기술 요약: 태양전지 균열 분할 및 전력 손실 추정을 위한 STC-Net

문제 정의

태양광(PV) 모듈의 균열을 정확하게 평가하는 것은 신뢰성 분석 및 예측 유지보수에 매우 중요하다. 전기 발광(Electroluminescence, EL) 이미징은 구조적 결함에 대한 고대비 시각화를 제공하지만, 기존의 딥러닝 분할 방식은 태양전지 균열의 특정 특성을 포착하는 데 어려움을 겪는 경우가 많다. 일반적인 자연 이미지의 객체와 달리, 균열은 가늘고 길며, 구조적으로 제약되어 있고, 종종 파편화되어 있으면서도 연결되어 있는 특성을 가진다. 기존의 어텐션 기반 또는 범용 목적의 분할 아키텍처(예: U-Net, DeepLabv3+)는 균열 픽셀과 배경 사이의 심각한 불균형, 그리고 균열 토폴로지에 대한 명시적 모델링의 부재로 인해 균열의 연속성과 경계 정밀도를 유지하는 데 자주 실패한다. 또한, 대부분의 기존 EL 기반 연구는 결함 분류나 거친 심각도 평가에 집중되어 있으며, 픽셀 수준의 결함 국소화와 실제적인 전기적 성능 저하(예: 전력 손실 추정)를 명시적으로 연결하지 못하고 있다.

방법론

저자들은 특정 사전 지식(prior)과 정제 모듈을 통해 강화된 다중 브랜치 인코더-디코더 아키텍처를 통해 이러한 한계를 해결하기 위해 설계된 경량 엔드 투 엔드 프레임워크인 STC-Net(Solar Topology Crack Network)을 제안한다.

1. 아키텍처 개요

STC-Net은 두 개의 보조 사전 추출 브랜치와 전용 예측 정제 모듈을 갖춘 인코더-디코더 구조를 따른다:

• 인코더(Encoder): 계층적 U-Net 스타일의 인코더가 입력 EL 이미지로부터 다중 스케일의 의미론적 표현을 추출한다.
• 보조 사전 브랜치(Auxiliary Prior Branches):
  • 에지 사전(Edge Prior): 고정된 Sobel 필터를 사용하여 그래디언트 크기 맵을 계산함으로써, 경계의 불연속성과 가늘고 선 형태인 구조를 명시적으로 보존한다. 이들은 에지 피라미드를 통해 처리되어 다중 스케일의 경계 단서를 제공한다.
  • 스펙트럼 사전(Spectral Prior): 푸리에 변환과 하이패스 필터링을 사용하여 스펙트럼 잔차 맵을 구축함으로써 저주파 배경 성분을 억제하고 희미하고 불규칙한 균열 패턴을 강조한다. 이 특징들 또한 스펙트럼 피라미드를 통해 처리된다.
• 토폴로지 가이드 디코더(Topology-Guided Decoder): 디코더는 의미론적 인코더 특징을 에지 및 스펙트럼 사전과 융합하여 고해상도 특징을 재구성한다. 경량 어텐션 유닛은 융합 가중치를 동적으로 예측하여 이러한 소스들을 적응적으로 결 combine하며, 이를 통해 디코더가 의미론적 문맥, 기하학적 경계, 고주파 구조적 단서에 의해 가이드되도록 보장한다.
• 예측 정제 모듈(Prediction Refinement Module): 단일 출력을 생성하는 대신, 네트워크는 거친 헤드(coarse head), 에지 헤드(edge head), 토폴로지 헤드(topology head)를 통해 세 개의 중간 로짓(logits)을 생성한다. 이들은 경계-토폴로지 정제기(boundary-topology refiner)에 의해 융합되어 최종 분할 헤드가 픽셀 단위 마스크를 생성하기 전 정제된 표현을 생성한다.

2. 학습 목표

네트워크는 심층 구조적 감독(deep structural supervision)을 채택한다. 전체 손실 함수는 다음을 결합한다:

• 분할 손실(Segmentation Loss): 최종 마스크를 위한 Dice 손실과 이진 교차 엔트로피(BCE)의 가중 합.
• 보조 손실(Auxiliary Loss): 정확한 영역, 경계 및 토폴로지적으로 일관된 구조의 학습을 장려하기 위해 중간 거친 헤드, 에지 헤드 및 토폴로지 헤드에 적용되는 추가적인 감독.

