1. 서 론

전력은 1차 에너지를 전환 시켜 만든 2차 에너지이며 최종에너지로 현재 산업과 일상생활에서 필수적인 에너지이다. 또한 경제 성장의 원동력이며 보다 나은 삶을 가능하게 하는 수단으로 사용되고 있다. 통계청의 “OECD 주요국의 1인당 전력 소비량”에 따르면 우리나라는 2012년부터 2019년까지 1인당 전력 소비량은 9,331kWh에서 10,878kWh로 꾸준히 증가하는 추세이다⁽¹⁾. 1인당 전력 소비량이 증가함에 따라 총발전량도 동기간인 2012년부터 2019년까지 509,574GWh에서 576,809GWh로 연간 꾸준히 증가하였다. 그림 1의 에너지원별 발전량을 보았을 때 2012년부터 2019년까지 석탄이 총발전량의 40.5%로 가장 높았으며, 원자력이 28.0%, 가스가 24.5%로 높았다⁽²⁾.

석탄 화력 발전은 이산화탄소, 미세먼지 및 초미세먼지, 질소산화물, 황산화물 등 다양한 오염물질을 배출한다. 이에 따라 2012년에서 2019년까지 에너지 분야에서 온실가스가 59억 600만 톤에서 61억 100만 톤으로 증가하는 결과를 초래하였다⁽³⁾. 따라서 총발전량에서 가장 높은 비율을 차지하고 있고 증가하고 있는 석탄 화력 발전을 점차 줄여야 하며 원자력 및 화석에너지를 대체할 수 있는 친환경적 에너지인 신재생에너지를 늘려야 한다⁽¹⁾⁽²⁾.

신재생에너지는 신에너지와 재생에너지로 나뉘게 되는데 수소와 같은 연료전지가 신에너지에 해당하며 수력, 풍력, 태양광, 해양, 바이오와 같은 에너지가 재생에너지로 분류된다. 신재생에너지에서 2020년 기준 태양광이 33.62%로 가장 높았으며 바이오가 31.54%로 태양광 에너지 다음으로 높았다⁽⁴⁾. 자료를 통해 확인할 수 있듯이 태양광을 통한 발전은 신재생에너지에서 큰 비중을 차지하고 있다.

태양전지(Solar cell)는 태양의 빛 에너지를 통해 광전효과로 전기를 발생하는 부품이며 태양광 발전기는 이를 이용하여 전기를 생산하는 발전 기술이다⁽⁵⁾. 태양광 발전의 핵심인 태양전지는 매우 얇은 기판으로 되어있으며 연성이 작아 약한 충격에 쉽게 파손될 수 있다. 많은 과정을 거쳐 제작되는 태양전지는 제작 도중 발생하게 되는 기계적 스트레스에 의해 작은 균열이 발생할 수 있다. 또한 실외에 설치된 태양광 발전기의 태양전지는 표면의 온도, 습도, 먼지와 같은 자연현상에 의해서도 작은 균열이 발생할 수 있다⁽⁶⁾.

그림. 1. 에너지원별 발전량 현황

Fig. 1. Power generation status by energy source

태양전지는 태양광 발전 모듈에 직렬로 연결되며 모듈의 태양전지 중 작은 균열이 하나라도 존재하면 장기적으로 그 작은 균열이 커질 수 있으며 이는 태양광 발전 모듈에 출력 부정합을 가져올 수 있다. 태양광 발전 모듈의 출력 부정합은 최종적으로 태양광 발전 시스템의 발전 성능을 저하하는 영향을 미치고 또한 열점 현상으로 인해 시스템이 쉽게 손상되도록 한다⁽⁷⁾.

태양광 발전 모듈에서 태양전지의 결함을 찾기 위해서 일반적으로 사용되는 방법은 전계발광(Electroluminescence, EL)을 통해 이미지를 획득하여 검사하는 방법이다. 하지만 EL 이미지를 통하여 태양전지의 결함을 찾기 위해서는 숙련된 전문가가 태양광 모듈의 라인마다 직접 EL 이미지를 확인해야 한다. 이는 비용과 시간이 많이 소요되며 반복되는 작업으로 인한 전문가의 피로 누적 및 집중력 저하로 결함 판별 정확도가 떨어질 수 있다⁽⁸⁾.

이러한 문제들을 해결하기 위해 딥러닝을 적용하여 EL 이미지를 통해 불량인 태양광 모듈을 자동으로 분류하는 연구가 진행되었다⁽⁹⁾. 제안된 연구는 CNN(Convolutional Neural Network) 기반 자동 결함 분류 모델을 제안하였으며 GAN(Generative Adversarial Network) 기반의 이미지 증대 기법과 기본적인 이미지 증대 기법을 사용하여 총 1,800개의 이미지 중 테스트 이미지 600개를 제외하고 32,000개의 이미지를 생성하여 연구가 진행되었다. 제안하는 모델과 비교하기 위해 대표적인 CNN 모델인 VGG-16, MobileNet, ResNet50, Inception-V3에 대한 성능을 확인하였으며 정확도는 각각 66%, 42%, 67%, 64%의 정확도를 보였다.

