title of the presentation · wafer image image processed image size distribution good1 1 10 100...

康耐视视觉系统：我们在太阳能电池中的使命

2011年9月21日 –丁正勇

演讲方：

演讲人：丁正勇职务：培训讲师

电子邮箱：[email protected]

电话：中国

地点：上海

mailto:[email protected]

今日议程

• 机器视觉以及典型的视觉应用• 机器视觉解决的生产问题

• 机器视觉在生产设备及工厂中的优势

• 太阳能产业中的机器视觉• 基于晶片的应用

• 引导及对准

• 检查及缺陷检测

• 薄膜PV模块应用

• 引导、对准以及检查

• 可追溯性

• 案例分析

今日议程


• 机器视觉在生产设备及工厂中的优势


• 引导及对准

• 检查以及缺陷检测



• 可追溯性

• 案例分析

通讯向其它设备

发送决策指令元件：良好#边线断裂：0

何为机器视觉？

机器视觉不仅仅是捕捉图片„ „更是对图像进行评测并采取措施！

照明使你的产品元件达到最佳

视觉效果的技术图像采集相机捕捉图片

视觉工具图像评估

机器视觉系统的构成

视野你看到的内容

机器视觉能为你做什么？

引导检查测量鉴别• 自动生产

• 灵活

• 改善品质及成品率

• 100%检查– 完整性– 正确位置– 品质– 流程控制

• 精确、快速、非接触式测量

• 读取代码、字符或通过颜色、形状或组件进行识别。

• 控制物流流向、可以进行追溯、收集重要数据

• 精确尺寸计算• 自动化测量以及数据记录

• 确保精确的公差要求• 直径、间隙、轴衬、螺纹等

等

测量元件测量

测量：测量元件

• 精确尺寸计算• 自动化测量以及数据记录

• 确保精确的公差要求• 直径、间隙、轴衬、螺纹等等

• 完整性• 填充水平

• 特征

• 装配校验

• 品质• 缺陷检测

• 表面检查

• 污染

• 正确定位• 方位

• 歪斜

校验装配检查

电路板检查

• 医疗设备电路板的检查• 进行关键的测量

• 通过以太网将数据传送给西门子PLC

引导

• 机器人引导

• 将机器人引导至元件处进行拾取-放置• 向机器人提供X、Y、Θ

• 二维&三维拾取

• 无需固定&改善机器人的灵活性

• 对准&放置

• 引导&检查同时进行

定位元件

视觉引导机器人技术的应用

• 装货/卸货

• 在货盘上放置元件或取下元件

• 输送跟踪

• 定位输送器上未固定的元件，并放入包装盒当中

• 部件组装

• 定位未固定的元件并与其它组件进行装配

• 机器人检查

• 使用机器人操纵元件或相机来检查元件的关键特征

康耐视工具的功效

未对焦

180°旋转反极性

遮挡

大小变化 &

暗淡照明

背景模糊

在最具挑战性环境下的高准确性、高速元件定位

标准元件

行业领先的PatMax®技术

与机器人集成的优势

• 易于使用的优点简单的基于向导的校准界面…

• 易于从像素转换成机器人坐标，方便机器人技术的应用

• 易于部署基本的测量应用

• 非线性校准的优点非线性校准校正…

• 补偿光学畸变、保证高精度的测量

• 补偿透视畸变、确保偏轴放置相机（可至45度）也可准确测量

非线性校准

非线性校准：为什么需要？

畸变镜头造成的

未畸变非线性校准之后

1. 纠正镜头造成的光学畸变（称之为桶形畸变或者径向畸变）

非线性校准：为什么需要？1. 纠正镜头造成的光学畸变（称之为桶形畸变或者径向畸变）

2. 纠正因相机未与检测面垂直放置造成的透视畸变

