国产自产21区,亚洲97,免费毛片网,国产啪视频,青青青国产在线观看,国产毛片一区二区三区精品

提供裂紋檢測用預測模型的方法和檢測半導體結構上的裂紋的方法
【專利摘要】本發明涉及方法提供用于在半導體結構上的裂紋檢測的預測模型的方法，該半導體結構是光伏太陽能電池、制造過程中的光伏太陽能電池的前級物，尤其是用于制造太陽能電池的半導體材料，該方法包括以下方法步驟：A）提供具有至少一個裂紋的參照半導體結構；B）提供關于至少一個裂紋的裂紋數據，裂紋數據包含與裂紋在參照半導體結構上的位置有關的幾何位置數據；C）空間分辨式測量在半導體結構中所產生的光致發光的多個局部測量點和/或通過空間分辨測量該半導體結構的IR吸收來空間分辨測量該參照半導體結構；D）通過依據在方法步驟C中求出的空間分辨測量數據并且依據在方法步驟B中提供的裂紋數據進行學習算法的訓練來建立預測模型，其中，學習算法的訓練包括以下方法步驟：D1）通過下述方式建立用于至少一個局部描述符點的至少一個描述符，即，針對描述符點設定或確定一檢查區，并且依據檢查區內的測量數據建立該描述符，該描述符是特征矢量和/或特征分布和/或特征直方圖，和D2）利用該描述符號和裂紋數據訓練學習算法。本發明還涉及用于裂紋檢測的方法和裝置。
【專利說明】提供裂紋檢測用預測模型的方法和檢測半導體結構上的裂紋的方法
【技術領域】
[0001]本發明涉及根據權利要求1的提供半導體結構上的裂紋檢測用預測模型的方法和根據權利要求2的檢測半導體結構上的裂紋的方法，該半導體結構是光伏太陽能電池、制造過程中的光伏太陽能電池的前級物或者尤其用于制造這樣的光伏太陽能電池的半導體材料。
【背景技術】
[0002]由半導體材料構成的光伏太陽能電池早已被用于將電磁輻射轉化為電能。在典型的光伏太陽能電池中，半導體材料占據了太陽能電池制造總成本的相當份額。因而使用成本十分有利的材料例如多晶硅，另外，太陽能電池研究的一個目的在于減小光伏太陽能電池制造所用的半導體晶片的厚度，由此降低材料成本。
[0003]但由此出現以下危險，即，裂紋不利地影響了半導體材料穩定性。這樣的裂紋例如可能因娃晶塊中的材料缺陷而形成，因在晶片原材料制造中的載荷而出現，因缺陷和晶片鋸切時的機械應力而出現，以及因運輸和搬運操作時的機械應力而出現。另外，半導體材料在制造過程中承受力學負荷和熱負荷。
[0004]一旦半導體材料在加工過程中破碎，就出現高昂成本，因為尤其必須停止制造。盡管有裂紋但還經歷整個制造過程的這種半導體材料還有可能在隨后的應用中造成在光伏太陽能電池使用時的顯著功率損失。
[0005]因此緣故，人們迫切需要用于檢測半導體結構中的裂紋的方法，該半導體結構是上述半導體原材料如用于制造太陽能電池的半導體晶片、制造過程中的太陽能電池前級物或成品太陽能電池。因為裂紋一般具有微米級延伸尺寸，故其也被稱為微裂紋。
[0006]已知利用所謂的IR透光拍攝來檢測裂紋。為此，半導體結構借助紅外范圍內的輻射接受透光檢測并借助成像法如CCD攝像機被測量。因為在IR范圍內的不同吸收特性，故使用者能在如此獲得的圖像中肉眼發現裂紋。同樣知道了利用光致發光的裂紋檢測:為此，在半導體結構中產生光致發光并借助成像法如CCD攝像機進行空間分辨測量。光致發光測量的使用原則上是已知的并且例如在第22屆歐洲光伏太陽能會議的會刊(2007，米蘭，意大利)中的Trupke，T的“用于硅晶片和太陽能電池的表征的發光成像進展”中有描述。但此時通常無法將裂紋與其它作用例如重組有效干擾點區分開。
[0007]另外，利用共振超聲振動(RUV)的裂紋檢測是已知的并且例如在Monastyrskyi, A.等人的“用于硅晶片和太陽能電池的在線裂紋檢測的共振超聲振動”(第33屆PVSC的會刊，2008)中有描述。

【發明內容】

[0008]本發明的任務在于，提供一種可靠的、尤其可工業應用的半導體結構裂紋檢測方法，該半導體結構是光伏太陽能電池、制造過程中的光伏太陽能電池前級物或用于制造光伏太陽能電池的原材料。
[0009]該任務通過根據權利要求1的提供半導體結構上裂紋檢測用的預測模型的方法以及根據權利要求2的檢測半導體結構上的裂紋的方法來解決。在權利要求3至13中找到本發明方法的有利實施方式。本發明還通過根據權利要求14的用于檢測半導體結構上的裂紋的裝置來完成。茲將所有權利要求的語句援引納入說明書。