다음으로 SVM(Support Vector Machine)과 CNN을 통해 EL 이미지에서의 결함을 식별하는 프레임워크를 제안하였다⁽¹⁰⁾. 2,624개의 이미지 중 25%인 656개의 이미지를 테스트로 사용하였으며 이를 제외한 이미지는 학습에 사용되었다. SVM 모델은 여러 실험을 통해 VGG descriptor와 KAGE detector를 사용한 선형 SVM을 사용하였으며 CNN 모델은 VGG-19 모델을 기반으로 한 모델을 제안하였다. 본 연구는 정확도 기준으로 보았을 때 제안하는 SVM 모델은 82.44%의 정확도를 보였으며 CNN 모델의 경우 88.42%의 정확도를 보였다. F1-Score 기준으로 보았을 때 제안하는 SVM 모델과 CNN 모델은 각각 82.52%, 88.39%의 성능을 보였다.

관련 연구들은 CNN 기반의 네트워크를 변형하거나 SVM 기반의 모델을 사용하였으며 GAN을 통해 증대하는 연구도 진행되었다. 하지만 현재 딥러닝 기반 이미지 분류에서 Transformer 구조를 Vision Task에 적용한 Vision Transformer 모델이 CNN 구조를 기반으로 하는 모델보다 성능이 뛰어남을 보인다⁽¹¹⁾. 또한 일반적인 GAN의 경우 특정 제약 조건을 갖춘 많은 양의 이미지가 필요하다. 적은 데이터를 통한 GAN 증대 기법은 Discriminator의 과적합이 발생할 수 있으며 이는 Generator로부터의 feedback이 적용되지 않아 모델이 수렴하지 못하고 발산하는 결과를 초래한다⁽¹²⁾.

따라서 본 연구에서는 Vision Transformer 모델을 활용하여 태양광 발전 모듈에서 태양전지의 결함을 탐지하고 적은 데이터를 보완하기 위해 AutoAugment를 통하여 이미지를 증대하여 성능을 올리고자 한다⁽¹³⁾.

2. 본 론

2.1 태양전지 결함 탐지를 위한 데이터세트 획득

본 연구는 European PV Solar Energy Conference and Exhibition(EU PVSEC)에서 2018년에 발표된 태양광 모듈의 고해상도 EL 이미지에서 추출한 태양전지 이미지 데이터세트를 기반으로 진행되었다. 데이터세트는 Git-hub에서 공개적으로 사용할 수 있다^{(10)(14)(15)(16)}.

본 데이터세트는 44개의 서로 다른 태양광 모듈에서 이미지를 획득하였다. 44개의 태양광 모듈은 모두 결정질 태양전지로 구성되어 있으며 그중 26개는 다결정 태양전지에서 1,550개의 이미지 데이터를 추출하였으며 나머지 18개는 단결정 태양전지에서 1,074개의 이미지 데이터를 추출하여 총 2,624개의 이미지 데이터로 구성되었다. 본 데이터에서 확인할 수 있는 결함의 종류는 Crack, Fracture interconnects, PID와 같은 다양한 결함이 포함되어 있다.

획득된 데이터에 대한 라벨링 작업은 전문가에 의해 진행되었으며 결함 확률에 따라 총 4개의 클래스로 정의되었다. 4개의 클래스는 각각 결함 확률이 0%, 33%, 67%, 100%로 나뉘어 있으며 각 클래스에 대한 이미지 개수는 1,508개, 295개, 106개, 715개로 아래 표 1과 같다. 본 연구에서는 다양한 태양

표 1. EL 이미지 데이터세트 요약

Table 1. Summary of EL image

그림. 2. 데이터세트 예시

Fig. 2. Example of dataset

그림. 3. CIFAR-10 증대정책과 ImageNet 증대정책으로 증대한 데이터 예시

Fig. 3. Example of augment data with CIFAR-10 policy and ImageNet policy

전지에 대해 탐지해야 하므로 결정질의 종류에 따라 데이터를 구별하지 않았으며 결함이 확실하지 않은 33%와 67%에 대한 데이터는 제외하고 진행하였다. 또한 각 클래스에 대한 데이터의 개수가 불균형하므로 이를 해결하기 위해 Under Sampling 기법 중 Random Sampling을 통해 개수가 많은 결함 확률이 0%인 데이터를 결함 확률이 100%인 데이터에 맞추어 진행하였다. 획득한 데이터의 예시는 아래 그림 2에 나타내었다.

