CN102017191A - 用于晶片成像及处理的方法和设备 - Google Patents

用于晶片成像及处理的方法和设备 Download PDF

Info

Publication number
CN102017191A
CN102017191A CN2009801150022A CN200980115002A CN102017191A CN 102017191 A CN102017191 A CN 102017191A CN 2009801150022 A CN2009801150022 A CN 2009801150022A CN 200980115002 A CN200980115002 A CN 200980115002A CN 102017191 A CN102017191 A CN 102017191A
Authority
CN
China
Prior art keywords
band gap
gap material
sample
image
dislocation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2009801150022A
Other languages
English (en)
Other versions
CN102017191B (zh
Inventor
托尔斯滕·特鲁普克
罗伯特·A·巴尔多什
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BT Imaging Pty Ltd
Original Assignee
BT Imaging Pty Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from AU2008901552A external-priority patent/AU2008901552A0/en
Application filed by BT Imaging Pty Ltd filed Critical BT Imaging Pty Ltd
Priority to CN201410268610.XA priority Critical patent/CN104022056B/zh
Publication of CN102017191A publication Critical patent/CN102017191A/zh
Application granted granted Critical
Publication of CN102017191B publication Critical patent/CN102017191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6489—Photoluminescence of semiconductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G01N21/9505—Wafer internal defects, e.g. microcracks
    • G01N33/0095—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L31/00—Semiconductor devices sensitive to infrared radiation, light, electromagnetic radiation of shorter wavelength or corpuscular radiation and specially adapted either for the conversion of the energy of such radiation into electrical energy or for the control of electrical energy by such radiation; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof
    • H01L31/18—Processes or apparatus specially adapted for the manufacture or treatment of these devices or of parts thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N21/6456—Spatial resolved fluorescence measurements; Imaging
    • G01N2021/646—Detecting fluorescent inhomogeneities at a position, e.g. for detecting defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L2924/00—Indexing scheme for arrangements or methods for connecting or disconnecting semiconductor or solid-state bodies as covered by H01L24/00
    • H01L2924/0001—Technical content checked by a classifier
    • H01L2924/0002—Not covered by any one of groups H01L24/00, H01L24/00 and H01L2224/00
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Abstract

公开了一种方法(1)，其中从原切割或经部分处理的诸如多晶硅晶片之类的带隙材料中捕获(2)发光图像。这些图像随后被处理(3)，以提供与带隙材料中的诸如位错之类的缺陷有关的信息。所得到的信息随后被利用(4)来预测由该带隙材料制成的太阳能电池的各种关键参数，例如开路电压和短路电流。该信息还被用来对带隙材料进行分类。该方法还可用来调节或评估诸如退火之类的旨在降低带隙材料中的缺陷密度的附加处理步骤的效果。

