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 Spannungen

Info

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Withdrawn
Application number
DE19914115A
Other languages
English (en)
Inventor
Klaus-Dieter Westphal
Paul Grunow
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.)
GFAI GES ZUR FOERDERUNG ANGEWA
Original Assignee
GFAI GES ZUR FOERDERUNG ANGEWA
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
Application filed by GFAI GES ZUR FOERDERUNG ANGEWA filed Critical GFAI GES ZUR FOERDERUNG ANGEWA
Priority to DE19914115A priority Critical patent/DE19914115A1/de
Publication of DE19914115A1 publication Critical patent/DE19914115A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L31/00Semiconductor 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
    • H01L31/18Processes or apparatus specially adapted for the manufacture or treatment of these devices or of parts thereof
    • H01L31/1804Processes 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 System
    • H01L31/182Special manufacturing methods for polycrystalline Si, e.g. Si ribbon, poly Si ingots, thin films of polycrystalline Si
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L31/00Semiconductor 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
    • H01L31/18Processes or apparatus specially adapted for the manufacture or treatment of these devices or of parts thereof
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/50Photovoltaic [PV] energy
    • Y02E10/546Polycrystalline silicon PV cells

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)

  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.
DE19914115A 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 Withdrawn DE19914115A1 (de)

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)

* Cited by examiner, † Cited by third party
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

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10128722C1 (de) * 2001-06-13 2003-04-24 Siemens Ag Vorrichtung zur Kontrolle von Objekten
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
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
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
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
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
DE102007034814A8 (de) * 2007-07-25 2009-05-14 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
DE19914115A1 (de) Verfahren und System zur Fehleranalyse bei polykristallinen Wafern, Solarzellen und Solarmodulen, insbesondere zur Bestimmung der prozeß- und strukturbedingten mechanischen Spannungen
CN112734692B (zh) 一种变电设备缺陷识别方法及装置
DE10000364B4 (de) Merkmalbasierende Feststellung von Fehlern
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
CN112053318B (zh) 基于深度学习的二维pcb缺陷实时自动检测与分类装置
DE69531805T2 (de) Inspektion einer Kontaktlinse mit einer Beleuchtung mit Doppelfokus
DE4410603C1 (de) Verfahren zur Erkennung von Fehlern bei der Inspektion von strukturierten Oberflächen
US6324298B1 (en) Automated wafer defect inspection system and a process of performing such inspection
EP3432266B1 (de) Verfahren und vorrichtung zum erkennen von fehlstellen
Zafirovska et al. Detection of finger interruptions in silicon solar cells using line scan photoluminescence imaging
DE102018211704B4 (de) Verfahren und System zum Detektieren von Liniendefekten auf einer Oberfläche eines Objekts
DE102014204876A1 (de) Inspektionsverfahren und Inspektionsvorrichtung
CN107966454A (zh) 一种基于fpga的端塞缺陷检测装置及检测方法
DE102012219187A1 (de) Binäre Klassifikation von interessierenden Elementen in einem reproduzierbaren Prozess
EP1132732A2 (de) Verfahren zur Bewertung von strukturfehlern auf einer Waferoberfläche
DE2929846A1 (de) Opto-elektronisches pruefsystem zur automatischen beschaffenheitspruefung von leiterplatten, deren zwischenprodukte und druckwerkzeuge
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
Shafait et al. Fault detection and localization in empty water bottles through machine vision
Chindarkkar et al. Deep learning based detection of cracks in electroluminescence images of fielded PV modules
EP2491713A1 (de) Bildsensoranordnung zur erfassung von bildinformationen für die automatische bilddatenverarbeitung
TW202300896A (zh) 試料觀察裝置及方法
DE102007010516A1 (de) Verfahren zur Identifizierung der Herkunft eines polykristallinen Produkts sowie Vorrichtung mit einer Bilderfassungseinheit zur Erstellung von Produktbildern eines polykristallinen Produkts
JP3173874B2 (ja) 外観検査装置

Legal Events

Date Code Title Description
8139 Disposal/non-payment of the annual fee