태양전지 균열 감지를 위한 이중 스핀 최대 풀링 컨벌루션 신경망

Scientific Reports 13권, 기사 번호: 11099(2023) 이 기사 인용

1348 액세스

2 알트메트릭

측정항목 세부정보

본 논문에서는 광전지(PV) 조립 장치에 사용하기 위한 태양전지 균열 감지 시스템을 제시합니다. 이 시스템은 균열, 미세 균열, PID(Potential Induced Degradation) 및 음영 영역을 감지하기 위해 검증 정확도가 다양한 4가지 CNN(Convolutional Neural Network) 아키텍처를 활용합니다. 이 시스템은 태양전지의 전기발광(EL) 이미지를 검사하고 균열의 존재 여부와 크기에 따라 합격 또는 거부 상태를 결정합니다. 제안된 시스템은 다양한 태양전지에서 테스트되었으며 최대 99.5%의 합격률로 높은 정확도를 달성했습니다. 이 시스템은 시스템에서 정확하게 예측한 음영 영역 및 미세 균열과 같은 실제 사례를 사용한 열 테스트를 통해 검증되었습니다. 결과는 제안된 시스템이 PV 셀의 상태를 평가하는 데 유용한 도구이며 효율성 향상으로 이어질 수 있음을 보여줍니다. 이 연구는 또한 제안된 CNN 모델이 이전 연구를 능가하고 결함이 있는 셀 수를 줄이고 PV 조립 장치의 전반적인 효율성을 향상시킴으로써 PV 산업에 중요한 영향을 미칠 수 있음을 보여줍니다.

태양전지 균열 감지는 PV(광전지) 산업에서 중요한 역할을 합니다. PV 모듈 생산량이 증가하고 수동/시각 검사 적용이 제한됨에 따라 자동화된 결함 감지의 필요성이 점점 더 커지고 있습니다. 이전 연구에서는 신호 처리 및 이미지 처리 기술을 활용하여 태양전지의 균열 및 이상 현상을 감지하는 데 중점을 두었습니다. 그러나 이러한 기존 접근 방식에서는 정확한 결과를 얻기 위해 복잡한 구조와 많은 양의 데이터가 필요한 경우가 많습니다.

CNN(컨벌루션 신경망)은 균열 탐지를 위한 강력한 도구로 등장하여 기존 방법에 비해 몇 가지 장점을 제공합니다. CNN은 이미지의 패턴을 자동으로 학습하고 식별할 수 있으므로 균열이 명확하게 보이지 않거나 모양이 복잡한 경우에도 PV 패널의 균열을 정확하게 감지하고 분류할 수 있습니다. 또한 CNN은 높은 정확성과 효율성으로 균열을 감지하도록 훈련되어 수동 검사 방법에 비해 시간과 리소스를 절약할 수 있습니다. 이는 많은 PV 패널을 정기적으로 효율적으로 검사해야 하는 PV 산업에서 특히 중요합니다.

CNN은 지배적인 딥 러닝 기술로 사용되며 다양한 실제 애플리케이션에서 대부분의 머신 러닝 접근 방식보다 지속적으로 뛰어난 성능을 발휘해 왔습니다1,2. GoogleNet3, ResNet4, DenseNet5 등 최고급 CNN 중 높은 수준의 성능을 달성하기 위한 아키텍처는 모두 데이터 조사 경험으로 도메인에 대한 깊은 이해를 갖춘 전문가가 전문적으로 설계했습니다. 그리고 CNN의 발전. 문제는 특정 도메인에 관심이 있는 모든 사용자가 이러한 도메인 지식을 갖추고 있는 것은 아니라는 점이다. 예를 들어, 데이터에 대한 경험이 있는 사용자는 데이터에 대한 친숙도에 따라 CNN용 알고리즘을 구축하는 방법을 반드시 이해하지 못할 수도 있고, 그 반대일 수도 있습니다6. 따라서 도메인 지식이 없어도 사용자가 CNN 아키텍처를 투명하게 조정할 수 있도록 하는 CNN 아키텍처 자동화에 대한 관심이 급증하고 있습니다7,8,9,10. 반면에 CNN 아키텍처 설계 알고리즘은 CNN 아키텍처의 광범위한 채택을 촉진하여 CNN 개발을 통한 AI 분야의 발전을 촉진할 수 있습니다.

CNN 아키텍처 설계를 위한 알고리즘을 구현할 때 필요한 도메인 지식 유형을 기반으로 기존 CNN 아키텍처 설계 알고리즘은 두 가지 범주로 나눌 수 있습니다. 첫 번째 경우, CNN 아키텍처 설계는 "자동 및 수동 튜닝"의 조합을 사용하여 생성되며, 이는 CNN 아키텍처 설계에 대한 전문 지식을 기반으로 자동 튜닝 외에도 수동 튜닝이 여전히 보장된다는 것을 의미합니다. . 이 카테고리에서는 유전적 CNN 방법과 계층적 표현 방법13에 대한 정보를 찾을 수 있습니다. CNN 아키텍처 설계의 또 다른 유형은 소위 "자동" CNN 아키텍처 설계입니다. 이 아키텍처는 사용자가 사용할 때 매개변수를 수동으로 조정할 필요가 없습니다. CNN의 수동 전문 지식으로 인해 발생하는 추가 이점을 고려할 때 "자동 + 수동 조정" 설계가 "자동" 설계보다 우수한 경우가 많다는 점에는 의심의 여지가 없습니다15. 따라서 "자동" 설계는 수동 조정이 필요하지 않다는 점에서 "수동" 설계에 비해 상당한 이점을 갖습니다16. CNN에 대한 도메인 지식이 없는 사용자는 이러한 자동화된 설계를 선호할 가능성이 훨씬 더 높습니다.