Description

用于晶片成像及处理的方法和设备
技术领域
本发明涉及对直接或间接从诸如硅晶片之类的带隙半导体材料获得的发光图像进行处理的领域。具体地说，本发明涉及一种用于分析晶片的发光图像以获取与晶片材料中的缺陷相关的信息的方法和设备。所述信息可被用来对晶片进行分类或者用来预测由该晶片制造而成的器件的操作特性。
背景技术
说明书通篇对于现有技术的任何讨论都不被认为是承认该现有技术是公知的或者形成了本领域公知常识的一部分。
现今的大部分商业光伏电池(尤其是太阳能电池)都是由一般为10×10cm2至21×21cm2的多晶(mc)硅晶片制造而成，其中该硅晶片是从铸造而成的多晶硅块切下的。在被最为广泛地采用的丝网印刷太阳能电池工艺中，为了形成太阳能电池，切下硅晶片之后的主要步骤有：1)表面破坏刻蚀、2)纹理形成、3)扩散、4)SiN沉积、5)金属接触物的丝网印刷、6)烧制、7)边缘隔离、以及8)电性能测定及筛选。更多精密的太阳能电池设计使用所谓的选择发射极结构，其中在金属接触物下方形成了局部高掺杂区域。其它先进的电池设计使用后部的点接触来改进背面复合。通常，仅仅在生产工艺接近结束或结束时才测量电池的电性能。
通常，通过将较大的铸造而成的多晶硅块(也被称为铸锭，其尺寸通常高达1×1×0.7m3)锯成方(10×10cm2至21×21cm2)形体(也被称为砖状物)，随后将其线锯成单独的晶片(每个晶片通常为150-300μm厚)，来生产初始晶片。当前，一些晶片制造商使用沿方块或砖状物的边缘的诸如准稳态光电导测量或光电导衰减测量之类的少数载流子寿命测量，来获取与局部材料质量有关的信息。也可以在各个晶片的晶片区域内使用一个或多个线扫描来评估晶片质量。通常，只能获得与每个晶片中的材料质量的横向变化有关的有限的二维信息。其原因就是，大容量太阳能电池生产线通常每一到三秒处理一个晶片，这就限制了测定所能用的时间。
一些单独的太阳能电池制造工艺(例如丝网印刷、以及电接触物的烧制)实际上可作为流水线处理(in-line process)来执行，其中部分处理过的晶片在工艺过程中逐个地传递(一般在传输带上传递)。其它诸如扩散和SiN沉积之类的工艺通常作为批处理执行，在批处理中同时处理几十个或者几百个晶片。
典型的硅太阳能电池生产线的平均产量是每一到三秒钟一个太阳能电池，这就限制了每个样品的流水线测定可用的时间。现有的空间分解测量总是太慢，从而无法在这么短的时帧中获得与电子晶片质量有关的高分辨率的二维信息。另一方面，公知较小的缺陷会对器件性能产生较大影响。因此，为了可靠测定，需要高空间分辨率(＜每像素1mm)。因此，允许制造商以足够高的横向空间分辨率来测定生产工艺下的每个晶片或大部分晶片的电子特性的手段是受限的。
能够发光的特定材料的电子态密度中存在间隙，即所谓的带隙。这些材料被称为带隙材料。包括硅在内的直接带隙半导体和间接带隙半导体均包含在这一定义中。位错是诸如硅之类的半导体中的常见结构缺陷，位错的存在极大地影响了材料的电特性，由此极大地影响了由这些材料制成的诸如太阳能电池之类的器件的性能。
发明内容
本发明的一个目的是克服或者改善现有技术的至少一个缺点，或者提供一种有用的替换方案。
根据第一方面，本发明提供了一种对带隙材料进行分析的方法，所述方法包括步骤：
(a)捕获所述带隙材料的发光图像；
(b)处理所述图像以获取与所述带隙材料中的缺陷有关的信息；以及
(c)利用所述信息来对所述带隙材料进行分类。
在第二方面中，本发明提供了一种对带隙材料进行分析的方法，所述方法包括步骤：
(a)获取与所述带隙材料中的位错缺陷有关的信息；以及
(b)利用所述信息来对所述带隙材料进行分类。
根据第三方面，本发明提供了一种预测由带隙材料制成的器件的一个或多个操作特性的方法，所述方法包括步骤：
(a)获取带隙材料的至少一个样品；
(b)捕获所述至少一个样品的发光图像；
(c)处理所述图像以获取与所述至少一个样品中的缺陷有关的信息；
(d)分析由所述样品制成的器件的一个或多个操作特性；以及
(e)将所述操作特性与所述信息关联起来，其中
(i)针对所述带隙材料的其它样品重复步骤(b)和(c)，以获取与所述其它样品中的缺陷有关的其它信息；以及
(ii)利用所述其它信息来预测由所述其它样品制成的器件的操作特性。
优选地，图像处理包括通过本领域已知的任何适当的技术来改善图像。
所获取的信息优选地包括与衬底材料的位错缺陷有关的信息。更优选地，所述信息包括材料中的位错缺陷密度的测量值。
图像处理可包括确定位错密度的绝对或相对区域平均、或者与位错密度相关的一个度量值。所述处理还可以包括基于位错相对于例如太阳能电池的金属接触物的位置的加权函数。所述处理还可以包括缺陷对于例如有效少数载流子寿命的影响的严重性的加权函数。
带隙衬底材料可包括硅。在一个实施例中，带隙衬底材料可包括多晶硅晶片，并且步骤(c)优选地包括确定采用该硅晶片材料作为衬底的半导体器件的可能的操作特性。在另一实施例中，带隙衬底材料可包括铸造的单晶硅晶片。
硅晶片可以是原切割的未处理晶片或者经部分处理的硅晶片。
半导体器件可包括光伏电池。
图像处理可包括对照背景掺杂浓度来归一化所述图像的步骤。
特定缺陷(尤其是位错)通常在来自同一砖状物的相邻区域的晶片中呈现出类似的空间分布，换言之，空间分布在几个相邻晶片之间变化很小。实施例还可包括在从所述邻接的或邻近的多片硅块或硅砖状物切下的一个或多个晶片上执行所述方法，并且对结果进行内插或外插，以确定由其它邻接的或邻近的晶片制成的器件的可能操作特性。这允许根据仅仅样品的一个子组的测量值来对更大样品组进行性能预测。
所述方法可能还包括步骤：对沿所述带隙材料边缘的边缘缺陷或杂质造成的低材料质量区域，进行定位。
所述方法可能还包括步骤：(d)利用分析步骤的结果来改变与太阳能电池形成中的一系列处理步骤相关联的参数，从而改进所述太阳能电池的质量。所述参数可包括用于将金属图案烧制到带隙材料中的条件。所述参数还可包括用于将材料扩散至晶片材料中的扩散条件。
在特定实施例中，所述参数包括用于将材料扩散至带隙材料中的扩散条件，或者用于在所述材料中产生掺杂区域的任何其它处理的参数。
在可选实施例中，所述方法还可包括对照晶片的背景掺杂来归一化光致发光图像的步骤。归一化步骤包括：用每个像素中的发光强度除以背景掺杂浓度。
在另一实施例中，所述处理可包括：针对所述位错相对于光伏电池的网格线或其它金属接触物的位置，和/或根据位错缺陷的严重性，对位错密度的区域总和或者区域平均、或者位错密度的相对分布进行加权。
可通过利用光致发光测量、微波光电导衰减测量、光透射测量、或光反射测量来获取所述信息。在采用光透射测量或光反射测量的情况下，在1400nm-1700nm的光谱范围内执行所述光透射测量或光反射测量。
如上所述，上述方法适合于带隙材料和器件的范围，但是上述方法优选地被设计用来预测光伏电池的包括开路电压、短路电流密度、填充系数、或效率在内的操作特性。
根据本发明的第四方面，提供了一种预测由带隙材料制成的器件的一个或多个操作特性的方法，所述方法包括步骤：
(a)获取带隙材料的至少一个样品；
(b)获取与所述至少一个样品中的位错缺陷有关的信息；
(c)分析由所述至少一个样品制成的器件的一个或多个操作特性；
(d)将所述操作特性与所述信息关联起来，其中
(i)针对所述带隙材料的其它样品重复步骤(b)，以获取与所述其它样品中的位错缺陷有关的其它信息；以及
(ii)利用所述其它信息来预测由所述其它样品制成的器件的操作特性。
根据本发明的第五方面，提供了一种预测由带隙材料制成的器件的一个或多个操作特性的方法，所述方法包括步骤：
(a)获取带隙材料的至少一个样品；
(b)获取与所述至少一个样品中的位错缺陷有关的信息；
(c)利用所述信息来对所述带隙材料进行分类；
(d)分析由所述至少一个样品制成的器件的一个或多个操作特性；以及
(e)将所述操作特性与所述分类关联起来，其中
(i)针对所述带隙材料的其它样品重复步骤(b)和(c)，以获取针对所述其它样品中的每一个的其它分类；以及
(ii)利用所述其它分类来预测由所述其它样品制成的器件的操作特性。
在优选实施例中，分类还被用来拒收、定价、和/或将带隙材料筛选成不同的质量类别、或用于预测由所述带隙材料制成的器件的操作特性。