[0010]本發明基于 申請人:的以下認識，S卩，學習算法適用于建立半導體結構上裂紋檢測用的預測模型，因而結合預測模型進行裂紋檢測。因此，本發明的方法和本發明的裝置原則上不同于在光伏領域迄今所用的裂紋檢測方法，這是因為第一次將借助學習算法的機器學習用于裂紋檢測。
[0011]如上所述，本發明的裂紋檢測方法和本發明的裂紋檢測裝置涉及光伏領域。相應地在此和下文中使用術語“半導體結構”來稱呼用于制造太陽能電池的原材料如硅晶片、尤其是多晶硅晶片，也用以稱呼在制造過程中的任一工序處的光伏太陽能電池前級物以及成品太陽能電池。
[0012]根據本發明的、提供用于半導體結構上的裂紋檢測的預測模型的方法包括以下方法步驟:
[0013]在方法步驟A中提供參照半導體結構，該參照半導體結構具有至少一個裂紋。
[0014]在方法步驟B中，提供關于至少一個裂紋的裂紋數據，該裂紋數據包含與裂紋在該參照半導體結構上的位置有關的幾何位置數據。
[0015]該半導體結構一般是面狀元件，從而一般可以關于半導體結構的正面或背面的姿態來描述裂紋，就是說，一般借助二維幾何數據。此時在本發明范圍內的是，裂紋數據包括描述裂紋延伸的多個點和/或線，和/或裂紋數據包括星形裂紋的至少兩條線在此相交的裂紋中心。
[0016]也在本發明范圍內的是，參照半導體結構是具有裂紋的半導體結構，該裂紋利用另一測量法關于幾何位置被測量。作為替代或補充也可行的是，通過刻劃或類似方法在規定的幾何位置上給參照半導體結構添加裂紋。
[0017]在方法步驟C中進行參照半導體結構的空間分辨測量。為此，對于多個局部測量點進行在半導體結構內產生的光致發光的空間分辨測量和/或半導體結構紅外吸收(IR吸收)的空間分辨測量。為執行空間分辨成像方法，本身已知的測量裝置尤其CCD攝像機可被用于空間分辨測量。重要的是針對多個局部測量點進行空間分辨測量。測量點覆蓋半導體結構表面上的包含裂紋的至少一個區域。
[0018]在方法步驟D中建立預測模型。為此，結合在方法步驟C中求出的空間分辨測量數據和在方法步驟B中提供的裂紋數據進行學習算法的訓練。
[0019]不同于已知的裂紋檢測方法，尤其沒有基于物理模型根據測量信號來區分對應于裂紋的測量點與其它測量點。取而代之，結合測量數據和裂紋數據即關于參照半導體結構已知的對現有裂紋的描述來進行學習算法的訓練(Trainieren)。因此未規定表明裂紋的且就測量信號而言與其它元素如重組有效幾何結構區分開的說明和標準(即，該描述的明確表述)，而是通過學習算法訓練來構成。
[0020]學習算法的訓練此時包括以下步驟:
[0021]在方法步驟Dl中建立用于至少一個局部描述符點的至少一個描述符。此時，針對該描述符點設定或確定一檢查區，并且依據該檢查區內的測量數據建立該描述符，該描述符是特征矢量和/或特征分布和/或特征直方圖。
[0022]因而，該檢查區包括根據方法步驟C的測量點的至少一個子集。也在本發明范圍內的是該檢查區包括根據方法步驟C的全部測量點。
[0023]對此，描述符點形成所述描述符的一個局部點，從而結合特征矢量和/或特征分布和/或特征直方圖并在考慮檢查區的情況下構成用于局部描述符點的描述。特征矢量和/或特征分布和/或特征直方圖的特征基于在方法步驟C中求出的測量數據。此時在本發明范圍內的是該特征直接源于測量數據。但尤其有利的是該特征是多個測量數據的進一步處理和/或關聯尤其是結構描述。
[0024]在方法步驟D2中利用該描述符和該裂紋數據訓練學習算法。
[0025]該訓練可按照本身已知的方式利用本身已知的學習算法進行。也在本發明范圍內的是，只利用一個描述符點和對應的描述符和/或只利用一個裂紋和對應的幾何數據來訓練該學習算法。但有利的是，利用多個描述符點和相應建立的描述符來進行所述訓練。或者且尤其還有利的是，利用多個裂紋和各自對應的裂紋數據來執行所述方法。
[0026]學習算法的訓練可以如上所述按照本身已知的方式進行。此時重要的是，基于預定的裂紋數據而知道是否在該描述符點上有裂紋。該信息對于在訓練中通過學習算法實現的分類形成是至關重要的。
[0027]在本發明范圍內的是，多個參照半導體結構被用于訓練該學習算法。此時不一定需要每個參照半導體結構都有裂紋，這是因為沒有裂紋的描述符點和描述符對訓練也是有意義的。但至少其中一個參照半導體結構須如上所述地具有至少一個裂紋。
[0028]根據本發明的用于檢測半導體結構上的裂紋的方法包括以下方法步驟:
