DE19914115A1 - Verfahren und System zur Fehleranalyse bei polykristallinen Wafern, Solarzellen und Solarmodulen, insbesondere zur Bestimmung der prozeß- und strukturbedingten mechanischen Spannungen - Google Patents
Verfahren und System zur Fehleranalyse bei polykristallinen Wafern, Solarzellen und Solarmodulen, insbesondere zur Bestimmung der prozeß- und strukturbedingten mechanischen SpannungenInfo
- Publication number
- DE19914115A1 DE19914115A1 DE19914115A DE19914115A DE19914115A1 DE 19914115 A1 DE19914115 A1 DE 19914115A1 DE 19914115 A DE19914115 A DE 19914115A DE 19914115 A DE19914115 A DE 19914115A DE 19914115 A1 DE19914115 A1 DE 19914115A1
- Authority
- DE
- Germany
- Prior art keywords
- wafers
- solar cells
- solar
- classification
- modules
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 title claims description 13
- 235000012431 wafers Nutrition 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000010972 statistical evaluation Methods 0.000 claims abstract description 5
- 210000004027 cell Anatomy 0.000 claims description 63
- 238000009826 distribution Methods 0.000 claims description 15
- 230000002950 deficient Effects 0.000 claims description 9
- 238000011897 real-time detection Methods 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 5
- 239000013078 crystal Substances 0.000 abstract description 4
- 238000005303 weighing Methods 0.000 abstract 2
- 238000005259 measurement Methods 0.000 description 12
- 230000007547 defect Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000032258 transport Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000002800 charge carrier Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000007650 screen-printing Methods 0.000 description 2
- 230000007847 structural defect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012369 In process control Methods 0.000 description 1
- 230000003667 anti-reflective effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000003931 cognitive performance Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- 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
- H01L31/1804—Processes or apparatus specially adapted for the manufacture or treatment of these devices or of parts thereof comprising only elements of Group IV of the Periodic Table
- H01L31/182—Special manufacturing methods for polycrystalline Si, e.g. Si ribbon, poly Si ingots, thin films of polycrystalline Si
-
- 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
-
- 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
- Y02E10/546—Polycrystalline silicon PV cells
Landscapes
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Photovoltaic Devices (AREA)
Abstract
Die Erfindung betrifft ein Verfahren und ein System zur Fehleranalyse bei polykristallinen Wafern, Solarzellen und Solarmodulen, insbesondere zur Bestimmung der prozeß- uns strukturbedingten mechanischen Spannungen. DOLLAR A Das neue Verfahren soll es ermöglichen, die mit Fehlern behafteten, ungeeigneten sowie zum Bruch neigenden Wafer und Solarzellen kostengünstig und rechtzeitig aus dem Fertigungsprozeß auszuschleusen. DOLLAR A Gelöst wird die Aufgabe mit einem Bildverarbeitungssystem, das aus einem Trainingssystem und einem Echtzeiterkennungssystem besteht. DOLLAR A Zur Klassifizierung der Eingangsdaten werden die Algorithmen eines neuronalen Netzes verwendet. DOLLAR A Die Parametrisierung des Erkennungssystems zur Lösung der Klassifikationsaufgabe wird durch das Lernen aus Beispielen erreicht. DOLLAR A Bei der Klassenbildung werden neben den Kennwerten der Bildanalyse die Kennwerte der mechanischen Spannungen; der Leistung; der akustischen Eigenfrequenz sowie der morphologischen Kennwerte Ausbruch, Loch, Spalt, Riß und Kontaktstrukturabweichung verwendet. DOLLAR A Die Klassen der in Echtzeit erhaltenen Merkmale werden in einem von bewerteten Merkmalen aufgespannten Raum mit angelernten Klassen von zerbrochenen und fehlerhaften Wafern, Solarzellen und Solarmodulen zur Erkennung von prozeß- und strukturbedingten Spannungen sowie Fehlern verglichen. Sie werden der Klasse zugewiesen, die den Merkmalen am nächsten ist. DOLLAR A Die Ergebnisse des Vergleichs dienen der Einordnung in Qualitätsgruppen. DOLLAR A Das ...
Description
Die Erfindung betrifft ein Verfahren und ein System zur Fehleranalyse bei polykristallinen
Wafern, Solarzellen und Solarmodulen, insbesondere zur Bestimmung der prozeß- und
strukturbedingten mechanischen Spannungen.
Es ist bekannt, daß Wafer, die aus polykristallinen und multikristallinen Blöcken durch Sägen
gewonnen werden, infolge der Kornstruktur mechanische Spannungen haben. Die
Leistungskenngrößen der Solarzellen hängen stark von der Kristallstruktur, deren Defekten
und den elektrischen Eigenschaften des Materials sowie den Prozeßschritten ab.
Der Wirkungsgrad der Solarzellen η wird unter anderem von der Ladungsträgerlebensdauer
bestimmt. Die Ladungsträgerlebensdauer wird durch die Rekombination der von Photonen
generierten Ladungsträger an den Störstellen, den Korngrenzen, den Kristallfehlern, den
Verunreinigungen oder anderen Strukturdefekten begrenzt.
Nach dem Stand der Technik wird zur Erkennung der Defekte in der Grobstruktur der Wafer
sowie der Aktivitäten an Korngrenzen - im Zusammenhang mit deren Klassenzuordnung und
Verteilung - neben kristallographischen Untersuchungsverfahren auch die Messung der
elektrischen Kennwerte angewendet.
Zu den Strukturdefekten gehören auch die Korngrenzen der Kristallite, die Menge und Größe
der Unterbrechungen durch Risse, Brüche und Ausbrüche, die mechanischen Spannungen
im Wafer-, Solarzellen- und Modulaufbau sowie fehlerhafte Kontakte.
Es ist weiterhin bekannt, daß zur Ermittlung mechanischer Spannungen in Wafern
verschiedene Methoden angewendet werden, wie röntgendiffraktrometrische Messungen;
Streßbestimmungen durch akustische Anregung oder Messung der Auslenkung in
Abhängigkeit vom Druck; die Auswertung der Substratverformung mittels
Abstandsmessungen durch optische Verfahren (Interferenz, Triangulation, kristall-optische
Diagnostik, Auslenkung eines reflektierten Laserstrahles); kapazitive Abstandsermittlung;
induktive und mechanische Abtastverfahren.