本发明的第六方面提供了一种对硅晶片材料进行分析的方法，所述方法包括步骤：
(a)捕获所述硅晶片材料的发光图像；
(b)处理所述图像以获取与所述硅晶片材料中的缺陷有关的信息；以及
(c)利用所述信息来对所述硅晶片材料进行分类。
在第七方面，本发明提供了一种预测由硅晶片制成的器件的一个或多个操作特性的方法，所述方法包括步骤：
(a)获取至少一个硅晶片样品；
(b)捕获所述至少一个样品的发光图像；
(c)处理所述图像以获取与所述至少一个样品中的缺陷有关的信息；
(d)分析由所述至少一个样品制成的器件的一个或多个操作特性；以及
(e)将所述操作特性与所述信息关联起来，其中
(i)针对其它硅晶片样品重复步骤(b)和(c)，以获取与所述其它样品中的缺陷有关的其它信息；
(ii)利用所述其它信息来预测由所述其它样品制成的器件的操作特性。
在第八方面，本发明提供了一种用于对带隙材料进行分析的系统，所述系统包括：
图像捕获装置，用于捕获所述带隙材料的发光图像；
图像处理器，用于处理所述图像以获取与所述带隙材料中的缺陷有关的信息；以及
分类器，用于利用所述信息来对所述带隙材料进行分类。
在第九方面，本发明提供了一种用于对带隙材料进行分析的系统，所述系统包括：
获取装置，用于获取与所述带隙材料中的位错缺陷有关的信息；以及
分类器，用于利用所述信息来对所述带隙材料进行分类。
在第十方面，本发明提供了一种用于预测由带隙材料制成的器件的一个或多个操作特性的系统，所述系统包括：
(a)图像捕获装置，用于捕获所述带隙材料的至少一个样品的发光图像；
(b)图像处理器，用于获取与所述至少一个样品中的缺陷有关的信息；
(c)分析器，用于分析由所述至少一个样品制成的器件的一个或多个操作特性；
(d)关联器，用于获取所述操作特性与所述信息之间的关联性；以及
(e)预测器，用于根据所述关联性以及根据从所述带隙材料的其它样品获取的与所述缺陷有关的信息，预测由所述带隙材料其它样品制成的器件的操作特性。
在第十一方面，本发明提供了一种用于预测由带隙材料制成的器件的一个或多个操作特性的系统，所述系统包括：
(a)获取装置，用于获取与所述带隙材料的至少一个样品中的位错缺陷有关的信息；
(b)分析器，用于分析由所述至少一个样品制成的器件的一个或多个操作特性；
(c)关联器，用于获取所述操作特性与所述信息之间的关联性；以及
(d)预测器，用于根据所述关联性以及根据从所述带隙材料的其它样品获取的与位错缺陷有关的信息，预测由所述带隙材料其它样品制成的器件的操作特性。
在第十二方面，本发明提供了一种用于区分多晶硅晶片中的位错缺陷和晶粒边缘的方法，所述方法包括步骤：捕获所述硅晶片的发光图像；捕获所述硅晶片的传统光图像；以及比较所述发光图像以及所述光图像。
在第十三方面，本发明提供了一种用于区分多晶硅晶片中的位错缺陷和晶粒边缘的系统，所述系统包括：用于捕获所述硅晶片的发光图像的第一图像捕获装置；用于捕获所述硅晶片的传统光图像的第二图像捕获装置；以及用于比较所述发光图像以及所述光图像的比较器。
在第十四方面，本发明提供了一种对用于降低带隙材料中的缺陷的密度的工艺进行监控的方法，所述方法包括步骤：
(a)在所述工艺之前捕获所述材料的光致发光图像；
(b)处理所述图像以获取所述材料中的所述缺陷的密度的第一测量值；
(c)在所述工艺之后捕获所述材料的光致发光图像；
(d)处理所述图像以获取所述材料中的所述缺陷的密度的第二测量值；以及
(e)比较所述第一测量值和所述第二测量值。
在第十五方面，本发明提供了一种对用于降低带隙材料中的缺陷的密度的工艺进行控制的方法，所述方法包括步骤：
(a)在所述工艺之前和/或所述工艺之后，捕获所述材料的一个或多个光致发光图像；
(b)处理所述图像以获取所述材料中的所述缺陷的密度的一个或多个测量值；以及
(c)根据所述一个或多个测量值调节所述工艺的一个或多个条件。
在第十六方面，本发明提供了一种对用于降低带隙材料中的缺陷的密度的工艺进行监控的系统，所述系统包括：图像捕获装置，用于在所述缺陷降低工艺之前以及所述缺陷降低工艺之后捕获所述材料的多个光致发光图像；图像处理器，用于在所述缺陷降低工艺之前以及所述缺陷降低工艺之后处理所述多个图像，以获取所述材料中的所述缺陷的密度的多个测量值；以及比较器，用于比较所述多个测量值。
在第十七方面，本发明提供了一种对用于降低带隙材料中的缺陷的密度的工艺进行控制的系统，所述系统包括：图像捕获装置，用于在所述缺陷降低工艺之前和/或所述缺陷降低工艺之后，捕获所述材料的光致发光图像；图像处理器，用于在所述缺陷降低工艺之前和/或所述缺陷降低工艺之后，处理所述图像以获取所述材料中的所述缺陷的密度的多个测量值；以及控制器，用于根据所述多个测量值中的至少一个测量值调节所述工艺的一个或多个条件。
附图说明
现在将通过仅作为示例的方式并参考附图来描述本发明的优选实施例，其中：
图1A图示出了一个优选实施例中的步骤；
图1B图示出了另一优选实施例中的步骤；
图2图示出了多晶硅晶片的光致发光图像；
图3图示出了图2所示图像的滤波后的版本；
图4图示出了原始多晶硅晶片的滤波后的光致发光图像；
图5图示出了由与图4的晶片相邻的晶片制成的完全处理好的太阳能电池的高通滤波后的光致发光图像；
图6图示出了图5的太阳能电池的光束诱导电流(LBIC)光谱图片；
图7图示出了原始晶片中的位错密度与由相邻的晶片制成的成品电池中的开路电压之间的关联性；
图8图示出了“边缘”晶片(即从接近铸锭边缘的区域切下的晶片)的光致发光图像；
图9图示出了与图8的晶片相邻的晶片的光致发光图像；以及
图10图示出了用于优选实施例的生产线工艺。
具体实施方式
衬底材料(例如硅晶片)的电子材料质量中的横向变化对由这些材料制成的太阳能电池的关键性能参数(例如开路电压、短路电流密度、填充系数、以及效率)有着重大影响。
优选实施例提供了一些方法和系统，能够在太阳能电池制造开始时或者在太阳能电池制造结束时快速地评估原始晶片质量、并预测电池性能参数或正常处理条件下预期的电池性能参数的统计变化。这些方法和系统还能够用来评估诸如退火之类的旨在改进电子材料质量的附加处理步骤的效果。
优选实施例包括对带隙材料的光致发光(PL)图像(即由于材料的光激发而产生的带间复合发光的图像)的分析。在可选实施例中，可通过诸如电激发(电光致发光)之类的其它方式来产生发光。PL成像是一种用于硅晶片测定的快速的无接触计量技术，例如其在公开的美国专利申请2009/0051914A1中得到了公开，该专利文献的全部内容以引用方式并入本文。能够以较高空间分辨率以及每个晶片大约一两秒的总的数据采集时间，来对原切割(as-cut)多晶硅晶片进行PL成像。
优选实施例可特定应用于对原始的或已部分处理的硅晶片进行测定，包括评估诸如位错之类的缺陷的绝对或相对密度分布，以及随后预测包括开路电压、短路电流密度、填充系数以及效率在内的太阳能电池参数。对本发明的描述侧重于确定位错分布密度，但是本发明的构思同样适用于分析会造成电池性能衰退的其它缺陷，包括杂质、裂缝以及分流。
根据缺陷密度分布的信息可以对晶片进行分类或定价，并具有以下优势：
1)晶片制造商可使用该信息来评估他们产出的材料(晶片)的质量，从而他们能够向其客户(电池制造商)证明他们提供的晶片的质量符合规范，或者他们可以根据产品质量来对他们的产品进行定价；
2)电池制造商以相反的方式使用该信息，即，检查从晶片制造商接收到的晶片是否符合所要求的质量规范。
3)晶片制造商可系统地采用原始的或已部分处理的晶片的PL图像来确定三维的位错分布(即，横跨晶片区域、并纵贯从中切出了晶片的砖状物)。该信息可被反馈至用于块铸造的处理条件，以改进制造工艺。
4)电池制造商可使用晶片筛选来对晶片进行归类。由于针对具有可变位错量的多个晶片存在不同的最佳处理条件，所以随后可以在最佳的筛选出来的特定处理条件下处理这些晶片。此外，可以实现对这些处理的变化，以实现更好的质量结果，例如，可旋转晶片以确保特定的高缺陷区域不会靠近如此制成的电池的母线(bus bar)。在现代电池设计中，例如在采用激光来定义高横向导流路径的半导体指技术中，激光可被引导以避开位错或杂质较多的区域。
5)电池制造商还可以拒收材料质量不够好的晶片。
6)电池制造商采用晶片筛选来将晶片分配给特定的太阳能电池生产线。分配包括将具有不同处理参数的同种类型的太阳能电池分配给不同生产线，或者分配给生产不同类型的太阳能电池的不同的电池生产线。