畸变相机偏轴放置45度

未畸变非线性校准之后

简便机器人集成的优势

• 易于集成到你选择的机器人系统中• ABB

• Denso

• Fanuc

• Kuka

• Mitsubishi

• Motoman

• Staubli

• 简便的设置

视觉系统的通讯？

• 机器人&移动控制器• 为机器人提供元件的位置

• PLCs• 触发视觉系统进行检测、变换工作、在线等等

• 提供检查数据以及通过/未通过结果

• 内置串行通信标准的出厂层协议：

• 以太网/IP、PROFINET、Modbus TCP（工业以太网）

• 预设置以及用户定义的RS-232和RS-495（串口）

• DeviceNet、PROFIBUS、CC-Link（Fieldbus网络）

• OPC、ActiveX控制（用于HMIs（人机界面））

• TCP/IP、FTP、Telnet、SMTP（标准以太网）

• 读取代码• 条型码&二维矩阵

• 标签&直接元件标志(DPM)

• 读取字符• 字符验证/字符识别（OCR

/ OCV）

• 识别型号• 根据颜色、形状等作装配

1 2

3 4

识别元件识别

PV电池技术趋势

• 传统基于硅晶片的PV电池生产• 快速扩大传统的基于硅晶片PV电池的产能

• 主要依靠在品质及价格上的区分

• 成熟的工艺制程以及设备标准

• 薄膜PV电池&各部门生产• 快速扩大薄膜PV模块生产

• 大大改善流程，增加产量并提高成品率

• 现多数的晶圆厂应用组合出售模式之生产线的解决方案

• 新兴的PV电池技术• 新PV技术的创新爆发

• 潜在的规则变化驱动成本降低

• 由于不同的材料、基材以及制程工艺而缺乏标准设备

PV电池技术总述

Source: Yole Développement

基于硅晶片的PV电池技术依然领先！

今日议程


• 机器视觉在生产设备及工厂中优势


• 引导及对准




• 可追溯性

• 案例分析

基于晶片PV电池的价值链

• 现今80%的PV是晶片形式，而非薄膜

• 近年来，规模化生产是关键

• 现在，产量已经得到了增加，硅缺乏已不是问题，而质量更重要

锭 / 块生产晶片生产电池生产模块组装

锭 / 块生产锭/块生产晶片生产电池生产

锭/块生产中（I）的机器视觉

• 测量硅晶体的生长

• 测量单晶直径

• 弯月面追踪

• 测量直径

• 锭检查

模块组装

锭 / 块生产（II）锭/块生产晶片生产电池生产

锭/块生产中（II）的机器视觉

多晶分级

• 需要确认在晶体外观、晶片良率以及电池效率之间的关系

模块组装

用于裸晶片的机器视觉

1. 对准

• 在此次以及整个生产过程中使用

2. 酸扩散：检测酸槽内液体的溢出

• 酸蚀刻的前端溢出3. 小孔4. 微裂

• 开裂• 部分开裂• 需要IR照明• 其它检查方案：声波等

裸晶生产中（I）的机器视觉

锭/块生产晶片生产电池生产模块组装

晶片生产

1. 边线缺陷：• 边缘裂纹

• 边缘破片

2. 锯齿形记号

3. 网状图案

4. 纹理

裸晶生产中（II）的机器视觉


1. 边线缺陷检查（I）

边缘裂纹

边缘破片


边线缺陷检查（II）

照明 –散射的背光


边线缺陷检查（III）

原始晶片图像

…背光成像

用VisionPro/PatInspect/Blob处理后


2. 切锯检查

照明 –暗场照明

暗场照明时切割痕迹可见


3. 网状图案检查（I）

照明 –散射前照明


网状图案检查（II）

Good Part Bad Part (Mesh)

