정확도는 91.74%입니다! 동남대학교, 태양광 전지 결함 검출 모델 제안, 신경 구조 탐색 최초 도입

"녹색 개발과 저탄소 전환"이라는 세계적 추세에 힘입어, 태양광(PV) 산업은 21세기 초부터 놀라운 속도로 급속히 발전해 왔습니다. 우리나라에서는 태양광 발전이 전례 없는 활력을 보이고 있습니다. 국가에너지국이 2023년 4월에 발표한 2023년 1~3월 전국 전력산업 통계에 따르면, 그해 3월 말 현재 우리나라의 누적 태양광 설비용량은 수력을 추월하여 전국 2위의 전력 공급원이 되었습니다.

태양광 발전의 대규모 적용에 따라 태양광 전력 공급의 안정성과 지속 가능한 발전을 보장하는 방법도 업계의 중요한 연구 주제가 되었습니다. 태양광 모듈은 태양광 발전의 기본 단위입니다. 긴 생산 체인과 복잡한 적용 시나리오 등 다양한 외부 요인의 영향을 받는 모듈은 제조, 운송, 설치 과정에서 손상될 가능성이 매우 높습니다. 이러한 결함이 있는 부품을 실제로 작동시키면 전체 전원 공급 시스템의 전력이 감소하거나 심지어 안전 문제가 발생할 가능성이 매우 높습니다. 따라서 태양광 발전의 현장 유지관리 및 고장진단에 대한 요구가 점점 더 높아지고 있습니다.

현재, 보다 전통적인 PV 결함 감지 방법에는 전류-전압(IV) 곡선과 적외선 열화상(IRT)이 있지만, 인식 정확도의 한계로 인해 위의 방법들은 미세균열과 같은 잠재적 위험 요소를 효과적으로 식별할 수 없습니다. 합성곱 신경망(CNN)은 강력한 특징 포착 기능과 고해상도 전기 발광(EL) 이미징을 결합했기 때문에 PV 결함 감지를 위한 주요 방법으로 자리 잡고 있습니다.하지만 CNN 기반 모델 매개변수는 일반적으로 크기가 크고 하드웨어 리소스에 대한 요구 사항이 엄격하기 때문에 실제 산업 프로젝트에 대규모로 배포하기 어렵습니다.

산업 현장에서 결함 탐지의 정확도와 속도 요구 사항을 충족하기 위해 동남대학교 자동화 학원의 Zhang Jinxia 교수 팀은신경 구조 검색(NAS)과 지식 증류를 기반으로 한 새로운 경량 고성능 태양광 전지 전기 발광(EL) 이미지 결함 자동 감지 모델이 제안되었습니다.

현재, 해당 연구 결과는 "신경 구조 검색과 지식 증류를 기반으로 한 전기 발광 이미지에서 태양광 전지 결함 탐지를 위한 경량 네트워크"라는 제목으로 arXiv에 게재되었습니다.

연구 하이라이트:

* 정확도가 최대 91.74%인 태양광 전지 결함 감지를 위한 경량 모델을 제안했습니다.
* 최초로 NAS를 태양광 전지 결함 검출 분야에 도입하여 자동화된 경량 네트워크 설계를 실현하여 수동 설계 작업 부담을 줄였습니다.
* 지식 증류의 도입은 다양한 사전 지식을 최대한 활용하며, 실험을 통해 이 설계가 결함이 있는 태양광 전지를 식별하는 능력을 향상시키는 데 효과적임이 입증되었습니다.

논문 링크:
https://arxiv.org/abs/2302.07455
공식 계정을 팔로우하고 "photovoltaic cells"에 답글을 남겨 논문을 다운로드하세요.

데이터 세트 및 데이터 증강

이 연구를 위한 데이터 세트는 단결정 및 다결정 유형을 모두 포함하여 300 x 300픽셀의 해상도를 가진 2,624개의 태양광 전지 EL 이미지가 포함된 공개 태양광 전지 데이터 세트입니다.연구팀은 0.5를 임계값으로 사용하고 샘플을 정상 샘플과 불량 샘플로 나누었습니다. 그들은 무작위로 751개의 TP3T 이미지, 즉 1,970개의 이미지를 훈련 세트로 선택했고, 나머지 654개의 이미지를 테스트 세트로 선택했습니다. 훈련 세트는 다시 검색 훈련 세트와 검색 테스트 세트로 나뉜다. 모든 이미지의 크기는 150 x 150픽셀로 조정되었습니다.

데이터 증강은 원본 데이터를 약간 늘리면서 원본 데이터에서 더 많은 표현을 얻어 원본 데이터의 품질을 개선하고 모델이 감소하는 데 도움이 되는 것입니다.과적합, 견고성을 향상시킵니다.데이터 증가 작업에는 무작위 수평 뒤집기, 무작위 수직 뒤집기, (-2°, 2°) 범위의 무작위 회전, {0°, 90°, 180°, 270°} 범위의 무작위 회전 및 무작위가 포함됩니다.아핀 변환.