7)根据PL图像确定的缺陷分布参数可成为晶片质量的标准参数。
8)随着时间的推移，可建立较大的分析数据库来提供改进的图像分析结果以及改进的筛选/归类算法。
在一个优选实施例中涉及的步骤包括捕获并处理诸如硅之类的带隙材料的光致发光图像，以及利用处理结果来预测由这些材料制造出来的诸如光伏(太阳能)电池之类的器件的操作特征。图1A示出的步骤1包括捕获光致发光图像的第一步骤2，以及随后对所捕获的图像进行处理3，从而不仅改善图像以突出样品中可能存在的诸如位错之类的缺陷，而且获取与这些缺陷的分布有关的信息。该信息可包括缺陷密度的绝对或相对的区域平均、或者与缺陷密度和/或缺陷分布相关联的一个度量。最后，在步骤4中，所述信息被用来预测由样品制成的器件(例如太阳能电池)的操作特性。
在另一个优选实施例中涉及的步骤包括捕获并处理诸如硅之类的带隙材料的光致发光图像，以及利用处理结果来对材料进行分类。图1B示出了步骤5，其包括捕获光致发光图像的第一步骤2，以及随后对所捕获的图像进行处理3，从而不仅改善图像以突出样品中可能存在的诸如位错之类的缺陷，而且获取与这些缺陷的分布有关的信息。该信息可能包括缺陷密度的绝对或相对的区域平均、或者与缺陷密度和/或缺陷分布相关联的一个度量，并且该信息被用来向样品赋予一个度量值。最后，在步骤6中，该度量值被用来对样品进行分类，以便进行例如筛选或定价。可以理解的是，虽然不能绝对精确地预测出所得到的器件的操作特性，但是就筛选或定价目的来说，知道太阳能电池是根据所捕获的图像的处理3的结果与特定太阳能电池特性之间的带隙统计关联而制造的，就足够了。还可以基于由具有更大位错密度的材料制成的器件的操作特性通常将具有较差的特性这一预测，来对样品进行分类。
PL图像捕获是已知的，例如被‘Progress with luminescenceimaging for the characterisation of silicon wafers and solar cells’(用于测定硅晶片及太阳能电池的光致发光成像的进展)，22nd EuropeanPhotovoltaic Solar Energy Conference，Milano，Italy，September 2007所公开，该文献的全部内容以引用方式并入本文。
图2示出了在太阳能电池制造中广泛采用的1Ωcm的p型15x15cm2多晶硅晶片的PL图像10的示例。该图像揭示了材料质量的强烈变化，即，明亮区域11对应于具有良好电子特性的区域，暗淡区域12对应于具有较差电子特性的区域。注意，在此处讨论的PL成像应用中，我们指的是对在半导体的导带中的电子与价带中的空穴进行辐射复合期间出现的带间发光的测量。在室温下，在所述处理期间硅中发射的光子处在850nm至1300nm的频谱范围内。
PL图像10是从原切割的15x15cm2多晶硅晶片截取的。进一步的分析揭示出，图像具有两种主导特征：1)大范围的变化，其中中部11具有较大的发光强度，并且发光强度向着边缘12变小；以及2)较低强度的小范围变化13。后一图案被解释为位错簇。复合活性晶粒边缘还会造成一些单独的线。
优选实施例的方法中的下一步骤3是处理PL图像。存在各种标准图像处理技术，能够对特定图像特征进行滤波或者加强，在本发明中，特定图像特征指的是例如能够使太阳能电池性能衰退的特定类型的缺陷的特征。普通类型的图像处理技术包括但不限于噪声减小(中值滤波、小波域方法、双边滤波、灰度形态重构)、线检测(例如利用诸如Sobel边缘检测之类的边缘检测技术)、以及图像去卷积(Weiner滤波、盲反卷积、借助Lucy-Richardson及Landweber方法的迭代反卷积)。诸如R.Gonzalez和R.Woods的‘Digital ImageProcessing(数字图像处理)’(3rded，2008)之类的标准文献描述了这些技术。
“高通滤波”是用于去除图像或其它一些信号或数据集的低频分量的滤波处理的通称。在本文中，高通滤波可被用来从PL图像中去除大范围发光变化的影响。图3图示出了由消除了大范围变化的高通滤波器处理过的图2的PL图像的示例结果20，从而更清楚地显示了由例如位错或复合活性晶粒边缘所造成的小规模变化21的分布。举例说来，简单形式的高通滤波可由下述步骤构成：对初始图像进行快速傅立叶变换(FFT)，从得到的频域图像中消除低空间频率，以及实施快速傅立叶反变换。
在可选实施例中，可对图像实施其它图像处理步骤。在一个示例中，可对照背景掺杂水平来对图像本身进行归一化，以得到改进的结果。例如，背景掺杂物可以是针对p型硅的硼或者针对n型硅的磷。在另一示例中，考虑理论或者实验测得的系统的点分布函数，可通过上述图像去卷积技术之一来提高图像对比度。点分布效应通常是由不理想的光学系统造成的，并且在利用CCD相机进行发光成像的情况下，CCD芯片中光的横向扩散也会造成点分布效应。在位错的情况中，去卷积算法可极大地加强位错或其它局部特征与背景之间的对比度。
一旦PL图像(例如通过滤波和去卷积技术的结合而)被加强以强调出材料中的位错，可利用一个或多个算法(例如Sobel边缘检测)继续进行图像处理，从而获取与位错的分布密度有关的信息。
实际上，很难在多晶硅的PL图像中区分位错和晶粒边缘。在这种情况下，PL图像与传统光学图像的比较是很有用的，这是因为光学图像示出了晶粒边缘，但不会示出位错，从而使得能够区分这两种类型的特征。
特定缺陷(尤其是位错)通常在来自同一砖状物的邻近区域的晶片中呈现非常类似的空间分布，换言之，几个相邻晶片中的空间分布变化很小。图4示出了高通滤波后的原始晶片的PL图像40，图5示出了由相邻晶片制成的成品电池的PL图像50，图6图示出了从同一电池的光束诱导电流(LBIC)光谱图片获得的相应的扩散长度图像。在LBIC数据(图6)和相邻原始晶片的PL图像(图4)之间观察到很强的关联性。因此，电池的滤波后的PL图像起到了LBIC图像的代替物的作用，并且原始晶片的滤波后的PL图像可被用作由该晶片制成的或者由从砖状物的相邻部分切下的晶片制成的电池的可能操作情况的指示。这就使得能够根据对晶片样品子集的测量，来针对更大的样品集进行性能预测。
图6中的表示具有较低少数载流子扩散长度的LBIC数据对应于其中由光产生的载流子的聚集相对较低的区域，其趋向于对电池的短路电流密度具有直接影响。图4的数据和图6的数据之间的关联表示了，原始晶片的PL图像明确地关联着成品电池中的短路电流密度。按照类似的方式，图7示出了如上所述地从PL成像获取的原始晶片中的平均位错密度与由“同一批”(相邻)晶片制成的太阳能电池的开路电压之间的关联。具体地说，可以看出，较低的位错密度与较高的开路电压相关联，从而在原始或经部分处理的晶片中观察到的位错密度可被用来预测电池电压。
在简单的方案中，太阳能电池工艺早期阶段得到的PL图像上的存在缺陷的区域的绝对或相对平均密度可能与诸如短路电流密度、开路电压、填充系数或效率之类的电池参数相关联(如图7所示)。更精细的算法可采用基于缺陷位置(例如位于金属接触物附近(例如电网线或母线)或电池边缘)的加权函数。举例来说，靠近母线或某个金属指状物的缺陷很可能比远离母线的缺陷对电池电压具有更大的影响。
光致发光图像中的缺陷显得越暗，则其复合活性越强。加权函数还可基于存在缺陷的区域中的发光强度的相对强度变化。
发光强度一般正比于背景掺杂，背景掺杂从铸锭底部向顶部以已知方式变化。因此，如果背景掺杂是已知的(从铸锭中晶片的位置获知，或者通过单独测量获知)，那么发光强度可针对掺杂水平归一化，从而实现对来自不同晶片的发光强度的更加量化的比较。归一化可包括将测得的发光图像除以恒定系数，该恒定系数等于或者正比于晶片上的平均背景掺杂浓度，背景掺杂浓度本身大体上以非线性的方式对应于铸锭中的晶片位置。
所公开的PL成像技术不仅可被用于原始晶片以及成品电池，而且可用于太阳能电池制造过程中的任何加工阶段的晶片。