Zur Sichtbarmachung von Korngrenzen und Versetzungen werden Ätzverfahren
angewendet.
Verschiedene elektronenmikroskopische Verfahren dienen der Erkennung von Defekten.
Zur Erkennung von Orten höherer Temperatur infolge höherer Verlustenergie werden
Verfahren der Kurzschlußstromtopographie, elektrische Meßverfahren sowie
thermographische Meßverfahren eingesetzt.
Der Erfindung liegt das Problem zugrunde, im Produktionsprozeß von Solarzellen und
Modulen - ohne diese aus dem Fertigungsprozeß zu entnehmen oder ihn zu unterbrechen -
deren Fehler in ihrer Komplexität und die zur Leistungsminderung führenden mechanischen
Spannungen unmittelbar zu erkennen.
Bei der Messung der elektrischen Parameter und der Sichtkontrolle von Wafern, Solarzellen
und Solarmodulen während der Prozeßkontrolle ist nicht sichergestellt, daß alle fehlerhaften
Bauelemente gefunden werden. Für die einzelnen Untersuchungsgegenstände werden
zeitaufwendige verschiedenartige Methoden und Verfahren eingesetzt.
Die Aufgabe der Erfindung ist es deshalb, ein Verfahren und ein System zur Fehleranalyse
bei polykristallinen Wafern, Solarzellen und Solarmodulen, insbesondere zur Bestimmung
der prozeß- und strukturbedingten mechanischen Spannungen zu schaffen, mit dem diese
on-line im Fertigungsprozeß in ihrer ganzen Komplexität und im Rahmen der Taktzeiten
ermittelt werden können.
Eine weitere Aufgabe der Erfindung ist es, die Eigenschaften der Wafer und Solarzellen zu
bestimmen.
Aus den Kennwerten von Strom-, Spannungs- und Schwingungsmessungen werden im
Zusammenhang mit den in der Bildanalyse bewerteten Merkmalen der Strukturanalyse der
Wafer- und Solarzellenoberflächenabbildung die Qualitätsmerkmale Bruchsicherheit und
Leistung bestimmt.
Diese Probleme werden durch ein Verfahren und ein System mit den im Patentanspruch
aufgeführten Merkmalen gelöst.
Das anmeldungsgemäße Verfahren soll es ermöglichen, die mit Fehlern behafteten,
ungeeigneten sowie zum Bruch neigenden Wafer und Solarzellen kostengünstig und
rechtzeitig nach verschiedenen Prozeßschritten aus dem Fertigungsprozeß auszuschleusen.
Das Anwendungsgebiet der Erfindung liegt vorwiegend bei der Prozeßkontrolle in der
Wafer-, Solarzellen- und Solarmodulfertigung. Die erfindungsgemäße Lösung der Aufgabe
dient der Erkennung sowie rechtzeitigen Aussonderung der mit Fehlern behafteten,
ungeeigneten oder zum Bruch neigenden Wafer und Solarzellen.
Die Lösung des Problems dient der Bildung von Steuerungsparametern sowie
Auswahlgrößen zur Entscheidung über die Weiterverarbeitung von Wafern und Solarzellen.
Mittels der Bildverarbeitung, technischen Daten und einem lernfähigen System werden die
mit Fehlern behafteten, ungeeigneten sowie zum Bruch neigenden Wafer und Solarzellen
erkannt.
Die im Patentanspruch angegebene Lösung der Probleme betrifft beim Objekt die
elektrischen Eigenschaften, wie den Wirkungsgrad, die Leistung, den Kontaktwiderstand, die
Kontaktstruktur und die Bauelementelebensdauer
sowie bei der Struktur die geometrischen Eigenschaften, wie die Ausbrüche, die Abbrüche,
die Brüche, die Risse, die Spalten, die Löcher und die Splitter sowie den Streß, die
Kantenübergänge, die Kantenunregelmäßigkeiten, die Farben und die Farbverteilungen
sowie bei den Verfahrenseigenschaften den optischen Abbildungsmaßstab des Systems, die
numerische Apertur, die Beleuchtung, die Bildgewinnung mit der CCD-Kamera, der
Infrarotkamera und/oder einem anderen abbildenden Gerät, die Bildverarbeitung mit den
Komponenten der Bildvorverarbeitung, der Bilderkennung, der Bildanalyse, des Trainings,
der Datenspeicherung, der Datenauswertung sowie des Vergleichs mit angelernten Bildern
und die Anlagensteuerung.
Gelöst wird die Aufgabe durch die Erkennung der charakteristischen Kennwerte-
Flächengröße, Kristallitflächenorientierung, Verteilung der Flächenschwerpunkte, Farbe,
Morphologie und größeninvarianter Formfaktor der Korngrenzen - und deren Struktur- sowie
Häufigkeitsverteilung in Bezug auf eine Kante der Strahlung absorbierenden Oberfläche zur
Bestimmung der temperaturabhängigen mechanischen Spannungen.
Diese charakteristischen Kennwerte von Wafern und Solarzellen werden von einer CCD-Kamera,
einer Infrarotkamera und/oder einem anderen abbildenden Gerät aufgenommen.
Die so erhaltenen Bilder werden von einem Bildverarbeitungssystem bearbeitet, einer
statistischen Auswertung der Häufigkeit aller Merkmale unterzogen und als Eingangsdaten in
einem neuronalen Netzwerk Klassen zugeordnet.
Weitere Eingangsdaten des neuronalen Netzwerkes sind die thermischen
Ausdehnungskoeffizienten sowie die Kennwerte der elektrischen Messungen und
Schwingungsmessungen.
Die so erhaltenen Klassen werden im Echtzeiterkennungssystem mit angelernten Klassen
des Trainingsprozesses von zerbrochenen und fehlerhaften Wafern, Solarzellen und
Solarmodulen in einem von bewerteten Merkmalen aufgespannten Raum zur Erkennung
von prozeß- und strukturbedingten Spannungen sowie Fehlern verglichen.