Wafer Image

Image Processed Image

Size Distribution Good1

1

10

100

10.0 100.0

Grain Size

Number

of Gra

ins

Mesh 1

1

10

100

10.0 100.0

Grain Size

Number

of Gra

ins

Number of grains 150 187

Average grain size 120 94

Auto Correlation

第一步：定位晶片

第二步：图像处理以分离颗粒

第三步：数据分析


网状图案检查（III）

数据分析


PV电池生产锭/块生产晶片生产电池生产

表面清洁湿法清洁

纹理湿法表面刻蚀等离子体（R&D）

PN结生成磷扩散

PSG去除湿台PECVD

边线分离湿法刻蚀等离子刻蚀激光切割

防反射涂层PECVD

溅射

前接触沉积丝网印刷（SP）SP + 电镀喷射（R&D）

去除锯形损伤湿表面刻蚀

后接触沉积丝网印刷

烘烤红外带

晶体硅电池生产过程

晶体测试&分级

模块组装

来源：Yole Développement

用于PV电池生产的机器视觉

• 污点以及污染• 防反射涂层检查

• 厚度• 颜色一致性

• 镀金：对准以及检查• 在镀金之前进行裂纹检查是十分重要的

• 沉积对晶片表面施加压力

• 需要精确的对准进行精细间距焊料追踪• 同样总线对准以及后部印刷

• 焊料迹检查• 栅线必须平行并正确• 检测断裂或焊料过多

视觉应用锭/块生产晶片生产电池生产模块组装

晶片清洁&刻蚀掺杂&分离钝化&电弧沉

积

模块组装接触印刷&干

燥烘烤检查&分级

视觉应用

PV电池生产中的机器视觉


视觉应用

掺杂剂

使用三氯氧化磷掺杂剂来使前后导电表面绝缘

• 视觉应用：为对准机器人提供位置信息。

• 视觉应用：检查电池缺陷（上下颠倒、裂缝等等），以便在涂掺杂剂之前去除不合格品

晶片清洁&刻蚀掺杂&分离


视觉应用


积

涂层

蓝色氮化硅防反射涂层应用在电池上

• 视觉应用：检查颜色一致性（都是蓝颜色）

• 视觉应用：检查氮化硅层的厚度（防反射涂层）


颜色一致性检查



积

接触印刷&干燥

在丝网印刷过程当中，银导电胶被涂在太阳能电池的前部。铝-银胶则被涂在电池的背部。

• 视觉应用：将电池放入正确的位置进行丝网印刷或“贴花”处理。

• 视觉应用：检查电池前端以及背部的印刷对准情况——确认栅线连续（没

有断裂），栅线之间的距离一致，栅线相互平行并且栅线宽不变——以便产生最大的功率。

导电油墨

视觉应用

生产步骤受益最多！


焊料痕迹检查

总线检测

边缘碎裂

边缘分离


视觉应用

栅线检查


视觉应用

边缘破片检测


视觉应用

总线检测


切开的凹槽将电池的前部与后部分开。

来源：Coherent

• 沿着晶片边线用激光切开一条凹槽，将发射器与电池背部分开。

• 要使活性区域最大，这样电池效率最高，凹槽必须尽可能靠近电池边线。

视觉应用：激光边线分离


视觉应用

小孔检测


视觉应用

背部印刷检测


太阳能电池生产中的其它视觉应用

• 晶片上的印刷检测

• 栅线以及总线连续性检查

• 小孔以及开裂

• 厚度变化影响背部突出以及总线


一些其它应用

• 中心箔导电线检查

• 确保总线不接触激光刻蚀的划线，以防止短路

• 确保面板边线的条带重合

• 总线检查


条带图案的缺陷检测

检查物体

• 条带图案是检查目标，需要满足下列条件：• 每条线的宽度以及线条之间的宽度大于3个像素。

• 在线条以及背景之间有足够的对比度

• 线条的颜色（亮度）近乎均匀。

• 线条是直线，彼此不相互交叉。


边线检测

边线检测箭头

• 在检测线上寻找边线（亮度发生改变的点）• 两条检测线检测的边线所提供的位置信息• 每条检测线需要检测相同数量的线条• 相同数量的线条作为用户输入的参数设置