已知的是，可通过热退火工艺(K.Hartman et al‘Dislocationdensity reduction in multicrystalline silicon solar cell material by hightemperature annealing(通过高温退火降低多晶硅太阳能电池材料中的位错密度)’，Applied Physics Letters vol 93(12)122108(2008))来降低硅晶片或硅砖状物中的位错密度。晶片制造商或太阳能电池制造商可能对晶片采用这种工艺来减轻位错对性能的影响，并且晶片制造商还能够对整个砖状物进行退火。退火工艺可在1200至1400摄氏度之间的温度下作为批处理或者连续的流水线处理来执行。理论上可对任何类型的硅晶片执行这种处理，但是该处理对已知包含位错的硅样品(即多晶硅晶片，其包含线带晶片以及边缘限定硅膜生长晶片)最有用。
由于PL测量实现了对绝对或相对区域性位错密度以及受位错影响的区域的空间分布(即，位错密度的绝对或相对分布)的快速评估，所以PL成像可被用来监控热退火工艺。例如，退火前或退火后对样品执行的PL成像将实现对退火工艺效果的定量评估。如果不能进行单独的样品跟踪，则可以基于根据退火前或退火后获取的PL图像而计算出来的大量样品的位错密度统计数据，来执行分析。
这种工艺监控还能够产生改进的工艺控制，其中根据PL图像分析的结果来调节退火条件。该工艺控制可基于预定算法或经验数据而自动执行。这些退火条件例如是温度分布(将样品加热至期望温度，将其保持在一个或多个温度下，并最终将样品冷却至室温)、或者退火炉中的气氛。退火的最佳工艺条件可取决于位错密度本身，从而退火前测量的结果可被用来确定最佳退火条件。这可与将晶片归类为不同的质量群组相结合，从而允许利用给定退火条件处理不同的群组。
在退火之前测量的PL图像还可被用来将晶片分成具有低位错密度的晶片以及具有高位错密度的晶片，以便能够选择出不需要退火步骤的具有低位错密度的晶片，从而降低必须经历附加的退火步骤的晶片总数，并在晶片制造或电池制造过程中产生最佳的操作。
虽然带间复合发光的PL成像是优选的用于分析硅中位错的分布密度的方法，但是这并不是唯一的方法。在某些特定的工艺及激励条件下，已经证明了硅中的位错会发射出1400nm-1700nm范围内的光(I.Tarasov et al，‘Defect passivation in multicrystalline silicon for solarcells(用于太阳能电池的多晶硅中的缺陷钝化处理)’，Applied PhysicsLetters vol 85(19)，4346-4348(2004))。根据应用至发光的基尔霍夫定律的一般原理，能够吸收特定波长范围内的光的任何材料都能够发射相同范围内的光，反之亦然。因此，硅晶片中位错较多的区域在1400nm-1700nm的光谱范围内将比在具有零位错密度或者较低位错密度的区域中存在更强的吸收。在一个实施例中，局限于该光谱范围的反射或者透射测量可被用来识别硅中的位错。可利用线扫描或对1400nm-1700nm的光谱范围敏感的区域相机与适当的窄光谱光源或适当滤波后的光源相结合，以空间解析的方式执行这些反射或者透射测量。
除了位错之外，可通过发光图像而在初始的晶片材料(即原切割晶片)中识别出来的特定类型的缺陷的另一示例是晶片边缘附近的与杂质相关的缺陷，该缺陷造成了较短的载流子寿命，从而降低了电池效率。原切割多晶硅晶片通常在边缘或角落附近具有较差的材料质量，这是因为切割出这些晶片的铸造而成的多晶硅块的底部、顶部以及侧壁具有较高的杂质浓度。出现杂质的原因是在铸造以及结晶处理期间氧以及过渡金属或其它金属从坩锅壁向硅块的扩散。在块的顶部，诸如在结晶(结晶通常从块的底部向顶部进行)期间“悬浮”在顶部的过渡金属及碳之类的隔离的杂质造成了较低的载流子寿命。晶片制造商通常会在将块切成砖状物之前，切除块的底部、顶部和侧壁处的这些低载流子寿命区域，从而仅仅质量良好的区域被理想地用于晶片制造。但是，晶片制造商通常不会切除足够多的材料，从而在边缘附近或一个角落附近的一些晶片中会发现载流子寿命非常低的材料。
图8图示出了从块(左边)边缘切下的晶片的PL图像。在高杂质/低寿命区域(其在PL图像中总体显示较暗)中，诸如位错和晶粒边缘之类的缺陷表现得更亮而不是更暗。这种对比反转出现的原因是位错吸走了杂质(这就改进了位错附近的材料质量)。“亮的”位错表现得比低杂质区域的“暗的”位错更分散，但是类似的线检测算法仍然可用来突出位错以及测量位错的区域密度。
因此，在某些实施例中，PL成像可被用来识别：
1)来自铸锭底部或顶部的晶片。
2)来自铸锭边缘或角落的晶片。
PL图像的图像处理可产生某些特征的自动识别以及分类。分类例如可基于缺陷的严重性(这可以通过发光强度在PL图像中检测出来)、或受影响的区域、或者它们的结合。因此，晶片制造商和电池制造商使用PL成像来挑选这些晶片或者将这些晶片筛选成不同的质量群组，并且电池制造商拒收这些晶片并将这些晶片返回给晶片制造商，或者支付更低的价格。
图9示出了一个示例，其中在(a)表面破坏刻蚀之后、(b)发射极扩散之后、(c)SiN沉积之后、以及(d)所有电池处理之后，对四个相邻的晶片进行PL成像。在扩散步骤(b)之后可以清楚地观察到在成品电池(d)中可见的位错簇。虽然PL可在原切割晶片上检测到位错，但是扩散之后的测量是有利的，这是因为在该步骤之后通常提高了PL强度，从而允许更短的数据采集、质量更低的设备，或产生更高空间分辨率图像，或者它们的任意组合。增强了的光致发光信号是发射极扩散侧的场效应表面钝化的结果。
在一个实施例中，可在发射极扩散步骤之后实施筛选、归类、以及专用的处理程序。此外，可以根据来自扩散步骤之后的PL图像的结果，调节诸如烧制条件之类的处理步骤，从而提供改进的最终结果。
其它修改也是可行的。例如，晶片制造商可以不仅仅针对晶片使用PL成像技术，而是针对整个块或针对单独的方块(砖状物)使用PL成像技术。例如，在将每个砖状物切割成多个晶片之前，可通过对一侧或者多侧进行PL成像来测量每个砖状物，从而晶片制造商可识别出具有低使用寿命的区域的位置，或者检测出砖状物侧面上的位错密度，以便获取与给定高度处(即特定晶片位置处)铸锭内部的位错密度相关的信息、或者与由于高杂质浓度引起的低使用寿命区域的位置相关的信息。将多个图像结合在一起将允许获取该情况下更详细的精确信息。晶片制造商还可以测量整个块，以识别出切除杂质较多的侧边、底部和顶部的最佳位置。
在测量从中切割出晶片的“砖状物”时，速度对于测量各个晶片来说不是很关键。一般地，砖状物被切割成几百个晶片，所以有更多的时间来进行测定。因此，可采用线扫描PL工具，其中以线的形状来进行发光，并且线性检测器阵列被用来捕获发光。可选地，可以映射类型的方式获取铸锭或者块上的各个部分的一系列二维图像，以产生整个铸锭或者块的高分辨率图像。
回到图10，其中示意性地图示出了用于利用优选实施例的方法来制造太阳能电池的示例的生产线系统。在该系统中，沿着带传送晶片，同时PL捕获系统对晶片成像。在显示并存储所得到的图像之前，先处理并分析它们。
优选实施例的应用可扩展至单晶硅晶片和多晶硅晶片。通常利用铸造工艺来制造多晶硅晶片。存在不同的方法来制造单晶硅晶片，其中包括“Czochralsky方法”(Cz)以及“浮区”方法。就电池效率而言，单晶硅晶片通常优于多晶硅晶片，但是单晶硅晶片的更高的制造成本通常抵消了更高的太阳能电池效率。近来，开发了一种制造铸造的单晶硅晶片的方法，从Stoddard等人提出的美国专利申请公开2007/0169684 A1中可以找到该方法的细节。传统单晶硅晶片的主要优势在于，与多晶硅晶片相比，单晶硅晶片具有更低的杂质浓度，并且单晶硅晶片中基本上不存在诸如位错或者晶粒边缘之类的结构缺陷。但是，前面提到的铸造的单晶硅晶片中存在位错。优选实施例的技术方案同样适用于未钝化的铸造的单晶硅晶片。此外，通过早期阶段的发光成像而由晶片中确定的结构缺陷的密度可与电流密度和/或电压或其它电池参数相关联。与多晶硅晶片相比，由于不存在通常会在对多晶硅晶片捕获的发光图像上观察到的其它许多特征，所以在铸造的单晶硅晶片的情况下会明显更早并更可靠地从发光图像中识别出结构缺陷。
优选实施例可直接应用至其它光伏电池材料，并且可用于其它带隙材料，例如单晶硅、薄膜硅、CdTe、非晶硅、微形态(micro-morph)硅、纳米晶玻璃基硅、铜铟镓硒(CIGS)、以及相关的薄膜材料。
虽然已经参考特定示例描述了本发明，但是本领域普通技术人员可以理解的是，本发明能以许多其它形式实现。