Dem Verfahren und System zur Fehleranalyse bei polykristallinen Wafern, Solarzellen und
Solarmodulen liegt das Lernen aus Beispielen zugrunde. Das System besteht aus den
Modulen Trainingssystem und Echtzeiterkennungssystem.
In der Trainingsphase wird das System an Hand einer Anzahl von beispielhaften Fehlern für
die konkrete Erkennungsaufgabe konfiguriert.
Für die Lösung einer konkreten Klassifikationsaufgabe wird die erforderliche
Parametrisierung des Erkennungssystems durch das Lernen an Beispielen erreicht.
Damit ist eine einfache Anpassung an verschiedene Aufgaben ohne Veränderung der Hard- und
Software gegeben.
Das System ist skalierbar implementiert, um den Echtzeitanforderungen zu genügen.
Die Komponenten Vorverarbeitung, Merkmalsextraktion, Klassifikation und Implementation
werden entsprechend der Aufgabe konfiguriert.
Beim Verfahren und System zur Fehleranalyse bei polykristallinen Wafern, Solarzellen und
Solarmodulen werden die charakteristischen Kennwerte-Flächengröße,
Kristallitflächenorientierung, Verteilung der Flächenschwerpunkte, Farbe, Morphologie,
größeninvarianter Formfaktor der Korngrenzen - der Struktur- und Häufigkeitsverteilung der
einzelnen Kristallitschnittflächen in Bezug auf eine Kante der Strahlung absorbierenden
Oberfläche von einer CCD-Kamera, einer Infrarotkamera und/oder einem anderen
abbildenden Gerät zur Bestimmung der temperaturabhängigen Spannungen aufgenommen.
Die Kennzahl der temperaturabhängigen mechanischen Spannungen wird gebildet aus
Stoffdaten und den mit Wichtungsfaktoren versehenen Kennwerten der Größe der
orientierten Flächen und deren räumlicher Anordnung, den thermischen
Ausdehnungskoeffizienten der einzelnen Kristallite in der Schnittebene und den Abständen
der Flächenschwerpunkte sowie deren räumlicher Dichte.
Auf der Basis der statistischen Verteilung der orientierten Kristallitschnittflächen von
Solarzellen bzw. Wafern wird eine temperaturabhängige Kennzahl der mechanischen
Spannungen gebildet, die mit der von fehlerhaften Solarzellen bzw. Wafern als
Qualitätsmerkmal verglichen wird.
Die erfaßten charakteristischen Kennwerte werden mit Wichtungsfaktoren
multipliziert und zur Klassifizierung als Eingangsdaten eines neuronalen Netzes verwendet,
das aus mehreren Schichten - der Eingangsschicht, den Zwischenschichten und der
Ausgangsschicht - besteht.
Die mit einem variablen Wichtungsfaktor multiplizierten Merkmale werden von der
Zwischenschicht durch eine Transferfunktion den Outputneuronen der Ausgangsschicht
zugeordnet und bilden einen von diesen Merkmalen aufgespannten Raum.
Die ermittelten Klassen werden in einem von bewerteten Merkmalen aufgespannten Raum
mit angelernten Klassen von zerbrochenen und fehlerhaften Wafern, Solarzellen und
Solarmodulen zur Erkennung von prozeß- und strukturbedingten Spannungen verglichen
und der Klasse zugewiesen, die den Merkmalen am nächsten ist.
Die Ergebnisse des Vergleichs dienen der Einordnung der Wafer und Solarzellen in
Qualitätsgruppen.
Die in der Klassifikationsphase eines Trainingsprozesses bei einer ausreichenden
Klassifikationsgüte erhaltenen Kennwerte von fehlerhaften Wafern, Solarzellen und Modulen
werden in einem Merkmalsraum abgebildet sowie zum Anlernen des Systems als
Vergleichsbasis verwendet.
Die Klassifikationsgüte ergibt sich aus dem Umfang und der Anzahl der geeigneten Beispiele
sowie dem Umfang der ein bezogenen Nachbarkristallite.
In der Klassifikationsphase werden - außer den charakteristischen morphologischen
Merkmalen der angelernten Fehlerbilder aus der Bildanalyse - die charakteristischen
Merkmale der Kenndaten von Leistung, Leerlaufspannung, Kurzschlußstrom, Eigenfrequenz
der zum Schwingen angeregten Wafer oder Zellen sowie deren Temperaturkoeffizienten
klassifiziert und zur Entscheidungsfindung hinzugefügt.
Die kontaktierte Solarzelle wird dabei von einer Beleuchtungseinheit mit konstanter Leistung
bestrahlt, die vorzugsweise die integrierte Beleuchtungseinheit des
Bildverarbeitungssystems ist.
Die statistische Auswertung aller Merkmale der Bilder und Fehler ergibt eine
Entscheidungsbasis für die weitere Verarbeitung der Wafer und Solarzellen.
Die mit der Erfindung erzielten Vorteile bestehen in der Senkung der Kosten durch die
Vermeidung von Ausfällen der Module, der Reduzierung der Auswertezeit und der
Verringerung des Aufwandes im Prozeß der Solarmodulfertigung zufolge verläßlicher
Aussagen über die zu erwartende Qualität der Solarzellen.
Die Erfindung soll nachstehend an einem Ausführungsbeispiel an Hand der schematischen
Zeichnungen näher erläutert werden.
Es zeigen
Fig. 1A den Schnitt durch einen Wafer,
Fig. 1B die Draufsicht auf einen Wafer,
Fig. 2A den Schnitt durch eine Solarzelle,
Fig. 2B die Draufsicht auf eine Solarzelle,
Fig. 2C die Ansicht der Basiskontaktseite einer Solarzelle,
Fig. 3A die Anordnung der CCD-Kamera und Beleuchtung zur Bildaufnahme,
Fig. 3B die Anordnung der CCD-Kamera, Infrarotkamera und Beleuchtung zur
Bildaufnahme,
Fig. 4 das Trainingssystem für die Fehleranalyse bei polykristallinen Wafern,
Solarzellen und Solarmodulen,
Fig. 5 das Echtzeiterkennungssystem für die Fehleranalyse
bei polykristallinen Wafern, Solarzellen und Solarmodulen.
