Generative KI-Modelle und Transferlernen zur Daten- und Messtechnikoptimierung

Wir verfolgen innovative Ansätze zur Hochdurchsatzinspektion von Solarzellen. Elektrolumineszenz-Messungen lassen sich beschleunigen, indem die Probe in der Bewegung aufgenommen wird. Hier versagen die herkömmlichen Algorithmen zur Defekterkennung aufgrund der Bewegungsunschärfe in den Aufnahmen. Hierfür haben wir zwei Lösungsansätze entwickelt:

• Unsere generativen KI-Modelle sind in der Lage, die unscharfen Bilder zu korrigieren und die Defekte sichtbar zu machen. Die Modelle werden zunächst anhand synthetisierter Daten trainiert und dann auf die realen Messdaten transferiert. Trotz des verrauschten Signals gelingt die Rekonstruktion des Bildes, welches erst dadurch von Menschen bewertet werden kann.
• Die Defekte können sogar direkt in den unscharfen Aufnahmen durch unsere KI-Modelle erkannt werden. Dabei kommt unser Ansatz des »Smart Labelings« zum Einsatz, bei dem anhand von Referenzmessungen umfangreiche Daten mit Defektinformationen erhoben werden, insbesondere Serienwiderstandsdefekten (wie Fingerunterbrechungen) oder Defekten des Dunkelsättigungsstroms (wie Materialdefekte). Diese Informationen werden als Label zum Training der Detektionsmodelle genutzt.

Darüber hinaus entwickeln wir KI-Modelle, die die geometrische Analyse von gedruckten Strukturen auf mikroskopischer Ebene anhand vollflächiger Messungen in der Produktion ermöglichen. Mit Hilfe von Deep-Learning-Methoden werden aus optischen Inline-Bildern geometrische Parameter der Kontaktstrukturen auf den Solarzellen extrahiert, die für die Überwachung und Optimierung von Metallisierungstechnologien entscheidend sind. Insbesondere wird der Schattenwurf eines unter flachem Winkel einfallenden Lasers zuverlässig ausgewertet, um die Höhe der Strukturen zu bestimmen. Diese Technik ersetzt traditionelle, zeitaufwendige mikroskopische Messungen und ermöglicht eine schnelle und umfassende Qualitätskontrolle der gesamten Druckstruktur.