Claims (39)

1.一种对带隙材料进行分析的方法，所述方法包括步骤：
(a)捕获所述带隙材料的发光图像；
(b)处理所述图像以获取与所述带隙材料中的缺陷有关的信息；以及
(c)利用所述信息来对所述带隙材料进行分类。
2.一种对带隙材料进行分析的方法，所述方法包括步骤：
(a)获取与所述带隙材料中的位错缺陷有关的信息；以及
(b)利用所述信息来对所述带隙材料进行分类。
3.一种预测由带隙材料制成的器件的一个或多个操作特性的方法，所述方法包括步骤：
(a)获取带隙材料的至少一个样品；
(b)捕获所述至少一个样品的发光图像；
(c)处理所述图像以获取与所述至少一个样品中的缺陷有关的信息；
(d)分析由所述至少一个样品制成的器件的一个或多个操作特性；以及
(e)将所述操作特性与所述信息关联起来，其中
(i)针对所述带隙材料的其它样品重复步骤(b)和(c)，以获取与所述其它样品中的缺陷有关的其它信息；以及
(ii)利用所述其它信息来预测由所述其它样品制成的器件的操作特性。
4.一种预测由带隙材料制成的器件的一个或多个操作特性的方法，所述方法包括步骤：
(a)获取带隙材料的至少一个样品；
(b)获取与所述至少一个样品中的位错缺陷有关的信息；
(c)分析由所述至少一个样品制成的器件的一个或多个操作特性；
(d)将所述操作特性与所述信息关联起来，其中
(i)针对所述带隙材料的其它样品重复步骤(b)，以获取与所述其它样品中的位错缺陷有关的其它信息；以及
(ii)利用所述其它信息来预测由所述其它样品制成的器件的操作特性。
5.一种预测由带隙材料制成的器件的一个或多个操作特性的方法，所述方法包括步骤：
(a)获取带隙材料的至少一个样品；
(b)获取与所述至少一个样品中的位错缺陷有关的信息；
(c)利用所述信息来对所述带隙材料进行分类；
(d)分析由所述至少一个样品制成的器件的一个或多个操作特性；以及
(e)将所述操作特性与所述分类关联起来，其中
(i)针对所述带隙材料的其它样品重复步骤(b)和(c)，以获取针对所述其它样品中的每一个的其它分类；以及
(ii)利用所述其它分类来预测由所述其它样品制成的器件的操作特性。
6.根据权利要求1或3所述的方法，其中所述发光图像是光致发光图像。
7.根据权利要求1至5之一所述的方法，其中，所述信息包括所述带隙材料中的位错密度的区域总和或者区域平均、或者位错的相对分布。
8.根据权利要求1至5之一所述的方法，其中所述带隙材料包括硅。
9.根据权利要求8所述的方法，其中所述带隙材料包括原切割或经部分处理的多晶硅或单晶硅晶片。
10.根据权利要求9所述的方法，其中所述利用步骤包括预测由所述多晶硅或单晶硅晶片制成的半导体器件的操作特性。
11.根据权利要求10所述的方法，其中所述半导体器件包括光伏电池。
12.根据权利要求1至5之一所述的方法，其中所述带隙材料包括硅块。
13.根据权利要求1至5之一所述的方法，还包括步骤：在从所述带隙材料的邻接的或邻近的多片铸锭或块切下的一个或多个晶片上执行所述方法，并且对结果进行内插或外插，以预测由从所述铸锭或块切下的一个或多个相邻的晶片制成的半导体器件的操作特性，或对所述相邻的晶片进行分类。
14.根据权利要求1至3之一所述的方法，还包括或者可选地包括步骤：对沿所述带隙材料边缘的边缘缺陷或杂质造成的低材料质量区域，进行定位。
15.根据权利要求1至5之一所述的方法，还包括步骤：利用分类或预测的操作特性来改变与光伏电池的形成中的一系列处理步骤相关联的参数，从而改进所述光伏电池的质量。
16.根据权利要求15所述的方法，其中，所述参数包括用于将金属图案烧制成带隙材料的条件。
17.根据权利要求15所述的方法，其中，所述参数包括用于将材料扩散至带隙材料中的扩散条件，或者用于在所述材料中产生掺杂区域的任何其它处理的参数。
18.根据权利要求1或3所述的方法，还包括步骤：对照所述带隙材料的背景掺杂水平来归一化所述图像。
19.根据权利要求7所述的方法，其中，针对所述位错相对于光伏电池的网格线或其它金属接触物的位置，对位错密度的区域总和或者区域平均、或者位错的相对分布进行加权。
20.根据权利要求7所述的方法，其中，根据所述位错的严重性，对位错密度的区域总和或者区域平均、或者位错的相对分布进行加权。
21.根据权利要求20所述的方法，其中，基于发光图像中的对比度来评估所述严重性。
22.根据权利要求2、4或5所述的方法，其中，通过利用光致发光测量、微波光电导衰减测量、光透射测量、或光反射测量来从所述带隙材料获取所述信息。
23.根据权利要求22所述的方法，其中，在1400nm-1700nm的光谱范围内执行所述光透射测量或光反射测量。
24.根据权利要求3至5之一所述的方法，其中，所述器件是光伏电池，所述操作特性包括开路电压、短路电流密度、填充系数、或效率。
25.根据权利要求1、2或5所述的方法，其中所述带隙材料的分类包括：筛选、拒收、定价、或对由所述材料制成的器件的一个或多个操作特性的预测。
26.一种对硅晶片材料进行分析的方法，所述方法包括步骤：
(a)捕获所述硅晶片材料的发光图像；
(b)处理所述图像以获取与所述硅晶片材料中的缺陷有关的信息；以及
(c)利用所述信息来对所述硅晶片材料进行分类。
27.一种预测由硅晶片制成的器件的一个或多个操作特性的方法，所述方法包括步骤：
(a)获取至少一个硅晶片样品；
(b)捕获所述至少一个样品的发光图像；
(c)处理所述图像以获取与所述至少一个样品中的缺陷有关的信息；
(d)分析由所述至少一个样品制成的器件的一个或多个操作特性；以及
(e)将所述操作特性与所述信息关联起来，其中
(i)针对其它硅晶片样品重复步骤(b)和(c)，以获取与所述其它样品中的缺陷有关的其它信息；
(ii)利用所述其它信息来预测由所述其它样品制成的器件的操作特性。
28.一种用于对带隙材料进行分析的系统，所述系统包括：
图像捕获装置，用于捕获所述带隙材料的发光图像；
图像处理器，用于处理所述图像以获取与所述带隙材料中的缺陷有关的信息；以及
分类器，用于利用所述信息来对所述带隙材料进行分类。
29.一种用于对带隙材料进行分析的系统，所述系统包括：
获取装置，用于获取与所述带隙材料中的位错缺陷有关的信息；以及
分类器，用于利用所述信息来对所述带隙材料进行分类。
30.一种用于预测由带隙材料制成的器件的一个或多个操作特性的系统，所述系统包括：
(a)图像捕获装置，用于捕获所述带隙材料的至少一个样品的发光图像；
(b)图像处理器，用于获取与所述至少一个样品中的缺陷有关的信息；
(c)分析器，用于分析由所述至少一个样品制成的器件的一个或多个操作特性；
(d)关联器，用于获取所述操作特性与所述信息之间的关联性；以及
(e)预测器，用于根据所述关联性以及根据从所述带隙材料的其它样品获取的与所述缺陷有关的信息，预测由所述带隙材料其它样品制成的器件的操作特性。
31.一种用于预测由带隙材料制成的器件的一个或多个操作特性的系统，所述系统包括：
(a)获取装置，用于获取与所述带隙材料的至少一个样品中的位错缺陷有关的信息；
(b)分析器，用于分析由所述至少一个样品制成的器件的一个或多个操作特性；
(c)关联器，用于获取所述操作特性与所述信息之间的关联性；以及
(d)预测器，用于根据所述关联性以及根据从所述带隙材料的其它样品获取的与位错缺陷有关的信息，预测由所述带隙材料其它样品制成的器件的操作特性。
32.一种用于多晶硅晶片将位错缺陷与晶粒边缘区分开的方法，所述方法包括步骤：捕获所述硅晶片的发光图像；捕获所述硅晶片的传统光图像；以及比较所述发光图像以及所述光图像。
33.一种用于多晶硅晶片将位错缺陷与晶粒边缘区分开的系统，所述系统包括：用于捕获所述硅晶片的发光图像的第一图像捕获装置；用于捕获所述硅晶片的传统光图像的第二图像捕获装置；以及用于比较所述发光图像以及所述光图像的比较器。
34.一种对用于降低带隙材料中的缺陷的密度的工艺进行监控的方法，所述方法包括步骤：
(a)在所述工艺之前捕获所述材料的光致发光图像；
(b)处理所述图像以获取所述材料中的所述缺陷的密度的第一测量值；
(c)在所述工艺之后捕获所述材料的光致发光图像；
(d)处理所述图像以获取所述材料中的所述缺陷的密度的第二测量值；以及
(e)比较所述第一测量值和所述第二测量值。
35.一种对用于降低带隙材料中的缺陷的密度的工艺进行控制的方法，所述方法包括步骤：
(a)在所述工艺之前和/或所述工艺之后，捕获所述材料的一个或多个光致发光图像；
(b)处理所述图像以获取所述材料中的所述缺陷的密度的一个或多个测量值；以及
(c)根据所述一个或多个测量值调节所述工艺的一个或多个条件。
36.根据权利要求34或35所述的方法，其中所述带隙材料是硅，所述缺陷是位错，并且所述工艺是热退火。
37.一种对用于降低带隙材料中的缺陷的密度的工艺进行监控的系统，所述系统包括：
图像捕获装置，用于在所述缺陷降低工艺之前以及所述缺陷降低工艺之后捕获所述材料的光致发光图像；
图像处理器，用于在所述缺陷降低工艺之前以及所述缺陷降低工艺之后处理所述图像，以获取所述材料中的所述缺陷的密度的测量值；以及
比较器，用于比较所述测量值。
38.一种对用于降低带隙材料中的缺陷的密度的工艺进行控制的系统，所述系统包括：
图像捕获装置，用于在所述缺陷降低工艺之前和/或所述缺陷降低工艺之后，捕获所述材料的光致发光图像；
图像处理器，用于在所述缺陷降低工艺之前和/或所述缺陷降低工艺之后，处理所述图像以获取所述材料中的所述缺陷的密度的测量值；以及
控制器，用于根据所述测量值中的至少一个测量值调节所述工艺的一个或多个条件。
39.根据权利要求37或38所述的系统，其中所述带隙材料是硅，所述缺陷是位错，并且所述工艺是热退火。
CN200980115002.2A 2008-03-31 2009-03-31 用于晶片成像及处理的方法和设备 Active CN102017191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410268610.XA CN104022056B (zh) 2008-03-31 2009-03-31 用于晶片成像及处理的方法和设备