본 연구에서 제안하는 모델은 정상세포와 감소세포가 겹쳐진 구조로 구성되어 있다. 검색 알고리즘을 통해 얻은 내부 구조는 아래 그림과 같습니다.

NAS와 지식 증류를 기반으로 한 결함 탐지 방법

가벼운 네트워크 설계 아키텍처는 아래 그림에 나와 있습니다. 연구진은 NAS 알고리즘을 통해 설계된 탐색 공간에서 자동으로 가벼운 네트워크를 얻었고, 지식 증류를 통해 기존의 사전 학습된 대규모 모델에서 얻은 사전 지식을 최대한 활용하여 모델 성능을 개선했습니다.

먼저, 연구팀은 연속적 기울기 기반 NAS 프레임워크인 DARTS를 사용하여 태양광 전지 결함 감지 모델을 자동으로 설계했습니다. 연구진은 DARTS의 빠른 검색 특성을 바탕으로 PV 결함의 시각적 다중 스케일 특징을 추가로 고려하고 다양한 결함 크기에 대한 특징 인식을 향상시키기 위한 적절한 검색 공간을 설계했습니다.

경량 네트워크가 사용하는 검색 공간은 주로 5개의 일반 셀과 4개의 축소 셀이라는 두 개의 적층된 단위 구조로 구성됩니다.일반 셀은 입력 크기를 유지하도록 설정되고, 감소 셀은 다운샘플링 기능을 갖도록 설정됩니다. 위 그림에서 보듯이, 각 단위는 처음 두 단위의 서로 다른 규모의 두 가지 특징을 융합하고, 첫 번째 일반 셀은 동일한 특징을 두 번 입력으로 받습니다.

처음 세 개의 감소 셀은 다운샘플링과 채널 확장을 수행하며, 마지막 감소 셀의 채널 수는 변경되지 않습니다. 제안된 경량 네트워크는 입력 태양광 전지를 기능적이거나 결함이 있는 것으로 분류합니다.

둘째,지식 증류는 가장 효과적인 모델 압축 방법 중 하나입니다. 교사-학생 모델을 채택하여 교사 모델에서 학생 모델로 지식을 전달할 수 있습니다.사전 학습된 모델의 기존 지식을 활용할 수 없는 네트워크 아키텍처는 교사 네트워크의 지식을 학습함으로써 성능을 개선할 수 있습니다. 이 실험에서 경량 네트워크는 지식 증류를 사용하여 처음부터만 학습할 수 있으므로, 사전 지식을 학습에 더 잘 활용할 수 있습니다.

연구자들은 태양광 전지 결함 감지 작업에 대한 증류 효과를 강화하기 위해 주의 정보, 특징 정보, 로짓 정보, 작업 지향 정보의 네 가지 다른 지식 사전 정보를 이전했습니다.

뛰어난 모델 성능

연구팀은 제안된 경량 모델을 Teacher 모델 및 다른 연구들과 비교하고, 개인 데이터 세트에서 테스트를 실시하여 네트워크 아키텍처의 효율성을 더욱 입증했습니다.

연구팀은 동일한 200개 에포크에서 수동으로 설계된 6개의 신경망과 공개 데이터 세트의 Teacher 모델을 비교했습니다. 결과는 아래 그림과 같습니다.

결과는 다음과 같습니다본 연구에서 제안한 경량 모델은 테스트 세트에서 91.74%의 정확도를 달성했으며, Teacher 모델 수준인 1.22%를 넘어섰습니다.동시에, 연구소에서 제안한 모델은 매개변수가 더 작고, 일부 고전적인 대형 모델보다 리소스를 덜 사용하며, 실제 단말 장치에 배포하기가 더 쉽습니다.

위의 그림은 결함이 있는 태양광 전지와 정상 작동하는 태양광 전지를 식별하는 모델의 정확도를 비교한 것입니다. 연구진이 제안한 모델은 결함이 있는 태양광 전지를 식별하는 데 있어 86.28%의 정확도를 보였으며, 이는 다른 방법을 크게 뛰어넘는 수치입니다.

결론은 다음과 같다.연구팀이 제안한 모델은 수동으로 설계된 다른 모델과 비교했을 때 NAS 알고리즘을 자동으로 검색할 수 있을 뿐만 아니라 작업 부하를 줄일 수 있고, 비교적 가벼운 아키텍처에서 더 높은 성능을 달성하여 제안된 방법의 효과를 입증했습니다.

제안된 모델의 성능을 더욱 평가하기 위해 연구팀은 표 4에 표시된 것처럼 단결정 또는 다결정 PV에 대한 성능 비교도 제공했습니다.