In Fig. 1A ist der Schnitt durch einen Wafer 1 dargestellt, der aus Kristalliten
unterschiedlicher Größe 2, 3 mit Korngrenzen 4 und Kristallitflächen 5 unterschiedlicher
Größe und Orientierung besteht. Die einzelnen Kristallite grenzen in 4 oder infolge
Zwillingsbildung 6 aneinander oder schwimmen in der erstarrten Restschmelze 7.
In Fig. 1B ist die Draufsicht auf einen Wafer 1 dargestellt. Die Kristallite unterschiedlicher
Größe 2, 3 mit den Korngrenzen 4, 6 und Kristallitflächen 5 unterschiedlicher Größe und
Orientierung liegen in der erstarrten Restschmelze 7.
Bei der in Form eines Wafers geschnittenen polykristallinen Halbleiterscheibe 1 treten die
Schnittflächen 5 der Kristallite 2, 3 an die Oberfläche. Die Schnittflächen 5 der Kristallite 2, 3
sind unterschiedlich groß, haben eine unterschiedliche Kristallorientierung sowie
Morphologie. Die bei der Erstarrung des Kokillengusses statistisch verteilten Kristallite 2, 3
haben in jeder Richtung parallel zur Oberfläche einen anderen thermischen
Ausdehnungskoeffizienten und unterschiedliche Festigkeiten.
Zufolge dieser sich in der Oberflächenstruktur darstellenden Verteilung der Kristallite
existieren Strukturen, die besonders bruchgefährdet sind, einen unterdurchschnittlichen
photoelektrischen Wirkungsgrad haben und solche, die bei einem hohen Wirkungsgrad eine
ausreichende mechanische Festigkeit besitzen.
In Fig. 2A ist der Schnitt durch eine Solarzelle 9 dargestellt. Der Wafer 1 ist mit den
Kontaktfingern 8 und den Kontaktstreifen 12 bedruckt und kontaktiert.
Die Rückseite des Wafers 1 ist mit einer Metallschicht 10 bedruckt und kontaktiert.
Die in Fig. 2B dargestellte Solarzelle 9 enthält die Fehler 11, 14, 15, 16,17, 18,19, 20 und
21. Die Fehler sind Siebdruckspritzer 11, Ausbrüche 14, Spalte 15, Unterbrechungen 16 der
Kontaktstreifen 12, Abstände der Siebdruckaufträge 17 von den umlaufenden Kontaktfingern
13, Fehler in der Antireflexschicht 18, Risse im Wafer 19, Muschelausbrüche 20 und
Abbrüche der Ecken 21.
Die Siebdruckfehler 24 treten an der Vorder- und Rückseite auf.
Fig. 2C zeigt die Ansicht der Basiskontaktseite einer Solarzelle 9 mit der Basismetallisierung
10 sowie den Fehlern 15, 21, 22, 23, 24, wie Spalt 15, Abbruch einer Ecke 21, unbedruckte
Ecke 22, Siebdruckfehler 23 und unbedruckte Fläche 24.
Fig. 3A zeigt die Anordnung der CCD-Kameras 28 zur Bildgewinnung.
An dem Tisch 25 ist eine Vorrichtung 26 zur Aufnahme der Kameras 28, der
Beleuchtungseinrichtungen 29, 30 und 31, des PC-Anschlusses 32 sowie der
Kennzeichnungseinrichtung bzw. Entnahmeeinrichtung 33 für fehlerhafte bzw. ungeeignete
Wafer 1 angebracht.
Die Wafer 1 befinden sich auf der Transporteinrichtung 27, welche die Wafer 1 oder
Solarzellen 9 in Pfeilrichtung transportiert.
Der PC 43 verarbeitet die Meßwerte der Bildverarbeitung 48 und der elektrischen
Meßwerterfassung 49.
Fig. 3B zeigt die Anordnung der CCD-Kameras 28 und Infrarotkamera 34 zur
Bildgewinnung.
An dem Tisch 35 ist eine Vorrichtung 36 zur Aufnahme der Kameras 28 und 34, der
Beleuchtungseinrichtungen 37, 38, 42, 44 und 45, des PC-Anschlusses 39, eine Vorrichtung
zur Messung der elektrischen Kennwerte 47 sowie die Kennzeichnungseinrichtung 40 für
ungeeignete Solarzellen 9 angebracht.
Der PC-Anschluß 39 der CCD-Kamera 28, der PC-Anschluß 46 der Infrarotkamera 34 und
die Meßwerterfassung der Bildverarbeitung 48 sowie der elektrischen Kennwerte 49 sind mit
dem gleichen PC 43 verbunden.
Die Solarzellen 9 werden auf der Transporteinrichtung 41 in Pfeilrichtung transportiert.
Die Solarzellen 9 werden zur Ermittlung der elektrischen Kennwerte mit der Vorrichtung 47
kontaktiert.
Für Durchlichtmessungen werden die Wafer 1 oder die Solarzellen 9 mit der
Beleuchtungseinrichtung 42 von unten bestrahlt.
Mit der Infrarotkamera 34 werden an der in Sperrichtung betriebenen Solarzelle 9 Orte
höherer Temperatur erfaßt. Die Defekte erzeugen Verluste. Die Verlustenergie - verursacht
durch einen erhöhten Strom im Defekt gegenüber der Umgebung - führt zu einer
höheren Temperatur.
Der PC 43 verarbeitet die Meßwerte der Bildverarbeitung 48 und der elektrischen
Meßwerterfassung 49.
In Fig. 4 ist das Verfahrensfließbild zum Trainingssystem 50 für die Fehleranalyse bei
polykristallinen Wafern, Solarzellen und Solarmodulen dargestellt.
Das Bildverarbeitungssystem zur Fehleranalyse von polykristallinen Wafern 1, Solarzellen 9
und Solarmodulen 9a besteht aus einem Trainingssystem 50 und einem
Echtzeiterkennungssystem 58.
Es dient der Erkennung von Objekten aus optischen Informationen unter Verwendung der
Ergebnisse elektrischer und Schwingungsmessungen.
Die Parametrisierung des Erkennungssystems zur Lösung der Klassifikationsaufgabe wird
durch das Lernen aus Beispielen erreicht.
Das Trainingssystem 50 und das Echtzeiterkennungssystem 58 liefern zu jedem
einlaufenden Bild ein Klassifikationsergebnis.
Das Trainingssystem 50 für das Verfahren besteht aus der Probenvorbereitung 51, der
Beleuchtungs- und Bildgewinnungseinrichtung 52, der Bildvorverarbeitung 53, der
Bilderkennung 54, der Trainingseinheit des Klassifikators 55, der Implementation 56, der
Messung der Kennwerte 57 für die mechanischen Spannungen, die Leistung, den
Kurzschlußstrom, die Leerlaufspannung und die akustische Eigenfrequenz sowie dem
Kennwertspeicher 65 für die Fehler Ausbruch, Abbruch, Loch, Spalt, Riß und
Kontaktstrukturabweichungen.
Die erarbeiteten Trainingsergebnisse dienen in der laufenden Fertigung der Bauelemente
Wafer 1, Solarzellen 9 und Solarmodule 9a als Vergleichsbasis für aktuelle Kennwerte und
als Werkzeug zur Qualitätssicherung.
Bei der Probenvorbereitung 51 werden die Wafer 1 poliert und mit einer Defektätze leicht
angeätzt, um die Korngrenzen und Orientierungen der Kristallitflächen 5 sichtbar zu machen.
Die Orientierungen der einzelnen Kristallitflächen 5 werden kristallographisch bestimmt.
Von mehreren Wafern 1 werden unter verschiedenen Beleuchtungsbedingungen
Aufnahmen angefertigt.
Durch die Anordnung der Beleuchtungseinrichtungen 29, 30, 31, 37, 38, 42 und 44 zum
Wafer 1 und den Kameras 28 und 34 kann unter Ausnutzung der unterschiedlichen
Reflexionseigenschaften der angeätzten Flächen die Orientierung und Verteilung der
einzelnen Kristallitflächen 5 auf dem Wafer 1 ermittelt werden.
Bei Beibehaltung dieser Meßanordnung können von den Oberflächen der Wafer 1 und
Solarzellen 9 näherungsweise die Orientierungen der Kristallitflächen 5 bestimmt werden.
Die Oberfläche des Wafers 1 oder der Solarzelle 9 wird einer CCD-Kamera 28, einer
Infrarotkamera 34 oder einem anderen abbildenden Gerät vorgelegt, mit der Beleuchtungs- und
Bildgewinnungseinrichtung 52 beleuchtet und abgebildet.
Die Abbildung wird durch eine bildrelevante Signalerzeugung in ein digitalisiertes Bild
gewandelt.
Bei der Bildvorverarbeitung 53 wird die Datenmenge des digitalisierten Bildes reduziert und
damit die Erkenntnisleistung bei einer Verringerung des Aufwandes erhöht.
Sie dient der Fehlerunterdrückung und Hervorhebung relevanter Bildelemente als Vorstufe
einer automatischen Bildinterpretation. Es werden geeignete lokale Objektmerkmale
extrahiert.
Die zur Bilderkennung 54 verwendeten Merkmale sind die Flächengröße, die
Kristallitflächenorientierung, die Verteilung der Flächenschwerpunkte, die Farbe, die
Morphologie, der größeninvariante Formfaktor der Korngrenzen 4 und die
Häufigkeitsverteilung der Kristallitschnittflächen 5 in Bezug auf eine Kante des Wafers 1 oder
der Solarzelle 9.
Neben den optischen Informationen werden Informationen zu den mechanischen
Spannungen, der Morphologie (Ausbruch, Abbruch, Loch, Spalt, Riß,
Kontaktstrukturabweichungen), den Temperaturverteilungen sowie Leistungskennwerten der
Solarzellen ermittelt.
Mit den thermischen Ausdehnungskoeffizienten der einzelnen Kristallite 2 und 3 in der
Schnittebene 5 sowie ihren Abmessungen, räumlichen Abständen und Verteilungen kann
die Kennzahl der temperaturabhängigen mechanischen Spannungen für den Wafer 1 bzw.
die Solarzelle 9 errechnet werden.
Zur Bewertung der Solarzelleneigenschaften werden außerdem die zugehörigen elektrischen
Kennwerte Leistung, Kurzschlußstrom und Leerlaufspannung als Merkmale berücksichtigt.
Dazu wird die Solarzelle mit der Vorrichtung 47 zur Messung der elektrischen Kennwerte
kontaktiert.
Bei der Bilderkennung 54 werden Merkmale ausgewählt, die eine Unterscheidung der
Objekte ermöglichen.
Die Bilder werden als Vektoren aufgefaßt, zu denen eine Matrix ermittelt wird. Die aus den
Eigenvektoren der Matrix gebildete Transformationsmatrix bildet jedes Bild in den durch die
Eigenvektoren aufgespannten Eigenraum ab.
Zur Klassifizierung der Eingangsdaten werden die Algorithmen eines neuronalen Netzes
verwendet. Das neuronale Netz entsteht durch die Verbindung mehrerer Neuronen in
Schichten.
Die charakteristischen Kennwerte gelangen an die Eingangsschicht.
Die n Eingangsdaten werden mit variablen Wichtungsfaktoren multipliziert und an die
Transferfunktion weitergegeben. Als Ergebnis der Umwandlung dieser Produkte mit einer
Transferfunktion ergibt sich die Aktivität der Neuronen.
Nach der Weiterverarbeitung der Ergebnisse der Transferfunktion in der Zwischenschicht
erfolgt die Klassenzuordnung in der Ausgabeschicht.
Die Outputfunktion ist der Transferfunktion nachgeschaltet. Jeder Klasse ist ein
Outputneuron zugeordnet. Das Merkmal wird der Klasse zugeordnet, dessen Outputneuron
die größte Aktivität hat.
Die Fehler sind anhand ihrer Merkmale in einem durch die Merkmale aufgespannten Raum
zusammen mit ihrer Klassenzuordnung abgebildet.
Die Klassenzuordnung erfolgt in einer Trainingsphase. Die Gewichte der Neuronen werden
so eingestellt, daß bei der Eingabe der charakteristischen Kennwerte deren
Klassenzugehörigkeit von den Outputneuronen exakt wiedergegeben wird.
Der Trainingsdatensatz muß für jede Klasse eine ausreichend große Zahl von Kennwerten
haben, um eine ausreichende Klassifikationsgüte zu erreichen.
In der Klassifikationsphase werden die zu klassifizierenden Fehler der Wafer oder
Solarzellen in einem Merkmalsraum abgebildet. Sie werden der Klasse zugewiesen, die dem
Merkmal am nächsten ist.
Die Klassifikationsgüte ergibt sich aus dem Umfang und der Anzahl der geeigneten Beispiele
sowie der Einbeziehung von Nachbarkristalliten.
Beim Training des Klassifikators 55 wird das neuronale Netz so lange an die zu lernende
Aufgabe angepaßt, bis die Fehler am Ausgang hinreichend klein sind.
Mit der Implementation 56 werden die errechneten Prototypvektoren und
Klassifikationsergebnisse in einer Datei gespeichert und als Tool für das
Echtzeiterkennungssystem 58 zur Verfügung gestellt.
Die fehlerhaften Wafer und Solarzellen werden mit den charakteristischen Merkmalen als
Vergleichsbasis im Lernprozeß gespeichert.
In Fig. 5 ist das Verfahrensfließbild zum Echtzeiterkennungssystem für die Fehleranalyse bei
polykristallinen Wafern, Solarzellen und Solarmodulen dargestellt.
Die Parametrisierung des Erkennungssystems zur Lösung der Klassifikationsaufgabe wird
durch das Lernen aus Beispielen mit dem Trainingssystem 50 erreicht.
Die während oder nach den Fertigungsprozessen zerbrechenden oder anderweitig
fehlerhaften Wafer und Solarzellen können entsprechend den in 60 zugewiesenen Nummern
identifiziert werden.
Im Echtzeiterkennungssystem 58 erfolgt die Transformation durch die Multiplikation eines
Bildvektors mit einer Matrix aus den Eigenvektoren der Trainingsbilder 66.
Die Merkmalsgewinnung der Wafer 1 und Solarzellen 9 im Fertigungsprozeß erfolgt ebenso
und mit der gleichen Einrichtung wie mit dem Trainingssystem.
Es werden zusätzliche Kennwerte 60 zur Merkmalsgewinnung verwendet, wie die
Wafernummer, Zellennummer und Modulnummer in der Reihenfolge der vorgesehenen
Bearbeitung sowie deren Anordnung im Modul.
Außerdem werden die Kennwerte 62 der mechanischen Spannungen, der Leistung, des
Kurzschlußstromes, der Leerlaufspannung und der akustischen Eigenfrequenz gemessen
sowie die Merkmale 65 der Fehler Ausbruch, Abbruch, Loch, Spalt, Riß,
Kontaktstrukturabweichungen verwendet.
Das Echtzeiterkennungssystem 58 besteht aus der Probenvorlage 59, der Eingabe 60 für
Wafer-, Zellen- und Modulnummern; der Beleuchtung und Bildgewinnung 61; der Messung
der Kennwerte 62; der Bildvorverarbeitung 63; der Bilderkennung 64; der Datei 65 für die
Fehlermerkmale Ausbruch, Abbruch, Loch, Spalt, Riß, Kontaktstrukturabweichungen; der
Datei 66 für die Merkmale der Trainingsphase; der Entscheidungseinheit 67; dem
Merkmalsvergleich 68; der Ausgabeeinheit 69 der Analyseergebnisse und der
Entscheidungseinheit 70 für die Verwendung der Bauelemente bzw. Steuerungseinheit für
die Fertigungseinrichtungen 71.
Claims (1)
- Verfahren und System zur Fehleranalyse bei polykristallinen Wafern, Solarzellen und Solarmodulen, insbesondere zur Bestimmung der prozeß- und strukturbedingten mechanischen Spannungen,
dadurch gekennzeichnet, daß- - die charakteristischen Kennwerte - Flächengröße, Kristallitflächenorientierung, Verteilung der Flächenschwerpunkte, Farbe, Morphologie, größeninvarianter Formfaktor der Korngrenzen - der Struktur- und Häufigkeitsverteilung der einzelnen Kristallitschnittflächen in Bezug auf eine Kante der Strahlung absorbierenden Oberfläche von einer CCD-Kamera, einer Infrarotkamera und/oder einem anderen abbildenden Gerät aufgenommen werden,
- - die so erhaltenen Bilder von einem Bildverarbeitungssystem, das aus den Modulen Trainingssystem und Echtzeiterkennungssystem besteht, bearbeitet und einer statistische Auswertung der Häufigkeit aller Merkmale unterzogen und Klassen zugeordnet werden,
- - in der Klassifikationsphase die charakteristischen Merkmale der Kenndaten von Leistung, Leerlaufspannung, Kurzschlußstrom, Eigenfrequenz der zum Schwingen angeregten Wafer und Zellen sowie deren Temperaturkoeffizienten klassifiziert und zur Entscheidungsfindung hinzugefügt werden,
- - die erfaßten charakteristischen Kennwerte mit Wichtungsfaktoren multipliziert und zur Klassifizierung als Eingangsdaten eines neuronalen Netzes verwendet werden, das aus mehreren Schichten - der Eingangsschicht, den Zwischenschichten und der Ausgangsschicht - besteht,
- - diese Klassen in einem von bewerteten Merkmalen aufgespannten Raum mit angelernten Klassen von zerbrochenen und fehlerhaften Wafern, Solarzellen und Solarmodulen verglichen werden,
- - die mit einem variablen Wichtungsfaktor multiplizierten Merkmale von der Zwischenschicht durch eine Transferfunktion den Outputneuronen der Ausgangsschicht zugeordnet werden und einen von diesen Merkmalen aufgespannten Raum bilden,
- - die in der Klassifikationsphase eines Trainingsprozesses bei einer ausreichenden Klassifikationsgüte erhaltenen Kennwerte von fehlerhaften Wafern, Solarzellen und Modulen in einem Merkmalsraum abgebildet sowie zum Anlernen des Systems als Vergleichsbasis verwendet werden, wobei sich die Klassifikationsgüte aus dem Umfang und der Anzahl der geeigneten Beispiele sowie dem Umfang der ein bezogenen Nachbarkristallite ergibt und
