 수행하도록 구성될 수 있다.
이하, 본 발명에서는, 분광 이미지에 대한 라디오믹스 분석을 활용한 기준 모델 구성 및 이를 기반으로 하는 배터리의 발열 검사 기능 지원 제2 시스템 환경 및 이에 포함되는 각 구성들의 종류와 역할에 대하여 설명하기로 한다.
도 7은 본 발명의 실시 예에 따른 배터리 발열 검사를 지원하는 제2 시스템 환경의 적어도 일부 예를 나타낸 도면이다.
도 7을 참조하면, 본 발명의 배터리 발열 검사 기능을 지원하는 제2 시스템 환경(1010)은 제2 배터리(1050)를 제조하는 과정에서 제2 배터리(1050)의 품질 관리를 위해 제2 배터리(1050)의 충방전을 수행하면서 발열 검사를 수행할 수 있는 구성들을 포함할 수 있다. 일 예로서, 본 발명의 제2 시스템 환경(1010)은 배터리 생산 공정에서 제조된 모든 제2 배터리(1050)의 발열 검사를 수행하는데 이용되거나, 또는 전체 제2 배터리(1050)들 중 샘플링된 일부 제2 배터리(1050)에 대해 발열 검사를 수행하는데 이용될 수도 있다.
이러한 제2 시스템 환경(1010)은 예컨대, 배터리 생산공정 중 제조가 완료된 제2 배터리(1050)를 품질보증(QA)/품질관리(QC) 공정에서, 충방전하면서(또는 필요에 따라 제조가 완료되지 않았더라도 충방전이 가능한 배터리를 충전 또는 방전하면서) 배터리의 발열을 검출할 수 있도록 구성될 수 있다. 이를 위하여, 상기 제2 시스템 환경(1010)은 제2 배터리(1050), 제2 배터리 발열 검사 장치(1100)를 포함할 수 있다.
일 예로서, 상기 제2 배터리 발열 검사 장치(1100)는 제2 배터리(1050)가 놓일 수 있는 제2 배터리 거치대(1125), 제2 배터리(1050) 충방전을 위한 제2 충방전 장치(1180)를 포함할 수 있다. 여기서, 상기 제2 배터리 거치대(1125) 및 제2 충방전 장치(1180) 중 적어도 일부는 제2 배터리 발열 검사 장치(1100)와 독립적인 구성일 수 있으며, 또는 제2 배터리 발열 검사 장치(1100)의 일 구성에 포함되는 구성일 수 있다. 일 예로서, 상기 제2 충방전 장치(1180)만 제2 배터리 발열 검사 장치(1100)에 포함될 수도 있다.
추가적으로 또는 대체적으로 상기 제2 시스템 환경(1010)은 상기 제2 배터리 발열 검사 장치(1100)와 통신 채널을 형성하여 배터리 발열 검사를 지원하는 제2 서버 장치(1200)를 더 포함할 수 있다. 다만, 상기 제2 시스템 환경(1010)에서, 제2 서버 장치(1200)가 제2 배터리 발열 검사 장치(1100)를 지원하는 형태로 예시하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 제2 시스템 환경(1010)은 상기 제2 서버 장치(1200) 구성 없이, 임베이디드 된 프로그램을 실행할 수 있는 전자 장치(예: 제2 배터리 발열 검사 장치(1100))를 기반으로 제2 배터리(1050)의 발열 검사 및 결과 안내를 수행되도록 구성될 수도 있다. 이 경우, 상기 제2 서버 장치(1200) 구성은 제2 시스템 환경(1010)의 구성에서 생략될 수 있다.
상기 제2 배터리(1050)는 2차 전지로서, 양극 활물질로 마련된 양극, 음극 활물질로 마련된 음극, 양극과 음극을 분리하는 분리막, 양극과 분리막 사이 또는 음극과 분리막 사이에 배치되는 전해질을 포함할 수 있다. 상술한 제2 배터리(1050)는 외부로부터 공급되는 전원을 충전하여 저장하고, 회로 조작에 따라 저장된 전원을 외부로 공급(방전)할 수 있다. 이러한 제2 배터리(1050)는 충전과 방전 과정에서 발열이 발생할 수 있으며, 이에 따라, 제2 배터리(1050)의 발열 특성에 관한 검사가 필요하다. 본 발명에서는 제2 배터리(1050)의 충전과 방전 중에 제2 배터리(1050)의 발열을 검사하여, 해당 제2 배터리(1050)가 양품인지 또는 불량품인지를 구분할 수 있도록 지원한다. 본 발명에서 제2 배터리(1050)는 배터리 팩에 감싸진 형태로 제2 배터리 거치대(1125)에 놓인 후, 제2 충방전 장치(1180)에 의해 충전 또는 방전될 수 있다. 이와 관련하여, 제2 배터리 거치대(1125)는 전원과 제2 충방전 장치(1180)를 연결하는 배선을 더 포함할 수 있다.
상기 제2 배터리 발열 검사 장치(1100)는 제조가 완료된 제2 배터리(1050)(또는 배터리 팩)의 충방전 시 발열을 검사할 수 있다. 이와 관련하여, 상기 제2 배터리 발열 검사 장치(1100)는 제2 배터리(1050)가 놓이는 제2 배터리 거치대(1125), 제2 배터리(1050) 충방전을 위한 제2 충방전 장치(1180), 제2 배터리(1050) 충방전 중 제2 배터리(1050)에 대한 분광 이미지를 촬영할 수 있는 제2 분광 카메라(1120), 제2 충방전 장치(1180)와 제2 분광 카메라(1120) 제어를 위한 컴퓨팅 장치를 포함할 수 있다. 또한, 상기 제2 배터리 발열 검사 장치(1100)는 상기 제2 분광 카메라(1120)의 높이 또는 방향 조절을 위한 제2 거치 구조물(1129)을 더 포함할 수 있다. 상기 제2 배터리(1050)는 제조가 완료되면 품질 보증 및 품질 관리를 위해 제2 배터리 거치대(1125)에 이송될 수 있다. 이때, 제2 배터리(1050)는 제2 분광 카메라(1120)가 촬영할 수 있는 제2 배터리 거치대(1125)의 특정 위치에 배치될 수 있다. 제2 배터리 거치대(1125)는 제2 배터리(1050)가 놓인 후 제2 배터리(1050)를 일시적으로 고정할 수 있는 구조물, 제2 배터리(1050) 충방전을 위한 전력을 공급하는 제2 충방전 장치(1180)가 놓이는 구조물을 포함할 수 있다. 추가적으로, 상기 제2 배터리 거치대(1125)는 제2 배터리(1050)의 충방전 환경을 제어할 수 있는 온열 장치 또는 냉각 장치 중 적어도 하나를 포함할 수 있다. 이를 기반으로, 제2 배터리 거치대(1125)는 제2 배터리(1050)의 발열 검사를 위한 충전 동작 또는 방전 동작 중 제2 배터리(1050)의 주변 온도 환경이 지정된 온도 환경이 될 수 있도록 컴퓨팅 장치의 제어에 따라 온열 장치 또는 냉각 장치 중 적어도 하나를 운용할 수 있다.
상기 제2 충방전 장치(1180)는 컴퓨팅 장치의 제어에 따라, 제2 배터리 거치대(1125)에 거치된 제2 배터리(1050)의 충방전을 수행할 수 있다. 이와 관련하여, 제2 충방전 장치(1180)는 영구전원에 연결되고, 영구전원으로부터의 전원을 제2 배터리(1050)에 공급하거나 또는 제2 배터리(1050)에 저장된 전원을 방전시키도록 구성될 수 있다. 제2 배터리(1050) 방전과 관련하여 상기 제2 충방전 장치(1180)는 제2 배터리(1050) 전력을 소모할 수 있는 부하를 포함할 수 있다. 이러한 제2 충방전 장치(1180)의 운용을 통하여, 상기 제2 배터리 발열 검사 장치(1100)는 제2 배터리(1050)의 발열 검사를 위한 충전 동작 또는 방전 동작 중에, 제2 분광 카메라(1120)를 이용하여 적어도 하나의 분광 이미지를 촬영하고, 촬영된 분광 이미지의 라디오믹스 특징점을 추출하고, 추출된 라디오믹스 특징점을 사전 저장된 기준 모델과의 비교를 수행하여 해당 제2 배터리(1050)가 양품인지 또는 불량품인지를 판단할 수 있다. 상기 배터리 발열 검사에 이용되는 기준 모델의 생성과 관련하여, 상기 제2 배터리 발열 검사 장치(1100)는 분광 이미지들로부터 추출된 라디오믹스 특징점들에 대해 지도 학습을 수행하여 기준 모델을 생성할 수 있다. 이 동작에서, 상기 제2 배터리 발열 검사 장치(1100)는 일정 개수 이상의 제2 배터리(1050) 충전 또는 방전 상태를 촬영한 분광 이미지들을 획득되면, 상기 기준 모델 생성 동작을 수행할 수 있다.
추가적으로, 상기 제2 배터리 발열 검사 장치(1100)는 제2 서버 장치(1200)를 통하여 제2 배터리(1050)에 대한 발열 검사 기능을 처리할 수 있다. 이 경우, 제2 배터리 발열 검사 장치(1100)는 제2 배터리(1050)에 대한 분광 이미지를 제2 서버 장치(1200)에 전송한 후, 제2 서버 장치(1200)로부터 배터리 발열 검사 결과를 수신하여 출력하도록 구성될 수 있다. 또한, 상기 제2 배터리 발열 검사 장치(1100)가 별도의 제2 서버 장치(1200) 운용 없이 독립적으로 발열 검사 기능 수행 및 양품 판정을 수행하도록 구성될 수도 있다.
상기 제2 서버 장치(1200)는 상기 제2 배터리 발열 검사 장치(1100)와 통신 채널을 형성할 수 있다. 상기 제2 서버 장치(1200)는 제2 배터리 발열 검사 장치(1100)로부터 제2 배터리(1050)에 대한 적어도 하나의 분광 이미지를 수신하고, 수신된 적어도 하나의 분광 이미지를 분석하여 배터리 발열 상태 검출을 수행할 수 있다. 이 과정에서, 상기 제2 서버 장치(1200)는 현재 획득한 분광 이미지에 대한 비교 분석을 위하여 서버 기준 모델을 사전 저장할 수 있다. 상기 제2 서버 장치(1200)에 저장되는 서버 기준 모델은 제2 배터리 발열 검사 장치(1100)가 수집하여 제공한 분광 이미지들의 라디오믹스 특징점들을 기반으로 지도 학습을 통하여 생성될 수도 있다. 상기 제2 서버 장치(1200)는 현재 획득된 제2 배터리(1050)에 대한 분광 이미지의 분석 결과를 제2 배터리 발열 검사 장치(1100)에 제공할 수 있다.
상술한 바와 같이, 본 발명의 실시 예에 따른 배터리 발열 검사 기능을 지원하는 제2 시스템 환경(1010)은 제2 배터리(1050)에 관한 분광 이미지를 제2 배터리 발열 검사 장치(1100)가 획득하고, 분광 이미지로부터 추출된 라디오믹스 특징점들과 기준 모델을 비교하여 배터리 발열 상태를 확인함으로써, 보다 적은 연산을 통하여 제2 배터리(1050)의 양품 및 불량품 판정을 보다 신속하게 처리할 수 있도록 지원한다.
도 8은 본 발명의 실시 예에 따른 배터리 발열 검사 장치 구성의 한 예를 나타낸 도면이며, 도 9는 도 8의 프로세서 구성의 한 예를 나타낸 도면이다. 도 10은 본 발명의 실시 예에 따른 분광 이미지에 적용되는 라디오믹스 특징점들의 한 예를 나타낸 도면이다.
먼저, 도 8를 참조하면, 본 발명의 실시 예에 따른 제2 배터리 발열 검사 장치(1100)는 제2 통신 회로(1110), 제2 분광 카메라(1120), 제2 메모리(1130), 제2 입력부(1140), 제2 디스플레이(1160), 제2 충방전 장치(1180) 및 제2 프로세서(1150)를 포함할 수 있다. 추가적으로 또는 대체적으로 상기 제2 배터리 발열 검사 장치(1100)는 상기 제2 배터리(1050)의 발열 상태와 관련한 센서 정보를 수집할 수 있는 접촉식 센서 또는 비접촉식 센서 중 적어도 하나를 포함하는 제2 센서부(1190)를 더 포함할 수도 있다. 상기 제2 센서부(1190) 구성은 상기 제2 배터리 발열 검사 장치(1100)에서 생략될 수 있으며, 또한, 상기 제2 통신 회로(1110), 제2 입력부(1140), 제2 디스플레이(1160), 제2 충방전 장치(1180) 중 적어도 하나 역시 상기 제2 배터리 발열 검사 장치(1100)에서 생략될 수 있다. 예컨대, 상기 제2 배터리 발열 검사 장치(1100)는 제2 디스플레이(1160) 구성을 포함하지 않고, 발열 검사에 관한 정보를 제2 통신 회로(1110)를 통해 지정된 사용자 단말에 전송하도록 구성될 수 있다. 상기 제2 충방전 장치(1180)는 앞서 언급한 바와 같이, 제2 배터리 발열 검사 장치(1100)의 구성이 아닌 별도의 제2 시스템 환경(1010) 구성으로 배치될 수 있다.
추가로, 상기 제2 배터리 발열 검사 장치(1100)는 앞서 도 7에서 설명한 바와 같이, 상기 적어도 하나의 제2 분광 카메라(1120)를 이용하여 제2 배터리(1050)에 대한 분광 이미지를 촬영할 수 있도록 상기 제2 분광 카메라(1120)와 제2 배터리(1050) 사이의 촬영 거리 또는 촬영 각도 중 적어도 하나를 조절할 수 있는 제2 거치 구조물(1129) 및 제2 배터리(1050)가 놓이는 제2 배터리 거치대(1125) 구성 중 적어도 하나를 더 포함할 수 있다. 또한, 상기 제2 배터리 발열 검사 장치(1100)는 상술한 구성들 예컨대, 제2 통신 회로(1110), 제2 분광 카메라(1120), 제2 메모리(1130), 제2 입력부(1140), 제2 디스플레이(1160), 제2 충방전 장치(1180), 제2 센서부(1190) 및 제2 프로세서(1150) 중 적어도 하나의 운용에 필요한 전원부(예: 영구전원 또는 배터리)를 더 포함할 수 있다. 상기 전원부는 제2 충방전 장치(1180)를 통해 제2 배터리(1050)에 전력을 공급하는 영구전원이 될 수도 있다.
상기 제2 통신 회로(1110)는 제2 배터리 발열 검사 장치(1100)의 통신 기능을 지원할 수 있다. 일 예로, 상기 제2 통신 회로(1110)는 제2 서버 장치(1200)와 통신 채널을 형성할 수 있다. 본 발명의 실시 예에 따른 제2 배터리(1050)의 분광 이미지 분석(예: 라디오믹스 특징점 추출 및 이를 기반으로 한 기준 모델 생성 또는 기준 모델과의 비교)에 필요한 연산을 제2 서버 장치(1200)에서 수행하도록 설계된 경우, 제2 통신 회로(1110)는 제2 분광 카메라(1120)가 수집한 적어도 하나의 분광 이미지를 제2 서버 장치(1200)에 전송할 수 있다. 또한, 상기 제2 통신 회로(1110)는 설정에 따라 또는 제2 프로세서(1150) 제어에 따라, 제2 서버 장치(1200)로부터 분광 이미지의 분석 결과(예: 제2 배터리(1050)의 발열 상태에 따른 양품 또는 불량품 판정 결과)를 수신하여 제2 프로세서(1150)에 전달할 수 있다. 또는, 상기 제2 통신 회로(1110)는 제2 배터리(1050)의 발열 정보(또는 제2 배터리(1050)의 양품 또는 불량품 판정 결과)를 지정된 사용자 단말(예: 제2 배터리 발열 검사 장치(1100)의 관리자가 소유한 단말)에 전송할 수 있다.
추가적으로 또는 대체적으로, 제2 통신 회로(1110)는 외부 서버 장치와 통신 채널을 형성하고, 상기 외부 서버 장치로부터 제2 기준 모델(1131)을 수신할 수도 있다. 상기 제2 기준 모델(1131)은 일정 개수 이상의 분광 이미지들로부터 추출된 라디오믹스 특징점들에 대해 지도 학습을 수행하여 생성된 모델을 포함할 수 있다. 이와 관련하여, 제2 통신 회로(1110)는 제2 프로세서(1150) 제어에 대응하여 일정 주기로 외부 서버 장치와 통신 채널을 형성하고, 새롭게 갱신된 제2 기준 모델(1131)이 있는 경우, 갱신된 제2 기준 모델(1131)을 외부 서버 장치로부터 수신하여 제2 메모리(1130)에 저장(또는 갱신)할 수 있다.
상기 제2 분광 카메라(1120)는 앞서 도 7에서 설명한 제2 배터리 발열 검사 장치(1100)의 제2 분광 카메라(1120)로서, 제2 배터리(1050)에 대한 분광 이미지를 촬영할 수 있도록 배치될 수 있다. 앞서 도 7에서는 제2 배터리 발열 검사 장치(1100)가 하나의 제2 분광 카메라(1120)를 포함하는 형태를 예시하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 제2 분광 카메라(1120)는 복수개가 배치될 수도 있다. 복수개의 분광 카메라들이 배치되는 경우, 복수개의 분광 카메라들은 제2 배터리(1050)를 다양한 각도 또는 다양한 거리에서 촬영하도록 배치될 수 있다. 상기 제2 분광 카메라(1120)는 제2 프로세서(1150) 제어에 대응하여 활성화되고, 제2 배터리(1050)에 대한 분광 이미지를 획득하면, 제2 프로세서(1150)에 전달할 수 있다. 또는, 제2 프로세서(1150) 제어에 대응하여, 제2 분광 카메라(1120)가 획득한 분광 이미지는 제2 통신 회로(1110)를 통해 제2 서버 장치(1200)에 전송될 수도 있다.
상기 제2 메모리(1130)는 제2 배터리 발열 검사 장치(1100) 운용에 필요한 적어도 하나의 프로그램 또는 데이터를 저장할 수 있다. 일 예로, 제2 메모리(1130)는 배터리 발열 검사 기능과 관련한 어플리케이션, 적어도 하나의 제2 분광 카메라(1120) 구동에 필요한 제어 프로그램, 적어도 하나의 제2 분광 카메라(1120)를 통해 획득된 제2 분광 이미지(1133)를 임시 또는 반영구적으로 저장할 수 있다. 예컨대, 상기 제2 메모리(1130)는 제2 배터리(1050)에 대해 현재 촬영된 분광 이미지와 비교 분석하는데 이용되는 제2 기준 모델(1131)을 저장할 수 있다. 상기 제2 기준 모델(1131)은 앞서 언급한 바와 같이, 외부 서버 장치로부터 수신될 수도 있다. 또는, 상기 제2 기준 모델(1131)은 복수개의 제2 분광 이미지(1133)가 사전 정의된 일정량 이상 누적 저장된 경우, 상기 제2 분광 이미지(1133)들로부터 추출된 라디오믹스 특징점들에 대해 지도 학습을 수행하여 생성될 수도 있다. 상기 제2 분광 이미지(1133)는 지도 학습을 위하여 복수개의 데이터 셋(예: 멀티모달 데이터 셋)으로 분할 될 수 있다. 추가적으로, 상기 제2 메모리(1130)는 제2 센서부(1190)가 수집한 센서 정보를 저장할 수 있다. 상기 센서 정보는 상기 제2 분광 이미지(1133)가 획득된 시점과 동일 시점 또는 제2 분광 이미지(1133)가 획득된 시점과 사전 정의된 일정 범위 이내로 가까운 시점에 획득된 센서 정보를 포함할 수 있다. 상기 센서 정보는 제2 분광 이미지(1133) 기반의 제2 배터리(1050)의 양품 및 불량품 지정 또는 기계학습이나 인공신경망 학습에 이용될 수 있다. 상기 제2 메모리(1130)는 특징 정보(1135)를 저장할 수 있다. 상기 특징 정보(1135)는 상기 제2 분광 이미지(1133)들로부터 추출된 라디오믹스 특징점들 중 적어도 일부를 포함할 수 있다. 상기 제2 메모리(1130)는 제2 분광 이미지(1133), 제2 분광 이미지(1133)로부터 추출된 라디오믹스 특징점들에 해당하는 특징 정보(1135), 제2 분광 이미지(1133)에 대해 복수개의 주파수 대역으로 구분된 멀티모달 데이터, 제2 분광 이미지(1133) 수집된 시점과 동일 또는 가장 유사한 시점에 수집된 센서 정보들을 상호 매칭하여 멀티모달 데이터 셋으로 저장할 수 있다. 상기 멀티모달 데이터 셋의 적어도 일부는 지도 학습(예: 기계 학습 또는 인공신경망)의 입력으로 이용될 수 있다.
상기 제2 입력부(1140)는 상기 제2 배터리 발열 검사 장치(1100) 조작을 위한 다양한 입력 수단을 포함할 수 있다. 예컨대, 상기 제2 입력부(1140)는 제2 배터리(1050)의 발열 검사 기능과 관련한 어플리케이션 실행을 요청하는 입력 신호, 제2 분광 카메라(1120)의 활성화를 위한 입력 신호, 제2 분광 이미지(1133) 획득을 위한 제2 분광 카메라(1120) 조작 입력 신호, 제2 분광 이미지(1133) 분석 결과 출력을 요청하는 입력 신호 중 적어도 하나를 사용자 조작에 따라 생성할 수 있다. 또한, 상기 제2 입력부(1140)는 제2 분광 이미지(1133)들로부터 라디오믹스 특징점들을 추출하는 과정에서 적어도 일부의 라디오믹스 특징점들을 선택하는 입력 신호, 적어도 라디오믹스 특징점들을 이용한 제2 기준 모델(1131) 생성을 요청하는 입력 신호를 생성할 수 있다. 일 예로, 제2 기준 모델(1131)은 앞서 설명한 멀티모달 데이터 셋의 적어도 일부를 기반으로 생성될 수 있으며, 예컨대, 라디오믹스 특징점들을 부분적으로 또는 전체적으로 제2 기준 모델(1131) 생성에 이용할 수 있다. 이러한 제2 입력부(1140)는, 소프트키(또는 터치스크린이나 터치 패드 기반의 입력 수단), 물리키, 음성 입력 장치, 제스처 입력 장치, 죠그 셔틀 등 다양한 수단 중 적어도 하나를 포함할 수 있다.
상기 제2 디스플레이(1160)는 상기 제2 배터리 발열 검사 장치(1100) 운용에 필요한 적어도 하나의 화면을 출력할 수 있다. 예컨대, 상기 제2 디스플레이(1160)는 제2 배터리(1050) 발열 검사 기능과 관련한 어플리케이션 실행 화면, 제2 배터리 발열 검사 장치(1100)에 포함된 적어도 하나의 장치들(예: 제2 분광 카메라(1120), 제2 거치 구조물(1129), 제2 통신 회로(1110), 제2 입력부(1140), 제2 충방전 장치(1180), 제2 센서부(1190) 중 적어도 하나의 장치들)의 정상 상태 여부를 지시하는 화면, 제2 분광 카메라(1120) 활성화 화면, 제2 분광 카메라(1120)를 통한 제2 분광 이미지(1133) 획득 화면, 제2 분광 이미지(1133)로부터 추출된 라디오믹스 특징점들 기반으로 제2 기준 모델(1131)을 생성하는 화면, 제2 기준 모델(1131)의 학습 완료 이후 새 분광 이미지의 분석에 따른 배터리 발열 상태 검출 화면 중 적어도 하나를 출력할 수 있다. 또한, 상기 제2 배터리 발열 검사 장치(1100)가 제2 서버 장치(1200)와 연계 운용되는 경우, 상기 제2 디스플레이(1160)는 제2 서버 장치(1200) 접속 화면, 제2 서버 장치(1200)로부터 수신된 새 분광 이미지 분석 결과(예: 배터리 발열 상태를 기반으로 한 양품 또는 불량품 판정 결과)를 출력할 수 있다.
상기 제2 충방전 장치(1180)는 제2 배터리 거치대(1125)에 거치된 제2 배터리(1050)의 충방전을 제어할 수 있다. 이와 관련하여, 제2 충방전 장치(1180)는 전원과 직접적으로 연결될 수 있다. 상기 제2 충방전 장치(1180)는 제2 프로세서(1150) 제어에 대응하여 제2 배터리(1050) 충전을 위한 충전 전력을 공급하는 충전 회로, 제2 배터리(1050) 방전을 위한 방전 회로를 포함할 수 있다. 상기 제2 배터리(1050) 방전을 위하여 상기 제2 충방전 장치(1180)는 제2 배터리(1050)의 전원을 소모하는 부하를 더 포함할 수도 있다. 상기 제2 충방전 장치(1180)는 제2 배터리(1050)의 충전 잔량 또는 방전량 등을 검출할 수 있다.
상기 제2 센서부(1190)는 상기 제2 배터리(1050) 충전 또는 방전 시, 제2 배터리(1050)와 관련한 다양한 센서 정보를 수집할 수 있는 적어도 하나의 센서를 포함할 수 있다. 예컨대, 상기 제2 센서부(1190)는 제2 배터리(1050)의 충전 또는 방전 시 제2 배터리(1050)의 표면 온도를 검출할 수 있는 온도 센서를 포함할 수 있다. 또는, 상기 제2 센서부(1190)는 제2 배터리(1050)의 충전 또는 방전 시 제2 배터리(1050)의 부피 변화를 검출할 수 있는 RGB 센서(또는 RGB 카메라)를 포함할 수 있다.
상기 제2 프로세서(1150)는 제2 배터리 발열 검사 장치(1100) 운용에 필요한 신호의 전달과 처리, 처리 결과의 저장, 처리 결과의 출력 중 적어도 하나를 수행할 수 있다. 예컨대, 상기 제2 프로세서(1150)는 제2 배터리(1050)의 발열 검사 기능과 관련한 어플리케이션의 실행과 종료를 제어하며, 제2 분광 카메라(1120)가 수집한 분광 이미지 또는 외부 서버 장치로부터 수신한 분광 이미지 중 적어도 하나로부터 추출된 라디오믹스 특징점들을 적어도 부분적으로 또는 전체적으로 이용하여 제2 기준 모델(1131)을 생성하는 과정을 수행할 수 있다.
또는, 상기 제2 프로세서(1150)는 제2 분광 카메라(1120)를 제어하여 새 분광 이미지를 획득하고, 획득된 새 분광 이미지로부터 라디오믹스 특징점들을 추출한 후, 추출된 라디오믹스 특징점들 중 적어도 일부에 대해 제2 메모리(1130)에 사전 저장된 제2 기준 모델(1131)과의 비교 분석을 수행하고, 비교 분석에 따른 배터리 발열 상태 검출 결과를 출력할 수 있다. 이와 관련하여, 상기 제2 프로세서(1150)는 도 9에 도시된 바와 같은 구성을 포함할 수 있다.
도 9를 참조하면, 상기 제2 프로세서(1150)는 제2 충방전 제어부(1151), 제2 카메라 제어부(1152), 특징 추출부(1153), 제2 기준 모델 학습부(1154), 제2 발열 검출부(1155) 및 제2 상태 안내부(1156) 중 적어도 하나를 포함할 수 있다.
상기 제2 충방전 제어부(1151)는 제2 충방전 장치(1180)를 제어하여 제2 배터리(1050)의 충전 또는 방전을 제어할 수 있다. 이와 관련하여, 제2 충방전 제어부(1151)는 제2 배터리 거치대(1125)에 제2 배터리(1050)가 놓인 후 제2 충방전 장치(1180)와 제2 배터리(1050)가 연결되면, 제2 배터리(1050)의 잔량을 확인할 수 있다. 이 동작에서, 상기 제2 충방전 제어부(1151)는 제2 충방전 장치(1180)와 제2 배터리(1050) 사이에 연결된 배선을 이용한 통신 또는 근거리 무선 통신 중 적어도 하나를 기반으로 제2 배터리(1050) 잔량 정보를 수집할 수 있다. 상기 제2 충방전 제어부(1151)는 제2 배터리(1050) 정보를 기반으로 제2 배터리(1050) 충전 전력의 크기(예: 전압 및 전류량) 및 속도(예: 고속 충전 또는 저속 충전)를 결정하고, 그에 대응하는 충전 전력을 제2 배터리(1050)에 공급하도록 제어할 수 있다. 상기 제2 충방전 제어부(1151)는 제2 배터리(1050) 충전이 시작되면, 이를 제2 카메라 제어부(1152)에 안내할 수 있다. 상기 제2 충방전 제어부(1151)는 제2 배터리(1050)가 사전 정의된 기준 값 이상 충전(예: 100% 충전)되면, 제2 배터리(1050) 충전을 완료할 수 있다. 또는, 제2 충방전 제어부(1151)는 제2 배터리(1050) 완충 이후 사전 정의된 일정 시간 경과 후 제2 배터리(1050) 자연 방전량을 확인하고, 자연 방전에 따른 추가 충전 동작을 수행하도록 제어할 수 있다. 상기 제2 충방전 제어부(1151)는 사전 정의된 기준 값 이상으로 충전된 제2 배터리(1050)의 방전 동작을 수행하도록 제2 충방전 장치(1180)를 제어하고, 방전 동작 시작 시, 이에 대한 정보를 제2 카메라 제어부(1152)에 전달할 수 있다. 상기 제2 충방전 제어부(1151)는 제2 배터리(1050) 방전 시, 부하의 크기를 조절하여 다양한 방전 속도(예: 고속 방전 또는 저속 방전)를 가지도록 제2 배터리(1050)이 출력을 조절할 수 있다. 부하량 변화 시, 이에 대한 정보를 제2 기준 모델 학습부(1154)에 전달할 수 있다.
상기 제2 충방전 제어부(1151)는 제2 배터리(1050) 충전 또는 방전 동작 수행 중에, 제2 배터리 거치대(1125)를 제어하여 충전 또는 방전을 위한 온도 환경을 사전 정의된 설정 값에 대응되도록 제어할 수 있다. 예컨대, 상기 제2 충방전 제어부(1151)는 제2 배터리 거치대(1125)에 마련된 온열 장치 또는 냉각 장치를 제어하여 제2 배터리(1050)가 충전 또는 방전되는 온도 환경이 지정된 영하 온도 값 미만 상태, 상온 상태, 지정된 영상 온도 값 이상인 상태 등이 되도록 제어할 수 있다. 상기 제2 충방전 제어부(1151)는 온도 환경 별 및 충전 전력의 크기 별 제2 배터리(1050)의 충전 속도(또는 지정된 목표 충전량까지의 충전 속도) 또는 방전 속도(또는 지정된 목표 방전량까지의 방전 속도)를 수집할 수 있다. 상기 온도 환경에 관한 정보, 충전 전력의 크기 정보, 충전 속도, 방전 속도 등 제2 배터리(1050)의 충방전 환경과 관련한 다양한 정보는, 제2 분광 이미지(1133) 획득 시, 획득된 제2 분광 이미지(1133)와 매칭하여 제2 메모리(1130)에 저장될 수 있다.
상기 제2 카메라 제어부(1152)는 제2 충방전 제어부(1151)로부터 제2 배터리(1050)의 충전 동작 또는 방전 동작에 대한 정보를 수신하면, 해당 시점에 제2 분광 카메라(1120)를 제어하여 제2 배터리(1050)에 대한 분광 이미지를 촬영하도록 제어할 수 있다. 상기 제2 카메라 제어부(1152)는 제2 기준 모델(1131) 생성을 위해 제2 배터리(1050)의 다양한 충방전 환경에서 촬영되는 복수개의 분광 이미지들을 수집하여 제2 메모리(1130)에 저장할 수 있다. 또는, 상기 제2 카메라 제어부(1152)는 상기 제2 배터리(1050)가 사전 정의된 일정 량 이상 충전 중인 상태 또는 사전 정의된 충전 속도 또는 방전 속도인 상태에서 분광 이미지를 획득하도록 제2 분광 카메라(1120)를 제어할 수도 있다. 제2 기준 모델(1131) 생성 이후 또는 학습 완료 이후, 제2 카메라 제어부(1152)는 현재 제2 배터리(1050)의 발열 상태 판단을 위해 제2 배터리(1050)와 관련한 적어도 하나의 분광 이미지를 수집할 수 있다. 예컨대, 제2 카메라 제어부(1152)는 제2 충방전 제어부(1151)에 요청하여 제2 배터리 거치대(1125)를 통해 충방전 온도 환경을 조절하고, 각 온도 환경 별 및 충방전 크기 별 새 분광 이미지들을 수집할 수 있다.
상기 특징 추출부(1153)는 획득된 분광 이미지로부터 라디오믹스 특징점들을 추출할 수 있다. 일 예로, 도 10에 도시된 바와 같이, 특징 추출부(1153)는 분광 이미지의 전체 픽셀 값들의 평균 값 (μimage), 전체 픽셀 값들의 표준 편차(σimage), 임계 값 이상의 비율(R), 전체 픽셀 값들의 왜도(S), 높이 축을 따른 픽셀 평균의 왜도(S(μheight)), 너비 축을 따른 픽셀 평균의 왜도(S(μwidth)), 높이 축을 따른 픽셀 표준 편차의 왜도(S(σheight)), 너비 축을 따른 픽셀 표준 편차의 왜도(S(σwidth)), 전체 픽셀 값들의 첨도(K), 높이 축을 따른 픽셀 평균의 첨도(K(μheight)), 너비 축을 따른 픽셀 평균의 첨도(K(μwidth)), 높이 축을 따른 픽셀 표준 편차의 첨도(K(σheight)), 너비 축을 따른 픽셀 표준 편차의 첨도(K(σwidth)) 중 적어도 하나를 포함하는 라디오믹스 특징점들을 추출할 수 있다. 상기 특징 추출부(1153)가 추출한 라디오믹스 특징점들 중 적어도 일부는 기준 모델 학습을 위해 제2 메모리(1130)에 특징 정보(1135)로 저장될 수 있다.
상기 제2 기준 모델 학습부(1154)는 제2 카메라 제어부(1152)의 제어에 따라 획득된 분광 이미지들 및 상기 분광 이미지들로부터 추출된 특징 정보(1135)가 제2 메모리(1130)에 저장되고, 제2 메모리(1130)에 저장된 분광 이미지들의 량 및 특징 정보(1135)의 양이 사전 정의된 일정량 이상이 되면, 적어도 특징 정보(1135)를 기반으로 기준 모델 생성을 위한 지도 학습을 수행할 수 있다. 예컨대, 제2 기준 모델 학습부(1154)는 충방전 중인(또는 충방전 시작 이전) 제2 배터리(1050)에 대해 촬영된 분광 이미지로부터 추출된 특징 정보(1135)를 지도 학습의 입력으로 처리할 수 있다.
추가적으로 또는 대체적으로, 상기 제2 기준 모델 학습부(1154)는 획득한 분광 이미지에 대해 제2 분광 카메라(1120)의 특징에 기반하여, 측정된 데이터를 복수개의 주파수 대역(예: 자외선 대역((예: 400nm 미만 파장 대역), 가시광선 대역(예: 400~700nm 파장 대역), 적외선 대역(예: 700nm 초과 파장 대역))으로 분할하고, 분할된 데이터들을 멀티모달 데이터로 간주하여 적어도 일부 데이터를 지도 학습의 입력으로 처리(예: 적외선 대역의 모달 데이터를 기본 입력으로 하고, 나머지 대역의 모달 데이터를 선택적으로 입력 처리)할 수 있다. 여기서, 상기 제2 기준 모델 학습부(1154)는 복수개의 주파수 대역 별 멀티모달 데이터들 각각을 높이 축과 너비축의 인덱스에 해당하는 독립 스펙트럼으로 분리하고, 분리된 스펙트럼들을 채널축으로 스택하여 지도 학습의 입력으로 사용할 수 있다.
다른 예로서, 상기 제2 기준 모델 학습부(1154)는 복수개의 주파수 대역 별 멀티모달 데이터 중 적어도 일부 모달 데이터에 대한 라디오믹스 특징점 추출을 수행하여 특징 정보(1135)를 확보하고, 해당 특징 정보(1135)를 기반으로 제2 기준 모델(1131)을 생성할 수도 있다. 예컨대, 상기 제2 기준 모델 학습부(1154)는 분광 이미지 중 부분 주파수 대역(예: 발열과 관련된 적외선 대역)에 대한 특징 정보 추출을 특징 추출부(1153)에 요청하여, 분광 이미지 중 부분 주파수 대역에 대한 라디오믹스 특징점들을 수집하고, 수집된 부분 주파수 대역에 대한 라디오믹스 특징점들을 지도 학습의 입력으로 처리할 수 있다. 다른 예로서, 상기 제2 기준 모델 학습부(1154)는 부분 주파수 대역에 대한 라디오믹스 특징점들을 기본으로 하되, 다른 데이터들 예컨대, 분광 이미지 전체로부터 추출된 라디오믹스 특징점들, 분광 이미지의 주파수 대역을 부분 주파수 대역으로 구분한 멀티모달 데이터, 센서 정보(분광 이미지를 수집하는 시점과 동일 또는 유사한 시점에 획득된 센서 정보) 중 적어도 일부를 해당 제2 기준 모델(1131) 생성을 위한 지도 학습의 입력으로 처리할 수 있다.
상술한 동작을 통해, 원본 입력 분광 이미지가 H(높이) x W(너비) x C(차원 채널) 벡터를 포함한다고 할 때, 라디오믹스 특징점들은 각 채널에 대해 수행될 수 있으므로 13 x C 차원이 되기 때문에, 지도 학습의 입력 데이터의 크기는 원본 분광 이미지를 사용할 때에 비하여 13 / (H x C) 수준으로 낮출 수 있어, 연산량을 줄일 수 있고 이를 위한 자원 할당을 효율적으로 개선할 수 있다. 추가로, 상기 제2 기준 모델 학습부(1154)는 데이터의 정확도를 위하여 앞서 언급한 바와 같이, 분광 이미지의 부분 주파수 대역에 대한 라디오믹스 특징점뿐만 아니라, 전체 주파수 대역에 대한 라디오믹스 특징점을 포함하는 멀티모달 데이터 셋의 적어도 일부를 선택적으로 활용하여, 연산량과 정확도에 대한 트레이드 오프 기능을 제공할 수 있다.
상기 제2 기준 모델 학습부(1154)는 수집된 멀티모달 데이터 셋의 적어도 일부에 대해 양품 또는 불량품 라벨 지정을 지원할 수 있다. 이와 관련하여, 상기 제2 기준 모델 학습부(1154)는 멀티모달 데이터 셋(예: 분광 이미지, 분광 이미지로부터 추출된 분광 이미지 전체 픽셀들에 대한 라디오믹스 특징점들, 분광 이미지를 일정 주파수 대역으로 분할한 데이터들, 분할한 데이터들 중 일부 데이터들로부터 추출된 라디오믹스 특징점들, 분광 이미지를 수집하는 시점과 동일 또는 유사한 시점에 획득된 센서 정보)의 적어도 일부를 제2 디스플레이(1160)에 출력하고, 사용자 입력에 대응하여 멀티모달 데이터 셋에 대한 양품 지정 또는 불량품 지정 값을 정의할 수 있다. 상기 멀티모달 데이터 셋의 양품 지정 값 및 불량품 지정 값은 지도 학습의 출력 값으로 이용될 수 있다. 멀티모달 데이터 셋의 라벨 지정과 관련하여 사용자 입력이 없는 경우, 제2 기준 모델 학습부(1154)는 멀티모달 데이터 셋의 적어도 일부에 대한 클러스터링에 기반한 의사라벨 (pseudo label)을 활용할 수 있다. 예컨대, 제2 기준 모델 학습부(1154)는 멀티모달 데이터 셋에 대한 클러스터링 결과와 양품 또는 불량품을 지정하는 사전 정의된 특정 클러스터 값을 비교하여 해당 멀티모달 데이터 셋의 임시 라벨 지정을 처리할 수 있다. 상기 제2 기준 모델 학습부(1154)는 데이터 ‘x’(예: 멀티모달 데이터 셋의 적어도 일부)와 라벨 ‘y’가 사전 정의된 일정 수량 이상 제2 메모리(1130)에 저장되면, 지도 학습에 사용될 기계 학습 모델 또는 인공신경망을 초기화하고 저장된 정보들을 토대로 지도 학습을 수행할 수 있다. 상기 기계 학습 모델은 decision tree (DT), random forest (RF), extreme gradient boosting (XGB), light gradient boosting machine (LGBM), and support vector machine (SVM), k-nearest neighbor classifier (KNN) 등 중 하나를 선택적으로 사용하거나, 또는 특정 모델을 다수 학습하거나, 여러 모델을 조합하는 형태로 ensemble 모델을 구축한 모델을 포함할 수 있다. 상기 인공신경망은 multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), graph neural network (GNN) 중 적어도 하나 또는 조합이 될 수 있으나, 본 발명이 이러한 인공신경망의 종류나 개수에 한정되는 것은 아니다. 또는 제2 기준 모델 학습부(1154)는 인공신경망을 특징 추출기로 사용하고, SVM(support vector machine)을 분류기로 활용하는 형태(예: Deep Feature-Based (DFB)-SVM)로 조합한 모델을 활용할 수 있다.
상기 제2 기준 모델 학습부(1154)는 제2 메모리(1130)에 사전 정의된 일정량 이상의 누적된 데이터들 전체(예: 상술한 멀티모달 데이터 셋 전체)에 대하여, 지도 학습 과정에서 데이터 셋의 일부만 활용하고, 나머지 일부 데이터 셋은 검증용 데이터 셋으로 사용할 수 있다. 지도 학습용 데이터 셋과 검증용 데이터 셋의 분할 비율은 예컨대, 8:2가 될 수 있으며, 사용자 지정에 따라 7:3, 9:1 등으로 변경될 수 있다. 상기 제2 기준 모델 학습부(1154)는 학습이 종료되면 분할된 검증용 데이터 셋으로 학습 완료된 제2 기준 모델(1131)을 평가하고, 평가 결과를 시스템 UI(예: 제2 디스플레이(1160)에 지정된 화면)로 출력하여, 사용자가 검증 성능을 확인할 수 있도록 지원할 수 있다. 제2 배터리 발열 검사 장치(1100) 사용자는 학습 완료된 제2 기준 모델(1131)의 검증성능을 확인하고 해당 모델을 운용여부를 결정할 수 있다. 또는, 상기 제2 기준 모델 학습부(1154)는 검증 성능이 사전 정의된 기준 값 이상인 경우, 학습 완료된 제2 기준 모델(1131)을 자동으로 적용할 수 있다. 예컨대, 제2 기준 모델 학습부(1154)는 제2 기준 모델(1131)에 대한 학습 완료를 제2 발열 검출부(1155)에 안내할 수 있다. 또는, 제2 기준 모델 학습부(1154)는 제2 기준 모델(1131)의 검증 성능이 사전 정의된 기준 값 미만인 경우, 검증 성능이 기준 값 이상이 될 때까지, 분광 이미지들의 추가 수집 및 추가 수집된 분광 이미지들 포함 전체 분광 이미지들 기반의 모델 학습을 반복 수행할 수 있다.
상기 제2 발열 검출부(1155)는 제2 기준 모델(1131)의 학습이 완료되었거나, 학습이 완료된 제2 기준 모델(1131)이 제2 메모리(1130)에 저장되면, 제2 기준 모델(1131)을 기준으로 제2 배터리(1050)의 발열 상태 검출을 수행할 수 있다. 이와 관련하여, 제2 발열 검출부(1155)는 제2 카메라 제어부(1152)에 요청하여 제2 배터리(1050)에 관한 새 분광 이미지가 획득되면 특징 추출부(1153)에 새 분광 이미지의 라디오믹스 특징점 추출을 요청하고, 추출된 라디오믹스 특징점들을 적어도 제2 기준 모델(1131)에 적용하여 제2 배터리(1050)의 발열 상태를 판단할 수 있다. 예컨대, 제2 발열 검출부(1155)는 새 분광 이미지의 라디오믹스 특징점들을 제2 기준 모델(1131)에 적용함에 따라, 제2 배터리(1050)가 양품인지 불량품인지에 대한 결과 값을 제2 상태 안내부(1156)에 전달할 수 있다. 추가적으로, 상기 제2 발열 검출부(1155)는 획득된 새 분광 이미지를 주파수 대역으로 분리하고, 분리된 주파수 대역 별 데이터들 중 적어도 일부 주파수 대역 별 데이터들에 대한 라디오믹스 특징점들을, 대응되는 제2 기준 모델(1131)에 적용하고, 적용 결과들을 단독으로 또는 통합하여 제2 배터리(1050)의 양품 또는 불량품 판정을 수행할 수 있다. 추가적으로, 제2 기준 모델(1131)은 상술한 멀티모달 데이터 셋(예: 제2 배터리(1050)의 충전 또는 방전 시 촬영된 분광 이미지, 상기 분광 이미지로부터 추출된 분광 이미지 전체 픽셀들에 대한 라디오믹스 특징점들, 상기 분광 이미지를 일정 주파수 대역으로 분할한 데이터들, 상기 분할한 데이터들 중 적어도 일부 데이터들로부터 추출된 라디오믹스 특징점들, 상기 분광 이미지를 수집하는 시점과 동일 또는 유사한 시점에 획득된 센서 정보) 전체 또는 일부를 기반으로 생성될 수 있다. 상기 제2 발열 검출부(1155)는 사용자 입력에 따라 또는 사전 정의된 설정에 따라, 새로 획득된 분광 이미지, 새 분광 이미지로부터 추출된 분광 이미지 전체 픽셀들에 대한 라디오믹스 특징점들, 새 분광 이미지를 일정 주파수 대역으로 분할한 데이터들, 새 분광 이미지의 분할한 데이터들 중 적어도 일부 데이터들로부터 추출된 라디오믹스 특징점들, 새 분광 이미지를 수집하는 시점과 동일 또는 유사한 시점에 획득된 센서 정보 중 적어도 일부를 상기 제2 기준 모델(1131)에 적용하여 양품 또는 불량품 판정을 수행할 수 있다.
상기 제2 상태 안내부(1156)는 제2 발열 검출부(1155)로부터 제2 배터리(1050)의 판정 값을 수신하고, 수신된 판정 값에 대응하는 정보를 출력할 수 있다. 예컨대, 상기 제2 상태 안내부(1156)는 제2 배터리 발열 검사 장치(1100)의 제2 디스플레이(1160)를 통해 현재 충방전 중인 제2 배터리(1050)의 양품 판정 정보 또는 불량품 판정 정보를 출력할 수 있다. 또는, 상기 제2 상태 안내부(1156)는 상기 제2 통신 회로(1110)를 통하여 지정된 사용자 단말에 상기 제2 배터리(1050)의 양품 또는 불량품 판정 값을 포함하는 메시지를 전송할 수 있다.
상술한 바와 같이, 본 발명에 따르면, 본 발명의 제2 배터리 발열 검사 장치(1100)는 제2 배터리(1050)의 양품 또는 불량품 판정을 분광 이미지를 토대로 하되, 적어도 분광 이미지에 대한 라디오믹스 특징점들(또는 분광 이미지에 대한 사전 정의된 주파수 대역 별 데이터들 중 적어도 일부로부터 추출된 라디오믹스 특징점들)을 제2 기준 모델(1131)과 비교 분석함으로써, 제2 배터리(1050) 발열 상태에 따른 양품 또는 불량품 판정을 보다 적은 연산량으로 수행할 수 있도록 지원한다. 또는, 본 발명의 제2 배터리 발열 검사 장치(1100)는 필요에 따라 또는 사용자 요청에 따라 세밀한 양품 또는 불량품 판정이 필요한 상황에서는 멀티모달 데이터 셋 전체를 활용할 수 있다. 이와 같이, 본 발명의 제2 배터리 발열 검사 장치(1100)는 상황에 따라 선택적으로 제2 배터리(1050) 상태 판정을 수행할 수 있도록 함으로써, 보다 유연한 제2 배터리(1050)의 생산 공정 운용을 수행하도록 지원할 수 있다.
도 11은 본 발명의 실시 예에 따른 서버 장치 구성의 한 예를 나타낸 도면이다. 앞서 설명한 바와 같이, 본 발명의 실시 예에 따른 배터리 발열 검사 기능을 제2 배터리 발열 검사 장치(1100)가 독립적으로 수행하도록 설계된 경우, 상기 제2 서버 장치(1200) 구성은 생략될 수도 있다.
도 7 내지 도 11을 참조하면, 본 발명의 제2 서버 장치(1200)는 제2 서버 통신 회로(1210), 제2 서버 메모리(1230) 및 제2 서버 프로세서(1250)를 포함할 수 있다.
상기 제2 서버 통신 회로(1210)는 제2 배터리 발열 검사 장치(1100)와 통신 채널을 형성할 수 있다. 일 예로, 상기 제2 서버 통신 회로(1210)는 지정된 주기 또는 사전 정의된 이벤트 발생(예: 제2 배터리 거치대(1125)에 제2 배터리(1050)가 배치된 상태를 감지한 이벤트)에 대응하여 제2 배터리 발열 검사 장치(1100)로부터 제2 서버 기준 모델(1231) 생성을 위한 복수개의 분광 이미지를 수신할 수 있다. 다른 예로, 상기 제2 서버 통신 회로(1210)는 외부 서버 장치로부터 제2 서버 기준 모델(1231)을 수신할 수 있다. 상기 제2 서버 통신 회로(1210)는 발열 검사가 필요한 제2 배터리(1050)에 대해 적어도 하나의 제2 현재 분광 이미지(1235)를 수신하고, 그에 대응하는 분석 결과를 제2 서버 프로세서(1250) 제어에 대응하여 제2 배터리 발열 검사 장치(1100)(또는 지정된 사용자 단말)에 전송할 수 있다.
