Defect Detection And Classification Of Silicon Solar Wafer Featuring Nir Imaging And Improved Niblack Segmentation
Menghasilkan tenaga yang boleh diperbaharui berkuantiti tinggi memerlukan kecekapan yang tinggi dalam fabrikasi produk wafer silikon, yang juga merupakan komponen asas panel solar. Oleh yang demikian, pemeriksaan kualiti yang tinggi untuk wafer solar semasa proses pengeluaran sangat penting. Dala...
Saved in:
| Main Author: | |
|---|---|
| Format: | Thesis |
| Language: | English |
| Published: |
2016
|
| Subjects: | |
| Online Access: | http://eprints.usm.my/41026/1/Defect_Detection_And_Classification_Of_Silicon_Solar_Wafer_Featuring_Nir_Imaging_And_Improved_Niblack_Segmentation.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Menghasilkan tenaga yang boleh diperbaharui berkuantiti tinggi memerlukan
kecekapan yang tinggi dalam fabrikasi produk wafer silikon, yang juga merupakan
komponen asas panel solar. Oleh yang demikian, pemeriksaan kualiti yang tinggi
untuk wafer solar semasa proses pengeluaran sangat penting. Dalam tesis ini, sistem
pengesanan kecacatan yang cekap dan automatik menggunakan strategi pengelasan
dan kelompok termaju telah dicadangkan. Dalam kajian ini, satu skema mesin
penglihatan untuk mengesan keretakan mikro dan kecacatan-kecacatan yang lain
dalam pembuatan polihabluran dan mono kristal wafer solar dicadangkan dan
dibangunkan. Pemeriksaan retak mikro sangat mencabar kerana kecacatan ini sangat
kecil dan tidak boleh dilihat dengan mata kasar. Kewujudan struktur heterogenus
yang lain dalam wafer solar seperti bahan-bahan kasar dan kawasan gelap
menjadikan pemeriksaan lebih mencabar. Dalam tesis ini, sebuah inspektor retak
mikro yang mengandungi pencahayaan inframerah yang dekat dan algoritma
segmentasi Niblack yang diperbaharui telah dicadangkan. Keputusan emperikal dan
visual menunjukkan ketepatan dan prestasi yang lebih baik dari segi angka merit
Pratt dan kaedah penilaian yang lain berbanding dengan formula pengambangan
Niblack yang sedia ada. Keputusan angka merit (FOM), ketepatan (ACC), pekali
kesamaan dadu (DSC) dan sensitiviti yang masing-masingnya sentiasa lebih tinggi
daripada 0.871, 99.35 %, 99.68 %, dan 99.75 % bagi imej-imej dalam kajian ini.
Sementara itu, satu set deskriptor bersepadanan dengan penerangan ciri-ciri bentuk
Fourier eliptik, diekstrak bagi setiap kecacatan yang telah dikesan, dan dinilai bagi
setiap kluster bagi tujuan pengelompokan dan pengelasan. Pengelasan
menggabungkan analisis ciri keamatan kecacatan, penggunaan tanpa pengawasan
kelompok purata-k dan pelbagai kelas algoritma SVM. Kaedah-kaedah ini telah
digunakan untuk pengesanan, pengelompokan dan klasifikasi imej wafer solar
polihabluran, bersepadanan dengan kecacatan seperti keretakan mikro, kekotoran,
dan cap jari. Keputusan kajian menunjukkan bahawa kaedah purata-k dan
penklasifikasi SVM mampu mengelompok dengan tepat kecacatan-kecacatan
tersebut dengan ketepatan, indeks Rand, dan Bayang indeks dengan nilai purata
masing-masing sebanyak 99.8 %, 99.788 %, dan 98.43 %.
________________________________________________________________________________________________________________________
Producing a high yield of renewable energy requires a high efficiency in
product fabrication of silicon wafers, which is the basic building component of solar
panels. For this reason, the high quality inspection of solar wafers during the
procedures of production is very important. In this thesis, an automatic and efficient
defect detection system, utilising advanced classification and clustering strategies are
proposed. In this study a machine vision scheme for detecting micro-cracks and other
defects in polycrystalline and monocrystalline solar wafer manufacturing is proposed
and developed. Micro-crack inspection is very challenging, because this type of
defect is very small and completely invisible to the naked eye. The presence of other
heterogeneous structures in solar wafers like grainy materials and dark regions
further complicates the problem. In this study an efficient micro-crack inspector
comprising near infrared illumination and an improved Niblack segmentation
algorithm is proposed. Empirical and visual results demonstrate that the proposed
solutions are competitive when compared to existing Niblack thresholding formulas
and other standard methods, and achieve better precision and performance in terms
of Pratt’s figure of merit and other evaluation methods. Result in a figure of merit
(FOM), accuracy (ACC), dice similarity coefficient (DSC), and sensitivity were
consistently higher than 0.871, 99.35 %, 99.68 %, and 99.75 %, respectively, for all
images tested in this study. Meanwhile, a set of descriptors corresponding to Elliptic
Fourier Features shape description is extracted for each defect and is evaluated for
each cluster to use for clustering and classification part. The classification combines
the analysis of defect intensity features, the application of unsupervised k-mean
clustering and multi-class SVM algorithms. The methods have been applied for
detecting, clustering and classification polycrystalline solar wafer images,
corresponding to defects such as micro cracks, stain, and fingerprints. Results
indicate that the k-mean and SVM classifier can accurately cluster the defects with
accuracy, Rand index, and Silhouette index averaging at 99.8 %, 99.788 %, and
98.43 %, respectively.
|
|---|