- - die Ergebnisse des Vergleichs der Einordnung der Wafer, Solarzellen und Solarmodule in Qualitätsgruppen dienen.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19914115A DE19914115A1 (de) | 1998-04-20 | 1999-03-23 | Verfahren und System zur Fehleranalyse bei polykristallinen Wafern, Solarzellen und Solarmodulen, insbesondere zur Bestimmung der prozeß- und strukturbedingten mechanischen Spannungen |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19818606 | 1998-04-20 | ||
DE19914115A DE19914115A1 (de) | 1998-04-20 | 1999-03-23 | Verfahren und System zur Fehleranalyse bei polykristallinen Wafern, Solarzellen und Solarmodulen, insbesondere zur Bestimmung der prozeß- und strukturbedingten mechanischen Spannungen |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19914115A1 true DE19914115A1 (de) | 1999-11-04 |
Family
ID=7865825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19914115A Withdrawn DE19914115A1 (de) | 1998-04-20 | 1999-03-23 | Verfahren und System zur Fehleranalyse bei polykristallinen Wafern, Solarzellen und Solarmodulen, insbesondere zur Bestimmung der prozeß- und strukturbedingten mechanischen Spannungen |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19914115A1 (de) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10128722C1 (de) * | 2001-06-13 | 2003-04-24 | Siemens Ag | Vorrichtung zur Kontrolle von Objekten |
DE102007007140A1 (de) * | 2007-02-09 | 2008-08-21 | Astrium Gmbh | Verfahren und Anordnung zur Detektion mechanischer Defekte eines Halbleiter-Bauelements, insbesondere einer Solarzelle oder Solarzellen-Anordnung |
DE102007010516A1 (de) * | 2007-03-05 | 2008-09-18 | Intego Gmbh | Verfahren zur Identifizierung der Herkunft eines polykristallinen Produkts sowie Vorrichtung mit einer Bilderfassungseinheit zur Erstellung von Produktbildern eines polykristallinen Produkts |
DE102007034814A1 (de) * | 2007-07-25 | 2009-01-29 | Deutsche Cell Gmbh | Vorrichtung und Verfahren zur Klassifizierung einer Solarzelle |
EP2024716A4 (de) * | 2006-05-05 | 2009-05-13 | Bt Imaging Pty Ltd | Verfahren und system zur prüfung von indirekt-bandabstand-halbleiterbauelementen unter verwendung von lumineszenzbildgebung |
DE202010000325U1 (de) | 2010-03-05 | 2011-08-26 | Kuka Systems Gmbh | Serviceeinrichtung |
DE102010017557A1 (de) * | 2010-06-24 | 2011-12-29 | Schott Solar Ag | Verfahren zur Qualitätskontrolle eines zu prozessierenden Substrats |
EP2522991A1 (de) | 2011-05-12 | 2012-11-14 | Fachhochschule Regensburg | Vorrichtung zur Untersuchung einer Solarkollektoranordnung |
DE102011105182A1 (de) * | 2011-06-17 | 2012-12-20 | Albert-Ludwigs-Universität Freiburg | Verfahren zur Bereitstellung eines Vorhersagemodells für eine Rissdetektion und Verfahren zur Rissdetektion an einer Halbleiterstruktur |
WO2013093153A1 (es) * | 2011-12-21 | 2013-06-27 | Abengoa Solar New Technologies, S.A. | Método para la inspeccion automatizada de captadores solares fotovoltaicos instalados en plantas |
WO2013103319A1 (en) * | 2011-12-19 | 2013-07-11 | Memc Singapore Pte, Ltd. | Methods and. systems for grain size evaluation of multi-crystalline solar wafers |
CN105954616A (zh) * | 2016-05-05 | 2016-09-21 | 江苏方天电力技术有限公司 | 基于外特性电气参数的光伏组件故障诊断方法 |
CN105978487A (zh) * | 2016-05-05 | 2016-09-28 | 江苏方天电力技术有限公司 | 基于内部等效参数的光伏组件故障诊断方法 |
DE102018114005A1 (de) * | 2018-06-12 | 2019-12-12 | Carl Zeiss Jena Gmbh | Materialprüfung von optischen Prüflingen |
EP3627568A1 (de) * | 2018-09-21 | 2020-03-25 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zur verarbeitung von abbildungen von halbleiterstrukturen, sowie zur prozesscharakterisierung und prozessoptimierung mittels semantischer datenkompression |
-
1999
- 1999-03-23 DE DE19914115A patent/DE19914115A1/de not_active Withdrawn
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10128722C1 (de) * | 2001-06-13 | 2003-04-24 | Siemens Ag | Vorrichtung zur Kontrolle von Objekten |
US9912291B2 (en) | 2006-05-05 | 2018-03-06 | Bt Imaging Pty Ltd | Method and system for testing indirect bandgap semiconductor devices using luminescence imaging |
CN103175814B (zh) * | 2006-05-05 | 2016-02-03 | 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 |
US8710860B2 (en) | 2006-05-05 | 2014-04-29 | Bt Imaging Pty Ltd | Method and system for testing indirect bandgap semiconductor devices using luminescence imaging |
US9482625B2 (en) | 2006-05-05 | 2016-11-01 | Bt Imaging Pty Ltd | Method and system for testing indirect bandgap semiconductor devices using luminescence imaging |
EP2024716A4 (de) * | 2006-05-05 | 2009-05-13 | Bt Imaging Pty Ltd | Verfahren und system zur prüfung von indirekt-bandabstand-halbleiterbauelementen unter verwendung von lumineszenzbildgebung |
DE102007007140B4 (de) * | 2007-02-09 | 2009-01-29 | Astrium Gmbh | Verfahren und Anordnung zur Detektion mechanischer Defekte eines Halbleiter-Bauelements, insbesondere einer Solarzelle oder Solarzellen-Anordnung |
US8306309B2 (en) | 2007-02-09 | 2012-11-06 | Astrium Gmbh | Method and apparatus for detecting mechanical defects in a semiconductor device, particularly in a solar cell arrangement |