상기 제2 서버 메모리(1230)는 제2 서버 장치(1200) 운용에 필요한 적어도 하나의 프로그램 또는 데이터를 저장할 수 있다. 일 예로, 상기 제2 서버 메모리(1230)는 제2 서버 기준 모델(1231) 생성을 위해 수신된 복수개의 분광 이미지에 대응하는 모델 학습 데이터(1233) 또는 배터리 발열 검사를 위해 수신된 제2 현재 분광 이미지(1235), 제2 서버 기준 모델(1231) 중 적어도 하나를 저장할 수 있다. 상기 제2 서버 기준 모델(1231)은 앞서 설명한 제2 배터리 발열 검사 장치(1100)의 제2 메모리(1130)에 저장된 제2 기준 모델(1131)에 대응될 수 있다. 일 예로서, 상기 제2 서버 기준 모델(1231)은 제2 배터리 발열 검사 장치(1100)가 생성하여 제2 서버 장치(1200)에 제공될 수도 있다. 또는, 상기 제2 서버 메모리(1230)에 저장된 모델 학습 데이터(1233)를 토대로 상기 제2 서버 프로세서(1250)에 의해 제2 서버 기준 모델(1231)이 생성될 수도 있다. 상기 모델 학습 데이터(1233)는 상기 제2 배터리 발열 검사 장치(1100)가 제공한 복수개의 분광 이미지들, 복수개의 분광 이미지들 각각으로부터 추출된 라디오믹스 특징점들, 상기 복수개의 분광 이미지들 각각을 사전 정의된 주파수 대역 별로 나눈 대역 별 데이터(또는 멀티모달 데이터), 각 분광 이미지의 주파수 대역 별 데이터 중 적어도 일부 대역 데이터들로부터 추출된 라디오믹스 특징점들, 상기 복수개의 분광 이미지들이 수집된 시점과 동일한 시점 또는 가장 가까운 시점에 획득된 센서 정보들 중 적어도 일부를 포함할 수 있다. 일 예로서, 본 발명의 모델 학습 데이터(1233)는 복수개의 분광 이미지들 각각으로부터 추출된 제1 라디오믹스 특징점 그룹들 또는 각 분광 이미지의 주파수 대역 별 데이터 중 적어도 일부 대역 데이터들로부터 추출된 제2 라디오믹스 특징점 그룹들을 필수로 포함할 수 있으며, 나머지 데이터 중 적어도 일부 데이터가 사용자 요청에 따라 또는 제2 서버 장치(1200)의 기 설정된 정책에 따라 상기 모델 학습 데이터(1233)에 추가될 수 있다.
상기 제2 서버 프로세서(1250)는 제2 서버 장치(1200) 운용에 필요한 신호의 전달과 처리 또는 결과의 저장, 결과의 전송 또는 결과에 대응하는 메시지의 전송을 제어할 수 있다. 이와 관련하여, 상기 제2 서버 프로세서(1250)는 제2 충방전 관리부(1251), 제2 데이터 수집부(1252), 특징 검출부(1253), 제2 모델 생성부(1254), 제2 발열 관리부(1255)를 포함할 수 있다.
상기 제2 충방전 관리부(1251)는 제2 배터리(1050)의 충방전을 관리할 수 있다. 이와 관련하여, 상기 제2 충방전 관리부(1251)는 제2 배터리 발열 검사 장치(1100)와 통신 채널을 형성하고, 제2 배터리 거치대(1125)에 제2 배터리(1050)가 놓이면 사전 설정된 계획에 따라 제2 배터리(1050) 충방전을 제어하면서, 충방전 관련 정보(예: 제2 배터리(1050) 충방전 온도 환경, 충방전 속도, 충방전 전력의 크기 중 적어도 일부)를 수집할 수 있다.
상기 제2 데이터 수집부(1252)는 제2 배터리 발열 검사 장치(1100)로부터 제2 배터리(1050)에 대한 분광 이미지를 수신할 수 있다. 상기 제2 배터리 발열 검사 장치(1100)로부터 수신되는 분광 이미지는 제2 서버 기준 모델(1231) 생성을 위한 분광 이미지들 또는 제2 배터리(1050)의 발열을 검사하기 위한 제2 현재 분광 이미지(1235)를 포함할 수 있다. 상기 제2 데이터 수집부(1252)는 제2 서버 기준 모델(1231) 생성을 위한 분광 이미지들이 수신되면, 수신된 분광 이미지들을 제2 서버 메모리(1230)에 모델 학습 데이터(1233)의 적어도 일부 구성으로서 저장할 수 있다. 이 동작에서, 상기 제2 데이터 수집부(1252)는 수신된 분광 이미지들을 사전 정의된 주파수 대역 별(예: 자외선 대역, 가시 광선 대역, 적외선 대역)로 분리하고, 각각의 주파수 대역 별 스펙트럼들을 멀티모달 데이터 형태로 그룹핑하여 모델 학습 데이터(1233)로서 제2 서버 메모리(1230)에 저장할 수 있다. 추가적으로 또는 대체적으로, 제2 데이터 수집부(1252)는 분광 이미지들이 수집된 시점의 센서 정보를 함께 수집하고, 수집된 센서 정보를 멀티모달 데이터들과 매칭하여 멀티모달 데이터 셋으로 제2 서버 메모리(1230)에 저장할 수 있다. 추가적으로 또는 대체적으로, 상기 제2 데이터 수집부(1252)는 수신된 분광 이미지들 또는 주파수 대역 별 스펙트럼들로 분류한 멀티모달 데이터 중 적어도 일부를 특징 검출부(1253)에 제공할 수 있다.
상기 특징 검출부(1253)는 상기 수신된 분광 이미지들 각각에 대하여 제1 라디오믹스 특징점들을 추출할 수 있다. 예컨대, 특징 검출부(1253)는 1개의 분광 이미지로부터 추출된 복수개(예: 도 10을 참조할 경우 13개)의 라디오믹스 특징점들을 1개의 그룹으로 분류할 경우, 복수개의 분광 이미지들 각각에 대응하는 제1 라디오믹스 특징점 그룹들을 검출할 수 있다. 다른 예로서, 특징 검출부(1253)는 상기 주파수 대역 별로 분류한 스펙트럼들에 대하여 라디오믹스 특징점들을 추출할 수 있다. 예컨대, 1개의 분광 이미지를 복수의 주파수 대역 별로 분류하고, 복수의 주파수 대역 별 스펙트럼들 중 적어도 일부 스펙트럼으로부터 라디오믹스 특징점들을 추출하여 1개의 그룹으로 분류할 경우, 특징 검출부(1253)는 복수개의 분광 이미지들 각각에 대응하는 주파수 대역 별 스펙트럼들 중 적어도 일부 스펙트럼으로부터 추출된 제2 라디오믹스 특징점 그룹들을 검출할 수 있다. 상기 특징 검출부(1253)는 제1 라디오믹스 특징점 그룹들 또는 제2 라디오믹스 특징점 그룹들 중 적어도 일부를 모델 학습 데이터(1233)(또는 멀티모달 데이터 셋)의 적어도 일부로서 제2 서버 메모리(1230)에 저장할 수 있다.
상기 제2 모델 생성부(1254)는 제2 서버 기준 모델(1231) 생성을 수행할 수 있다. 또는, 상기 제2 모델 생성부(1254)는 제2 배터리 발열 검사 장치(1100)의 요청에 따라 제2 서버 기준 모델(1231)을 생성하고, 생성된 제2 서버 기준 모델(1231)을 제2 배터리 발열 검사 장치(1100)가 이용할 제2 기준 모델(1131)로서 제2 배터리 발열 검사 장치(1100)에 제공할 수 있다. 한편, 상기 제2 서버 기준 모델(1231)이 제2 서버 메모리(1230)에 사전 저장된 경우 또는 제2 배터리 발열 검사 장치(1100)가 제2 서버 기준 모델(1231)을 제공한 경우, 상기 제2 모델 생성부(1254)의 구성은 생략될 수 있다. 상기 제2 모델 생성부(1254)는 모델 학습 데이터(1233)를 지도 학습(또는 기계 학습이나 인공신경망)의 입력과 출력에 적용하여 제2 서버 기준 모델(1231)을 생성할 수 있다. 이와 관련하여, 제2 모델 생성부(1254)는 모델 학습 데이터(1233)에 포함된 멀티모달 데이터 셋에 대한 양품 및 불량품 지정 라벨을 지정하는 동작을 수행할 수 있다. 상기 라벨 지정은 제2 배터리 발열 검사 장치(1100)의 사용자 입력에 따라 결정될 수 있다. 또는, 멀티모달 데이터 셋의 적어도 일부에 대한 클러스터링 결과와 양품 또는 불량품 지정을 위해 사전 정의된 클러스터와의 비교를 통하여 자동으로 라벨 지정이 수행될 수도 있다. 상기 제2 모델 생성부(1254)는 멀티모달 데이터 셋의 적어도 일부에 대하여 전통적 기계학습 모델을 사용하거나 또는 인공신경망을 사용할 수 있다. 전통적 기계학습 모델을 사용하는 경우 상기 제2 모델 생성부(1254)는 decision tree (DT), random forest (RF), extreme gradient boosting (XGB), light gradient boosting machine (LGBM), and support vector machine (SVM), k-nearest neighbor classifier (KNN) 등 중 하나를 선택적으로 사용하거나, 또는 특정 모델을 다수 학습하거나, 여러 모델을 조합하는 형태로 ensemble 모델을 구축 할 수 있다. 인공신경망을 사용하는 경우, 상기 제2 모델 생성부(1254)는 multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), graph neural network (GNN), Deep Feature-Based (DFB)-SVM (인공신경망을 특징추출기로, SVM을 분류기로 활용하는 형태) 중 하나 이상을 조합하여 사용할 수도 있다. 추가적으로 또는 대체적으로, 지도 학습의 입력 처리 과정에서, 상기 제2 모델 생성부(1254)는 모델 학습 데이터(1233)의 일부를 검증용 데이터 셋으로 분류하고, 학습 완료 후, 제2 서버 기준 모델(1231)에 대한 사전 정의된 기준 값 이상의 성능이 나오는지에 대한 성능 검증에 이용할 수 있다.
상기 제2 발열 관리부(1255)는 제2 데이터 수집부(1252)로부터 제2 현재 분광 이미지(1235) 수신을 안내 받으면, 제2 서버 메모리(1230)에 저장된 제2 현재 분광 이미지(1235)에 대한 분석을 수행할 수 있다. 예컨대, 상기 제2 발열 관리부(1255)는 제2 현재 분광 이미지(1235)로부터 제1 라디오믹스 특징점들을 추출하고, 이를 제2 서버 기준 모델(1231)에 적용하고, 그 결과를 기반으로 제2 현재 분광 이미지(1235)에 대응하는 제2 배터리(1050)의 양품 판정 또는 불량품 판정을 수행할 수 있다. 상기 제2 발열 관리부(1255)는 판정 결과를 상기 제2 배터리 발열 검사 장치(1100) 및 지정된 사용자 단말 중 적어도 하나에 제공할 수 있다. 또는, 상기 제2 발열 관리부(1255)는 제2 현재 분광 이미지(1235)에 대한 주파수 대역 별 스펙트럼 분류를 수행하고, 일부 주파수 대역(예: 적외선 대역)의 스펙트럼으로부터 제2 라디오믹스 특징점들을 추출한 후, 그에 대응하는 서버 기준 모델에 적용하여 제2 현재 분광 이미지(1235)에 대응하는 제2 배터리(1050)의 양품 또는 불량품 판정을 수행할 수 있다. 제1 라디오믹스 특징점들을 적용하는 제2 서버 기준 모델(1231)과 제2 라디오믹스 특징점들을 적용하는 서버 기준 모델은 서로 다를 수 있다. 또는, 본 발명의 제2 서버 기준 모델(1231)(또는 제2 기준 모델(1131))은 멀티모달 데이터 셋 전체를 적용할 수 있도록 구성되거나, 특정 데이터만을 적용하도록 구성될 수 있다. 또는, 필요에 따라 제2 배터리(1050)의 양품 또는 불량품 판정의 정확도 개선을 위하여 앞서 설명한 모든 종류의 멀티모달 데이터 셋(예: 제2 배터리(1050)의 충전 또는 방전 시 촬영된 분광 이미지, 상기 분광 이미지로부터 추출된 분광 이미지 전체 픽셀들에 대한 라디오믹스 특징점들, 상기 분광 이미지를 일정 주파수 대역으로 분할한 데이터들, 상기 분할한 데이터들 중 적어도 일부 데이터들로부터 추출된 라디오믹스 특징점들, 상기 분광 이미지를 수집하는 시점과 동일 또는 유사한 시점에 획득된 센서 정보)을 적용할 수 있도록 모델 생성이 수행될 수 있다.
상술한 바와 같이, 본 발명의 실시 예에 따른 제2 서버 장치(1200)는 신속성과 정확도 사이의 트레이드 오프를 통하여 배터리 발열을 검사할 수 있는 환경에 따른 적응적인 시스템 적용을 지원할 수 있다.
도 12는 본 발명의 실시 예에 따른 분광 이미지의 라디오믹스 특징점을 이용하는 기준 모델 생성 방법의 한 예를 나타낸 도면이다.
도 7 내지 도 12를 참조하면, 본 발명의 실시 예에 따른 제2 배터리 발열 검사 장치(1100)의 운용 방법에 있어서, 제2 배터리 발열 검사 장치(1100)의 제2 프로세서(1150)는 1501 단계에서 제2 기준 모델(1131) 생성 요청이 발생하는지 확인할 수 있다. 이와 관련하여, 상기 제2 배터리 발열 검사 장치(1100)의 제2 프로세서(1150)는 배터리 발열 검사와 관련한 어플리케이션을 설치하고, 해당 어플리케이션이 운용할 수 있는 제2 기준 모델(1131)이 없는 경우 자동으로 기준 모델 생성 모드를 운용할 수 있다. 또는, 상기 제2 프로세서(1150)는 상기 제2 기준 모델(1131)의 버전을 확인하고, 업데이트가 필요한 경우, 기준 모델 생성 모드를 운용할 수 있다. 또는, 상기 제2 프로세서(1150)는 발열 검사를 수행할 제2 배터리(1050)의 식별 정보를 수집하고, 해당 식별 정보에 대응하는 제2 배터리(1050)에 대응하는 기준 모델이 없는 경우, 기준 모델 생성 모드로 진입할 수 있다. 상기 제2 프로세서(1150)는 기준 모델 생성 요청에 따라, 해당 모드가 활성화되면, 제2 분광 카메라(1120)를 운용하여 제2 배터리 거치대(1125)에 놓인 제2 배터리(1050)에 관한 분광 이미지를 수집할 수 있다. 이 동작에 앞서, 상기 제2 프로세서(1150)는 제2 배터리 거치대(1125)에 제2 배터리(1050)가 놓이면 제2 배터리(1050) 충방전 환경(예: 온도 환경)에 관한 정보를 제2 센서부(1190)를 이용하여 수집할 수 있다. 상기 제2 프로세서(1150)는 온도 환경이 사전 정의된 온도 값이 되도록 제2 배터리 거치대(1125)에 배치된 온열 장치 또는 냉각 장치 중 적어도 하나를 제어할 수 있다. 또는, 온도 환경이 사전 정의된 기준 범위 이내인 경우 상술한 온도 조절 동작은 생략될 수 있다.
기준 모델 생성이 요구되지 않으면, 상기 제2 프로세서(1150)는 1503 단계에서 지정 기능 수행을 처리할 수 있다. 예컨대, 제2 프로세서(1150)는 제2 기준 모델(1131)이 이미 제2 메모리(1130)에 저장되어 있는 경우, 제2 배터리(1050) 발열 검사 기능과 관련한 동작을 수행할 수 있다. 또는, 제2 프로세서(1150)는 제2 배터리 발열 검사 장치(1100)의 각 구성들 중 적어도 일부 구성의 현재 상태(예: 정상 상태 또는 불량 발생 여부)를 검사하고, 검사 결과를 출력할 수 있다. 별도의 지정 기능이 없는 경우, 1503 단계는 생략될 수 있다.
제2 기준 모델(1131) 생성과 관련한 분광 이미지가 수집되면, 1505 단계에서, 제2 배터리 발열 검사 장치(1100)의 제2 프로세서(1150)는 획득된 분광 이미지로부터 라디오믹스 분석을 통한 모델링 데이터(예: 앞서 도 2에서 설명한 특징 정보(1135)를 적어도 포함하는 데이터 또는 도 11에서 설명한 모델 학습 데이터(1233)의 적어도 일부를 포함하는 데이터, 또는 멀티모달 데이터 셋의 적어도 일부)를 구성할 수 있다. 예컨대, 상기 제2 프로세서(1150)는 앞서 도 10에서 설명한 라디오믹스 특징점들을 수집된 분광 이미지로부터 추출할 수 있다. 또는, 상기 제2 프로세서(1150)는 수집된 분광 이미지를 사전 정의된 복수개의 주파수 대역으로 분류하고, 적어도 일부 주파수 대역의 스펙트럼(예: 적외선 대역의 스펙트럼)으로부터 부분 라디오믹스 특징점들을 수집할 수 있다. 전체 주파수 대역의 라디오믹스 특징점들을 수집한 경우, 상기 제2 프로세서(1150)는 주파수 대역 별로 분류하여 그룹핑할 수 있다. 추가적으로 또는 대체적으로, 상기 제2 프로세서(1150)는 분광 이미지가 수집된 시점과 동일한 시점(또는 해당 시점에 가장 인접한 시점)에 수집된 센서 정보를 확보하고, 센서 정보와 상술한 데이터들(예: 분광 이미지, 분광 이미지로부터 추출된 제1 라디오믹스 특징점들, 상기 분광 이미지를 주파수 대역 별로 분류한 스펙트럼들로부터 추출한 제2 라디오믹스 특징점들)과 함께 멀티모달 데이터 셋을 구성하여 모델링 데이터로서 제2 메모리(1130)에 저장할 수 있다. 추가적으로 또는 대체적으로, 상기 제2 프로세서(1150)는 하나의 제2 배터리(1050)에 대하여 복수의 온도 환경에서 분광 이미지들을 수집하고, 복수의 분광 이미지들로부터 라디오믹스 특징점들 중 적어도 일부를 추출하거나, 주파수 대역 별 분류 처리한 멀티모달 데이터로부터 부분 라디오믹스 특징점들을 추출할 수 있다.
1507 단계에서 상기 제2 배터리 발열 검사 장치(1100)의 제2 프로세서(1150)는 특징 정보를 적어도 포함하는 모델링 데이터 대한 데이터 라벨 지정 입력의 수신이 있는지 확인할 수 있다. 이와 관련하여, 상기 제2 프로세서(1150)는 모델링 데이터의 적어도 일부를 제2 디스플레이(1160)에 출력할 수 있다. 또는, 상기 제2 프로세서(1150)는 모델링 데이터와 관련한 분광 이미지 또는 해당 분광 이미지 획득 시 함께 획득된 센서 정보의 적어도 일부를 제2 디스플레이(1160)에 출력하고, 출력된 정보에 대응하여 양품 또는 불량품 지정 라벨을 입력(예: 사용자 입력) 받을 수 있다.
상기 제2 프로세서(1150)는 양품 입력을 수신하면, 1509 단계에서, 해당 모델링 데이터를 양품으로 지정할 수 있다. 상기 제2 프로세서(1150)는 불량품 입력을 수신하면, 1511 단계에서 해당 모델링 데이터를 불량품으로 지정할 수 있다. 한편, 상기 제2 프로세서(1150)는 양품 또는 불량품 라벨 지정과 관련하여, 사용자 입력을 수신하지 않고, 분광 이미지의 적어도 일부에 대한 클러스터링을 수행한 후, 클러스터링 결과를, 양품 및 불량품 구분을 위해 사전 저장된 클러스터와 비교하여, 해당 분광 이미지에 대응하는 모델링 데이터의 양품 지정 또는 불량품 지정을 처리할 수 있다.
이후, 상기 제2 프로세서(1150)는 1513 단계에서, 라벨이 지정된 모델링 데이터가 지정 수량 이상인지 확인할 수 있다. 지정 수량 미만인 경우, 제2 프로세서(1150)는 1501 단계 이전으로 분기하여, 이하 동작을 재수행하여 보다 많은 모델링 데이터를 수집할 수 있다.
지정 수량 이상이 되면, 상기 제2 프로세서(1150)는 1515 단계에서, 저장된 분광 이미지들에 대응하는 데이터들(예: 모델링 데이터 또는 멀티모달 데이터 셋)에 대해 지도 학습을 수행하여 제2 기준 모델(1131)을 생성하고, 그 결과를 제2 메모리(1130)에 저장할 수 있다. 일 예로서, 상기 제2 프로세서(1150)는 기계 학습 모델 또는 인공신경망 중 적어도 하나에 대해 상술한 지정 라벨 값(예: 양품 또는 불량품으로 지정하는 값)을 출력으로 하고, 나머지를 입력으로 처리한 후 모델 학습을 수행하여 제2 기준 모델(1131)을 생성할 수 있다. 이 동작에서, 상기 제2 프로세서(1150)는 제2 메모리(1130)에 저장된 데이터들(예: 모델링 데이터 또는 멀티모달 데이터 셋의 적어도 일부 중 일부 데이터는 검증용 데이터 셋으로 분류하고, 나머지 데이터들을 이용하여 학습을 수행한 후, 제2 기준 모델(1131)에 대한 학습이 완료되면, 학습 완료된 제2 기준 모델(1131)에 검증용 데이터 셋을 적용하여 성능 검증을 수행할 수 있다. 일 예로서, 상기 제2 프로세서(1150)는 지도 학습에 사용하는 데이터 셋과 검증용 데이터 셋의 분할 비율을 8:2로 하거나, 또는 사용자 입력에 따라 7:3, 9:1 등으로 조정할 수 있다. 상기 제2 프로세서(1150)는 성능 검증 결과를 시스템 UI를 통하여 출력하여 지정된 사용자에게 검증 성능을 보고할 수 있다. 사용자 입력에 따라 또는 사전 설정된 기준 값 이상의 성능 값 달성 여부에 따라, 검증 성능이 보고된 제2 기준 모델(1131)의 운용 여부가 결정될 수 있다. 지도 학습이 완료되면, 제2 프로세서(1150)는 제2 배터리(1050)의 발열 검사 기능으로 복귀할 수 있다. 또는, 제2 프로세서(1150)는 어플리케이션의 기준 모델 생성 모드 완료를 안내하고, 발열 검사 기능을 활성화할 수 있다.
한편, 상술한 도 12의 설명에서는, 제2 배터리 발열 검사 장치(1100)가 제2 기준 모델(1131)을 생성하는 방법의 한 예를 설명하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 제2 기준 모델(1131) 생성 과정 중 적어도 일부 과정은 상기 제2 서버 장치(1200)에서 수행될 수도 있다. 이에 따라, 도 12에 설명한 기준 모델 생성 방법은 제2 서버 장치(1200)에서의 서버 기준 모델 생성 방법의 적어도 일부가 될 수 있다.
도 13은 본 발명의 실시 예에 따른 분광 이미지의 라디오믹스 특징점을 이용한 배터리 발열 검사 방법의 한 예를 나타낸 도면이다.
도 7 내지 도 13을 참조하면, 본 발명의 실시 예에 따른 배터리 발열 검사 방법과 관련한, 제2 배터리 발열 검사 장치(1100)의 운용 방법에 있어서, 제2 프로세서(1150)는 1601 단계에서 제2 배터리(1050)의 발열 검사 요청이 발생하는지 확인할 수 있다. 이와 관련하여, 제2 프로세서(1150)는 사용자 입력에 따라 또는 사전 정의된 스케줄 정보에 따라 어플리케이션을 활성화하고, 해당 어플리케이션 지원 기능 중 제2 배터리(1050)의 발열 검사 기능을 선택하는 사용자 입력이 발생하는지 확인할 수 있다. 배터리 발열 검사를 요청하는 입력 수신이 없는 경우, 1603 단계에서, 지정 기능 수행을 처리할 수 있다. 예컨대, 제2 프로세서(1150)는 제2 배터리 발열 검사 장치(1100)의 각 구성들 중 적어도 일부 구성의 상태 값을 출력할 수 있다. 별도의 지정 기능이 없는 경우, 1603 단계는 생략될 수 있다. 배터리 발열 검사를 요청하는 입력이 발생하면, 상기 제2 프로세서(1150)는 제2 배터리(1050) 발열 검사를 위해 제2 배터리(1050)가 제2 배터리 거치대(1125)에 놓이는 것을 감지할 수 있다. 상기 제2 프로세서(1150)는 제2 배터리(1050)가 제2 배터리 거치대(1125)에 놓이면 제2 배터리(1050)의 충방전을 제어할 수 있다.
제2 배터리(1050)의 발열 검사를 위해 배터리 충방전이 수행되거나 또는 사전 정의된 일정 조건(예: 제2 배터리(1050)의 충전량 또는 방전량이 지정된 값 이상 또는 미만이거나, 충전 속도 도는 방전 속도가 지정된 기준 값 이상)이면, 1605 단계에서 제2 프로세서(1150)는 충방전 중인 제2 배터리(1050)에 대한 현재 분광 이미지를 획득할 수 있다. 이 동작에서, 상기 제2 프로세서(1150)는 충방전 중인 제2 배터리(1050)의 온도 환경 정보를 함께 수집할 수 있다. 온도 환경이 사전 정의된 기준 범위를 벗어난 경우, 온도 환경 조절을 위한 온열 장치 조정 또는 냉각 장치 조정을 수행할 수 있다.
현재 분광 이미지 획득 이후, 제2 프로세서(1150)는 1607 단계에서 획득된 분광 이미지로부터 라디오믹스 특징점들(예: 앞서 도 10에서 설명한 라디오믹스 특징점들 중 적어도 일부)을 추출하고, 추출된 특징점들을 이용하여 제2 배터리(1050)의 발열 검사를 수행할 수 있다. 이 동작에서, 상기 제2 프로세서(1150)는 획득된 현재 분광 이미지를 사전 정의된 복수개의 주파수 대역 별로 분할하고, 각각의 주파수 대역 별 스펙트럼들로부터 부분 라디오믹스 특징점들을 추출하고, 추출된 부분 라디오믹스 특징점들과 사전 저장된 제2 기준 모델(1131)을 상호 비교할 수도 있다. 이와 관련하여, 제2 기준 모델(1131)은 복수의 주파수 대역 별 스펙트럼들로 추출된 라디오믹스 특징점들과 관련한 모델들을 포함할 수 있다. 상기 제2 프로세서(1150)는 복수의 주파수 대역별 스펙트럼들을 대응되는 기준 모델에 비교하고 그 결과 값을 산출할 수 있다.