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
AU2008901552 2008-03-31
AU2008901552A AU2008901552A0 (en) 2008-03-31 Wafer imaging and processing method and apparatus
PCT/AU2009/000396 WO2009121133A1 (en) 2008-03-31 2009-03-31 Wafer imaging and processing method and apparatus

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201410268610.XA Division CN104022056B (zh) 2008-03-31 2009-03-31 用于晶片成像及处理的方法和设备

Publications (2)

Publication Number Publication Date
CN102017191A true CN102017191A (zh) 2011-04-13
CN102017191B CN102017191B (zh) 2014-05-28

Family

ID=41134744

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201410268610.XA Expired - Fee Related CN104022056B (zh) 2008-03-31 2009-03-31 用于晶片成像及处理的方法和设备
CN200980115002.2A Active CN102017191B (zh) 2008-03-31 2009-03-31 用于晶片成像及处理的方法和设备

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201410268610.XA Expired - Fee Related CN104022056B (zh) 2008-03-31 2009-03-31 用于晶片成像及处理的方法和设备

Country Status (9)

Country Link
US (2) US9103792B2 (zh)
EP (1) EP2272101A4 (zh)
JP (2) JP2011516374A (zh)
KR (1) KR20100131512A (zh)
CN (2) CN104022056B (zh)
AU (1) AU2009230877A1 (zh)
MY (1) MY177022A (zh)
TW (1) TWI609177B (zh)
WO (1) WO2009121133A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102680444A (zh) * 2012-05-11 2012-09-19 常州天合光能有限公司 一种多晶硅片晶向测试方法
CN103050571A (zh) * 2011-10-13 2013-04-17 应用材料意大利有限公司 用于形成具有选择性射极的太阳能电池的方法和装置
CN103364704A (zh) * 2013-06-26 2013-10-23 常州天合光能有限公司 一种多晶硅片开路电压的预测方法
CN104025276A (zh) * 2011-11-07 2014-09-03 Bt成像股份有限公司 用于光伏电池制造的晶圆分级和分类
CN104067512A (zh) * 2011-12-09 2014-09-24 荷兰能源研究中心基金会 通过光学成像对用于光伏电池的硅晶圆进行质量鉴定
CN104412098A (zh) * 2012-07-06 2015-03-11 Bt成像股份有限公司 检查半导体晶片的方法
CN107607548A (zh) * 2017-09-29 2018-01-19 青海黄河上游水电开发有限责任公司光伏产业技术分公司 通过三维图像检测光伏组件的隐裂缺陷的方法
CN104641224B (zh) * 2012-08-02 2018-08-31 国家科学研究中心 用于分析多晶半导体材料的晶体结构的方法
CN111373243A (zh) * 2017-11-21 2020-07-03 法国原子能源和替代能源委员会 用于样品的光致发光测量的方法
CN112956035A (zh) * 2018-09-21 2021-06-11 弗劳恩霍夫应用研究促进协会 处理半导体结构的图像的方法及借助语义数据压缩的工艺过程表征和工艺过程优化的方法

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101490517B (zh) * 2006-05-05 2013-03-27 Bt成像股份有限公司 利用发光成像测试间接带隙半导体器件的方法和系统
CN104020148B (zh) 2009-07-20 2017-04-12 Bt成像股份有限公司 光致发光测量中掺杂浓度和少数载流子寿命分离
JPWO2011016420A1 (ja) * 2009-08-03 2013-01-10 株式会社エヌ・ピー・シー 太陽電池の欠陥検査装置、欠陥検査方法、およびプログラム
TW201124714A (en) * 2009-08-14 2011-07-16 Bt Imaging Pty Ltd Photoluminescence imaging of surface textured wafers
CN102812347B (zh) * 2010-01-04 2016-08-17 Bt成像股份有限公司 用于光伏电池和晶片的光致发光成像的照射系统和方法
WO2011120089A1 (en) * 2010-03-30 2011-10-06 Bt Imaging Pty Ltd Control of laser processing steps in solar cell manufacture
EP2378278B1 (en) * 2010-04-19 2018-03-28 Airbus Defence and Space GmbH Method for screening of multi-junction solar cells
DE102010017557A1 (de) 2010-06-24 2011-12-29 Schott Solar Ag Verfahren zur Qualitätskontrolle eines zu prozessierenden Substrats
CN103119704A (zh) 2010-07-23 2013-05-22 第一太阳能有限公司 在线计量系统及方法
CN103210482B (zh) 2010-08-09 2016-06-22 Bt成像股份有限公司 持久性特征检测
JP5682858B2 (ja) * 2011-05-20 2015-03-11 株式会社Sumco シリコンウェーハの評価方法および製造方法
WO2012176106A2 (en) * 2011-06-24 2012-12-27 Kla-Tencor Corporation Method and apparatus for inspection of light emitting semiconductor devices using photoluminescence imaging
US8604447B2 (en) 2011-07-27 2013-12-10 Kla-Tencor Corporation Solar metrology methods and apparatus
WO2013017993A2 (en) * 2011-08-04 2013-02-07 Kla-Tencor Corporation Method and apparatus for estimating the efficiency of a solar cell
US8750596B2 (en) 2011-08-19 2014-06-10 Cognex Corporation System and method for identifying defects in a material
US20130252011A1 (en) * 2011-09-14 2013-09-26 MEMC Singapore, Pte. Ltd. (UEN200614797D) Multi-Crystalline Silicon Ingot And Directional Solidification Furnace
US9246434B2 (en) 2011-09-26 2016-01-26 First Solar, Inc System and method for estimating the short circuit current of a solar device
CN102315332B (zh) * 2011-09-29 2013-08-07 英利能源（中国）有限公司 太阳能电池片热处理工艺
KR101301430B1 (ko) * 2011-12-07 2013-08-28 주식회사 엘지실트론 웨이퍼의 결함측정방법
JP5172008B1 (ja) * 2011-12-14 2013-03-27 シャープ株式会社 多結晶シリコンウエハの検査方法および製造方法ならびにその用途
DE102011056404A1 (de) 2011-12-14 2013-06-20 Schott Solar Ag Verfahren zur Qualitätsermittlung eines Siliciumwafers
US9136185B2 (en) * 2011-12-19 2015-09-15 MEMC Singapore Pte., Ltd. Methods and systems for grain size evaluation of multi-cystalline solar wafers
JP2013167596A (ja) * 2012-02-17 2013-08-29 Honda Motor Co Ltd 欠陥検査装置、欠陥検査方法及びプログラム
JP2013197173A (ja) * 2012-03-16 2013-09-30 Toshiba Corp 太陽電池アレイ検査方法および太陽電池アレイ検査装置
DE102012106435A1 (de) 2012-07-17 2014-05-22 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zur Qualitätsbewertung eines aus einem Ingot herausgetrennten Bricks
KR102205682B1 (ko) * 2012-08-15 2021-01-21 노바 메주어링 인스트루먼츠 엘티디. 인-시추 측정을 위한 광학 계측
WO2014150768A1 (en) * 2013-03-15 2014-09-25 First Solar, Inc. Method providing inline photoluminescence analysis of a photovoltaic device
US9685906B2 (en) 2013-07-03 2017-06-20 Semilab SDI LLC Photoluminescence mapping of passivation defects for silicon photovoltaics
US9903806B2 (en) * 2013-12-17 2018-02-27 Nanometrics Incorporated Focusing system with filter for open or closed loop control
FR3015770B1 (fr) 2013-12-19 2016-01-22 Commissariat Energie Atomique Procede et systeme de controle de qualite de cellules photovoltaiques
US9754365B2 (en) * 2014-02-21 2017-09-05 Applied Materials, Inc. Wafer inspection method and software
CN104646314A (zh) * 2015-02-02 2015-05-27 南昌大学 一种led芯粒的筛选方法
US10012593B2 (en) * 2015-05-04 2018-07-03 Semilab Semiconductor Physics Laboratory Co., Ltd. Micro photoluminescence imaging
US10018565B2 (en) * 2015-05-04 2018-07-10 Semilab Semiconductor Physics Laboratory Co., Ltd. Micro photoluminescence imaging with optical filtering
US10883941B2 (en) * 2015-05-04 2021-01-05 Semilab Semiconductor Physics Laboratory Co., Ltd. Micro photoluminescence imaging
US9564854B2 (en) * 2015-05-06 2017-02-07 Sunpower Corporation Photonic degradation monitoring for semiconductor devices
JP6296001B2 (ja) * 2015-05-20 2018-03-20 信越半導体株式会社 シリコンエピタキシャルウェーハの製造方法及び評価方法
US10013316B2 (en) * 2015-08-10 2018-07-03 International Business Machines Corporation Replicating a source data set to a target data store
US9866171B2 (en) 2015-10-13 2018-01-09 Industrial Technology Research Institute Measuring device for property of photovoltaic device and measuring method using the same
JP6493179B2 (ja) * 2015-11-27 2019-04-03 株式会社Sumco ウェーハの評価方法、シリコンウェーハの製造方法、シリコン単結晶インゴット
CN106024655A (zh) * 2016-06-07 2016-10-12 韩华新能源（启东）有限公司 一种多晶硅片缺陷的分类方法
US10031997B1 (en) * 2016-11-29 2018-07-24 Taiwan Semiconductor Manufacturing Co., Ltd. Forecasting wafer defects using frequency domain analysis
FR3066590A1 (fr) * 2017-05-22 2018-11-23 Centre National De La Recherche Scientifique - Cnrs - Spectroscopie quantitative de densite de defauts electroniques dans un photorecepteur en couches minces, notamment dans une cellule solaire
WO2019117228A1 (ja) * 2017-12-13 2019-06-20 パナソニックＩｐマネジメント株式会社 画像処理システム、検査システム、画像処理方法、及びプログラム
US11593657B2 (en) * 2018-06-05 2023-02-28 Samsung Electronics Co., Ltd. Machine learning device and machine learning method of machine learning device
JP7133804B2 (ja) * 2018-08-30 2022-09-09 国立大学法人京都工芸繊維大学 太陽電池デバイスの製造プロセス起因の不良の特定方法および特定装置、並びに太陽電池デバイスの製造方法
JP7271358B2 (ja) * 2019-07-25 2023-05-11 株式会社日立ハイテク 電気特性を導出するシステム及び非一時的コンピューター可読媒体
JP7345379B2 (ja) * 2019-12-06 2023-09-15 株式会社ディスコ ゲッタリング性評価装置