[0029]在方法步驟A中提供半導體結構。
[0030]不同于參照半導體結構，在用于執行裂紋檢測的半導體結構中當然沒有預先知道裂紋幾何位置或者說半導體結構究竟有無裂紋的信息。
[0031]在方法步驟B中提供預測模型，該預測模型是通過學習算法的訓練來建立的，最好是根據權利要求1或其優選實施方式的方法來建立的。
[0032]在方法步驟C中通過空間分辨測量在半導體結構中產生的光致發光的多個局部測量點和/或通過空間分辨測量該半導體結構的IR吸收來空間分辨測量該半導體結構。方法步驟C因而可被設計成與根據權利要求1或其有利實施方式的方法步驟C相同。尤其有利的是，在建立預測模型時和在裂紋檢測中執行相同的測量方式，就是說都是光致發光的空間分辨測量或者都是IR吸收的空間分辨測量。
[0033]在方法步驟D中針對至少一個局部檢查點確定在該檢查點上是否有裂紋。該局部檢查點是在半導體結構表面上的一個點且最好對應于根據方法步驟C的其中一個所述測量點。
[0034]所述確定包括以下方法步驟:
[0035]在方法步驟Dl中，針對該檢查點建立至少一個描述符，在用于檢查點的描述符中設定并確定一檢查區，并且結合檢查區內的測量數據建立該描述符，該描述符是特征矢量和/或特征分布和/或特征直方圖。
[0036]因此，裂紋檢測中的方法步驟Dl被設計成與根據權利要求1的預測模型建立中的方法步驟Dl相似，其中，在權利要求1中建立用于一個相應的描述符點的描述符和在權利要求2中建立用于一個相應的檢查點的描述符。所有之前和隨后的描述符建立實施方式因而能至少相似地在根據權利要求1的方法步驟Dl和根據權利要求2的方法步驟Dl方面被
予以考慮。
[0037]因此，對裂紋檢測也重要的是，針對該檢查點建立一描述符，該描述符因而是呈特征矢量和/或特征分布和/或特征直方圖形式的特征，從而針對該檢查點的特性在考慮在方法步驟C中獲得的檢查區內的測量數據的情況下被映射在該描述符中。
[0038]在方法步驟D2中利用該描述符和預測模型確定該檢查點上是否有裂紋。
[0039]因而，本發明的裂紋檢測方法的特點是，只須例如通過執行根據權利要求1的方法來提供一預測模型，隨后按照本身已知的方式以光致發光或IR吸收測量形式來執行根據方法步驟C的測量，并且可通過描述符形成利用預測模型確定檢查點上是否有裂紋。
[0040]此時在本發明范圍內的是只在一個檢查點進行根據方法步驟D2的上述確定。最好在多個檢查點進行所述確定。因而在本發明范圍內的是，在方法步驟C中在此執行測量的每個所述測量點被先后相繼選作為檢查點。
[0041]結果，利用本發明的裂紋檢測方法保證了確定半導體結構是否有裂紋以及確定裂紋的幾何位置和/或延伸尺寸，無需通過假定、預定或物理模型推導來預定根據方法步驟C的測量數據和抽象的裂紋特性之間的關系。
[0042] 申請人:的研究表明，根據權利要求1的預測模型的形成和根據權利要求2的使用出眾地適用于檢測半導體結構中的裂紋。根據本發明的裂紋檢測方法因而與已知裂紋檢測方法相比得到顯著改善。尤其可在執行根據權利要求1的方法時在使用光致發光測量方法情況下在各自方法步驟C中結合學習算法訓練提供在裂紋和其它幾何結構例如重組有效結構之間的命中精度高的區分，在此，不一定預先規定區分裂紋結構與其它結構的標準，而是只通過學習算法的訓練來形成。
[0043]本發明方法還有以下優點，可以劃分為預測模型的建立和將預測模型用于裂紋檢測:
[0044]因此，例如可由廠方通過準確制備參照半導體結構和/或結合許多裂紋和裂紋數據的訓練來高精度地訓練學習算法并將如此形成的預測模型提供給用戶使用。
[0045]因此，不一定需要用戶方也進行學習算法訓練。用戶也可直接將由廠方訓練的預測模型用于裂紋檢測。
[0046]在本發明的裂紋檢測方法中，最好在方法步驟E中進行裂紋重建，在裂紋重建中確定裂紋表象的幾何數據。因而為此基于一個對應于裂紋的檢查點來進行重建，以至少確定裂紋的部分且最好全部幾何表象。尤其有利的是，在方法步驟E中針對檢查點周圍的一個局部重建區域對于重建區內的每個測量點確定出方位并且借助通過圖案識別手段的與星形圖案和/或線性圖案的相似性比較來確定對應于裂紋的測量點。上述優選實施方式尤其在光致發光測量方法的使用時且尤其在多晶硅半導體結構的使用時是有利的。