상기 제2 프로세서(1150)는 1609 단계에서, 제2 배터리(1050)의 발열 검사 결과 값이 제2 배터리(1050)의 양품 특성을 나타내는지 확인할 수 있다. 제2 기준 모델(1131)과의 비교에서 결과 값이, 제2 배터리(1050)의 양품 특성을 나타낸 경우, 1611 단계에서, 제2 프로세서(1150)는 제1 배터리 상태 정보를 출력할 수 있다. 상기 제1 배터리 상태 정보는 예컨대, 현재 발열 검사 중인 제2 배터리(1050)가 양품임을 나타낸 정보를 포함할 수 있다. 상기 제2 프로세서(1150)는 제1 배터리 상태 정보를 제2 디스플레이(1160) 또는 지정된 관리자 단말에 출력할 수 있다.
제2 기준 모델(1131)과의 비교에서 결과 값이, 제2 배터리(1050)의 불량품 특성을 나타낸 경우, 1613 단계에서, 제2 프로세서(1150)는 제2 배터리 상태 정보를 출력할 수 있다. 상기 제2 배터리 상태 정보는 상기 제2 배터리(1050)가 불량품임을 지시하는 정보를 포함할 수 있다. 상기 제2 프로세서(1150)는 제2 배터리 상태 정보를 제2 디스플레이(1160) 또는 지정된 관리 단말에 출력하되, 해당 제2 배터리(1050)의 폐기 처분 또는 재검사를 요청하는 정보를 함께 출력할 수 있다.
1615 단계에서, 상기 제2 배터리 발열 검사 장치(1100)의 제2 프로세서(1150)는 배터리 발열 검사 기능의 종료 여부를 확인할 수 있다. 배터리 발열 검사 기능 종료와 관련한 이벤트 발생이 없으면, 제2 프로세서(1150)는 1601 단계 이전으로 분기하여 이하 동작을 재수행할 수 있다. 배터리 발열 검사 기능 종료와 관련한 이벤트 예컨대, 어플리케이션 종료를 위한 사용자 입력 신호 또는 제2 분광 카메라(1120) 종료를 지시하는 입력 신호 등이 발생하면 배터리 발열 검사 기능의 종료로 판단하고, 제2 프로세서(1150)는 관련 기능 종료를 처리할 수 있다.
한편, 상술한 설명에서는, 제2 배터리 발열 검사 장치(1100)를 이용하여 제2 배터리(1050)의 발열 검사를 수행하는 방법을 예시하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상술한 도 13에서 설명한 동작들은 제2 서버 장치(1200)에서도 유사하게 수행될 수도 있다. 제2 서버 장치(1200)가 상기 도 13에 기재된 동작을 수행하도록 정의되는 경우, 상기 제2 서버 장치(1200)는 1601 단계 및 1603 단계를 스킵하고, 1605 단계에서 통신 채널을 형성한 제2 배터리 발열 검사 장치(1100)로부터 현재 분광 이미지를 획득한 후, 이하 동작을 수행하여 제2 배터리(1050)의 양품 또는 불량품 검사 결과를 판정하고, 판정 결과를 제2 배터리 발열 검사 장치(1100) 또는 지정된 사용자 단말에 전송하는 동작을 수행하도록 구성될 수 있다.
이하, 본 발명에서는, 분광 이미지에 대한 비지도 학습을 기반으로 하는 배터리의 발열 검사 기능 지원 시스템 환경 및 이에 포함되는 각 구성들의 종류와 역할에 대하여 설명하기로 한다.
도 14는 본 발명의 실시 예에 따른 비지도 학습 기반의 배터리 발열 검사를 지원하는 시스템 환경의 적어도 일부 예를 나타낸 도면이다.
도 14를 참조하면, 본 발명의 비지도 학습 기반의 배터리 발열 검사 기능을 지원하는 제3 시스템 환경(2010)은 제3 배터리(2050)를 제조하는 과정에서 제3 배터리(2050)의 품질 관리를 위해 제3 배터리(2050)의 충방전을 수행하면서 발열 검사를 수행할 수 있는 구성들을 포함할 수 있다. 일 예로서, 본 발명의 제3 시스템 환경(2010)은 제조 과정에서 모든 제3 배터리(2050)에 대한 발열 검사를 수행할 수 있으며, 또는 전체 제3 배터리(2050)들 중 일부 배터리들을 샘플링한 후, 샘플링된 제3 배터리(2050)에 대해 발열 검사를 수행하는데 이용될 수도 있다.
이러한 제3 시스템 환경(2010)은 예컨대, 배터리 생산공정 중 품질보증(QA)/품질관리(QC) 공정에서, 제조가 완료된 제3 배터리(2050)를 충방전하면서(또는 필요에 따라 제조가 완료되지 않았더라도 충방전이 가능한 배터리를 충전 또는 방전하면서) 배터리의 발열을 검출할 수 있도록 구성될 수 있다. 이를 위하여, 상기 제3 시스템 환경(2010)은 제3 배터리(2050) 및 제3 배터리 발열 검사 장치(2100)를 포함할 수 있다.
일 예로서, 상기 제3 배터리 발열 검사 장치(2100)는 제3 배터리(2050)가 놓일 수 있는 제3 배터리 거치대(2125), 제3 배터리(2050) 충방전을 위한 제3 충방전 장치(2180)를 포함할 수 있다. 여기서, 상기 제3 배터리 거치대(2125) 및 제3 충방전 장치(2180) 중 적어도 일부는 제3 배터리 발열 검사 장치(2100)와 독립적인 구성일 수 있으며, 또는 제3 배터리 발열 검사 장치(2100)의 일 구성에 포함되는 구성일 수 있다. 일 예로서, 상기 제3 충방전 장치(2180)만 제3 배터리 발열 검사 장치(2100)에 포함될 수도 있다.
추가적으로 또는 대체적으로 상기 제3 배터리 발열 검사 장치(2100)와 통신 채널을 형성하여 배터리 발열 검사를 지원하는 제3 서버 장치(2200)를 더 포함할 수 있다. 일 예로서, 상기 제3 시스템 환경(2010)에서는 제3 서버 장치(2200)가 제3 배터리 발열 검사 장치(2100)를 지원하는 형태로 예시하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 제3 시스템 환경(2010)은 상기 제3 서버 장치(2200) 구성 없이, 임베이디드 된 프로그램을 실행할 수 있는 전자 장치(예: 제3 배터리 발열 검사 장치(2100))를 기반으로 제3 배터리(2050)의 발열 검사 및 결과 안내를 수행되도록 구성될 수도 있다. 이 경우, 상기 제3 서버 장치(2200) 구성은 제3 시스템 환경(2010)의 구성에서 생략될 수 있다.
상기 제3 배터리(2050)는 2차 전지로서, 양극 활물질로 마련된 양극, 음극 활물질로 마련된 음극, 양극과 음극을 분리하는 분리막, 양극과 분리막 사이 또는 음극과 분리막 사이에 배치되는 전해질을 포함할 수 있다. 상술한 제3 배터리(2050)는 외부로부터 공급되는 전원을 충전하여 저장하고, 회로 조작에 따라 저장된 전원을 외부로 공급(방전)할 수 있다. 이러한 제3 배터리(2050)는 충전과 방전 과정에서 발열이 발생할 수 있으며, 이에 따라, 품질 관리를 위하여 제3 배터리(2050)의 발열 검사가 요구될 수 있다. 본 발명에서는 제3 배터리(2050)의 충전과 방전 중에 제3 배터리(2050)의 발열을 검사하여, 해당 제3 배터리(2050)가 양품인지 또는 불량품인지를 구분할 수 있도록 지원한다. 본 발명에서 제3 배터리(2050)는 배터리 팩에 감싸진 형태로 제3 배터리 거치대(2125)에 놓인 후, 제3 충방전 장치(2180)에 의해 충전 또는 방전될 수 있다. 이와 관련하여, 제3 배터리 거치대(2125)는 전원과 제3 충방전 장치(2180)를 연결하는 배선을 더 포함할 수 있다.
상기 제3 배터리 발열 검사 장치(2100)는 제조가 완료된 제3 배터리(2050)(또는 배터리 팩)의 충방전 시 발열을 검사할 수 있다. 이와 관련하여, 상기 제3 배터리 발열 검사 장치(2100)는 제3 배터리(2050)가 놓이는 제3 배터리 거치대(2125), 제3 배터리(2050) 충방전을 위한 제3 충방전 장치(2180), 제3 배터리(2050) 충방전 중 제3 배터리(2050)에 대한 분광 이미지를 촬영할 수 있는 제3 분광 카메라(2120), 제3 충방전 장치(2180)와 제3 분광 카메라(2120) 제어를 위한 컴퓨팅 장치를 포함할 수 있다. 또한, 상기 제3 배터리 발열 검사 장치(2100)는 상기 제3 분광 카메라(2120)의 높이 또는 방향 조절을 위한 제3 거치 구조물(2129)을 더 포함할 수 있다. 상기 제3 배터리(2050)는 제조가 완료되면 품질 보증 및 품질 관리를 위해 제3 배터리 거치대(2125)에 이송될 수 있다. 이때, 제3 배터리(2050)는 제3 분광 카메라(2120)가 촬영할 수 있는 제3 배터리 거치대(2125)의 특정 위치에 배치될 수 있다. 제3 배터리 거치대(2125)는 제3 배터리(2050)가 놓인 후 제3 배터리(2050)가 일시적으로 고정될 수 있는 구조물, 제3 배터리(2050) 충방전을 위한 전력을 공급하는 제3 충방전 장치(2180)가 놓이는 구조물을 포함할 수 있다. 추가적으로, 상기 제3 배터리 거치대(2125)는 제3 배터리(2050)의 충방전 환경을 제어할 수 있는 온열 장치 또는 냉각 장치 중 적어도 하나를 포함할 수 있다. 이를 기반으로, 제3 배터리 거치대(2125)는 컴퓨팅 장치의 제어에 따라 제3 배터리(2050)가 충전 또는 방전되는 환경 중 지정된 온도 환경을 제공할 수 있다.
상기 제3 충방전 장치(2180)는 컴퓨팅 장치의 제어에 따라, 제3 배터리 거치대(2125)에 거치된 제3 배터리(2050)의 충방전을 수행할 수 있다. 이와 관련하여, 제3 충방전 장치(2180)는 영구전원에 연결되고, 영구전원으로부터의 전원을 제3 배터리(2050)에 공급하거나 또는 제3 배터리(2050)에 저장된 전원을 방전시키도록 구성될 수 있다. 제3 배터리(2050) 방전과 관련하여 상기 제3 충방전 장치(2180)는 제3 배터리(2050) 전력을 소모할 수 있는 부하를 포함할 수 있다. 이러한 제3 충방전 장치(2180)의 운용을 통하여, 상기 제3 배터리 발열 검사 장치(2100)는 제3 배터리(2050)가 충전되는 동안 또는 방전되는 동안 제3 분광 카메라(2120)를 이용하여 적어도 하나의 분광 이미지를 촬영하고, 촬영된 분광 이미지와 비지도 학습 방식으로 생성된 기준 모델과의 비교를 수행하여 해당 제3 배터리(2050)가 양품인지 또는 불량품인지를 판단할 수 있다. 상기 제3 배터리 발열 검사 장치(2100)는 상기 기준 모델 생성과 관련하여, 일정 개수 이상의 제3 배터리(2050) 충방전 상태를 촬영한 분광 이미지들을 획득할 수 있다.
추가적으로, 상기 제3 배터리 발열 검사 장치(2100)는 제3 서버 장치(2200)를 통하여 제3 배터리(2050)에 대한 발열 검사 기능을 처리할 수 있다. 이 경우, 제3 배터리 발열 검사 장치(2100)는 제3 배터리(2050)에 대한 분광 이미지를 제3 서버 장치(2200)에 전송한 후, 제3 서버 장치(2200)로부터 배터리 발열 검사 결과를 수신하여 출력하도록 구성될 수 있다. 또한, 상기 제3 배터리 발열 검사 장치(2100)가 별도의 제3 서버 장치(2200) 운용 없이 독립적으로 발열 검사 기능 수행 및 양품 판정을 수행하도록 구성될 수도 있다.
상기 제3 서버 장치(2200)는 상기 제3 배터리 발열 검사 장치(2100)와 통신 채널을 형성할 수 있다. 상기 제3 서버 장치(2200)는 제3 배터리 발열 검사 장치(2100)로부터 제3 배터리(2050)에 대한 적어도 하나의 분광 이미지를 수신하고, 수신된 적어도 하나의 분광 이미지를 분석하여 배터리 발열 상태 검출을 수행할 수 있다. 이 과정에서, 상기 제3 서버 장치(2200)는 현재 획득한 분광 이미지에 대한 비교 분석을 위하여 서버 기준 모델을 사전 저장할 수 있다. 상기 제3 서버 장치(2200)에 저장되는 서버 기준 모델은 제3 배터리 발열 검사 장치(2100)가 수집하여 제공한 분광 이미지들의 비지도 학습을 통하여 생성될 수도 있다. 상기 제3 서버 장치(2200)는 현재 획득된 제3 배터리(2050)에 대한 분광 이미지의 분석 결과를 제3 배터리 발열 검사 장치(2100)에 제공할 수 있다.
상술한 바와 같이, 본 발명의 실시 예에 따른 배터리 발열 검사 기능을 지원하는 제3 시스템 환경(2010)은 제3 배터리(2050)에 관한 분광 이미지를 제3 배터리 발열 검사 장치(2100)가 획득하고, 사전 저장된 기준 모델과 비교하여 배터리 발열 상태를 확인함으로써, 제3 배터리(2050)의 양품 및 불량품 판정을 처리할 수 있도록 지원한다.
도 15는 본 발명의 실시 예에 따른 제3 배터리 발열 검사 장치 구성의 한 예를 나타낸 도면이며, 도 16은 도 15의 프로세서 구성의 한 예를 나타낸 도면이다.
먼저, 도 15를 참조하면, 본 발명의 실시 예에 따른 제3 배터리 발열 검사 장치(2100)는 제3 통신 회로(2110), 제3 분광 카메라(2120), 제3 메모리(2130), 제3 입력부(2140), 제3 디스플레이(2160), 제3 충방전 장치(2180) 및 제3 프로세서(2150)를 포함할 수 있다. 추가적으로 또는 대체적으로 상기 제3 배터리 발열 검사 장치(2100)는 상기 제3 배터리(2050)의 발열 상태와 관련한 센서 정보를 수집할 수 있는 접촉식 센서 또는 비접촉식 센서 중 적어도 하나를 포함하는 제3 센서부(2190)를 더 포함할 수도 있다. 상기 제3 센서부(2190) 구성은 상기 제3 배터리 발열 검사 장치(2100)에서 생략될 수 있으며, 또한, 상기 제3 통신 회로(2110), 제3 입력부(2140), 제3 디스플레이(2160), 제3 충방전 장치(2180) 중 적어도 하나 역시 상기 제3 배터리 발열 검사 장치(2100)에서 생략될 수 있다. 예컨대, 상기 제3 배터리 발열 검사 장치(2100)는 제3 디스플레이(2160) 구성을 포함하지 않고, 발열 검사에 관한 정보를 제3 통신 회로(2110)를 통해 지정된 사용자 단말에 전송하도록 구성될 수 있다. 상기 제3 충방전 장치(2180)는 앞서 언급한 바와 같이, 제3 배터리 발열 검사 장치(2100)의 구성이 아닌 별도의 제3 시스템 환경(2010) 구성으로 배치될 수 있다.
추가로, 상기 제3 배터리 발열 검사 장치(2100)는 앞서 도 14에서 설명한 바와 같이, 상기 적어도 하나의 제3 분광 카메라(2120)를 이용하여 제3 배터리(2050)에 대한 분광 이미지를 촬영할 수 있도록 상기 제3 분광 카메라(2120)와 제3 배터리(2050) 사이의 촬영 거리 또는 촬영 각도 중 적어도 하나를 조절할 수 있는 제3 거치 구조물(2129) 및 제3 배터리(2050)가 놓이는 제3 배터리 거치대(2125) 구성 중 적어도 하나를 더 포함할 수 있다. 또한, 상기 제3 배터리 발열 검사 장치(2100)는 상술한 구성들 예컨대, 제3 통신 회로(2110), 제3 분광 카메라(2120), 제3 메모리(2130), 제3 입력부(2140), 제3 디스플레이(2160), 제3 충방전 장치(2180), 제3 센서부(2190) 및 제3 프로세서(2150) 중 적어도 하나의 운용에 필요한 전원부(예: 영구전원 또는 배터리)를 더 포함할 수 있다. 상기 전원부는 제3 충방전 장치(2180)를 통해 제3 배터리(2050)에 전력을 공급하는 영구전원이 될 수도 있다.
상기 제3 통신 회로(2110)는 제3 배터리 발열 검사 장치(2100)의 통신 기능을 지원할 수 있다. 일 예로, 상기 제3 통신 회로(2110)는 제3 서버 장치(2200)와 통신 채널을 형성할 수 있다. 본 발명의 실시 예에 따른 제3 배터리(2050)의 분광 이미지 분석에 필요한 연산을 제3 서버 장치(2200)에서 수행하도록 설계된 경우, 제3 통신 회로(2110)는 제3 분광 카메라(2120)가 수집한 적어도 하나의 분광 이미지를 제3 서버 장치(2200)에 전송할 수 있다. 또한, 상기 제3 통신 회로(2110)는 설정에 따라 또는 제3 프로세서(2150) 제어에 따라, 제3 서버 장치(2200)로부터 분광 이미지의 분석 결과(예: 제3 배터리(2050)의 발열 상태에 따른 상태 이상 결과)를 수신하여 제3 프로세서(2150)에 전달할 수 있다. 또는, 상기 제3 통신 회로(2110)는 제3 배터리(2050)의 발열 정보(또는 제3 배터리(2050)의 상태 이상 판정 결과)를 지정된 사용자 단말(예: 제3 배터리 발열 검사 장치(2100)의 관리자가 소유한 단말)에 전송할 수 있다.
추가적으로 또는 대체적으로, 제3 통신 회로(2110)는 외부 서버 장치와 통신 채널을 형성하고, 상기 외부 서버 장치로부터 제3 기준 모델(2131)을 수신할 수도 있다. 상기 제3 기준 모델(2131)은 일정 개수 이상의 분광 이미지들에 대해 비지도 학습을 수행한 모델을 포함할 수 있다. 이와 관련하여, 제3 통신 회로(2110)는 제3 프로세서(2150) 제어에 대응하여 일정 주기로 외부 서버 장치와 통신 채널을 형성하고, 새롭게 갱신된 제3 기준 모델(2131)이 있는 경우, 갱신된 제3 기준 모델(2131)을 외부 서버 장치로부터 수신하여 제3 메모리(2130)에 저장(또는 갱신)할 수 있다.
상기 제3 분광 카메라(2120)는 앞서 도 14에서 설명한 제3 배터리 발열 검사 장치(2100)의 제3 분광 카메라(2120)로서, 제3 배터리(2050)에 대한 분광 이미지를 촬영할 수 있도록 배치될 수 있다. 앞서 도 14에서는 제3 배터리 발열 검사 장치(2100)가 하나의 제3 분광 카메라(2120)를 포함하는 형태를 예시하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 제3 분광 카메라(2120)는 복수개가 배치될 수도 있다. 복수개의 분광 카메라들이 배치되는 경우, 복수개의 분광 카메라들은 제3 배터리(2050)를 다양한 각도 또는 다양한 거리에서 촬영하도록 배치될 수 있다. 상기 제3 분광 카메라(2120)는 제3 프로세서(2150) 제어에 대응하여 활성화되고, 제3 배터리(2050)에 대한 분광 이미지는 제3 프로세서(2150)에 전달될 수 있다. 또는, 제3 프로세서(2150) 제어에 대응하여, 제3 분광 카메라(2120)가 획득한 분광 이미지는 제3 통신 회로(2110)를 통해 제3 서버 장치(2200)에 전송될 수도 있다.
상기 제3 메모리(2130)는 제3 배터리 발열 검사 장치(2100) 운용에 필요한 적어도 하나의 프로그램 또는 데이터를 저장할 수 있다. 일 예로, 제3 메모리(2130)는 배터리 발열 검사 기능과 관련한 어플리케이션, 적어도 하나의 제3 분광 카메라(2120) 구동에 필요한 제어 프로그램, 적어도 하나의 제3 분광 카메라(2120)를 통해 획득된 분광 이미지(2133)를 임시 또는 반영구적으로 저장할 수 있다. 예컨대, 상기 제3 메모리(2130)는 제3 배터리(2050)에 대해 현재 촬영된 분광 이미지와 비교 분석하는데 이용되는 제3 기준 모델(2131)을 저장할 수 있다. 상기 제3 기준 모델(2131)은 앞서 언급한 바와 같이, 외부 서버 장치로부터 수신될 수 있다. 또는, 상기 제3 기준 모델(2131)은 복수개의 분광 이미지(2133)가 사전 정의된 일정량 이상 누적 저장된 경우, 상기 분광 이미지(2133)들에 대한 비지도 학습을 통해 생성될 수도 있다. 상기 분광 이미지(2133)는 비지도 학습을 위하여 복수개의 데이터(예: 멀티모달 데이터)로 분할 될 수 있다. 추가적으로 또는 대체적으로, 상기 제3 메모리(2130)는 제3 센서부(2190)가 수집한 센서 정보를 저장할 수 있다. 상기 제3 메모리(2130)에 저장되는 센서 정보는 상기 분광 이미지(2133)가 획득된 시점과 동일 시점 또는 분광 이미지(2133)가 획득된 시점과 사전 정의된 일정 범위 이내로 가까운 시점(또는 분광 이미지(2133) 획득된 시점과 가장 가까운 시점)에 획득된 센서 정보를 포함할 수 있다. 상기 센서 정보는 분광 이미지(2133) 기반의 제3 배터리(2050)의 양품 및 불량품 지정 또는 비지도 학습에 이용될 수 있다. 상기 멀티모달 데이터는 상기 센서정보와 함께 멀티모달 데이터 셋으로 상기 제3 메모리(2130)에 저장될 수도 있다.
상기 제3 메모리(2130)는 양품 라벨 데이터(2135)를 별도로 저장할 수 있다. 상기 양품 라벨 데이터(2135)는 상기 제3 기준 모델(2131) 생성과 관련하여 제3 배터리(2050) 충전 또는 방전 중에 수집된 분광 이미지들 중 제3 배터리(2050)의 발열 상태가 사전 정의된 기준 값 미만인 양품 특성을 가지는 분광 이미지들을 포함할 수 있다. 일 예로서, 상기 센서 정보 중 제3 배터리(2050)의 온도를 검출한 센서 정보를 통해 제3 배터리(2050)의 발열이 기준 값 미만인 시점과 동일한 시점에 획득된 분광 이미지들이 상기 양품 라벨 데이터(2135)로 저장될 수 있다. 또는, 상기 양품 라벨 데이터(2135)에는 양품으로 확인된 분광 이미지들을 사전 정의된 주파수 대역별로 분류한 멀티모달 데이터를 포함할 수 있다. 다른 예로서, 상기 양품 라벨 데이터(2135)는 사용자가 양품으로 입력한 제3 배터리(2050)를 촬영한 분광 이미지들을 포함할 수 있다.
상기 제3 입력부(2140)는 상기 제3 배터리 발열 검사 장치(2100) 조작을 위한 다양한 입력 수단을 포함할 수 있다. 예컨대, 상기 제3 입력부(2140)는 제3 배터리(2050)의 발열 검사 기능과 관련한 어플리케이션 실행을 요청하는 입력 신호, 제3 분광 카메라(2120)의 활성화를 위한 입력 신호, 분광 이미지(2133) 획득을 위한 제3 분광 카메라(2120) 조작 입력 신호, 분광 이미지(2133) 분석 결과 출력을 요청하는 입력 신호 중 적어도 하나를 사용자 조작에 따라 생성할 수 있다. 또한, 상기 제3 입력부(2140)는 제3 기준 모델(2131) 생성을 요청하는 입력 신호를 생성할 수 있다. 일 예로, 제3 기준 모델(2131)은 앞서 설명한 멀티모달 데이터 셋의 적어도 일부를 기반으로 생성될 수 있다. 또한, 상기 제3 입력부(2140)는 분광 이미지에 대하여 양품 또는 불량품에 대한 라벨 지정에 대응하는 사용자 입력을 수신할 수 있다. 이러한 제3 입력부(2140)는, 소프트키(또는 터치스크린이나 터치 패드 기반의 입력 수단), 물리키, 음성 입력 장치, 제스처 입력 장치, 죠그 셔틀 등 다양한 수단 중 적어도 하나를 포함할 수 있다.
상기 제3 디스플레이(2160)는 상기 제3 배터리 발열 검사 장치(2100) 운용에 필요한 적어도 하나의 화면을 출력할 수 있다. 예컨대, 상기 제3 디스플레이(2160)는 제3 배터리(2050) 발열 검사 기능과 관련한 어플리케이션 실행 화면, 제3 배터리 발열 검사 장치(2100)에 포함된 적어도 하나의 장치들(예: 제3 분광 카메라(2120), 제3 거치 구조물(2129), 제3 통신 회로(2110), 제3 입력부(2140), 제3 충방전 장치(2180), 제3 센서부(2190) 중 적어도 하나의 장치들)의 정상 상태 여부를 지시하는 화면, 제3 분광 카메라(2120) 활성화 화면, 제3 분광 카메라(2120)를 통한 분광 이미지(2133) 획득 화면, 분광 이미지(2133)들 기반으로 제3 기준 모델(2131)을 생성하는 화면, 제3 기준 모델(2131)의 학습 완료 이후 새 분광 이미지의 분석에 따른 배터리 발열 상태 검출 화면 중 적어도 하나를 출력할 수 있다. 또한, 상기 제3 배터리 발열 검사 장치(2100)가 제3 서버 장치(2200)와 연계 운용되는 경우, 상기 제3 디스플레이(2160)는 제3 서버 장치(2200) 접속 화면, 제3 서버 장치(2200)로부터 수신된 새 분광 이미지 분석 결과(예: 배터리 발열 상태를 기반으로 한 상태 이상 판정 결과)를 출력할 수 있다.
상기 제3 충방전 장치(2180)는 제3 배터리 거치대(2125)에 거치된 제3 배터리(2050)의 충방전을 제어할 수 있다. 이와 관련하여, 제3 충방전 장치(2180)는 전원과 직접적으로 연결될 수 있다. 상기 제3 충방전 장치(2180)는 제3 프로세서(2150) 제어에 대응하여 제3 배터리(2050) 충전을 위한 충전 전력을 공급하는 충전 회로, 제3 배터리(2050) 방전을 위한 방전 회로를 포함할 수 있다. 상기 제3 배터리(2050) 방전을 위하여 상기 제3 충방전 장치(2180)는 제3 배터리(2050)의 전원을 소모하는 부하를 더 포함할 수도 있다. 상기 제3 충방전 장치(2180)는 제3 배터리(2050)의 충전 잔량 또는 방전량 등을 검출할 수 있다.
상기 제3 센서부(2190)는 상기 제3 배터리(2050) 충전 또는 방전 시, 제3 배터리(2050)와 관련한 다양한 센서 정보를 수집할 수 있는 적어도 하나의 센서를 포함할 수 있다. 예컨대, 상기 제3 센서부(2190)는 제3 배터리(2050)의 충전 또는 방전 시 제3 배터리(2050)의 표면 온도를 검출할 수 있는 온도 센서를 포함할 수 있다. 또는, 상기 제3 센서부(2190)는 제3 배터리(2050)의 충전 또는 방전 시 제3 배터리(2050)의 부피 변화를 검출할 수 있는 RGB 센서(또는 RGB 카메라)를 포함할 수 있다.
상기 제3 프로세서(2150)는 제3 배터리 발열 검사 장치(2100) 운용에 필요한 신호의 전달과 처리, 처리 결과의 저장, 처리 결과의 출력 중 적어도 하나를 수행할 수 있다. 예컨대, 상기 제3 프로세서(2150)는 제3 배터리(2050)의 발열 검사 기능과 관련한 어플리케이션의 실행과 종료를 제어하며, 제3 분광 카메라(2120)가 수집한 분광 이미지 또는 외부 서버 장치로부터 수신한 분광 이미지들을 적어도 부분적으로 또는 전체적으로 이용하여 비지도 학습 기반의 제3 기준 모델(2131)을 생성하는 과정을 수행할 수 있다.
또는, 상기 제3 프로세서(2150)는 제3 분광 카메라(2120)를 제어하여 새 분광 이미지를 획득하고, 획득된 새 분광 이미지를 사전 저장된 제3 기준 모델(2131)에 적용하여 배터리 발열 상태에 대한 상태 이상 결과를 출력할 수 있다. 이와 관련하여, 상기 제3 프로세서(2150)는 도 16에 도시된 바와 같은 구성을 포함할 수 있다.
도 16을 참조하면, 상기 제3 프로세서(2150)는 충방전 제어부(2151), 카메라 제어부(2152), 비지도 학습부(2153), 발열 검출부(2154) 및 상태 안내부(2155) 중 적어도 하나를 포함할 수 있다.
상기 충방전 제어부(2151)는 제3 충방전 장치(2180)를 제어하여 제3 배터리(2050)의 충전 또는 방전을 제어할 수 있다. 이와 관련하여, 충방전 제어부(2151)는 제3 배터리 거치대(2125)에 제3 배터리(2050)가 놓인 후 제3 충방전 장치(2180)와 제3 배터리(2050)가 연결되면, 제3 배터리(2050)의 잔량을 확인할 수 있다. 이 동작에서, 상기 충방전 제어부(2151)는 제3 충방전 장치(2180)와 제3 배터리(2050) 사이에 연결된 배선을 이용한 통신 또는 근거리 무선 통신 중 적어도 하나를 기반으로 제3 배터리(2050) 잔량 정보를 수집할 수 있다. 상기 충방전 제어부(2151)는 제3 배터리(2050) 정보를 기반으로 제3 배터리(2050) 충전 전력의 크기(예: 전압 및 전류량) 및 속도(예: 고속 충전 또는 저속 충전)를 결정하고, 그에 대응하는 충전 전력을 제3 배터리(2050)에 공급하도록 제어할 수 있다. 상기 충방전 제어부(2151)는 제3 배터리(2050) 충전이 시작되면, 이를 카메라 제어부(2152)에 안내할 수 있다. 상기 충방전 제어부(2151)는 제3 배터리(2050)가 사전 정의된 기준 값 이상 충전(예: 100% 충전)되면, 제3 배터리(2050) 충전을 완료할 수 있다. 또는, 충방전 제어부(2151)는 제3 배터리(2050) 완충 이후 사전 정의된 일정 시간 경과 후 제3 배터리(2050) 자연 방전량을 확인하고, 자연 방전에 따른 추가 충전 동작을 수행하도록 제어할 수 있다. 상기 충방전 제어부(2151)는 사전 정의된 기준 값 이상으로 충전된 제3 배터리(2050)의 방전 동작을 수행하도록 제3 충방전 장치(2180)를 제어하고, 방전 동작 시작 시, 이에 대한 정보를 카메라 제어부(2152)에 전달할 수 있다. 상기 충방전 제어부(2151)는 제3 배터리(2050) 방전 시, 부하의 크기를 조절하여 다양한 방전 속도(예: 고속 방전 또는 저속 방전)를 가지도록 제3 배터리(2050)이 출력을 조절할 수 있다. 부하량 변화 시, 이에 대한 정보를 비지도 학습부(2153)에 전달할 수 있다.
상기 충방전 제어부(2151)는 제3 배터리(2050) 충전 또는 방전 동작 수행 중에, 제3 배터리 거치대(2125)를 제어하여 충전 또는 방전을 위한 온도 환경을 사전 정의된 설정 값에 대응되도록 제어할 수 있다. 예컨대, 상기 충방전 제어부(2151)는 제3 배터리 거치대(2125)에 마련된 온열 장치 또는 냉각 장치를 제어하여 제3 배터리(2050)가 충전 또는 방전되는 온도 환경이 지정된 영하 온도 값 미만 상태, 상온 상태, 지정된 영상 온도 값 이상인 상태 등이 되도록 제어할 수 있다. 상기 충방전 제어부(2151)는 온도 환경 별 및 충전 전력의 크기 별 제3 배터리(2050)의 충전 속도(또는 지정된 목표 충전량까지의 충전 속도) 또는 방전 속도(또는 지정된 목표 방전량까지의 방전 속도)를 수집할 수 있다. 상기 온도 환경에 관한 정보, 충전 전력의 크기 정보, 충전 속도, 방전 속도 등 제3 배터리(2050)의 충방전 환경과 관련한 다양한 정보는, 분광 이미지(2133) 획득 시, 획득된 분광 이미지(2133)와 매칭하여 제3 메모리(2130)에 저장될 수 있다. 상기 충방전 제어부(2151)의 온도 환경 조절 기능은 선택적으로 수행되는 것으로, 생략될 수도 있다.
상기 카메라 제어부(2152)는 충방전 제어부(2151)로부터 제3 배터리(2050)의 충전 동작 또는 방전 동작에 대한 정보를 수신하면, 해당 시점에 제3 분광 카메라(2120)를 제어하여 제3 배터리(2050)에 대한 분광 이미지를 촬영하도록 제어할 수 있다. 상기 카메라 제어부(2152)는 제3 기준 모델(2131) 생성을 위해 제3 배터리(2050)의 다양한 충방전 환경에서 촬영되는 복수개의 분광 이미지들을 수집하여 제3 메모리(2130)에 저장할 수 있다. 또는, 상기 카메라 제어부(2152)는 상기 제3 배터리(2050)가 사전 정의된 일정 량 이상 충전 중인 상태 또는 사전 정의된 충전 속도 또는 방전 속도인 상태에서 분광 이미지를 획득하도록 제3 분광 카메라(2120)를 제어할 수도 있다. 제3 기준 모델(2131) 생성 이후 또는 학습 완료 이후, 카메라 제어부(2152)는 현재 제3 배터리(2050)의 발열 상태 판단을 위해 제3 배터리(2050)와 관련한 적어도 하나의 분광 이미지를 수집할 수 있다. 예컨대, 카메라 제어부(2152)는 충방전 제어부(2151)에 요청하여 제3 배터리 거치대(2125)를 통해 충방전 온도 환경을 조절하고, 각 온도 환경 별 및 충방전 크기 별 새 분광 이미지들을 수집할 수 있다.
상기 비지도 학습부(2153)는 카메라 제어부(2152)의 제어에 따라 획득된 분광 이미지들 및 상기 분광 이미지들로부터 추출된 멀티모달 데이터의 적어도 일부가 제3 메모리(2130)에 저장되고, 제3 메모리(2130)에 저장된 분광 이미지들의 량(또는 멀티모달 데이터의 양)이 사전 정의된 일정량 이상이 되면, 양품 라벨 데이터(2135)에 대한 비지도 학습을 수행할 수 있다. 일 예로서, 비지도 학습부(2153)는 제3 분광 카메라(2120)가 획득한 분광 이미지를 유니모달 데이터로 처리하거나, 또는 400~700nm 파장대역의 가시광선, 400nm보다 짧은 파장 대역의 자외선, 700nm 보다 긴 파장 대역의 적외선으로 분할하여 멀티모달 데이터로 처리한 후, 높이(H) x 너비(W) x 채널(C, 파장) 형태로 구성되는 독립 스펙트럼으로 분리할 수 있다. 비지도 학습부(2153)는 독립 스펙트럼으로 분해하는 경우 동일한 채널에 해당하는 차원의 높이 ‘H’, 너비 'W’의 곱만큼 (H x W) 수의 스펙트럼을 얻을 수 있다.
추가적으로 또는 대체적으로, 비지도 학습부(2153)는 비접촉식 센서 또는 접촉식 센서 중 적어도 하나를 포함하는 제3 센서부(2190)에 의해 획득된 센서 정보를 수집 당시 시간을 함께 기록하면서 멀티모달 데이터와 쌍으로 매칭하여 멀티모달 데이터 셋으로 저장할 수 있다. 불가피하게 수집 주사율이 일치하지 않은 경우 비지도 학습부(2153)는 각 데이터에 기록된 시간에 기반하여, 서로 다른 센서간 가장 가까운 수집시간에 대응되는 데이터로 쌍을 구성 할 수 있다. 상기 비지도 학습부(2153)는 상기 수집된 각 데이터 쌍에 대해 사용자 입력에 따라 양품 또는 불량품으로 라벨을 지정할 수 있으며, 이는 인공신경망 학습의 출력 ‘y’가 될 수 있다. 또는 비지도 학습부(2153)는 사전 정의된 기준 값들 또는 사용자 입력에 따라 특정 분광 이미지들(또는 멀티모달 데이터)에 대해서 선별적으로 양품으로 라벨을 지정할 수 있다. 불가피하게 사용자가 라벨을 지정할 수 없는 경우, 비지도 학습부(2153)는 분광 이미지들에 대한 클러스터링 결과를 기반으로 의사라벨 (pseudo label)을 지정할 수 있으며, 의사라벨 지정 시, 클러스터링 결과에서 규모가 가장 크거나 밀도가 가장 높은 클러스터를 양품 클러스터로 간주할 수 있다.
상기 비지도 학습부(2153)는 데이터(예: 분광 이미지들 또는 멀티모달 데이터) ‘x’와 라벨 ‘y’가 일정 수량 이상 축적되는 경우 인공신경망을 초기화하고, 비지도 학습을 수행할 수 있다. 비지도 학습을 위해 상기 비지도 학습부(2153)는 생성형 인공신경망(예: multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), graph neural network (GNN) 중 적어도 하나 또는 조합)을 사용할 수 있다. 또는 비지도 학습부(2153)는 선택적으로 전통적 기계학습 기반 생성모델을 사용할 수 있다. 상기 전통적 기계 학습 모델은 decision tree (DT), random forest (RF), extreme gradient boosting (XGB), light gradient boosting machine (LGBM), and support vector machine (SVM), k-nearest neighbor classifier (KNN) 등 중 하나를 선택적으로 사용하거나, 또는 특정 모델을 다수 학습하거나, 여러 모델을 조합하는 형태로 ensemble 모델을 구축한 모델을 포함할 수 있다.
상기 비지도 학습부(2153)는 비지도 학습에 전체 데이터 중 일부를 학습용 데이터 셋으로 사용하고, 나머지 일부는 검증용 데이터 셋으로 사용할 수 있다. 학습용 데이터 셋과 검증용 데이터 셋의 분할 비율은 8:2, 또는 사용자의 입력에 따라 7:3, 9:1 등의 값으로 변경될 수 있다. 상기 학습용 데이터 셋은 양품 데이터들로서, 예컨대, 제3 메모리(2130)에 양품 라벨 데이터(2135)로 저장될 수 있다.
상기 비지도 학습부(2153)는 상기 학습용 데이터 셋에 대응하는 양품 라벨 데이터(2135)만을 이용하여 비지도 학습을 수행하여 제3 기준 모델(2131)을 생성하고, 학습이 종료되면, 분할된 검증용 데이터 셋으로, 제3 기준 모델(2131)에 대해 평가하고, 그 결과를 시스템 UI를 통해 출력하여, 사용자가 검증 성능을 확인할 수 있도록 지원할 수 있다. 상기 검증용 데이터 셋의 경우 기본적으로 양품 라벨의 데이터가 일정수준 이상 축적된 형태를 가질 수 있다. 상기 검증용 데이터 셋에 불량품 라벨의 데이터가 포함되어있는 경우, 그리고 그 수량이 일정수준 이상인 경우, 상기 비지도 학습부(2153)는 생성형 모델의 잔차 오차 기준을 통해 양품 또는 불량품으로의 2진 분류 성능을 측정하고, 측정 결과를 시스템 UI를 통하여 사용자에게 보고할 수 있다. 검증용 데이터 셋에 불량품 라벨의 데이터가 없거나, 있더라도 검증에 적합한 수준 이상의 수량을 포함하지 않는 경우, 상기 비지도 학습부(2153)는 생성형 모델로부터 양품 데이터의 생성 오차의 평균과 표준편차를 산출할 수 있다. 산출 방식은 예컨대, L2 거리를 활용하거나, 필요에 따라 L1, SSIM 등 다양한 지표를 사용할 수 있다. 산출된 양품 데이터의 복원 오차에 대한 평균과 표준편차를 기반으로, 상기 비지도 학습부(2153)는 정상 범주의 역치를 μ(평균) ± 1.5σ(표준 편차)의 바깥영역으로 지정할 수 있으며 해당 범위를 벗어나는 경우 상태 이상 판정을 결정할 수 있다. 상기 비지도 학습부(2153)는 범위가 아닌 μ + 1.5σ 또는 μ - 1.5σ와 같이 상한 값 또는 하한 값 설정 후, 해당 기준 값 초과 또는 미만에 따라 상태 이상 판정을 결정할 수 있다. 여기서, 1.5는 threshold 역할로 사용자의 조정에 따라 1, 3 등 다양한 수준으로 변경될 수 있다.
비지도 학습부(2153)는 학습 완료된 제3 기준 모델(2131)의 검증성능 값을 사용자에게 제공(예: 디스플레이에 출력)하고, 사용자 입력에 따라 해당 모델의 운용여부를 결정할 수 있다. 또는, 상기 비지도 학습부(2153)는 검증 성능이 사전 정의된 기준 값 이상인 경우, 학습 완료된 제3 기준 모델(2131)을 자동으로 적용할 수 있다. 예컨대, 비지도 학습부(2153)는 제3 기준 모델(2131)에 대한 학습 완료를 발열 검출부(2154)에 안내할 수 있다. 또는, 비지도 학습부(2153)는 제3 기준 모델(2131)의 검증 성능이 사전 정의된 기준 값 미만인 경우, 검증 성능이 기준 값 이상이 될 때까지, 분광 이미지들의 추가 수집 및 추가 수집된 분광 이미지들 포함 전체 분광 이미지들 기반의 모델 학습을 반복 수행할 수 있다.
상기 발열 검출부(2154)는 제3 기준 모델(2131)의 비지도 학습이 완료되었거나, 비지도 학습이 완료된 제3 기준 모델(2131)이 제3 메모리(2130)에 저장되면, 제3 기준 모델(2131)을 기준으로 제3 배터리(2050)의 발열 상태 검출을 수행할 수 있다. 이와 관련하여, 발열 검출부(2154)는 카메라 제어부(2152)에 요청하여 제3 배터리(2050)에 관한 새 분광 이미지가 획득되면 획득된 새 분광 이미지를 제3 기준 모델(2131)에 적용하여 제3 배터리(2050)의 발열 상태의 상태 이상 여부를 판단할 수 있다. 또는, 발열 검출부(2154)는 새 분광 이미지를 사전 정의된 주파수 대역별로 분할하고, 분할된 멀티모달 데이터들을 제3 기준 모델(2131)에 적용함에 따라, 제3 배터리(2050)가 상태 이상 여부(또는 양품인지 불량품인지)를 상태 안내부(2155)에 전달할 수 있다.
상기 상태 안내부(2155)는 발열 검출부(2154)로부터 제3 배터리(2050)의 판정 값을 수신하고, 수신된 판정 값에 대응하는 정보를 출력할 수 있다. 예컨대, 상기 상태 안내부(2155)는 제3 배터리 발열 검사 장치(2100)의 제3 디스플레이(2160)를 통해 현재 충방전 중인 제3 배터리(2050)의 양품 판정 정보 또는 불량품 판정 정보를 출력할 수 있다. 또는, 상기 상태 안내부(2155)는 상기 제3 통신 회로(2110)를 통하여 지정된 사용자 단말에 상기 제3 배터리(2050)의 양품 또는 불량품 판정 값을 포함하는 메시지를 전송할 수 있다.
상술한 바와 같이, 본 발명에 따르면, 본 발명의 제3 배터리 발열 검사 장치(2100)는 제3 배터리(2050)의 양품 또는 불량품 판정을 분광 이미지를 토대로 하되, 비지도 학습을 기반으로 생성된 제3 기준 모델(2131)을 이용하여 제3 배터리(2050) 발열 상태에 따른 양품 또는 불량품 판정을 수행할 수 있도록 지원한다.
도 17은 본 발명의 실시 예에 따른 서버 장치 구성의 한 예를 나타낸 도면이다. 앞서 설명한 바와 같이, 본 발명의 실시 예에 따른 배터리 발열 검사 기능을 제3 배터리 발열 검사 장치(2100)가 독립적으로 수행하도록 설계된 경우, 상기 제3 서버 장치(2200) 구성은 생략될 수도 있다.
도 14 내지 도 17을 참조하면, 본 발명의 제3 서버 장치(2200)는 제3 서버 통신 회로(2210), 제3 서버 메모리(2230) 및 제3 서버 프로세서(2250)를 포함할 수 있다.
상기 제3 서버 통신 회로(2210)는 제3 배터리 발열 검사 장치(2100)와 통신 채널을 형성할 수 있다. 일 예로, 상기 제3 서버 통신 회로(2210)는 지정된 주기 또는 사전 정의된 이벤트(예: 제3 배터리 거치대(2125)에 제3 배터리(2050)가 배치된 상태를 감지한 이벤트) 발생에 대응하여 제3 배터리 발열 검사 장치(2100)로부터 적어도 하나의 분광 이미지를 수신할 수 있다. 상기 수신된 적어도 하나의 분광 이미지는 비지도 학습 기반의 제3 서버 기준 모델(2231) 생성을 위해 이용될 수 있다. 다른 예로, 상기 제3 서버 통신 회로(2210)는 외부 서버 장치로부터 제3 서버 기준 모델(2231)을 수신할 수 있다. 상기 제3 서버 통신 회로(2210)는 발열 검사가 필요한 제3 배터리(2050)에 대해 적어도 하나의 제3 현재 분광 이미지(2235)를 수신하고, 그에 대응하는 분석 결과를 제3 서버 프로세서(2250) 제어에 대응하여 제3 배터리 발열 검사 장치(2100)(또는 지정된 사용자 단말)에 전송할 수 있다.
상기 제3 서버 메모리(2230)는 제3 서버 장치(2200) 운용에 필요한 적어도 하나의 프로그램 또는 데이터를 저장할 수 있다. 일 예로, 상기 제3 서버 메모리(2230)는 제3 서버 기준 모델(2231) 생성을 위해 수신된 복수개의 분광 이미지에 대응하는 비지도 학습용 데이터(2233) 또는 배터리 발열 검사를 위해 수신된 제3 현재 분광 이미지(2235), 제3 서버 기준 모델(2231) 중 적어도 하나를 저장할 수 있다. 상기 제3 서버 기준 모델(2231)은 앞서 설명한 제3 배터리 발열 검사 장치(2100)의 제3 메모리(2130)에 저장된 제3 기준 모델(2131)에 대응될 수 있다. 일 예로서, 상기 제3 서버 기준 모델(2231)은 제3 배터리 발열 검사 장치(2100)가 생성하여 제3 서버 장치(2200)에 제공될 수도 있다. 또는, 상기 제3 서버 메모리(2230)에 저장된 비지도 학습용 데이터(2233)에 비지도 학습을 수행하여 제3 서버 기준 모델(2231)이 생성될 수도 있다. 상기 비지도 학습용 데이터(2233)는 상기 제3 배터리 발열 검사 장치(2100)가 제공한 복수개의 분광 이미지들, 복수개의 분광 이미지들 각각으로부터 사전 정의된 주파수 대역 별로 나눈 대역 별 데이터(또는 멀티모달 데이터), 상기 복수개의 분광 이미지들이 수집된 시점과 동일한 시점 또는 가장 가까운 시점에 획득된 센서 정보들 중 적어도 일부를 포함할 수 있다. 일 예로서, 본 발명의 비지도 학습용 데이터(2233)는 복수개의 분광 이미지들 중 양품 라벨로 지정된 데이터들만을 포함할 수도 있다.
상기 제3 서버 프로세서(2250)는 제3 서버 장치(2200) 운용에 필요한 신호의 전달과 처리 또는 결과의 저장, 결과의 전송 또는 결과에 대응하는 메시지의 전송을 제어할 수 있다. 이와 관련하여, 상기 제3 서버 프로세서(2250)는 제3 충방전 관리부(2251), 제3 데이터 수집부(2252), 제3 모델 생성부(2253), 제3 발열 관리부(2254)를 포함할 수 있다.
상기 제3 충방전 관리부(2251)는 제3 배터리(2050)의 충방전을 관리할 수 있다. 이와 관련하여, 상기 제3 충방전 관리부(2251)는 제3 배터리 발열 검사 장치(2100)와 통신 채널을 형성하고, 제3 배터리 거치대(2125)에 제3 배터리(2050)가 놓이면 사전 설정된 계획에 따라 제3 배터리(2050) 충방전을 제어하면서, 충방전 관련 정보(예: 제3 배터리(2050) 충방전 온도 환경, 충방전 속도, 충방전 전력의 크기 중 적어도 일부)를 수집할 수 있다.
상기 제3 데이터 수집부(2252)는 제3 배터리 발열 검사 장치(2100)로부터 제3 배터리(2050)에 대한 분광 이미지를 수신할 수 있다. 상기 제3 배터리 발열 검사 장치(2100)로부터 수신되는 분광 이미지는 제3 서버 기준 모델(2231) 생성을 위한 분광 이미지들 또는 제3 배터리(2050)의 발열을 검사하기 위한 제3 현재 분광 이미지(2235)를 포함할 수 있다. 상기 제3 데이터 수집부(2252)는 제3 서버 기준 모델(2231) 생성을 위한 분광 이미지들이 수신되면, 수신된 분광 이미지들을 제3 서버 메모리(2230)에 비지도 학습용 데이터(2233)의 적어도 일부 구성으로서 저장할 수 있다. 이 동작에서, 상기 제3 데이터 수집부(2252)는 수신된 분광 이미지들을 사전 정의된 주파수 대역 별(예: 자외선 대역, 가시 광선 대역, 적외선 대역)로 분리하고, 각각의 주파수 대역 별 스펙트럼들을 멀티모달 데이터 형태로 그룹핑하여 비지도 학습용 데이터(2233)로서 제3 서버 메모리(2230)에 저장할 수 있다. 추가적으로 또는 대체적으로, 제3 데이터 수집부(2252)는 분광 이미지들이 수집된 시점의 센서 정보를 함께 수집하고, 수집된 센서 정보를 멀티모달 데이터들과 매칭하여 멀티모달 데이터 셋으로 제3 서버 메모리(2230)에 저장할 수 있다.
상기 제3 모델 생성부(2253)는 제3 서버 기준 모델(2231) 생성을 수행할 수 있다. 또는, 상기 제3 모델 생성부(2253)는 제3 배터리 발열 검사 장치(2100)의 요청에 따라 제3 서버 기준 모델(2231)을 생성하고, 생성된 제3 서버 기준 모델(2231)을 제3 배터리 발열 검사 장치(2100)가 이용할 제3 기준 모델(2131)로서 제3 배터리 발열 검사 장치(2100)에 제공할 수 있다. 한편, 상기 제3 서버 기준 모델(2231)이 제3 서버 메모리(2230)에 사전 저장된 경우 또는 제3 배터리 발열 검사 장치(2100)가 제3 서버 기준 모델(2231)을 제공한 경우, 상기 제3 모델 생성부(2253)의 구성은 생략될 수 있다.
상기 제3 모델 생성부(2253)는 상기 수집된 비지도 학습용 데이터(2233)에 대해 사용자 입력에 따라 양품 라벨 지정 또는 불량품 라벨 지정을 수행할 수 있으며 이는 인공신경망 학습의 출력 y로 처리할 수 있다. 상기 사용자 입력을 받기 위하여, 상기 제3 모델 생성부(2253)는 상기 비지도 학습용 데이터(2233)를 제3 배터리 발열 검사 장치(2100)의 제3 디스플레이(2160)에 출력하고, 해당 데이터에 대한 양품 또는 불량품 라벨 지정을 수신할 수 있다. 또는 제3 모델 생성부(2253)는 사용자가 최소한 확실한 양품 데이터에 대해서 선별적으로 양품 라벨을 지정한 데이터만을 수신할 수도 있다. 다른 예로서, 상기 제3 모델 생성부(2253)는 사용자 라벨 지정 절차가 계획되어 있지 않은 경우, 분광 이미지에 대한 클러스터링을 수행하고, 클러스터링 결과에 기반한 의사라벨(pseudo label)을 해당 데이터에 지정할 수 있다. 예컨대, 제3 모델 생성부(2253)는 규모가 가장 크거나 밀도가 가장 높은 클러스터들을 양품 클러스터들로 간주(또는 양품 라벨로 지정)할 수 있다. 인공신경망의 입력 x로 사용할 수 있는 비지도 학습용 데이터(2233)의 적어도 일부(또는 양품 라벨로 지정된 데이터)와, 인공신경망의 출력 y로 사용할 수 있는 데이터가, 사전 정의된 일정 수량 이상 축적되는 경우, 제3 모델 생성부(2253)는 인공신경망을 초기화하고 해당 데이터들에 대한 비지도 학습을 수행할 수 있다. 제3 모델 생성부(2253)는 비지도 학습을 위해 생성형 인공신경망(예: multi-layer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), graph neural network (GNN) 중 적어도 하나 또는 조합)을 채택할 수 있으며, 또는 선택적으로 전통적 기계학습 기반 생성모델을 사용할 수 있다. 학습에는 비지도 학습용 데이터(2233)의 일부를 사용하며 나머지 일부는 검증용 데이터 셋으로 사용할 수 있고, 학습용 데이터 셋과 검증용 데이터 셋의 분할 비율은 8:2, 7:3, 9:1 등 다양한 값이 될 수 있고, 사용자 조정에 따라 변경될 수 있다. 상기 제3 모델 생성부(2253)는 학습용 데이터 셋 중 양품 라벨에 해당하는 데이터만 추출하여 학습할 수 있으며, 학습이 종료되면 분할된 검증용 데이터 셋으로 모델을 평가하고 시스템 UI를 통하여 사용자에게 검증성능을 보고할 수 있다. 검증용 데이터 셋의 경우 기본적으로 양품 라벨의 데이터가 일정수준 이상 축적된 형태를 가질 수 있으며, 검증용 데이터 셋에 불량품 라벨의 데이터가 포함되어있고 수량이 일정수준 이상인 경우, 제3 모델 생성부(2253)는 생성형 모델의 잔차(residual) 오차를 통해 양품 또는 불량품으로의 2진분류 성능을 측정하고, 측정 결과를 시스템 UI를 통하여 출력할 수 있다. 검증용 데이터 셋에 불량품 라벨 데이터가 없거나, 사전 지정된 수준 이상의 수량을 포함하지 않는 경우, 제3 모델 생성부(2253)는 생성형 모델로부터 양품 데이터의 생성 오차의 평균과 표준편차를 산출한 후, 이를 기반으로 상태 이상 판정을 수행할 수 있다. 산출 과정에서는, L2 거리를 활용할 수 있고, 설정에 따라 또는 필요에 따라 L1, SSIM 등 다양한 지표를 사용할 수 있다. 상기 제3 모델 생성부(2253)는 산출된 양품 데이터의 복원 오차에 대한 평균과 표준편차를 기반으로 정상 범주의 역치를 μ(평균) ± 1.5σ(표준편차) 바깥 영역으로 지정할 수 있다. 또는, 제3 모델 생성부(2253)는 상한 값 μ + 1.5σ, 또는 하한 값 μ - 1.5σ 설정을 수행할 수 있다. 상술한 범위 값 설정에서 상수 1.5는 threshold 역할로 사용자의 조정에 따라 1, 3 등 다양한 수준으로 변경될 수 있다.
상기 제3 발열 관리부(2254)는 제3 데이터 수집부(2252)로부터 제3 현재 분광 이미지(2235) 수신을 안내 받으면, 제3 서버 메모리(2230)에 저장된 제3 현재 분광 이미지(2235)에 대한 분석을 수행할 수 있다. 예컨대, 상기 제3 발열 관리부(2254)는 제3 현재 분광 이미지(2235)에 대한 클러스터링을 수행하고, 산출된 클러스터를 상기 제3 서버 기준 모델(2231)에 비교하여 상술한 제3 서버 기준 모델(2231)의 정상 범주(예: μ ± 1.5σ) 이내에 있는지 확인할 수 있다. 상기 제3 발열 관리부(2254)는 상기 제3 현재 분광 이미지(2235)에 대응하는 클러스터가 상기 제3 서버 기준 모델(2231)의 사전 정의된 정상 범주를 벗어나는 경우 상태 이상으로 판단하고, 상기 제3 현재 분광 이미지(2235)에 대응하는 제3 배터리(2050)를 불량품으로 판정할 수 있다. 또는, 상기 제3 발열 관리부(2254)는 제3 현재 분광 이미지(2235)에 대한 주파수 대역 별 스펙트럼 분류를 수행하고, 적어도 일부 주파수 대역(예: 적외선 대역)의 스펙트럼에 대응하는 클러스터와 제3 서버 기준 모델(2231)의 정상 범주를 비교하여 양품 또는 불량품 판정을 수행할 수 있다. 여기서, 상기 제3 서버 기준 모델(2231)은 비지도 학습용 데이터(2233)에 포함된 복수개의 분광 이미지들의 일부 주파수 대역의 스펙트럼에 대한 클러스터링을 통해 생성될 수 있다.
상술한 바와 같이, 본 발명의 실시 예에 따른 제3 서버 장치(2200)는 비지도 학습을 통한 서버 기준 모델의 생성을 통해 사용자 개입을 최소화하면서도 배터리의 발열에 관한 양품 또는 불량품 판정을 신뢰도 높게 처리할 수 있다.
도 18은 본 발명의 실시 예에 따른 배터리 발열 검사를 위한 기준 모델 생성 방법의 한 예를 나타낸 도면이다.
도 14 내지 도 18을 참조하면, 본 발명의 실시 예에 따른 배터리 발열 검사를 위한 기준 모델 생성 방법과 관련하여, 제3 배터리 발열 검사 장치(2100)의 운용에 있어서, 제3 배터리 발열 검사 장치(2100)의 제3 프로세서(2150)는 2501 단계에서 제3 기준 모델(2131) 생성 요청이 발생하는지 확인할 수 있다. 이와 관련하여, 상기 제3 배터리 발열 검사 장치(2100)의 제3 프로세서(2150)는 배터리 발열 검사와 관련한 어플리케이션을 설치하고(이미 설치된 경우 해당 동작 생략), 해당 어플리케이션이 운용할 수 있는 제3 기준 모델(2131)이 없는 경우 자동으로 기준 모델 생성 모드를 운용할 수 있다. 또는, 상기 제3 프로세서(2150)는 상기 제3 기준 모델(2131)의 버전을 확인하고, 업데이트가 필요한 경우, 기준 모델 생성 모드를 운용할 수 있다. 또는, 상기 제3 프로세서(2150)는 발열 검사를 수행할 제3 배터리(2050)의 식별 정보를 수집하고, 해당 식별 정보에 대응하는 제3 배터리(2050)에 대응하는 기준 모델이 없는 경우, 기준 모델 생성 모드로 진입할 수 있다.
기준 모델 생성이 요구되지 않으면, 상기 제3 프로세서(2150)는 2503 단계에서 지정 기능 수행을 처리할 수 있다. 예컨대, 제3 프로세서(2150)는 제3 기준 모델(2131)이 이미 제3 메모리(2130)에 저장되어 있는 경우, 제3 배터리(2050) 발열 검사 기능과 관련한 동작을 수행할 수 있다. 또는, 제3 프로세서(2150)는 제3 배터리 발열 검사 장치(2100)의 각 구성들 중 적어도 일부 구성의 현재 상태(예: 정상 상태 또는 불량 발생 여부)를 검사하고, 검사 결과를 출력할 수 있다. 별도의 지정 기능이 없는 경우, 2503 단계는 생략될 수 있다.
기준 모델 생성 요청에 따라, 해당 기준 모델 생성 모드가 활성화되면, 상기 제3 프로세서(2150)는 2505 단계에서 제3 분광 카메라(2120)를 운용하여 제3 배터리 거치대(2125)에 놓인 제3 배터리(2050)에 관한 적어도 하나의 분광 이미지를 수집할 수 있다. 이 동작에 앞서, 상기 제3 프로세서(2150)는 제3 배터리 거치대(2125)에 제3 배터리(2050)가 놓이면 제3 배터리(2050) 충방전 환경(예: 온도 환경)에 관한 정보를 제3 센서부(2190)를 이용하여 수집할 수 있다. 상기 제3 프로세서(2150)는 온도 환경이 사전 정의된 온도 값이 되도록 제3 배터리 거치대(2125)에 배치된 온열 장치 또는 냉각 장치 중 적어도 하나를 제어할 수 있다. 또는, 온도 환경이 사전 정의된 기준 범위 이내인 경우 상술한 온도 조절 동작은 생략될 수 있다.
2507 단계에서 상기 제3 배터리 발열 검사 장치(2100)의 제3 프로세서(2150)는 수집된 적어도 하나의 분광 이미지에 대한 데이터 라벨 지정 입력의 수신이 있는지 확인할 수 있다. 이와 관련하여, 상기 제3 프로세서(2150)는 적어도 하나의 분광 이미지(또는 분광 이미지 및 상기 분광 이미지 수집 시 함께 수집된 센서 정보)의 적어도 일부를 제3 배터리 발열 검사 장치(2100)의 제3 디스플레이(2160)에 출력할 수 있다. 상기 제3 프로세서(2150)는 제3 디스플레이(2160)에 출력된 정보에 대응하여 양품 또는 불량품 지정 라벨을 입력(예: 사용자 입력) 받을 수 있다. 추가적으로 또는 대체적으로, 상기 제3 배터리 발열 검사 장치(2100)의 제3 프로세서(2150)는 사용자 입력에 따른 데이터 라벨 지정을 수행할 수 없는 경우(예: 제3 디스플레이(2160) 또는 제3 입력부(2140) 등의 구성이 없거나, 별도의 방식으로 데이터 라벨을 지정하도록 설정된 경우), 수집된 적어도 하나의 분광 이미지들에 대한 클러스터링을 수행하고, 클러스터링 결과를 기반으로 해당 분광 이미지에 대한 양품 또는 불량품 라벨 지정을 자동으로 수행할 수 있다. 예컨대, 상기 제3 프로세서(2150)는 클러스터링 결과에서 규모가 가장 크거나 밀도가 가장 높은 클러스터를 양품 클러스터로 자동 지정할 수 있다. 다른 예로서, 상기 제3 프로세서(2150)는 클러스터링 결과로서 규모가 지정된 크기 이상이거나 밀도가 기준 값 이상인 클러스터들에 대응하는 분광 이미지들을 양품으로 임시 지정하고, 임시 지정된 클러스터들에 대응하는 분광 이미지들을 제3 디스플레이(2160)에 출력하고, 사용자 입력에 따른 양품 지정을 확정할 수도 있다.
상기 제3 프로세서(2150)는 양품 입력을 수신하면, 2509 단계에서, 해당 분광 이미지를 양품으로 지정할 수 있다. 상기 제3 프로세서(2150)는 불량품 입력을 수신하면, 2511 단계에서 해당 분광 이미지를 불량품으로 지정할 수 있다. 한편, 2507 내지 2511 단계에서, 상기 제3 프로세서(2150)는 양품 또는 불량품 라벨 지정과 관련하여, 사용자 입력을 수신하지 않고, 분광 이미지의 적어도 일부에 대한 클러스터링을 수행한 후, 클러스터링 결과를, 양품 및 불량품 구분을 위해 사전 저장된 클러스터와 비교하여, 해당 분광 이미지에 대응하는 모델링 데이터의 양품 지정 또는 불량품 지정을 처리할 수 있다. 또는, 다른 예로서, 상기 제3 프로세서(2150)는 분광 이미지에 대한 클러스터링을 수행한 후, 사전 정의된 군집의 크기 또는 밀도에 따라 양품 또는 불량품 지정을 수행할 수도 있다.
이후, 상기 제3 프로세서(2150)는 2513 단계에서, 라벨이 지정된 분광 이미지들의 수량이 지정 수량 이상인지 확인할 수 있다. 지정 수량 미만인 경우, 제3 프로세서(2150)는 2501 단계 이전으로 분기하여, 이하 동작을 재수행하여 보다 많은 데이터를 수집할 수 있다.
누적된 데이터(또는 분광 이미지들이) 지정 수량 이상이 되면, 상기 제3 프로세서(2150)는 2515 단계에서, 양품 라벨 데이터에 대한 비지도 학습을 수행할 수 있다. 예컨대, 상기 제3 프로세서(2150)는 양품 라벨로 지정된 분광 이미지들의 스펙트럼에 대하여 클러스터링을 수행하고, 클러스터링 결과로서, 평균과 표준편차를 산출한 후, 이를 기반으로 양품으로 판정할 수 있는 클러스터 정상 범주(예: 평균+1.5x표준편차)를 산출할 수 있다. 또는, 상기 제3 프로세서(2150)는 양품 라벨로 지정된 분광 이미지들을 사전 정의된 복수개의 주파수 대역별로 분류하고, 분류된 주파수 대역들에 대한 클러스터링 및 정상 범주 산출을 수행할 수 있다. 일 예로서, 상기 제3 프로세서(2150)는 분광 이미지들 각각에 대해 복수개의 주파수 대역들 중 적외선 대역에 대한 클러스터들을 산출하고, 클러스터들의 평균과 표준편차를 이용하여 정상 범주를 설정할 수 있다.
상기 제3 프로세서(2150)는 2517 단계에서, 검증 성능이 기준 값 이상인지 확인할 수 있다. 이와 관련하여, 제3 프로세서(2150)는 누적된 데이터들(예: 양품 라벨 데이터들)을 일정 비율의 학습용 데이터 셋과 검증용 데이터 셋으로 분할한 뒤, 상기 학습용 데이터 셋에 대하여 2515 단계에서 비지도 학습을 통한 기준 모델 생성을 수행할 수 있다. 기준 모델에 대한 비지도 학습이 완료되면, 제3 프로세서(2150)는 학습 완료된 제3 기준 모델(2131)에 검증용 데이터 셋을 적용하여 성능 검증을 수행할 수 있다. 일 예로서, 상기 제3 프로세서(2150)는 지도 학습에 사용하는 데이터 셋과 검증용 데이터 셋의 분할 비율을 8:2로 하거나, 또는 사용자 입력에 따라 7:3, 9:1 등으로 조정할 수 있다.
상기 제3 프로세서(2150)는 검증 성능이 기준 값 미만인 경우 2505 단계 이전으로 분기하여 이하 동작을 재수행할 수 있다. 검증 성능이 기준 값 이상인 경우, 제3 프로세서(2150)는 2519 단계에서 기준 모델에 대한 학습을 종료하고, 제3 메모리(2130)에 저장할 수 있다.
한편, 상술한 도 18의 설명에서는, 제3 배터리 발열 검사 장치(2100)가 제3 기준 모델(2131)을 생성하는 방법의 한 예를 설명하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상기 제3 기준 모델(2131) 생성 과정 중 적어도 일부 과정은 상기 제3 서버 장치(2200)에서 수행될 수도 있다. 이에 따라, 도 18에 설명한 기준 모델 생성 방법은 제3 서버 장치(2200)에서의 서버 기준 모델 생성 방법의 적어도 일부가 될 수 있다.
도 19는 본 발명의 실시 예에 따른 배터리 발열 검사 방법의 한 예를 나타낸 도면이다.
도 14 내지 도 19를 참조하면, 본 발명의 실시 예에 따른 배터리 발열 검사 방법과 관련한, 제3 배터리 발열 검사 장치(2100)의 운용에 있어서, 제3 프로세서(2150)는 2601 단계에서 제3 배터리(2050)의 발열 검사 요청이 발생하는지 확인할 수 있다. 이와 관련하여, 제3 프로세서(2150)는 사용자 입력에 따라 또는 사전 정의된 스케줄 정보에 따라 어플리케이션을 활성화하고, 해당 어플리케이션 지원 기능 중 제3 배터리(2050)의 발열 검사 기능을 선택하는 사용자 입력이 발생하는지 확인할 수 있다.
배터리 발열 검사를 요청하는 입력 수신이 없는 경우, 2603 단계에서, 지정 기능 수행을 처리할 수 있다. 예컨대, 제3 프로세서(2150)는 제3 배터리 발열 검사 장치(2100)의 각 구성들 중 적어도 일부 구성의 상태 값을 출력할 수 있다. 별도의 지정 기능이 없는 경우, 2603 단계는 생략될 수 있다. 배터리 발열 검사를 요청하는 입력이 발생하면, 상기 제3 프로세서(2150)는 제3 배터리(2050) 발열 검사를 위해 제3 배터리(2050)가 제3 배터리 거치대(2125)에 놓이는 것을 감지할 수 있다. 상기 제3 프로세서(2150)는 제3 배터리(2050)가 제3 배터리 거치대(2125)에 놓이면 제3 배터리(2050)의 충방전을 제어할 수 있다.
제3 배터리(2050)의 발열 검사를 위해 배터리 충방전이 수행되거나 또는 사전 정의된 일정 조건(예: 제3 배터리(2050)의 충전량 또는 방전량이 지정된 값 이상 또는 미만이거나, 충전 속도 도는 방전 속도가 지정된 기준 값 이상)이면, 2605 단계에서 제3 프로세서(2150)는 충방전 중인 제3 배터리(2050)에 대한 현재 분광 이미지를 획득할 수 있다. 이 동작에서, 상기 제3 프로세서(2150)는 충방전 중인 제3 배터리(2050)의 온도 환경 정보를 함께 수집할 수 있다. 온도 환경이 사전 정의된 기준 범위를 벗어난 경우, 온도 환경 조절을 위한 온열 장치 조정 또는 냉각 장치 조정을 수행할 수 있다.
현재 분광 이미지 획득 이후, 제3 프로세서(2150)는 2607 단계에서 획득된 분광 이미지에 대해 비지도 학습 기반의 제3 기준 모델(2131)과 비교를 수행할 수 있다. 이 동작에서, 상기 제3 프로세서(2150)는 획득된 현재 분광 이미지에 대한 클러스터링을 수행하고, 클러스터링 결과가 상기 제3 기준 모델(2131)에서 정의한 정상 범주 이내에 있는지 확인할 수 있다. 또는, 제3 프로세서(2150)는 2607 단계에서, 획득된 분광 이미지를 사전 정의된 복수개의 주파수 대역 별로 분할하고, 각각의 주파수 대역 별 스펙트럼들에 대한 클러스터링을 수행하고, 클러스터링 결과들 중 적어도 일부를 대응되는 제3 기준 모델(2131)에 비교할 수 있다. 예컨대, 상기 제3 프로세서(2150)는 현재 분광 이미지를 가시광선 대역, 자외선 대역, 적외선 대역으로 분할하고, 각각의 주파수 대역에 해당하는 데이터들을 비지도 학습을 수행하여 생성된 기준 모델들과 비교할 수 있다. 이에 따라, 상기 제3 기준 모델(2131)은 각각의 주파수 대역에 대응하는 모델들을 포함할 수 있다. 또는, 상기 제3 프로세서(2150)는 발열과 가장 밀접한 관계를 가지는 적외선 대역의 스펙트럼에 대해서만 클러스터링 수행하고, 해당 클러스터링 결과를 기준 모델(예: 적외선 대역의 스펙트럼들에 대해 비지도 학습을 통해 생성된 기준 모델)과 비교할 수 있다.
상기 제3 프로세서(2150)는 2609 단계에서, 비교 결과 값이 상태 이상에 해당하는지 확인할 수 있다. 상기 제3 기준 모델(2131)과의 비교에서 결과 값이, 상태 이상을 나타낸 경우, 2611 단계에서, 제3 프로세서(2150)는 제1 배터리 상태 정보를 출력할 수 있다. 상기 제1 배터리 상태 정보는 예컨대, 현재 발열 검사 중인 제3 배터리(2050)가 불량품임을 나타낸 정보를 포함할 수 있다. 상기 제3 프로세서(2150)는 제1 배터리 상태 정보를 제3 디스플레이(2160) 또는 지정된 관리자 단말에 출력할 수 있다. 추가로, 상기 제3 프로세서(2150)는 해당 제3 배터리(2050)의 폐기 처분 또는 재검사를 요청하는 정보를 함께 출력할 수 있다.
제3 기준 모델(2131)과의 비교에서 결과 값이, 정상 범주 내에 있는 경우, 2613 단계에서, 제3 프로세서(2150)는 제2 배터리 상태 정보를 출력할 수 있다. 상기 제2 배터리 상태 정보는 상기 제3 배터리(2050)가 양품임을 지시하는 정보를 포함할 수 있다. 상기 제3 프로세서(2150)는 제2 배터리 상태 정보를 제3 디스플레이(2160) 또는 지정된 관리 단말에 출력할 수 있다.
615 단계에서, 상기 제3 배터리 발열 검사 장치(2100)의 제3 프로세서(2150)는 배터리 발열 검사 기능의 종료 여부를 확인할 수 있다. 배터리 발열 검사 기능 종료와 관련한 이벤트 발생이 없으면, 제3 프로세서(2150)는 2601 단계 이전으로 분기하여 이하 동작을 재수행할 수 있다. 배터리 발열 검사 기능 종료와 관련한 이벤트 예컨대, 어플리케이션 종료를 위한 사용자 입력 신호 또는 제3 분광 카메라(2120) 종료를 지시하는 입력 신호 등이 발생하면 배터리 발열 검사 기능의 종료로 판단하고, 제3 프로세서(2150)는 관련 기능 종료를 처리할 수 있다.
한편, 상술한 설명에서는, 제3 배터리 발열 검사 장치(2100)를 이용하여 제3 배터리(2050)의 발열 검사를 수행하는 방법을 예시하였으나, 본 발명이 이에 한정되는 것은 아니다. 예컨대, 상술한 도 19에서 설명한 동작들은 제3 서버 장치(2200)에서도 유사하게 수행될 수도 있다. 제3 서버 장치(2200)가 상기 도 19에 기재된 동작을 수행하도록 정의되는 경우, 상기 제3 서버 장치(2200)는 2601 단계 및 2603 단계를 스킵하고, 2605 단계에서 통신 채널을 형성한 제3 배터리 발열 검사 장치(2100)로부터 현재 분광 이미지를 획득한 후, 이하 동작을 수행하여 제3 배터리(2050)의 상태 이상 여부에 따라, 양품 또는 불량품 검사 결과를 판정하고, 판정 결과를 제3 배터리 발열 검사 장치(2100) 또는 지정된 사용자 단말에 전송하는 동작을 수행하도록 구성될 수 있다.
이상에서 설명한 바와 같이, 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.
또한, 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.
본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 통상의 기술자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 통상의 기술자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다.
따라서 본 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위에 의해 정하여져야 한다.
[부호의 설명]
10, 1010, 2010: 시스템 환경
50, 1050, 2050: 배터리
100, 1100, 2100: 배터리 발열 검사 장치
110, 1110, 2110: 통신 회로,
120, 1120, 2120: 분광 카메라
130, 1130, 2130: 메모리
140, 1140, 2140: 입력부
150, 1150, 2150: 프로세서
160, 1160, 2160: 디스플레이
180, 1180, 2180: 충방전 장치
190, 1190, 2190: 센서부
200, 1200, 2200: 서버 장치
210, 1210, 2210: 서버 통신 회로
230, 1230, 2230: 서버 메모리
250, 1250, 2250: 서버 프로세서