2.3 딥러닝 모델 학습

본 연구에서 사용한 딥러닝 모델은 CNN 기반 모델에 비해 적은 연산량으로 높은 성능을 보이는 Vision Transformer 기반 모델을 적용하였다. Vision Transformer는 자연어 처리에서 사용되는 표준 Transformer를 이미지에 적용한 모델이며 이미지를 텍스트 Sequence와 같이 사용하는 구조로 구현되었다⁽¹⁹⁾. Vision Transformer는 이미지를 고정된 크기의 patch로 쪼갠 뒤 patch의 위치에 대한 정보를 포함하는 Position Embedding을 진행하여 1차원 벡터를 생성한다. 1차원 벡터의 첫 부분에 Class에 대한 정보를 전달하기 위한 token을 추가하여 Transformer Encoder의 입력으로 Transformer 모델에 전달되며 학습이 이루어진다. 본 모델의 전체적인 구조는 그림 4를 통해 확인할 수 있다.

Vision Transformer 모델은 CNN 계열의 지역성 및 입출력 위치에 따른 동일성과 같은 Inductive Bias를 학습하지 못한다. 따라서 작은 크기의 데이터세트나 ImageNet과 같은 중간 크기의 데이터세트로 pre-train 된 모델은 JFT-300M과 같은 큰 크기의 데이터세트로 pre-train이 진행된 모델보다 성능이 떨어진다. 하지만 현재 JFT-300M은 공개되지 않은 데이터세트이며 이를 통해 pre-train 된 모델의 가중치를 공개하지 않으므로 본 연구에서는 공개된 데이터세트 중 ImageNet으로 pre-train 된 모델을 사용하였고 모델의 크기가 가장 크고 깊은 모델인 ViT-Huge 모델을 사용하였다.

원본 이미지에 대한 학습은 결함이 없는 EL 이미지 572장, 결함 확률이 100%인 EL 이미지 572장으로 총 1,144장으로 학습이 이루어졌다. CIFAR-10 증대정책과 ImageNet 증대정책을 사용하여 증대된 이미지는 원본 이미지를 25배 증대하여 사용하였다. 따라서 원본 이미지를 포함하여 결함이 없는 EL 이미지와 결함 확률이 100%인 EL 이미지 각각 14,872장으로 총 29,744장이 학습에 사용되었다. 원본 이미지만을 학습한 모델로 증대된 이미지를 예측 확률이 70% 필터링을 적용하였을 때 CIFAR-10 증대정책을 사용한 데이터는 결함이 없는 EL 이미지 14,498장, 결함 확률이 100%인 EL 이미지 13,989장으로 1,257장 필터링되었으며 ImageNet 증대정책을 사용한 데이터의 경우 각각 14,676장으로 392장 필터링되어 학습에 사용되었다. 모든 과정에서 학습에 사용된 이미지는 아래 표 2와 같다.

각 이미지는 300x300 크기를 가지며 모델에 입력될 때 Bilinear 형식으로 224x224 크기의 이미지로 Down Sampling을 진행한 뒤 모델에 입력된다.

표 2. 학습에 사용된 데이터 장수

Table 2. Number of data used for training

학습 진행 시 설정할 수 있는 parameter인 Learning rate는 0.0001로 설정하였으며 Batch-size는 8로 지정하였다. 또한 학습은 최대 30 epoch로 설정하였으며 학습 Loss와 검증 Loss가 충분히 수렴하였다고 판단 되는 시점에서 학습을 종료하였다. 학습이 진행된 환경과 사용된 기기는 표 3과 같다.

그림. 4. Vision Transformer 모델 구조

Fig. 4. Vision Transformer model structure

표 3. 학습에 사용된 기기 및 환경

Table 3. Device and environment for training

그림. 5. 연구 흐름도

Fig. 5. Flow chart of our solar cell defect detection system

3. 연구 결과

본 연구에서는 태양광 발전 모듈의 태양전지 결함 탐지 연구가 진행되었다. 태양전지가 결함이 있는지 EL 이미지를 수집하고 수집한 이미지에 결함이 있는지에 대한 분류가 진행되었다. 분류 모델은 Vision Transformer 중 가장 큰 모델인 ViT-H 모델을 사용하였다. 또한 모델의 성능을 올리기 위해 Google의 AutoAugment의 CIFAR-10, ImageNet 증대정책 2가지를 사용하여 증대한 데이터를 학습하였고 이를 필터링하여 결함 특징을 보이지 않는 데이터를 선별하여 학습하였다. 본 연구에서 진행한 연구 흐름은 그림 5에 나타내었다.

증대정책을 사용한 모델, 필터링이 적용된 모델, 원본 데이터만 학습한 모델의 전체적인 성능을 비교하여 평가하였다. 학습된 모델은 Accuracy, Precision, Recall 그리고 F1-Score로 성능을 평가하였으며, 각각 평가지표를 구하는 수식은 다음과 같다.