DE102007007140A1 (de) * | 2007-02-09 | 2008-08-21 | Astrium Gmbh | Verfahren und Anordnung zur Detektion mechanischer Defekte eines Halbleiter-Bauelements, insbesondere einer Solarzelle oder Solarzellen-Anordnung |
DE102007010516A1 (de) * | 2007-03-05 | 2008-09-18 | Intego Gmbh | Verfahren zur Identifizierung der Herkunft eines polykristallinen Produkts sowie Vorrichtung mit einer Bilderfassungseinheit zur Erstellung von Produktbildern eines polykristallinen Produkts |
DE102007034814A8 (de) * | 2007-07-25 | 2009-05-14 | Deutsche Cell Gmbh | Vorrichtung und Verfahren zur Klassifizierung einer Solarzelle |
DE102007034814A1 (de) * | 2007-07-25 | 2009-01-29 | Deutsche Cell Gmbh | Vorrichtung und Verfahren zur Klassifizierung einer Solarzelle |
DE202010000325U1 (de) | 2010-03-05 | 2011-08-26 | Kuka Systems Gmbh | Serviceeinrichtung |
DE102010017557A1 (de) * | 2010-06-24 | 2011-12-29 | Schott Solar Ag | Verfahren zur Qualitätskontrolle eines zu prozessierenden Substrats |
EP2522991A1 (de) | 2011-05-12 | 2012-11-14 | Fachhochschule Regensburg | Vorrichtung zur Untersuchung einer Solarkollektoranordnung |
DE102011105182A1 (de) * | 2011-06-17 | 2012-12-20 | Albert-Ludwigs-Universität Freiburg | Verfahren zur Bereitstellung eines Vorhersagemodells für eine Rissdetektion und Verfahren zur Rissdetektion an einer Halbleiterstruktur |
WO2013103319A1 (en) * | 2011-12-19 | 2013-07-11 | Memc Singapore Pte, Ltd. | Methods and. systems for grain size evaluation of multi-crystalline solar wafers |
US9136185B2 (en) | 2011-12-19 | 2015-09-15 | MEMC Singapore Pte., Ltd. | Methods and systems for grain size evaluation of multi-cystalline solar wafers |
WO2013093153A1 (es) * | 2011-12-21 | 2013-06-27 | Abengoa Solar New Technologies, S.A. | Método para la inspeccion automatizada de captadores solares fotovoltaicos instalados en plantas |
CN105978487A (zh) * | 2016-05-05 | 2016-09-28 | 江苏方天电力技术有限公司 | 基于内部等效参数的光伏组件故障诊断方法 |
CN105954616A (zh) * | 2016-05-05 | 2016-09-21 | 江苏方天电力技术有限公司 | 基于外特性电气参数的光伏组件故障诊断方法 |
CN105954616B (zh) * | 2016-05-05 | 2019-02-19 | 江苏方天电力技术有限公司 | 基于外特性电气参数的光伏组件故障诊断方法 |
DE102018114005A1 (de) * | 2018-06-12 | 2019-12-12 | Carl Zeiss Jena Gmbh | Materialprüfung von optischen Prüflingen |
US11790510B2 (en) | 2018-06-12 | 2023-10-17 | Carl Zeiss Jena Gmbh | Material testing of optical test pieces |
EP3627568A1 (de) * | 2018-09-21 | 2020-03-25 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zur verarbeitung von abbildungen von halbleiterstrukturen, sowie zur prozesscharakterisierung und prozessoptimierung mittels semantischer datenkompression |
WO2020058219A1 (de) * | 2018-09-21 | 2020-03-26 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zur verarbeitung von abbildungen von halbleiterstrukturen, sowie zur prozesscharakterisierung und prozessoptimierung mittels semantischer datenkompression |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734692B (zh) | 一种变电设备缺陷识别方法及装置 | |
DE19914115A1 (de) | Verfahren und System zur Fehleranalyse bei polykristallinen Wafern, Solarzellen und Solarmodulen, insbesondere zur Bestimmung der prozeß- und strukturbedingten mechanischen Spannungen | |
DE69403574T2 (de) | Automatische Inspektion von Druckplatten oder Zylindern | |
DE10000364B4 (de) | Merkmalbasierende Feststellung von Fehlern | |
DE102012219187B4 (de) | System zur binären Klassifikation von interessierenden Elementen in einem reproduzierbaren Prozess | |
US5917332A (en) | Arrangement for improving defect scanner sensitivity and scanning defects on die of a semiconductor wafer | |
DE112007001071B4 (de) | Verfahren und Vorrichtung zur Bewertung von Solarzellen und deren Verwendung | |
DE69531805T2 (de) | Inspektion einer Kontaktlinse mit einer Beleuchtung mit Doppelfokus | |
DE4410603C1 (de) | Verfahren zur Erkennung von Fehlern bei der Inspektion von strukturierten Oberflächen | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
DE102018211704B4 (de) | Verfahren und System zum Detektieren von Liniendefekten auf einer Oberfläche eines Objekts | |
DE102014204876A1 (de) | Inspektionsverfahren und Inspektionsvorrichtung | |
EP1132732A2 (de) | Verfahren zur Bewertung von strukturfehlern auf einer Waferoberfläche | |
DE2929846A1 (de) | Opto-elektronisches pruefsystem zur automatischen beschaffenheitspruefung von leiterplatten, deren zwischenprodukte und druckwerkzeuge | |
CN110085709B (zh) | 一种led图像全自动计数统计系统 | |
CN112387604B (zh) | 一种avi检测机与自动找点机联网检测封装基板的方法 | |
CN109698139A (zh) | 晶圆缺陷光学照片实时采集系统及采集方法 | |
CN114529510A (zh) | 一种阴极铜在线质量自动检测分类方法 | |
Shafait et al. | Fault detection and localization in empty water bottles through machine vision | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
Demirci et al. | Defective PV cell detection using deep transfer learning and EL imaging | |
EP2491713A1 (de) | Bildsensoranordnung zur erfassung von bildinformationen für die automatische bilddatenverarbeitung | |
JP3173874B2 (ja) | 外観検査装置 | |
CN106814088A (zh) | 基于机器视觉对电池片颜色分选的检测装置及方法 | |
CN111598851A (zh) | 一种基于形态学图像处理的太阳能电池破片检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8139 | Disposal/non-payment of the annual fee |