Claims (34)

  1. 분광 이미지를 획득하는 분광 카메라;
    메모리;
    상기 분광 카메라 및 상기 메모리와 기능적으로 연결되는 프로세서;를 포함하고,
    상기 프로세서는,
    충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수집하고,
    상기 현재 분광 이미지에 대한 프로세싱을 수행하고, 상기 프로세싱 결과를 기반으로 상기 배터리의 양품 또는 불량품 판정을 수행하고,
    상기 양품 또는 불량품 판정 결과를 출력하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 발열 검사를 수행하는 배터리 발열 검사 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 현재 분광 이미지를 사전 정의된 복수개의 주파수 대역별로 분류하여 상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 생성하고,
    상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 상기 메모리에 사전 저장되며 지도 학습을 통해 생성된 기준 모델에 적용하여 상기 현재 분광 이미지 기반의 멀티모달 데이터에 대응하는 배터리의 양품 또는 불량품 판정을 수행하고,
    상기 양품 또는 불량품 판정 결과를 출력하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  3. 제2항에 있어서,
    상기 프로세서는,
    상기 현재 분광 이미지를 가시광선 대역, 자외선 대역, 적외선 대역의 스펙트럼들로 분류하여 상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 생성하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  4. 제2항에 있어서,
    상기 프로세서는
    상기 판정 결과를 디스플레이에 출력하거나 또는 지정된 사용자 단말에 출력하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  5. 제2항에 있어서,
    상기 프로세서는, 상기 기준 모델 생성과 관련하여,
    충전 또는 방전 중인 배터리에 관한 복수의 분광 이미지들을 수집하고,
    상기 복수의 분광 이미지들을 각각을 사전 정의된 복수개의 주파수 대역별로 분류하여 상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터를 생성하고,
    상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터에 대응하는 배터리의 양품 또는 불량품 라벨 지정을 수행하고,
    상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터를 인공신경망의 입력으로 처리하면서 상기 양품 및 불량품 라벨을 상기 인공신경망의 출력으로 처리하여 상기 기준 모델 생성을 위한 학습을 수행하고,
    상기 학습 수행 완료된 기준 모델을 상기 메모리에 저장하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  6. 제5항에 있어서,
    상기 프로세서는
    상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터의 적어도 일부를 디스플레이에 출력하고, 상기 배터리의 양품 또는 불량품 라벨 지정과 관련한 사용자 입력을 수신하고,
    상기 사용자 입력에 대응하여 상기 디스플레이에 출력된 상기 멀티모달 데이터의 양품 라벨 지정 또는 불량품 라벨 지정을 처리하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  7. 제5항에 있어서,
    상기 프로세서는
    상기 복수의 분광 이미지들에 대한 클러스터링을 수행하고, 상기 양품 라벨 지정 또는 불량품 라벨 지정에 이용하도록 사전 정의된 클러스터와 상기 클러스터링 결과를 상호 비교하여 상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터에 대한 양품 라벨 지정 또는 불량품 라벨 지정을 처리하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  8. 제5항에 있어서,
    상기 프로세서는
    상기 복수의 분광 이미지들에 대응하는 멀티모달 데이터를 학습용 데이터 셋과 검증용 데이터 셋으로 분할하고, 상기 학습용 데이터 셋을 기반으로 상기 기준 모델 학습을 수행하고, 상기 학습 완료된 상기 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증 값을 출력하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  9. 제8항에 있어서,
    상기 프로세서는,
    상기 성능 검증 값이 사전 정의된 일정 값 이상인 경우 상기 기준 모델 학습을 종료하고,
    상기 성능 검증 값이 사전 정의된 일정 값 미만인 경우 추가 분광 이미지를 수집하고, 상기 수집된 추가 분광 이미지 및 상기 복수개의 분광 이미지들을 기반으로 상기 기준 모델 생성을 재수행하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  10. 제1항에 있어서,
    상기 프로세서는,
    상기 현재 분광 이미지로부터 제1 라디오믹스 특징점을 추출하고,
    상기 메모리에 사전 저장되며 지도 학습을 통해 생성된 기준 모델에 상기 제1 라디오믹스 특징점을 적용하여 상기 현재 분광 이미지에 대응하는 배터리의 양품 또는 불량품 판정을 수행하고,
    상기 양품 또는 불량품 판정 결과를 출력하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  11. 제10항에 있어서,
    상기 제1 라디오믹스 특징점은
    상기 현재 분광 이미지의 전체 픽셀 값들의 평균 값, 상기 전체 픽셀 값들의 표준 편차, 임계 값 이상의 비율, 상기 전체 픽셀 값들의 왜도, 상기 현재 분광 이미지의 스펙트럼들의 높이 축을 따른 픽셀 평균의 왜도, 상기 현재 분광 이미지의 스펙트럼들의 너비 축을 따른 픽셀 평균의 왜도, 상기 높이 축을 따른 픽셀 표준 편차의 왜도, 상기 너비 축을 따른 픽셀 표준 편차의 왜도, 상기 전체 픽셀 값들의 첨도, 상기 현재 분광 이미지의 스펙트럼들의 높이 축을 따른 픽셀 평균의 첨도, 상기 너비 축을 따른 픽셀 평균의 첨도, 상기 높이 축을 따른 픽셀 표준 편차의 첨도, 상기 너비 축을 따른 픽셀 표준 편차의 첨도 중 적어도 하나를 포함하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  12. 제10항에 있어서,
    상기 프로세서는,
    상기 현재 분광 이미지 중 적외선 대역의 스펙트럼을 분류하고, 상기 분류된 적외선 대역의 스펙트럼으로부터 제2 라디오믹스 특징점들을 추출하고, 상기 제2 라디오믹스 특징점들에 대응하는 기준 모델에 상기 제2 라디오믹스 특징점들을 적용하여 상기 현재 분광 이미지에 대응하는 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  13. 제10항에 있어서,
    상기 프로세서는
    상기 판정 결과를 디스플레이에 출력하거나 또는 지정된 사용자 단말에 출력하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  14. 제10항에 있어서,
    상기 프로세서는, 상기 기준 모델의 생성과 관련하여,
    충전 또는 방전 중인 배터리에 관한 복수의 분광 이미지들을 수집하고,
    상기 복수의 분광 이미지들 각각으로부터 라디오믹스 특징점들을 추출하고,
    상기 복수의 분광 이미지들에 대응하는 라디오믹스 특징점들에 대응하는 배터리의 양품 또는 불량품 라벨 지정을 수행하고,
    상기 복수의 분광 이미지들에 대응하는 라디오믹스 특징점들을 지도 학습의 입력으로 처리하면서 상기 양품 및 불량품 라벨을 상기 지도 학습의 출력으로 처리하여 상기 기준 모델 생성을 위한 학습을 수행하고,
    상기 학습 수행 완료된 기준 모델을 상기 메모리에 저장하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  15. 제14항에 있어서,
    상기 프로세서는
    상기 복수의 분광 이미지들의 적어도 일부를 디스플레이에 출력하고, 상기 배터리의 양품 또는 불량품 라벨 지정과 관련한 사용자 입력을 수신하고,
    상기 사용자 입력에 대응하여 상기 복수의 분광 이미지들의 양품 라벨 지정 또는 불량품 라벨 지정을 처리하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  16. 제14항에 있어서,
    상기 프로세서는
    상기 복수의 분광 이미지들에 대한 클러스터링을 수행하고, 상기 양품 라벨 지정 또는 불량품 라벨 지정에 이용하도록 사전 정의된 클러스터와 상기 클러스터링 결과를 상호 비교하여 상기 복수의 분광 이미지들에 대응하는 배터리의 양품 라벨 지정 또는 불량품 라벨 지정을 처리하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  17. 제14항에 있어서,
    상기 프로세서는
    상기 복수의 분광 이미지들에 대응하는 라디오믹스 특징점들을 학습용 데이터 셋과 검증용 데이터 셋으로 분할하고, 상기 학습용 데이터 셋을 기반으로 상기 기준 모델 학습을 수행하고, 상기 학습 완료된 상기 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증 값을 출력하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  18. 제17항에 있어서,
    상기 프로세서는,
    상기 성능 검증 값이 사전 정의된 일정 값 이상인 경우 상기 기준 모델 학습을 종료하고,
    상기 성능 검증 값이 사전 정의된 일정 값 미만인 경우 추가 분광 이미지를 수집하고, 상기 수집된 추가 분광 이미지 및 상기 복수개의 분광 이미지들을 기반으로 상기 기준 모델 생성을 재수행하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  19. 제10항에 있어서,
    상기 프로세서는,
    상기 현재 분광 이미지를 복수개의 주파수 대역 별로 분류하고, 분류된 주파수 대역 별 스펙트럼들 중 적어도 일부 스펙트럼으로부터 제2 라디오믹스 특징점들을 추출하고, 상기 제2 라디오믹스 특징점들에 대응하는 기준 모델에 상기 제2 라디오믹스 특징점들을 적용하여 상기 현재 분광 이미지에 대응하는 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  20. 제19항에 있어서,
    상기 프로세서는, 상기 기준 모델의 생성과 관련하여,
    충전 또는 방전 중인 배터리에 관한 복수의 분광 이미지들을 수집하고,
    상기 복수의 분광 이미지들 각각에 대하여 사전 정의된 주파수 대역 별로 분류하고, 주파수 대역 별로 분류된 스펙트럼들로부터 라디오믹스 특징점들을 추출하고,
    상기 복수의 분광 이미지들의 주파수 대역 별 라디오믹스 특징점들에 대응하는 배터리의 양품 또는 불량품 라벨 지정을 수행하고,
    상기 복수의 분광 이미지들에 대응하는 라디오믹스 특징점들을 지도 학습의 입력으로 처리하면서 상기 양품 및 불량품 라벨을 상기 지도 학습의 출력으로 처리하여 상기 기준 모델 생성을 위한 학습을 수행하고,
    상기 학습 수행 완료된 기준 모델을 상기 메모리에 저장하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  21. 제1항에 있어서,
    상기 프로세서는,
    상기 현재 분광 이미지에 대한 클러스터링을 수행하고,
    상기 클러스터링 결과를, 상기 메모리에 사전 저장되며 비지도 학습에 의해 생성된 기준 모델과 비교하고,
    상기 비교 결과, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위 내에 있는 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 양품으로 판정하고,
    상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위를 벗어난 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 불량품으로 판정하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  22. 제21항에 있어서,
    상기 프로세서는
    상기 비지도 학습과 관련하여, 양품 라벨로 지정된 데이터들에 대해 비지도 학습을 수행하면서, 상기 양품 라벨로 지정된 데이터의 복원 오차에 대한 평균과 표준편차를 기반으로 상기 정상 범주를 설정하는 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  23. 제21항에 있어서,
    상기 프로세서는
    상기 현재 분광 이미지를 사전 정의된 주파수 대역들로 분류하고,
    상기 분류된 주파수 대역들 각각에 대해 클러스터링을 수행하고,
    각 클러스터링 결과들을 대응되는 기준 모델들과 비교하여 상기 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  24. 제21항에 있어서,
    상기 프로세서는
    상기 현재 분광 이미지를 사전 정의된 주파수 대역들로 분류하고,
    상기 분류된 주파수 대역들 중 적외선 대역에 대해 클러스터링을 수행하고,
    상기 적외선 대역에 대한 클러스터링 결과를, 그에 대응되는 기준 모델과 비교하여 상기 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  25. 제21항에 있어서,
    상기 프로세서는, 상기 기준 모델의 생성과 관련하여,
    상기 배터리의 발열과 관련하여 수집된 복수의 분광 이미지들을 사전 정의된 일정 비율에 따라 학습용 데이터 셋과 검증용 데이터 셋으로 분할하고,
    상기 학습용 데이터 셋에 대해 비지도 학습을 수행하여 상기 기준 모델에 대한 학습을 완료하고,
    상기 학습이 완료된 기준 모델에 상기 검증용 데이터 셋을 적용하여 성능 검증을 수행하고,
    상기 검증 성능 값을 출력하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  26. 제25항에 있어서,
    상기 프로세서는,
    상기 학습용 데이터 셋 중 양품으로 지정된 데이터들만을 이용하여 비지도 학습을 수행하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  27. 배터리 발열 검사 장치와 통신 채널을 형성하는 서버 통신 회로;
    서버 메모리;
    상기 서버 통신 회로 및 상기 서버 메모리와 기능적으로 연결되는 서버 프로세서;를 포함하고,
    상기 서버 프로세서는,
    상기 배터리 발열 검사 장치로부터, 충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수신하고,
    상기 현재 분광 이미지에 대한 프로세싱을 수행하고, 상기 프로세싱 결과를 기반으로 상기 배터리의 양품 또는 불량품 판정을 수행하고,
    상기 양품 또는 불량품 판정 결과를 출력하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 서버 장치.
  28. 상기 서버 프로세서는,
    상기 현재 분광 이미지를 사전 정의된 복수개의 주파수 대역별로 분류하여 상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 생성하고,
    상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 상기 서버 메모리에 사전 저장되며 지도 학습을 통해 생성된 서버 기준 모델에 적용하여 상기 현재 분광 이미지 기반의 멀티모달 데이터에 대응하는 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사를 수행하는 서버 장치.
  29. 제27항에 있어서,
    상기 서버 프로세서는,
    상기 현재 분광 이미지로부터 제1 라디오믹스 특징점을 추출하고,
    상기 메모리에 사전 저장되며 지도 학습을 통해 생성된 기준 모델에 상기 제1 라디오믹스 특징점을 적용하여 상기 현재 분광 이미지에 대응하는 배터리의 양품 또는 불량품 판정을 수행하도록 설정된 것을 특징으로 하는 배터리 발열 검사를 수행하는 배터리 발열 검사 장치.
  30. 제27항에 있어서,
    상기 서버 프로세서는,
    상기 현재 분광 이미지에 대한 클러스터링을 수행하고,
    상기 클러스터링 결과를, 상기 메모리에 사전 저장되며 비지도 학습에 의해 생성된 기준 모델과 비교하고,
    상기 비교 결과, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위 내에 있는 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 양품으로 판정하고,
    상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위를 벗어난 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 불량품으로 판정하도록 설정된 것을 특징으로 하는 배터리 발열 검사를 수행하는 서버 장치.
  31. 프로세서가, 충전 또는 방전 중인 배터리에 관한 현재 분광 이미지를 수집하는 단계;
    상기 프로세서가, 상기 현재 분광 이미지에 대한 프로세싱을 수행하는 단계;
    상기 프로세서가, 상기 프로세싱 결과를 기반으로 상기 배터리의 양품 또는 불량품 판정을 수행하는 단계;
    상기 양품 또는 불량품 판정 결과를 출력하는 단계;를 포함하는 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사 방법.
  32. 제31항에 있어서,
    상기 프로세싱을 수행하는 단계는
    상기 현재 분광 이미지를 사전 정의된 복수개의 주파수 대역별로 분류하여 상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 생성하는 단계;를 포함하고,
    상기 판정을 수행하는 단계는
    상기 현재 분광 이미지에 대응하는 멀티모달 데이터를 지도 학습을 통해 생성된 기준 모델에 적용하여 상기 현재 분광 이미지 기반의 멀티모달 데이터에 대응하는 배터리의 양품 또는 불량품 판정을 수행하는 단계;를 포함하는 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사 방법.
  33. 제31항에 있어서,
    상기 프로세싱을 수행하는 단계는
    상기 현재 분광 이미지로부터 라디오믹스 특징점들을 추출하는 단계;를 포함하고,
    상기 판정을 수행하는 단계는
    복수의 분광 이미지들의 라디오믹스 특징점들에 대해 지도 학습을 적용하여 생성된 기준 모델에, 상기 현재 분광 이미지의 라디오믹스 특징점들을 적용하여 상기 현재 분광 이미지에 대응하는 배터리의 양품 또는 불량품 판정을 수행하는 단계;를 포함하는 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사 방법.
  34. 제31항에 있어서,
    상기 프로세싱을 수행하는 단계는
    상기 현재 분광 이미지에 대한 클러스터링을 수행하는 단계;
    상기 클러스터링 결과를, 상기 배터리 발열 검사 장치의 메모리에 사전 저장되며 비지도 학습에 의해 생성된 기준 모델과 비교하는 단계;를 포함하고,
    상기 판정을 수행하는 단계는
    상기 비교 결과, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위 내에 있는 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 양품으로 판정하고, 상기 클러스터링 결과 값이 상기 기준 모델에서 정상 범주로 지정된 범위를 벗어난 경우 상기 현재 분광 이미지에 대응하는 상기 배터리를 불량품으로 판정하는 단계;를 포함하는 것을 특징으로 하는 분광 이미지 기반의 배터리 발열 검사 방법.
PCT/KR2023/008203 2022-12-19 2023-06-14 분광 이미지 기반의 배터리 발열 검사 방법 및 이를 지원하는 장치 WO2024135959A1 (ko)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
KR1020220178760A KR20240096264A (ko) 2022-12-19 2022-12-19 라디오믹스 특징점을 이용한 배터리 발열 검사 방법 및 이를 지원하는 장치
KR1020220178761A KR20240096265A (ko) 2022-12-19 2022-12-19 비지도 학습 기반의 배터리 발열 검사 방법 및 이를 지원하는 장치
KR10-2022-0178760 2022-12-19
KR10-2022-0178761 2022-12-19
KR1020220178759A KR20240096263A (ko) 2022-12-19 2022-12-19 분광 이미지를 이용한 배터리 발열 검사 방법 및 이를 지원하는 장치
KR10-2022-0178759 2022-12-19

