Generative KI-Modelle und Transferlernen zur Daten- und Messtechnikoptimierung

Generative KI-Modelle bieten das Potenzial, die Qualität von Messdaten wesentlich zu verbessern oder die Erzeugung simulierter Daten zu beschleunigen. Anhand einer umfangreichen Datenbasis lernen die Modelle, die Strukturen in den Daten aufgabenspezifisch zu verarbeiten. Wir trainieren für unsere Partner aus Messtechnik und Produktion generative Modelle, die beispielsweise die Auflösung der Messung erhöhen oder die Unschärfe in Bildern an bewegten Proben herausrechnen. Damit werden die Messungen und Simulationen beschleunigt, die Kosten für die Messsysteme reduziert oder selbst kleinste Strukturen in niedrig aufgelösten Messungen quantifiziert.

 

Defekterkennung in Messungen an der bewegten Probe

Defekterkennung
© Fraunhofer ISE
Links: Die Elektrolumineszenz-Messung an der bewegten Probe führt zu einer Bewegungsunschärfe im Bild.
Mitte: Das generative KI-Modell lernt, diese Unschärfe zu korrigieren.
Rechts: Das generative KI-Modell stellt die Defekte analog zur Referenz-Messung an der ruhenden Probe wieder her.

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.

Durch die Anwendung tiefer generativer KI-Modelle, sowie dem Smart Labeling Ansatz können die Herausforderungen der Bewegungsunschärfe überwunden werden. Unsere Verfahren erlauben eine schnelle Anpassung der Algorithmen auf die Fertigungslinien und Messsysteme unserer Kunden.

Vollflächige Analyse kleinster geometrischer Strukturen

Qualitätskarten
© Fraunhofer ISE
Aus den optischen Aufnahmen mit Schattenwurf kann mit unserem KI-Modell das Höhenprofil der Kontaktstrukturen vollflächig für die gesamte Probe ermittelt werden.

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.

Unsere FuE-Leistungen umfassen:

  • Entwicklung von Hochdurchsatz-Messverfahren durch die KI-basierte Optimierung von Messungen an der bewegten Probe:
    • Anwendungsbeispiel: Auswerteverfahren von »on-the-fly« Elektrolumineszenz-Messungen, die eine drastische Reduzierung der Messzeiten ermöglichen.
    • Entwicklung von KI-Modellen zur Defektidentifikation oder Strukturanalyse in verrauschten oder gering aufgelösten Messungen
      • Anwendungsbeispiel: Defekterkennung in unscharfen Elektrolumineszenz-Messungen aufgrund bewegter Probe
      • Anwendungsbeispiel: Geometrische Analyse von gedruckten Strukturen zur vollflächigen Druckcharakterisierung anhand von Produktionsdaten
    • Smart Labeling: Kundenspezifische Datenerzeugung mittels Smart-Labeling-Technik zur schnellen und präzisen Defektannotation basierend auf Referenzmessungen
    • Verbesserung der Bildqualität mit synthetischen Daten: Entwicklung von Methoden zur künstlichen Erzeugung von Bewegungsunschärfe und Kamerarauschen, um größere Datensätze für das Training von Defekterkennungsmodellen zu generieren

Weitere Informationen zu diesem Forschungsthema

Geschäftsfeldthema

Künstliche Intelligenz und Datenmanagement

Geschäftsfeld

Photovoltaik – Produktionstechnologie und Transfer