모델에 대한 테스트는 학습과 테스트의 비율을 8:2로 맞추어 진행하였다. 테스트 데이터는 학습 데이터에서 사용되지 않은 이미지로 구성되어 있으며 결함이 없는 EL 이미지 143장, 결함 확률이 100%인 EL 이미지 143장으로 총 286장으로 평가되었다.

본 연구에서 제안하는 증대정책을 사용하지 않은 원본 데이터에 대한 모델은 Accuracy가 85.664%, Precision이 85.417%, Recall이 86.014%를 나타냈으며 F1-Score는 85.714%를 보였다. CIFAR-10 증대정책을 사용하여 증대한 이미지를 학습한 모델은 Accuracy가 86.713%, Precision이 84.615%, Recall이 88.811%, F1-Score는 85.986%를 보였다. 또한, ImageNet 증대정책을 사용하여 증대한 이미지를 학습한 모델은 Accuracy가 87.762%, Precision이 86.486%, Recall이 89.510%, F1-Score는 87.973%를 보였다. CIFAR-10 증대정책과 ImageNet 증대정책을 사용한 증대 이미지를 필터링하여 걸러진 증대 이미지를 통해 학습한 모델은 각각 Accuracy가 90.210%, 90.210%이며 Precision은 87.582%, 88.079% Recall은 93.706%, 93.007% F1-Score는 90.541%, 90.476%로 두 증대정책 모두 높은 성능을 보였다. 전체적인 성능은 표 4와 같다.

두 가지의 증대정책을 사용하여 증대한 이미지로 학습한 모델과 모두 원본 이미지만을 학습한 모델을 비교하였을 때 증대 데이터를 사용한 모델의 성능이 향상되었다. 원본 이미지 데이터가 적어 딥러닝 모델이 특징을 제대로 학습하지 못하였는데 증대정책을 통해 생성된 증대 이미지를 통해 다양한 형태의 특징을 생성할 수 있었으며 이는 모델의 성능이 향상되는 결과로 이어졌다. 하지만 모델의 성능 향상 폭이 크지 않은 것을 확인할 수 있다. 이는 앞부분에서 언급한 원본 이미지에서의 태양전지 특징이 증대과정에서 사라져 학습이 진행될 때 특징을 찾지 못하거나 잘못된 특징을 학습하게 되는 문제가 발생하였기 때문이다. 따라서 필터링을 통해 특징이 사라진 이미지를 걸러낸 뒤 학습한 모델의 성능은 원본 이미지만을 학습한 모델과 비교하였을 때 Accuracy와 F1-Score 기준 약 5%의 향상된 성능을 보였다.

반도체 제작 및 검사 공정과 같이 태양전지의 결함 탐지의 경우 태양전지에 결함이 존재하는데 이를 결함이 없다고 모델이 놓치는 부분은 큰 손실로 이어진다. 따라서 Recall 값이 중요하게 여겨지며 제안하는 방법의 Recall 값은 약 93%로 높게 확인되었다.

4. 결 론

본 논문은 태양광 발전 시스템의 핵심인 태양전지의 결함 여부를 분류하는 연구를 진행하였다. 2018년에 EU PVSEC에서 2018년에 발표된 태양광 모듈의 고해상도 EL 이미지에서 결함, 정상으로 2개의 클래스로 학습 데이터를 구성하여 ViT-H 모델을 학습하였다. 또한 적은 데이터세트로 인해 학습 데이터의 부족함을 AutoAugment의 CIFAR-10 증대정책과 ImageNet 증대정책을 통하여 학습 데이터를 증대하여 모델의 성능을 향상하고자 하였다. 또한 결함의 특징을 증대과정에서 사라지는 문제를 해결하고자 Softmax 함수를 통해 증대 이미지에 대한 모델 예측 확률이 70% 이상인 이미지만 선별하여 사용하는 필터링을 적용하여 높은 Recall 값을 보였다.

추후 연구에서는 CIFAR-10 증대정책과 ImageNet 증대정책이 아닌 다른 증대정책을 사용하여 부족한 데이터세트를 보완하고 태양전지 결함에 대한 특징을 잘 나타낼 수 있는 증대정책을 적용하는 연구가 필요하다. 또한 외부 환경에 따라 발생하는 이미지 Noise 현상을 방지하는 연구도 진행할 예정이다. 마지막으로 클래스에 따라 데이터의 개수가 불균형할 때 본 연구에서는 Random으로 데이터를 추출하는 Random Sampling을 통해 불균형 문제를 해결하였지만, 성능이 더 높은 방법의 Under Sampling 기법을 적용하여 정확도를 높일 수 있을 것이다.