[0047]本發明方法的這個優選實施方式基于 申請人:的以下認識，S卩，半導體結構中的裂紋一般具有星形圖案。由此可以利用本身已知的星形圖案和/或線性圖案的識別和重建的方法的組合來進行裂紋重建。
[0048]如上所述，在本發明范圍內的是，在方法步驟D中在建立預測模型時和/或在裂紋檢測時先后相繼依據多個局部點作為描述符點或檢查點，此時例如可以采用在各方法步驟C中被測量的所有局部測量點。
[0049]但有利的是利用關鍵點確定方法來限制描述符點和/或檢查點的數量。這樣的方法也被稱為興趣點(POI)確定方法。尤其有利的是，為了確定描述符點和/或檢查點而采用關鍵點搜尋法，最好是采用根據SIFT方法、GLOH方法和/或SURF方法或用于特征檢測的已知方法例如坎尼示波器或哈里斯示波器或與之相似的、導出的或類似的方法中的至少其中一個方法的關鍵點確定。上述方法是本身已知的并且例如記載如下:
[0050]-GLOH:Krystian Mikolajczyk和Cordelia Schmid的“A performance evulationof local descriptors，，(IEEE Transactions on Pattern Analysis and MachineIntelligence, 10，27，第 1615 — 1630 頁，2005)。
[0051]-SIFT:Lowe, David G.( 1999)的 “Object recognition from localscale-1nvariant features”(國際計算機展望大會會刊2.第1150-1157頁，
[0052]do1: 10.1109/ICCV.1999.790410.http://do1.1eeecs.0rg/10.1109/ICCV.1999.790410)。
[0053]-SURF:Bay, H.> Tuytelaars, T.> Gool, L.V.的 “ SURF: Speeded Up RobustFeatures”(第九屆計算機展望歐洲大會的會刊，2006.05)。
[0054]-Harris:C.Harris 和 Μ.Stephens 的 “A combined corner and edge detector”(第四屆 Alvey Vision Conference 會刊，1988,第 147-151 頁)。
[0055] 申請人:的研究表明，對關鍵點確定尤其有利的是利用方位可控的濾波器來確定所述至少一個關鍵點。有利地利用尤其用于計算測量數據的導數優選是二階導數的濾波器來進行所述確定。 申請人:的研究表明，尤其是由高斯濾波器二階導數構成的條形圖濾波器適用于關鍵點確定。
[0056]為了選擇關鍵點，尤其從所有測量點開始確定整個區域內的關鍵點在本發明范圍內。也在本發明范圍內的是，預先規定在半導體結構表面上的有限幾何區域和/或在方法步驟C中測量的測量點的子集，在其中確定關鍵點。
[0057]在確定關鍵點時，局部區域或測量點的不同特性和特征可用于確定相關圖像局部，例如測量信號強度的表象或者測量信號強度值的分布。該特征例如可以通過因素如方差、平均值、對稱性或其它本身已知的因素的確定被描繪下來并且被用于確定該關鍵點。
[0058]也可關于幾何表象采用特征表象如角、邊、線或圓形結構。這樣的特征表象例如可由使用濾波器時的濾波器響應來確定和/或由多個濾波器組合且或許伴隨結果的預處理和進一步處理來確定。可用濾波器的例子是索伯爾濾波器、普利維特濾波器、高斯濾波器、高斯差分濾波器、高斯拉普拉斯。使用張量例如哈里斯示波器、海賽行列式也在本發明范圍內，或者使用可控濾波器、使用小波例如Gabor和Haar小波也在本發明范圍內。而且,使用蘇珊角點檢測器或者坎尼邊緣檢測器也在本發明范圍內。
[0059] 申請人:的研究表明，利用各向異性的條形圖濾波器的過濾是很有利的，該濾波器是高斯濾波器的二階導數并且例如在J.Malik的“Contour and Texture Analysis forImage Segmentation”(計算機展望國際期刊43 (I)，第7-27頁,2001)中有描述。