缺陷检测

缺陷

缺陷检测线

检查区域

• 根据检测的线条的位置信息，为每条线生成一条缺陷检测线。

• 检查区域位于两条线区域之间，缺陷检测线在检查区域内生成。

• 缺陷检测线上发现的第一个边线从暗到明，从检测线的起点直到边线位置被认为是缺陷。

• 同样适用于检测线的最后边线及终点之间的区域。


缺陷检查

• 缺陷尺寸• 在两端检测到的边线之间的距离被认为是缺陷尺寸

• 如果缺陷尺寸大于阈值，则认为是不合格。

• 总的缺陷数• 如果总的检测到的缺陷数大于阈值，则是不合格。

• 每条线的缺陷数• 如果每条线上检测到的缺陷数大于阈值，则认为是不合格。

• 有缺陷的线条数• 如果有大量缺陷的线条数超过指定的上限，则是不合格。


结果输出屏幕

•有助于识别电池中的缺陷


基于晶片的流程

Wafer Based process

打标/制线

• 自动中心机制采用一套视觉系统；该项创新将机械接触减小到最低程度，因此保留了电池的完整性及品质


各部门组装中（I）的机器视觉

来源：2BG

• 检查表面的缺陷例如太阳能电池边线或者凹槽中的细微的缺陷，并检查线条的连续性及是否正确组装

视觉应用

• 确认并验证提供前后接触的6个点的位置

• 确认螺丝位于铝框的正确位置

• 检查电气接触的焊料连接是否存在

• 正确地将电气模块放入面板内

• 在完成的模块内确认电池间隔一致性

• 读取二维代码以便在生产及野外期间太阳能面板作跟踪

各部门组装中（II）的机器视觉


薄膜PV模块的价值链

以模块的形式直接沉积活性层

原料：化合物，气体

将模块整合到系统中

玻璃

•在基于晶片的价值链中，太阳能电池及各制造商可能是不同的公司。

•在薄膜价值链中，电池制造商就是单个的模块制造商。


基于a-Si以及a-Si/µ-Si的PV电池流程图

前接触（TCO）沉积溅射LPCVD

边线分离激光

活性层沉积PECVD

VHF PECVD

HWCVD（R&D）划线 1

激光

封装叠合

划线 2

激光

背接触（TCO）沉积溅射

划线 3

激光

a-Si以及a-Si/µ-Si 电池生产流程

清洁过的玻璃


基于薄膜玻璃的面板以及锡传感器检查

• 中心箔导电线检查

• 确保总线不接触激光刻蚀划线，以防止发生短路

• 确保面板边线上的条带重合

• 总线检查

• 锡传感器 –空气侧与锡侧的区别以进行流动玻璃检测

基于混合物的（CIS/CIGS）PV 电池工艺流程图

Mo沉积后接触物理气相沉积（PVD）

活性层沉积共气化

划线激光

互连及封装叠合

CdS 沉积化学浴沉积（CBD）物理气相沉积（PVD）

划线机械激光基于混合物的

（CIS/CIGS）PV 电池生产流程

清洁玻璃或者塑料卷

TCO 沉积中间层以及前接触溅射

划线机械激光

溅射喷射印刷电沉积

活化退火、硫化退火RTA

来源： Yole Développement

刻蚀在玻璃上的二维代码

来源：Würth Solar GmbH & Co. KG

• 每隔几个生产步骤记录质量数据

• 采用数据矩阵代码来确保每片都被正确地进行了处理

无缝的品质保证要求通过数据矩阵代码识别方式在生产过程中对玻璃板进行追踪。

太阳能行业的可追溯性

• 实行无缝的数据跟踪

• 提高生产率并优化产品质量

• 在流程中每个阶段收集质量数据

• 采用光学数据矩阵代码识别技术，生产过程中每三到四步记录质量数据

• 玻璃上的激光数据矩阵代码的真正困难是刻蚀图案与周围材料表面之间的对比度比较低

• 康耐视读码器可以检测复杂表面上难以读取的代码并进行解码，过程中读取距离超过2米

玻璃面板上数据矩阵代码的样品图像

太阳能面板上较差刻蚀的标记

低对比度玻璃上的刻蚀

元件可追溯性直接元件标志（DPM）

元件可追溯性：记录组成成品的元件以及组件

