｜太陽能晶片表面隨機紋路瑕疵檢測

摘要：太陽能是現代主要再生電力來源之一，而多晶太陽能電池的製造成本與品質主導了整個市場的需求，太陽能晶片表面的品質決定了太陽能電池的轉換效率。多晶太陽能晶片表面晶格，無論是大小方向位置都呈現隨機的分布，且在不同的光源下，顏色變化也完全不同，使得太陽能晶片在影像中顯示隨機性紋路以致表面瑕疵檢測困難度增加。傳統的小波轉換方法只對單一小波解析階層進行分析，因此無法直接應用於多晶太陽能晶片此種複雜的晶格紋路，本研究提出以小波轉換為基礎的隨機性紋路檢測技術，將小波轉換應用於太陽能晶片影像上，觀察不同的小波解析階層間呈現的小波能量特徵，在瑕疵特徵與正常多晶太陽能晶片晶格特徵之間的差異，提出可有效區分模糊瑕疵與銳利背景晶格紋路的演算法，實驗結果顯示可偵測多晶太陽能晶片上的指紋、髒污與鋸痕瑕疵。

Abstract: Solar power is an attractive alternative source of electricity. Multicrystalline solar cells dominate the market share due to their lower manufacturing costs. The surface quality of a solar wafer determines the conversion efficiency of the solar cell. A multicrystalline solar wafer surface contains numerous crystal grains of random shapes and sizes in random positions and directions with different illumination reflections, therefore resulting in an inhomogeneous texture in the sensed image. This texture makes the defect detection task extremely difficult. This paper proposes a wavelet-based discriminant measurement for defect inspection in multicrystalline solar wafer images.

The traditional wavelet transform techniques for texture analysis and surface inspection rely mainly on the discriminant features extracted in individual decomposition levels. However, these techniques cannot be directly applied to solar wafers with inhomogeneous grain patterns. The defects found in a solar wafer surface generally involve scattering and blurred edges with respect to clear and sharp edges of crystal grains in the background. The proposed method uses the wavelet coefficients in individual decomposition levels as features. It integrates the coefficient value differences between two consecutive resolution levels as the weights to distinguish local defects from the crystal grain background, and generates a better discriminant measure for identifying various defects in the multicrystalline solar wafers. Experimental results have shown the proposed method performs effectively for detecting fingerprint, contaminant, and saw-mark defects in solar wafer surfaces.

關鍵詞：太陽能晶片、瑕疵檢測、隨機紋路

Keywords：Solar wafer, Defect detection, Inhomogeneous texture

前言
由於環保意識的抬頭與全球石油短缺效應，太陽能已成為當前不可或缺的替代能源之一。太陽能電池是利用矽晶將光能轉換為電能，又因發電轉換效率與成本的考量，多晶矽材料（非單晶）成為太陽能晶片主要的製造材料。多晶矽太陽能晶片表面的晶格，顯示隨機的大小、形狀與方向，且根據光反射的不同，每個晶格又呈現不同的灰階值[1]，如圖1（a）與（b）所示。圖中兩張太陽能晶片影像為正常影像，但影像中的晶格各異，無法應用傳統瑕疵檢測技術來進行表面瑕疵檢測，過去對於此異質性紋路檢測，如大理石或花崗石，Ar與Akgul [2]等人利用八鄰邊的賈伯轉換（Gabor filter）建構出適合分類大理石表面紋路與其他瑕疵的特徵指標，Xie與Mirmehdi [3-5]自無瑕疵影像中根據高斯混合模型建立影像模塊（patch）自動瑕疵檢測大理石磚，Liu與Pok[6]投影多維度的特徵至單一維度，透過邊界為基底自我組織化特徵圖（Self-Organizing Feature Map）獲得可量化的特徵，根據預測出的模組自八鄰邊比對瑕疵。上述所提的方法只用於大理石等具有模糊邊界的紋路，對於太陽能晶片具有鮮明邊界變化的背景晶格紋路將如此無法適用，容易導致誤判。

圖1（c）-（e）顯示多晶太陽能晶片上三種主要的瑕疵，圖1（c）為一張具有模糊指紋的多晶太陽能晶片影像；圖1（d）於右上角呈現一小塊輕微髒汙；圖1（e）顯示一道水平的鋸痕瑕疵橫跨整張影像，這三種瑕疵具有相似的特徵，也就是皆具有模糊的邊界且重疊於鮮明的背景晶格紋路，利用此特性本研究使用小波轉換技術（Wavelet transform） [7-8]進行多晶太陽能晶片表面瑕疵檢測，傳統小波轉換強調利用各小波階層的平滑（smooth）與細節（detail）小波分解（Wavelet decomposition）的排列組合來表達紋路的特性，但太陽能晶片上正常的晶格邊界與上述微小的瑕疵在單一小波階層裡特性相似，因此無法直接使用來偵測瑕疵。本研究觀察不同小波階層對於瑕疵與晶格的變化後，從影像中擷取小波轉換後的能量加以分析，用來區分正常晶格紋路與模糊的瑕疵邊界。

由於太陽能晶片上的瑕疵會導致製程中耗費大量進行清洗與修復的成本且降低產量，而大部分的太陽能晶片製造商只能仰賴人工進行表面的抽檢，耗時費力又不一定可有效的達到檢測的目的，因此自動化太陽晶片視覺檢測是必要的。Fu等人[9]使用機器視覺架構根據太陽能晶片邊界的明顯灰階變異來偵測太陽能晶片的邊緣裂縫。Ordaz與Lush [10]以電致發光（electroluminescence）的灰階影像分析太陽能電池的轉換效率。Pilla等人[11]應用熱顯影（thermographic）技術觀察太陽能電池中光電效應來偵測太陽能晶片中的裂縫。大部分的太陽能電池檢測方法皆著重於光電轉換效率與邊界的裂縫偵測，但近年來Tsai等人[12]提出以非等向性擴散（anisotropic diffusion）步驟偵測多晶太陽能晶片表面微裂（micro-crack）瑕疵，微裂瑕疵在影像上呈現較低灰階值與較高的灰階梯度變化，該擴散模式可根據該微裂瑕疵的特性修正平滑處理程度，平滑處理可針對可能存在瑕疵的區域進行擴散模糊化，但仍保留背景晶格紋路，因此透過相減步驟可將瑕疵凸顯出來，然而此方法只針對梯度明顯的裂痕瑕疵，本研究將要偵測的對象則是更為困難且模糊的指紋、髒污、鋸痕等瑕疵類型。