[0060]此時尤其有利的是使用具有不同空間方位的濾波器。此時，積極的濾波器響應在濾波器的不同空間方位取向情況下被關聯起來，最好是累加。因而，實現關于轉動集合SO (2)的Haar積分形狀，像例如在H.Schulz-Mirbach的“ Anwendung vonInvarianzprinzipien zur Merkmalgewinnung in derMustererkennung Dissertation，，(漢堡港技術大學，1995.02.10，Nr.372，VDI出版)中描述的那樣。
[0061] 申請人:的研究表明，由此得到的值尤其在裂紋中心增大并且還是轉動恒定的。因而，由此可以簡單方式根據轉動來確定裂紋中心，即，確定在各自測量圖上的裂紋實際走向。由此得到如下有利效果，即，與測量時的裂紋或半導體結構的轉動無關在分析時獲得一樣大小的值，因而被同樣檢測。
[0062]另外，使用具有不同刻度的濾波器也在本發明范圍內。由此獲得相對于裂紋尺寸變化不敏感的結果。
[0063]此時尤其有利的是，在不同刻度級別的結果分析被考慮用于估算待考慮區域的大小:因而相應高的結果是指高的刻度級別，因而指示較大裂紋，從而與結果處于較低刻度級別時的結果相比，有利地依據較大的圖像部分來確定關鍵點、裂紋檢測和/或裂紋重建。
[0064]總體上通過關鍵點確定得到以下優點，可將潛在裂紋區域的數量限制到明顯較少的關鍵點，因而能獲得該方法的提速。
[0065]也在本發明范圍內的是，首先利用其它測量方法來確定關鍵點。在此情況下，例如IR測量的檢測結果以傳統方式被用于確定關鍵點。不同的測量方法也可以相互組合:因而例如依據IR測量的關鍵點確定在本發明范圍內，隨后，用于原先用IR測量獲得的關鍵點的光致發光測量被分析以用于裂紋檢測。
[0066]在根據權利要求1和/或權利要求2的方法步驟Dl中的描述符最好根據SIFT方法、GLOH方法、HOG方法、LESH方法和/或SURF方法和/或結合檢查區的特征來產生描述符的方法變型中的至少一種方法來確定。作為替代或補充而有利的是，為了建立描述符，采用可校準且可轉動的濾波器優選上述條形圖濾波器的最大濾波器響應。LESH方法本身也是已知的并且例如在 Sarfraz, S.、Hellwich, 0.的 “Head Pose Estimation in FaceRecognition across Pose Scenarios”中有描述(VISAPP2008會議,計算機展望理論和應用信息大會，葡萄牙馬德拉，第235-242頁，2008.01 (最佳學生論文獎))。
[0067]尤其有利的是，按照包含以下方法步驟的方式建立描述符:
[0068]在方法步驟Dl.1中對于檢查區的每個局部點，最好通過確定針對該檢查區的每個測量點的參量來確定幅度和方位，該參量進一步優選是用于各測量點的測量值的梯度或者用于各測量點的可控濾波器的最大濾波器響應和方位。
[0069]在方法步驟Dl.2中針對檢查區的至少選定的關鍵點建立特征直方圖。
[0070]此時尤其有利的是，還確定裂紋主方位并且根據裂紋主方位進行特征直方圖的修正，以獲得轉動恒定的特征直方圖。
[0071]因而在描述符建立時進行結合特征的描述符點或檢查點周圍的檢查區的描述。特征描述例如可以由一個或多個特征、特征分布或其參量或特征的某些表象的立方圖組成。此時可以采用本身已知的根據在本身已知的算法SIFT、GL0H、HOG、LESH或SURF中的描述符的特征表述。建立描述符號的基礎總是在方法步驟C中確定的測量數據。
[0072]在上述優選實施方式中，有利地在方法步驟Dl.1和Dl.2之間確定裂紋主方位并且在方法步驟Dl.2中進行通過用掃描算法掃描檢查區內的測量點來建立特征直方圖。在此采用根據GLON和/或SIFT或其變型方式的本身已知的掃描算法是尤其有利的。[0073]為了建立描述符，因此可以采用圖像局部的某種掃描和/或劃分。尤其可以采用本身已知的根據已知算法的掃描。
[0074]為建立描述符進行特征選擇，就像在SIFT、GLOH、HOG、LESH或SURF算法中已知的那樣。
[0075] 申請人:的研究表明，在此如上所述地采用各向異性的條形圖濾波器的最大濾波器響應也尤其是有利的。代替如從SIFT和GLOH中知道的梯度方位和梯度幅度的使用，因而有利地使用具有最大濾波器響應的條形圖濾波器的方位和幅度。
[0076]在本發明范圍內的是在描述符建立時預處理或二次處理特征描述。尤其可通過根據所確定的裂紋主方位修正描述符來如上所述地實現轉動恒定。而且可通過描述符的縮放和/或整平獲得相對于對比變化或噪音的穩定性。
[0077]最好在根據權利要求1和/或權利要求2的方法步驟Dl中包含以下方法步驟地確定該檢查區:
[0078]首先，如之前尤其關于權利要求5和6所述的那樣實現至少一個局部關鍵點的確定。
[0079]隨后，確定該檢查區內的測量點，在用于檢查區的測量點處規定幾何延伸尺寸和形狀。最好對于檢查區設定其中心點是關鍵點的矩形、橢圓形或圓形區域。
[0080]在本發明方法的一個有利實施方式中，晶界的幾何位置作為半導體結構內的晶界數據來設定和/或借助空間分辨測量方法來確定，并且依據晶界數據來進行加權，其中，
[0081]-在確定關鍵點時，如上所述，位于晶界上的局部點不被選作關鍵點，或者在確定關鍵點時具有比其余局部點低的權重，和/或
[0082]-當在建立預測模型時的方法步驟D中建立描述符時和/或在裂紋檢測時，不考慮位于晶界上的局部點，或者以比其余局部點低的權重考慮位于晶界上的局部點，和/或
[0083]-在裂紋重建中，如上所述，不考慮位于晶界上的局部點或者以比其余局部點低的權重來考慮位于晶界上的局部點。
[0084]因而尤其在應用本發明方法當用于多晶硅晶片時提供該優選實施方式。只要晶界幾何位置是已知的或基于可用的測量設備能簡單確定，則裂紋檢測時的易出錯性因而可被再次降低，其做法是將晶界位置信息如上所述地用在本發明方法中。
[0085]用于建立預測模型或執行裂紋檢測的學習算法可以是本身已知的學習算法。尤其是，神經原網或貝葉斯分類器或核心機的使用在本發明范圍內。 申請人:的研究表明，使用支持向量機算法是尤其有利的，其依據是該支持向量機為了完成分類任務而確定用于劃分“開裂”類和“未開裂”類的特征描述的最佳超平面。由此得到顯著優點，因為劃分面最好在類之間。不在類界上的特征描述對邊界走向沒有不利影響。為了能通過劃分面完成分類任務，數據通過所謂“核心技巧”映射到一高維度空間。該做法本身是已知的且例如在Bernhard Scholkopf.Alex Smola 的“Learning with Kernels:Support Vector Machines, Regularization, Optimization, and Beyond”(“適應性計算和機器學習”，MIT 出版社，劍橋，MA, 2002, ISBN0-262-19475-9)中有描述。
[0086]如上所述，借助學習算法，在描述符特征表述和在某個局部點上是否有裂紋的已知信息之間的關系被用于形成該預測模型。隨后，可結合預測模型在裂紋檢測時將未知的圖像部分或為此構成的描述符分類為裂紋或無裂紋。[0087]在本發明的裂紋檢測方法中如上所述有利的是在方法步驟E中執行裂紋重建。此時，可以基于在所關注的檢查區內的相應檢查點周圍區域的結構特性來重建裂紋結構。屬于裂紋的局部點的結構特性此時與不屬于裂紋的結構特性分界開。結構特性在此情況下可以是位置、密度值、梯度和濾波器響應。
[0088] 申請人:的研究已經表明，有利地在假定裂紋的星形或線性結構情況下進行圖案識別。
[0089]尤其有利的是，在線性或星形裂紋情況下如此設計重建，即，首先最好如以上在關鍵點搜尋描述時所述的那樣確定一個裂紋中心，并且限定作為檢查區的中心點。
[0090]隨后，抽取該檢查區測量點的結構特性。關鍵點周圍的測量點的描述與根據本身已知的圖案識別手段的星形圖案的一對應點的描述進行比較。顯示出與星形圖案的區域相似的結構例如方位的結構因此高概率地屬于裂紋并因而能評定為屬于裂紋。為了計算結構特性的相似性，可以有利地實現附加加權，例如通過各局部點密度值、梯度或相應的濾波器響應。在非常相似的情況下判斷局部點是否屬于裂紋。該判斷例如可以利用本身已知的基于裂紋中心的遲滯方法來完成。
[0091] 申請人:的研究表明，結構的方位和密度尤其適用于描述結構特性。
[0092]在這里，為了計算方位，利用上述各向異性的條形圖濾波器在不同方位上的過濾也被證明是有利的。此時有利的是，采用最大濾波器響應及其方位作為結構信息。
【專利附圖】

【附圖說明】
[0093]以下將結合實施例和附圖描述本發明的其它特征和優選實施方式，圖中:
[0094]圖1在分圖a)中示出了大致居中有裂紋的多晶硅晶片的光致發光圖片，其中，在分圖b)中繪制出裂紋周圍區域的局部放大圖；
[0095]圖2是將條形圖濾波器用于包含裂紋的區域時的最大濾波器響應的視圖；
[0096]圖3在分圖a)中示出了未整平的裂紋周圍方位直方圖并在分圖b)中示出了整平后的方位直方圖；