目标是提供原始信息使数据可见，以便：

• 增加生产量并降低成本，通过：

实行围堵策略

执行纠错方法

监控流程控制

更好地管理库存（WIP以及成品）

量化工厂中的问题区域（即瓶颈等）

量化质量控制

• 增加附加值，降低供应链中的支持/服务成本，通过：

改善资产跟踪

实行元件真实性服务及解决方案

提供设备水平的数据以驱动良好的质保、修理、维修以及支持解决方案

基于CdTe的PV电池工艺流程图

Mo沉积后接触

活动层沉积PVD

密闭空间升华大气压力 CVD

蒸汽传输沉积（首个太阳能电池专利）

划线激光

互连及封装叠合

CdS 沉积化学浴沉积（CBD）物理气相沉积（PVD）

划线机械

基于CdTe的PV电池生产工艺

清洁玻璃

TCO 沉积中间层以及前接触溅射

划线机械

来源： Yole Développement

新兴PV技术

基于c-Si晶片（单晶以及多晶）

无定形（a-Si）

薄膜 Si 晶体

一前一后a-Si / Si晶体

CdTe

CIS / CIGS

III V

全有机

杂交

染料敏化

2009 2010 状态 2015 状态

大规模生产

大规模生产

大规模生产

大规模生产

大规模生产

大规模生产工业研究

集中器上的工业研究；电池的大规模生产

大规模生产

大规模生产工业研究以及试生

产

实验性研究工业研究以及试生产

大规模生产


今日议程


• 机器视觉在生产设备及工厂中优势


• 引导及对准




• 可追溯性

• 案例分析

采用机器视觉的公司类型包括：

• 太阳能设备（原厂）以及整套设备制造商• 丝网印刷机

• 激光划线/切割机器

• Tabbers以及Stringers

• 电池分级&测试设备

• 激光边线分离设备

• 组合出售的生产线供应商

• 一般自动化以及视觉供应商

• 最终用户PV电池以及模块制造商

三个案例分析

案例I：Würth Solar GmbH & Co. KG

问题提高成品率并连续改善工艺

挑战在多层铜/铟/硒太阳能电池上读取低对比度激光蚀刻代码

解决方案使用康耐视的In-Sight®ID读码器进行数据跟踪

优点无缝生产跟踪并提高了Würth生产工厂的产量

案例II：2BG（制表机器对准以及检查）问题

机械校准系统面临很大的校准挑战，因为直接的机械接触而导致电池损坏风险加大

挑战

在高反射表面导致的困难情况下可准确、重复对电池进行对准

解决方案采用康耐视的In-Sight 视觉系统构建一套自动中心机制及检查工作台

优点

机械接触减少，将表面缺陷最小化，对各种可能的缺陷改善了质量控制流程

案例III：Flovel（位于日本的相机制造商）

问题细小距离以及更加复杂的镀金金属

挑战

比现有的检查工作台能检测更加细微的缺陷

解决方案

开发了一套太阳能电池检查系统，结合了11兆像素区域扫描相机以及世界领先的康耐视视觉软件

优点

高级检查技术可以可靠地检测电路图案，100微米线宽时，70微米大小的缺陷，帮助Flovel取得明显的竞争优势。

在线质量控制

• 在整个生产线上多个点放置视觉系统

• 实时发现问题，实行流程改善

• 减少废料&对损坏的产品中止附加值

可靠的数据管理

• 视觉是高质量的数据来源• 追溯产品信息

• 度量产品质量

• 收集不合格产品数据

• 质量成本• 检查、减少缺陷及废料给一般制造商带来什么？

• 每百万个出现30,000个缺陷每100美元花费25到40美元

• 对于一家一千万美元、35%的净利润率的公司而言，就是160万到260万美元

• 使用视觉系统可以改善并消除废料

谢谢！

title of the presentation · wafer image image processed image size distribution good1 1 10 100...

Documents