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5006717A (en) * 1988-12-26 1991-04-09 Matsushita Electric Industrial Co., Ltd. Method of evaluating a semiconductor device and an apparatus for performing the same
JPH08139196A (ja) * 1994-11-08 1996-05-31 Ricoh Co Ltd 半導体素子シミュレーション装置
US5512999A (en) * 1995-03-06 1996-04-30 The United States Of America As Represented By The Secretary Of The Air Force Method for nondestructive measurement of dislocation density in GaAs
GB9618897D0 (en) * 1996-09-10 1996-10-23 Bio Rad Micromeasurements Ltd Micro defects in silicon wafers
KR100612399B1 (ko) * 2000-10-06 2006-08-16 에이오티아이 오퍼레이팅 컴퍼니 인코포레이티드 표면 금속 오염 검출 방법
GB0107618D0 (en) 2001-03-27 2001-05-16 Aoti Operating Co Inc Detection and classification of micro-defects in semi-conductors
JP3635072B2 (ja) * 2002-04-30 2005-03-30 信越半導体株式会社 結晶欠陥の自動検査装置及び自動検査方法
GB0216184D0 (en) * 2002-07-12 2002-08-21 Aoti Operating Co Inc Detection method and apparatus
GB0308182D0 (en) * 2003-04-09 2003-05-14 Aoti Operating Co Inc Detection method and apparatus
US7119569B2 (en) * 2004-03-05 2006-10-10 Qc Solutions, Inc. Real-time in-line testing of semiconductor wafers
US20050252545A1 (en) * 2004-05-12 2005-11-17 Spire Corporation Infrared detection of solar cell defects under forward bias
JP3917154B2 (ja) * 2004-11-19 2007-05-23 独立行政法人 宇宙航空研究開発機構 半導体試料の欠陥評価方法及び装置
CN101069072A (zh) * 2004-11-30 2007-11-07 国立大学法人奈良先端科学技术大学院大学 太阳能电池的评价方法和评价装置及其利用
US20070018192A1 (en) * 2004-12-21 2007-01-25 Yale University Devices incorporating heavily defected semiconductor layers
US20060267007A1 (en) * 2004-12-31 2006-11-30 Yale University Devices incorporating heavily defected semiconductor layers
HUE036690T2 (hu) * 2005-10-11 2018-07-30 Bt Imaging Pty Ltd Eljárás és rendszer közvetett sávhézag (bandgap) félvezetõ szerkezet felügyeletére
KR20070065727A (ko) 2005-12-20 2007-06-25 주식회사 실트론 포토 루미네센스를 이용한 디바이스 결함위치 확인방법
JP4908885B2 (ja) * 2006-03-17 2012-04-04 株式会社豊田中央研究所 半導体装置の特性予測方法及び特性予測装置
CN101490517B (zh) * 2006-05-05 2013-03-27 Bt成像股份有限公司 利用发光成像测试间接带隙半导体器件的方法和系统
KR20100075875A (ko) 2007-08-30 2010-07-05 비티 이미징 피티와이 리미티드 광발전 전지 제조

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103050571B (zh) * 2011-10-13 2015-11-25 应用材料意大利有限公司 用于形成具有选择性射极的太阳能电池的方法和装置
CN103050571A (zh) * 2011-10-13 2013-04-17 应用材料意大利有限公司 用于形成具有选择性射极的太阳能电池的方法和装置
CN104025276A (zh) * 2011-11-07 2014-09-03 Bt成像股份有限公司 用于光伏电池制造的晶圆分级和分类
CN104067512A (zh) * 2011-12-09 2014-09-24 荷兰能源研究中心基金会 通过光学成像对用于光伏电池的硅晶圆进行质量鉴定
CN102680444A (zh) * 2012-05-11 2012-09-19 常州天合光能有限公司 一种多晶硅片晶向测试方法
CN104412098B (zh) * 2012-07-06 2018-10-30 Bt成像股份有限公司 检查半导体晶片的方法
CN104412098A (zh) * 2012-07-06 2015-03-11 Bt成像股份有限公司 检查半导体晶片的方法
CN104641224B (zh) * 2012-08-02 2018-08-31 国家科学研究中心 用于分析多晶半导体材料的晶体结构的方法
CN103364704B (zh) * 2013-06-26 2015-10-28 常州天合光能有限公司 一种多晶硅片开路电压的预测方法
CN103364704A (zh) * 2013-06-26 2013-10-23 常州天合光能有限公司 一种多晶硅片开路电压的预测方法
CN107607548A (zh) * 2017-09-29 2018-01-19 青海黄河上游水电开发有限责任公司光伏产业技术分公司 通过三维图像检测光伏组件的隐裂缺陷的方法
CN111373243A (zh) * 2017-11-21 2020-07-03 法国原子能源和替代能源委员会 用于样品的光致发光测量的方法
CN112956035A (zh) * 2018-09-21 2021-06-11 弗劳恩霍夫应用研究促进协会 处理半导体结构的图像的方法及借助语义数据压缩的工艺过程表征和工艺过程优化的方法

Also Published As

Publication number Publication date
JP5936657B2 (ja) 2016-06-22
JP2011516374A (ja) 2011-05-26
CN104022056B (zh) 2017-04-12
US20150323457A1 (en) 2015-11-12
WO2009121133A8 (en) 2010-09-10
EP2272101A1 (en) 2011-01-12
US9103792B2 (en) 2015-08-11
AU2009230877A1 (en) 2009-10-08
US20110025839A1 (en) 2011-02-03
US9546955B2 (en) 2017-01-17
KR20100131512A (ko) 2010-12-15
CN104022056A (zh) 2014-09-03
JP2015038481A (ja) 2015-02-26
EP2272101A4 (en) 2012-06-27
WO2009121133A1 (en) 2009-10-08
TWI609177B (zh) 2017-12-21
CN102017191B (zh) 2014-05-28
TW201000887A (en) 2010-01-01
MY177022A (en) 2020-09-02

Similar Documents

Publication Publication Date Title
CN102017191B (zh) 用于晶片成像及处理的方法和设备
EP2463672B1 (en) Solar cell evaluation method, evaluation device, maintenance method, maintenance system, and method of manufacturing solar cell module
US8483476B2 (en) Photovoltaic cell manufacturing
CN103210482B (zh) 持久性特征检测
JP2011527510A (ja) 薄膜撮像方法および装置
CN104412098A (zh) 检查半导体晶片的方法
EP2801107A1 (en) Wafer grading and sorting for photovoltaic cell manufacture
Rahman et al. Potential measurement techniques for photovoltaic module failure diagnosis: A review
Doll et al. Photoluminescence for defect detection on full-sized photovoltaic modules
US9576860B2 (en) Method and apparatus providing inline photoluminescence analysis of a photovoltaic device
Trupke et al. Progress with luminescence imaging for the characterisation of silicon wafers and solar cells
CN104067512A (zh) 通过光学成像对用于光伏电池的硅晶圆进行质量鉴定
Tariq et al. Fusion of thermal and visible acquisitions for evaluating production-borne scratches and shunts in photo-voltaic PV cells
US20230282526A1 (en) Method and device for measuring the thickness of thin films even on rough substrates
Zikulnig et al. Raman spectroscopy as a possible in-line inspection tool for cigs solar cells in comparison with photoluminescence measurements
Zikulnig et al. Photoluminescence Imaging for Industrial Quality Control during Manufacturing of Thin-Film Solar Cells
De Biasio et al. Raman spectroscopy and photoluminescence imaging for predictive quality monitoring of CIGS solar cells
Zaunbrecher et al. Non-uniformities in thin-film cadmium telluride solar cells using electroluminescence and photoluminescence
Demant Quality Rating of Silicon Wafers: A Pattern Recognition Approach
Mauk Image processing for solar cell analysis, diagnostics and quality assurance inspection

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant