Towards Automated Solar Panel Integrity: Hybrid Deep Feature Extraction for Advanced Surface Defect Identification

1. 연구 배경 및 문제 정의 (Problem)

태양광 발전소의 효율성과 신뢰성을 유지하기 위해서는 패널 결함을 조기에 감지하고 모니터링하는 것이 필수적입니다. 그러나 대규모 또는 오지 (remote areas) 에 설치된 태양광 패널의 수동 검사는 다음과 같은 심각한 문제점을 안고 있습니다.

• 고비용 및 비효율성: 인력 투입이 많아 시간과 비용이 많이 소요됩니다.
• 인간 오류: 수동 검사자는 피로로 인해 결함을 놓치거나 오인할 수 있습니다.
• 다양한 결함 유형: 먼지, 새 배설물, 눈 덮임, 물리적 손상 (균열), 전기적 고장 등 다양한 환경적 요인으로 인한 결함이 발생하며, 이는 발전 효율을 급격히 저하시킵니다.

따라서, 다양한 환경 조건에서도 높은 정확도로 결함을 자동으로 식별할 수 있는 지능형 시스템의 개발이 시급합니다.

2. 제안된 방법론 (Methodology)

이 논문은 **수동 특징 (Handcrafted Features)**과 **딥러닝 특징 (Deep Features)**을 결합한 하이브리드 (Hybrid) 프레임워크를 제안합니다. 전체 프로세스는 다음과 같은 단계로 구성됩니다.

가. 데이터 전처리 및 증강 (Data Preprocessing & Augmentation)

• 데이터셋: Kaggle 의 공개 PV 패널 결함 데이터셋 (1,574 장, 6 클래스: 깨끗함, 먼지, 눈, 새 배설물, 물리적 손상, 전기적 고장) 을 사용했습니다.
• 증강 (Augmentation): 과적합 (Overfitting) 을 방지하고 모델의 일반화 능력을 높이기 위해 회전, 뒤집기, 이동 변환 등을 적용하여 데이터 크기를 약 4 배 (6,060 장) 로 확장했습니다.
• 전처리: 노이즈 제거를 위해 비국소 평균 (Non-Local Means, NLM) 및 **양방향 필터링 (Bilateral Filtering)**을 적용했고, 대비 및 밝기 개선을 위해 CLAHE와 **감마 보정 (Gamma Correction)**을 수행했습니다.

나. 하이브리드 특징 추출 (Hybrid Feature Extraction)

두 가지 접근 방식을 병행하여 특징을 추출한 후 연결 (Concatenation) 합니다.

1. 수동 특징 추출 (Handcrafted):
   • LBP (Local Binary Pattern): 질감 (Texture) 분석.
   • HoG (Histogram of Oriented Gradients): 에지 및 형태 (Shape) 분석.
   • Gabor Filter: 공간 주파수 및 방향성 분석.
2. 딥러닝 특징 추출 (Deep Learning):
   • DenseNet-169: 고차원의 의미론적 (Semantic) 특징을 추출하기 위한 사전 학습된 CNN 모델.
3. 특징 융합 (Feature Fusion): 추출된 수동 특징 벡터와 딥러닝 특징 벡터를 연결하여 단일 특징 행렬을 생성합니다.

다. 분류기 (Classification)

생성된 하이브리드 특징을 사용하여 다음 세 가지 머신러닝 분류기를 훈련 및 평가했습니다.

• SVM (Support Vector Machine)
• XGBoost (Extreme Gradient Boosting)
• LGBM (Light Gradient Boosting Machine)

3. 주요 기여 (Key Contributions)

1. 최적화된 데이터 증강 파이프라인: 데이터 양을 4 배 증가시켜 모델의 일반화 성능을 향상시켰습니다.
2. 하이브리드 네트워크 제안: LBP, HoG, Gabor 필터로 추출한 저수준 특징 (질감, 에지) 과 DenseNet-169 로 추출한 고수준 특징 (의미론적 패턴) 을 결합한 자동 검사 시스템 개발.
3. 특징 수준 융합 (Feature-level Fusion): 다양한 특징의 강점을 결합하여 최적의 분류 성능을 내기 위해 특징 벡터를 직접 연결하는 새로운 방법론 제시.
4. 다양한 분류기 비교 검증: SVM, XGBoost, LGBM 등 다양한 분류기를 통해 융합 특징의 우수성을 입증했습니다.

4. 실험 결과 (Results)

실험은 증강된 데이터셋을 기반으로 수행되었으며, 주요 결과는 다음과 같습니다.

• 수동 특징 단독: LBP + LGBM 조합이 91.85% 의 정확도를 보였으며, Gabor 필터와 HoG 는 상대적으로 낮은 성능을 보였습니다.
• 딥러닝 단독: DenseNet-169 + SVM 조합이 **99.17%**의 정확도를 기록하여 모든 수동 특징 기반 모델보다 우수한 성능을 보였습니다.
• 하이브리드 특징 (제안 방법):
  • 최고 성능: DenseNet-169 + Gabor 필터 + SVM 조합이 **99.17%**의 정확도, 99.16% 정밀도, 99.01% 재현율을 달성하여 가장 우수한 성능을 보였습니다.
  • 성능 분석: 딥러닝의 강력한 의미론적 특징에 Gabor 필터의 주파수/방향성 정보가 추가되어 조명 변화와 다양한 결함에 대한 강인함이 향상되었습니다.
  • 과적합 현상: LBP, HoG, Gabor 를 모두 포함한 3 중 또는 4 중 하이브리드 모델 (예: DenseNet-169 + LBP + HOG + Gabor) 은 특징의 중복성 (Redundancy) 과 차원의 저주 (Curse of Dimensionality) 로 인해 오히려 정확도가 92~93% 수준으로 하락하는 경향을 보였습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용성: 제안된 하이브리드 프레임워크는 태양광 패널의 자동 모니터링 시스템에 적용 가능한 높은 정확도와 유연성을 입증했습니다.
• 기술적 통찰: 딥러닝 모델만으로는 포착하기 어려운 미세한 질감 변화나 주파수 특성을 수동 특징 (특히 Gabor) 이 보완함으로써, 복잡한 환경에서도 안정적인 결함 감지가 가능함을 보여주었습니다.
• 한계 및 향후 과제: 현재 데이터셋의 규모가 제한적이며, 수동 특징 추출기가 조명 변화나 센서 차이에 민감할 수 있다는 한계가 있습니다. 향후 더 큰 데이터셋 확보, 특징 중복성 제거, 그리고 UAV(드론) 나 엣지 디바이스 기반의 실시간 배포를 위한 경량화 연구가 필요하다고 결론지었습니다.

요약하자면, 이 연구는 딥러닝의 강력한 표현 능력과 전통적인 컴퓨터 비전 기법의 정교함을 결합하여 태양광 패널 결함 감지 분야에서 99% 이상의 높은 정확도를 달성한 혁신적인 하이브리드 접근법을 제시했습니다.