[0097]圖4示出了裂紋重建結果。
【具體實施方式】
[0098]結合附圖來描述根據本發明的提供用于裂紋檢測的預測模型的方法和根據本發明的裂紋檢測方法的實施例。
[0099]多晶硅晶片作為參照半導體結構，其大致呈方形，其具有約15.6cm邊長和約180 μ m厚度。這種多晶硅晶片是制造光伏太陽能電池用的典型原材料。
[0100]為了作為參照半導體結構形成該半導體結構，利用自動沖擊裝置大致居中地將一個金屬尖即所謂的沖尖從規定落差高度掉落到半導體結構上，從而形成裂紋并且還知道了幾何位置即與金屬尖在晶片上的撞擊點重合的裂紋中心的X坐標和Y坐標。
[0101]在方法步驟A中提供如此制備的參照半導體結構。另外，如上所述知道了裂紋中心的地點坐標并且因而在方法步驟B中作為裂紋數據來提供。
[0102]在方法步驟C中，進行參照半導體結構的空間分辨測量。此時，采用本身已知的用于光致發光測量的設備:通過利用電磁輻照的半導體光學激發來產生電子穴對。因為重組過程，由參照半導體結構發出光致發光，其被硅CCD攝像機空間分辨測量。因此，作為方法步驟C的結果，對于許多呈網狀分散于參照半導體結構表面的測量點，分別存在一個測量值，該測量值對應于針對這些測量點所求出的光致發光的強度或至少與強度相關聯。
[0103]測量結果如圖1a所示。清楚看到(1024X1024)個點的高空間分辨率。最初大致居中看到星形裂紋結構。裂紋結構周圍區域用黑色矩形標示。圖1b示出該矩形的局部放大圖，在矩形中該裂紋結構(在所畫的黑圓圈內)清晰可見。
[0104]但圖1a和Ib也示出多個其它結構具有相似的測量值，因而對用于結合測量信號將對應于裂紋的測量點與其余測量點區分開的方法提出嚴格要求。
[0105]因而，在本發明方法的該實施例中，在方法步驟D中借助結合在方法步驟C中確定的空間分辨測量數據和在步驟B中提供的裂紋數據的學習算法訓練來建立一預測模型:
[0106]此時可行的是，如上所述地針對每個測量點分別建立一個描述符并且隨后訓練該學習算法。
[0107]但在此所述的實施例中，首先進行潛在裂紋中心的檢測以搜尋關鍵點，從而顯著限制了處理持續時間和處理成本，因為只對關鍵點進行后續步驟。
[0108]在此情況下原則上可采用上述方法來搜尋關鍵點(所謂興趣點Ρ0Ι)。但 申請人:的研究表明，因為裂紋具有星形結構，故使用各向異性條形圖濾波器搜尋關鍵點是尤其有利的。在本實施例中采用各向異性高斯濾波器的二階導數。該濾波器按照不同方位取向來建立，在此是按照這樣的方位取向:
【權利要求】
1.一種用于提供用于在半導體結構上的裂紋檢測的預測模型的方法，所述半導體結構是光伏太陽能電池、制造過程中的光伏太陽能電池的前級物，尤其是用于制造太陽能電池的半導體材料， 該方法包括以下方法步驟: A.提供參照半導體結構，該參照半導體結構具有至少一個裂紋； B.提供關于所述至少一個裂紋的裂紋數據，該裂紋數據包含與裂紋在該參照半導體結構上的位置有關的幾何位置數據； C.通過空間分辨式測量在半導體結構中所產生的光致發光的多個局部測量點和/或通過空間分辨測量該半導體結構的IR吸收來空間分辨測量該參照半導體結構，和 D.通過依據在方法步驟C中求出的空間分辨的測量數據并且依據在方法步驟B中提供的裂紋數據進行學習算法的訓練來建立預測模型，其中，該學習算法的訓練包括以下方法步驟: Dl.通過下述方式建立用于至少一個局部描述符點的至少一個描述符，即，針對該描述符點設定或者確定一個檢查區，并且依據該檢查區內的測量數據建立該描述符，該描述符是特征矢量和/或特征分布和/或特征直方圖，和 D2.利用該描述符號和該裂紋數據訓練該學習算法。
2.一種用于檢測在半 導體結構上的裂紋的方法，該半導體結構是光伏太陽能電池，制造過程中的光伏太陽能電池前級物，尤其是用于制造太陽能電池的半導體材料，該方法包括以下方法步驟: A.提供半導體結構； B.提供預測模型，該預測模型是通過學習算法的訓練來建立的，最好是根據權利要求1來建立的； C.通過空間分辨測量在半導體結構中所產生的光致發光的多個局部測量點和/或通過空間分辨測量該半導體結構的IR吸收來空間分辨測量該半導體結構； D.針對至少一個局部檢查點確定在該檢查點上是否有裂紋，包括以下的方法步驟: Dl.通過下述方式建立該檢查點的至少一個描述符，即，針對該檢查點設定或確定一個檢查區并且結合該檢查區內的測量數據建立該描述符，該描述符是特征矢量和/或特征分布和/或特征直方圖，和 D2.利用該描述符和預測模型來確定在該檢查點是否有裂紋。