3. 전력 손실 추정

프레임워크는 분할과 성능 평가 사이의 간극을 메우기 위해 전력 손실을 추정하는 모듈을 포함한다:

• 비활성 영역 대리물(Inactive Area Proxy): 예측된 균열 마스크는 영향 구역을 형성하도록 팽창(dilation)된다. 이는 EL 이미지의 저강도 픽셀에서 유도된 "암영 영역(dark-region)" 마스크와 결합되어 균열과 관련된 전기적 비활성 영역을 추정한다.
• 전력 계산: 비활성 영역과 총 셀 면적 사이의 비율을 계산한다. 선형 관계를 가정할 때, 전력 손실($\Delta P$)은 이 비활성 영역 백분율에 비례하는 공칭 전력($P_{nom}$)의 분율로 추정된다.

주요 기여

1. 특화된 프레임워크: EL 이미지 내 균열 결함의 기하학적 및 토폴로지적 특성을 포착하도록 설계되어 낮은 계산 복잡성을 유지하면서도 엔드 투 엔드로 작동하는 경량 프레임워크를 도입하였다.
2. 토폴로지 및 방향 인식: 방향 인식 및 토폴로지 가이드 모듈(에지 및 스펙트럼 사전, 멀티 헤드 정제)을 통합하여 연속성 보존을 강화하고 가늘고 길며 방향성이 다양한 균열 패턴을 탐지한다.
3. 성능 인지 평가: 프로그램을 시각적 분할에서 실질적인 상태 평가로 확장하여, 예측된 결함 영역으로부터 전력 손실을 직접 추정함으로써 이미지 기반 탐지를 전기적 열화와 직접 연결하였다.

실험 결과

모델은 1,200개의 다결정 실리콘 셀 이미지(훈련 840, 테스트 360)로 구성된 정제된 하위 집합인 PVEL-S 데이터셋에서 평가되었다.

• 분할 성능:
  • 훈련: STC-Net은 95.98% MIoU, 98.01% MDice, 98.00% MAcc를 달성했다. CAAK-Net이 STC-Net(95.98)보다 약간 높은 MIoU(96.07)를 보고했으나, STC-Net은 비교된 방법들 중 가장 높은 MDice(98.01)와 MAcc(98.00)를 기록했다.
  • 추론 (미학습 테스트 데이터): 72.52% MIoU 및 80.16% MDice를 달성하여 견고한 일반화 능력을 입증했다.
  • 효율성: 모델은 41.38 FPS로 작동하여 계산적 실용성을 보여준다.
• 정성적 분석: 시각적 결과는 STC-Net이 가는 균열과 큰 열화 영역의 형태를 효과적으로 보존함을 보여준다. 미세 균열의 경우 모델은 0.816–0.843의 IoU 값을 달성한 반면, 더 큰 영역은 0.938에서 0.985 사이의 IoU 값을 보였다.
• 전력 손실 추정: 프레임워크는 균열 심각도와 추정된 전력 손실 사이의 상관관계를 성공적으로 입증했다. 예를 들어, 낮은 비활성 영역(0.25%)을 가진 샘플은 무시할 만한 전력 손실(0.0025 W)을 보인 반면, 높은 심각도(최대 41.3% 비활성 영역)를 가진 샘플은 그에 상응하는 높은 손실(~0.413 W)을 나타냈다.

의의 및 주장

본 논문은 ST-Net이 균열을 일반적인 영역으로 취급하는 대신 구조적 특성을 명시적으로 모델링함으로써 중요한 진전을 이루었다고 주장한다. 프레임워크의 주요 의의는 다음과 같은 이중 능력에 있다:

1. 정확한 국소화: 기존의 범용 목적 분할 모델과 비교하여 얇고 파편화된 결함에 대해 우수한 경계 보존 및 연속성을 제공하며, MDice 및 MAcc 지표에서 최상위 성능을 달성한다.
2. 실용적 유용성: 시각적 결함 분할과 PV 열화 평가 사이의 직접적이고 해석 가능한 연결을 구축한다. 분할된 비활성 영역으로부터 전력 손실을 추정함으로써, 이 프레임워크는 점검, 유지보수 우선순위 지정 및 신뢰성 모니터링을 지원한다.

저자들은 전력 손실 추정이 "단순화된 대리물(simplified surrogate)"이며 복잡한 비선형 전기적 동작(예: 국부적 가열 또는 상호 연결 효과)을 포착하지는 못한다고 언급했다. 그러나 이는 이미지 분석과 공학 중심의 성능 평가 사이의 실용적인 1차적 가교 역할을 한다. 향후 연구에서는 측정된 전기 데이터에 대해 프레임워크를 검증하고 모듈 수준의 전력 손실 분석으로 확장하는 것이 제안되었다.