Publications (1)

Publication Number Publication Date
WO2024135959A1 true WO2024135959A1 (ko) 2024-06-27

Family

ID=91589115

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/008203 WO2024135959A1 (ko) 2022-12-19 2023-06-14 분광 이미지 기반의 배터리 발열 검사 방법 및 이를 지원하는 장치

Country Status (1)

Country Link
WO (1) WO2024135959A1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130098144A (ko) * 2010-04-09 2013-09-04 닛신보 메카트로닉스 가부시키가이샤 태양전지의 검사방법 및 검사장치
KR20210098106A (ko) * 2020-01-31 2021-08-10 한국생산기술연구원 딥러닝 기반 자동 결함 검사 장치 및 방법
KR20210157224A (ko) * 2020-06-19 2021-12-28 주식회사 엘지에너지솔루션 결함 검출 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130098144A (ko) * 2010-04-09 2013-09-04 닛신보 메카트로닉스 가부시키가이샤 태양전지의 검사방법 및 검사장치
KR20210098106A (ko) * 2020-01-31 2021-08-10 한국생산기술연구원 딥러닝 기반 자동 결함 검사 장치 및 방법
KR20210157224A (ko) * 2020-06-19 2021-12-28 주식회사 엘지에너지솔루션 결함 검출 장치 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PARK, YEONGHYEON ET AL.: "Attention! Is Recycling Artificial Neural Network Effective for Maintaining Renewable Energy Efficiency ?", 2022 IEEE TEXAS POWER AND ENERGY CONFERENCE (TPEC, 28 February 2022 (2022-02-28), pages 1 - 5, XP034111893, Retrieved from the Internet <URL:https://ieeexplore.ieee.org/document/9750784> [retrieved on 20230911], DOI: 10.1109/TPEC54980.2022.9750784 *
SERGIU DEITSCH; VINCENT CHRISTLEIN; STEPHAN BERGER; CLAUDIA BUERHOP-LUTZ; ANDREAS MAIER; FLORIAN GALLWITZ; CHRISTIAN RIESS: "Automatic Classification of Defective Photovoltaic Module Cells in Electroluminescence Images", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 16 March 2019 (2019-03-16), 201 Olin Library Cornell University Ithaca, NY 14853 , XP081122321 *

Similar Documents

Publication Publication Date Title
WO2019240426A1 (ko) 충전 중 배터리의 전압 변화량에 기반하여 배터리의 상태에 대한 정보를 획득하기 위한 방법 및 이를 지원하는 전자 장치
WO2020196955A1 (ko) 인공 지능 기기 및 인공 지능 기기의 동작 방법
WO2019199064A1 (ko) 배터리 진단 장치 및 방법
WO2020138729A1 (en) Electronic device for performing communication with pen input device with multiple input buttons and method of controlling same
WO2018143707A1 (ko) 메이크업 평가 시스템 및 그의 동작 방법
WO2020106010A1 (ko) 이미지 분석 시스템 및 분석 방법
WO2020101108A1 (ko) 인공지능 모델 플랫폼 및 인공지능 모델 플랫폼 운영 방법
WO2013048173A2 (ko) 부분방전 노이즈 제거 장치 및 진단방법
WO2020230933A1 (ko) 사용자의 음성을 인식하는 인공 지능 장치 및 그 방법
WO2020036297A1 (en) Electronic apparatus and controlling method thereof
WO2020091253A1 (ko) 전자 장치 및 전자 장치의 제어 방법
WO2020218635A1 (ko) 인공 지능을 이용한 음성 합성 장치, 음성 합성 장치의 동작 방법 및 컴퓨터로 판독 가능한 기록 매체
WO2021075774A1 (en) Method for controlling iot device and electronic device therefor
WO2024135959A1 (ko) 분광 이미지 기반의 배터리 발열 검사 방법 및 이를 지원하는 장치
WO2022145999A1 (ko) 인공지능 기반의 자궁경부암 검진 서비스 시스템
WO2023224414A1 (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
WO2021221372A1 (ko) 제품의 불량과 연관된 정보를 제공하기 위한 전자 장치 및 그 동작 방법
WO2024185962A1 (ko) 수질 관리 장치, 이의 운용 방법 및 수질 관리 방법
WO2021194133A1 (ko) 배터리 파라미터 설정 장치 및 방법
WO2020171576A1 (ko) 이미지 효과 적용 방법 및 이를 지원하는 전자 장치
WO2020085764A1 (en) Method for detecting water in connection terminal of electronic device and electronic device supporting the same
WO2021006635A1 (en) Electronic apparatus for identifying object through warped image and control method thereof
WO2024039050A1 (ko) 지문 센서의 성능 검출 방법 및 이를 지원하는 전자 장치
WO2023177150A1 (ko) 딥러닝 모델의 분산 훈련을 위한 전체 슬라이드 이미지 분배 방법 및 이를 수행하는 컴퓨팅 시스템
WO2021118170A1 (ko) 배터리의 열화 모델에 따라 배터리의 상태를 추정하는 배터리 상태 추정 장치 및 방법, 배터리에서 측정되는 파라미터의 모델을 이용하는 배터리 이상 진단 장치 및 방법

Legal Events

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

Ref document number: 23907251

Country of ref document: EP

Kind code of ref document: A1