3.根據權利要求2所述的方法，其特征在于，當根據方法步驟D檢測裂紋時，在方法步驟E內按照求出裂紋特性的幾何數據的方式進行裂紋重建。
4.根據權利要求3所述的方法，其特征在于，在方法步驟E中針對檢查點周圍的一個局部重建區域對于該重建區內的每個測量點確定出方位并且借助通過圖案識別手段的與星形圖案的相似性比較來確定對應于該裂紋的測量點。
5.根據前述權利要求之一所述的方法，其特征在于，在根據權利要求1的方法步驟Dl中該至少一個描述符點和/或在根據權利要求2的方法中該至少一個檢查點是利用關鍵點搜尋方法來確定的，最好根據SIFT方法、GLOH方法和/或SURF方法中的至少一個方法。
6.根據權利要求5所述的方法，其特征在于，該至少一個關鍵點的確定是利用能夠控制方位的濾波器來實現的，最好利用條形圖濾波器，該條形圖濾波器尤其采用高斯濾波器的導數，最好是二階導數。
7.根據前述權利要求之一所述的方法，其特征在于，在根據權利要求1和/或權利要求2的方法步驟Dl中的描述符是根據SIFT方法、GLOH方法、HOG方法、LESH方法和/或SURF方法中的至少一個方法來確定的，和/或 為了建立該描述符，使用可縮放且可轉動的濾波器的優選是條形圖濾波器的最大濾波器響應和方位。
8.根據權利要求7所述的方法，其特征在于，按照包含以下方法步驟的方式建立該描述符: Dl.1對于該檢查區的每個局部點，最好通過確定針對該檢查區的每個測量點的參量來確定幅度和方位，該參量進一步優選是用于各測量點的測量值的梯度或者用于各測量點的可控濾波器的最大濾波器響應和方位； Dl.2針對該檢查區的至少選定的關鍵點建立特征直方圖。
9.根據權利要求8所述的方法，其特征在于，還確定裂紋主方位，并且依據該裂紋主方位來修正該特征直方圖以獲得轉動恒定的特征直方圖。
10.根據權利要求8至9之一所述的方法，其特征在于，裂紋主方位在方法步驟Dl.1和Dl.2之間來確定，并且在方法步驟Dl.2中該特征直方圖是通過根據GLOH和/或SIFT和/或GLOH或SIFT的變型方案的掃描算法來掃描該檢查區內的測量點來實現的。
11.根據前述權利要求之一所述的方法，其特征在于，按照包括以下方法步驟的方式在根據權利要求1和/或權利要求2的方法步驟Dl中確定該檢查區: 根據權利要求5至6之一確定至少一個局部關鍵點， 結合在關鍵點周圍的檢查區的預定幾何延伸尺寸來確定該檢查區內的測量點，按照優選方式結合其中心點是該關鍵點的矩形、橢圓形或圓形的檢查區的預定幾何延伸尺寸來確定該檢查區內的測量點。
12.根據前述權利要求之一所述的方法，其特征在于，晶界的幾何位置作為半導體結構內的晶界數據來設定和/或借助空間分辨測量方法來確定，并且 如此依據晶界數據來進行加權， -在根據權利要求5的關鍵點確定時，位于晶界上的局部點不被選作關鍵點，或者在確定關鍵點時對位于晶界上的局部點賦予比其余局部點低的權重，和/或 -在根據權利要求1和/或權利要求2的方法步驟D中的描述符建立時，不考慮位于晶界上的局部點，或者以比其余局部點低的權重考慮位于晶界上的局部點，和/或 -在根據權利要求3的裂紋重建時，不考慮位于晶界上的局部點或者以比其余局部點低的權重來考慮位于晶界上的局部點。
13.根據前述權利要求之一所述的方法，其特征在于，該學習算法是神經原網或貝葉斯分類器或基于核心機的學習算法尤其優選是支持向量機算法。
14.一種用于在半導體結構上檢測裂紋的裝置，該半導體結構是光伏太陽能電池或在制造過程中的光伏太陽能電池的前級物，包含半導體原材料， 該裝置包括用于空間分辨測量在半導體結構中產生的光致發光和/或空間分辨測量該半導體結構的IR吸收的測量單元和用于結合由該測量單元所確定的空間分辨測量數據來檢測裂紋的分析單元，其特征在于，該分析單元被構造用于根據權利要求2至13之一進行裂紋檢測。`
【文檔編號】G01N21/95GK103733322SQ201280038885
【公開日】2014年4月16日 申請日期:2012年6月15日 優先權日:2011年6月17日
【發明者】馬西亞斯·德瑪, S·瑞恩, 喬納斯·克里施 申請人:弗勞恩霍弗實用研究促進協會, 弗賴堡阿爾伯特-路德維格大學