단결정 PV 셀에서는 제안된 모델의 모든 지표가 가장 높은 수준에 도달했으며, 더 어려운 다결정 모델의 경우에도 이 모델은 다른 모델을 크게 능가했습니다.

효율성과 일반화

단말 장치에 배포하려면 모델 크기와 계산 노력을 종합적으로 고려해야 합니다. 효율성을 테스트하기 위해 연구팀은 CPU 플랫폼(Intel i9-10980XE 24.75M 캐시, 3GHz)에서 모델을 평가했습니다.

종합적인 평가 결과, 이 모델은 다른 소규모 모델 및 대규모 고전적 모델보다 훨씬 우수한 것으로 나타났습니다.이 경량 모델은 일부 일반적인 저전력 임베디드 장치의 배포 요구 사항을 충족할 수 있습니다.예를 들어 Raspberry Pi-4B(4GB, 15W, 9~10 GFLOPS) 및 NVIDLA Jetson Nano(4GB, 10W, 7.368 GEFLOPS FP64) 등이 있습니다.

연구팀은 다양한 데이터 소스에서 모델의 일반화 성능을 검증하기 위해 개인 태양광 전지 데이터 세트를 사용하여 모델을 훈련했습니다. 6 x 10, 6 x 12, 6 x 24의 세 가지 사양의 태양광 전지에서 256 x 256 픽셀 해상도의 총 8,580개 이미지가 추출되었으며, 여기에는 결함 샘플 482개와 정상 샘플 8,089개가 포함되었습니다.

결과는 다음과 같습니다이 모델은 균형 정확도와 결함 샘플 정확도 측면에서 Teacher 모델보다 약 2.3% 더 높고, Teacher 모델보다 5.7% 더 높습니다.다른 방법과 비교하면 큰 차이가 있습니다. 이 모델은 결함이 있는 샘플에 대해 94.26%의 정확도를 보였으며, 특히 실제 상황에서 더 나은 결함 인식 능력을 보여주었습니다. 다음 그림과 같이:

태양광 발전은 100년 전부터 시작되었지만 여전히 친환경 에너지의 '사랑'입니다.

새로운 에너지의 대표격인 태양광 발전 기술에 대한 연구는 실제로 100년 이상 이어져 왔습니다. 1839년 프랑스 물리학자 베크렐이 처음으로광전효과그 후, 여러 나라의 과학자들의 끊임없는 연구와 노력으로 마침내 1954년에 최초의 실용적인 태양광 전지가 출시되었습니다. 오늘날 태양광 산업은 다시 한번 글로벌 녹색 발전의 추진력을 얻었습니다. 특히 국가에서 '이중탄소' 목표를 명확히 제시한 이후, 태양광 산업의 발전은 밝은 미래를 가지고 있습니다.

이는 국가에너지국이 얼마 전 발표한 2023년 국가 전력산업 통계자료에서도 확인할 수 있다. 데이터에 따르면 12월 말 현재 전국의 누적 발전 설비 용량은 약 29.2억 킬로와트로, 전년 대비 13.9% 증가했습니다. 이 중 태양광 발전 설비용량은 약 6억1천만킬로와트로 전년 대비 55.2% 증가했습니다.

정책적 관점에서 보면,2019년 5월 30일국가에너지국은 "2019년 풍력·태양광 발전 프로젝트 건설에 관한 통지"를 발표했습니다.이는 보조금을 받지 않는 저렴한 그리드 연결 프로젝트를 우선적으로 건설하고, 국가 보조금이 필요한 프로젝트는 경쟁 입찰을 통해 배정해야 한다는 점을 명확히 규정하고 있습니다. 이는 우리나라 태양광 산업이 이미 성숙하고 안정적인 발전 단계에 접어들었지만, 태양광 산업의 발전을 촉진하는 것은 앞으로 국내 에너지 구조 전환을 이루는 핵심 과제라는 것을 보여줍니다.

2023년에는 국가에너지국, 국가발전개혁위원회 등 부처에서 잇따라 에너지사업에 관한 일련의 문건을 발표했습니다.태양광 발전이 2023년 에너지 산업의 핵심 방향이라는 점은 분명하게 명시되어 있습니다.

이 연구는 산업적 측면에서 태양광 산업의 발전에 좋은 소식을 가져왔습니다. 장진샤 교수팀의 연구 결과는 실제 적용 측면에서 태양광 전지 결함을 감지하는 효과적인 도구를 제공합니다. 특히 NAS와 지식 증류의 도입은 애플리케이션 시나리오 모델을 설계하는 데 새로운 아이디어를 제공합니다. 이는 태양광 분야에서 딥러닝을 적용하는 데 있어 산업에 새로운 영감을 가져다주어 기술과 산업을 더욱 효과적으로 결합할 수 있을 것입니다.