2021年2月2日(星期二
欧共体资助的oled太阳能项目, 旨在开发创新的制造工艺和在线监测技术，以检测太阳能电池板的缺陷, 在OLED和薄膜光伏生产的各个阶段实现了在线检测和质量控制的里程碑.
在项目的这一方面，365游戏平台与其他联盟成员IRIS合作, 萨尔, 弗劳恩霍夫, VTT和LEITAT开发各种检测技术及其相关软件.
联盟成员, Brunel根据早期任务中生成的数据开发了机器学习算法，以实现缺陷检测过程的自动化.
来评估他们的表现, 检测系统和软件已由几个最终用户对特定材料进行了验证.
这些经过验证的检查系统和软件现在已经准备好在适用的地方在线实施, 选择进一步优化和微调，最终与生产线集成.
下面更详细地说明了这项工作中承担的各项任务.
IRIS开发了一种基于光谱反射率法的在线光学检测系统和相关软件, 如 图1. 开发了相关的分析算法，并执行/外包了从最终用户(DTF和ASPF)收到的薄膜样品材料的光学表征。. 从实验室系统得到满意的结果，如图所示 图2.
图1. 实验室光学检测系统
图2. 最终用户(DTF)对不同双层薄膜光谱反射率信号的满意结果
365游戏平台主导的用于薄膜光伏质量控制措施的无损检测技术. 研制了一种暗锁定热成像(DLIT)检测系统及相关软件. 对DLIT系统进行了验证, 可以在VTT的薄膜样品上检测到打印缺陷和导体材料打印质量的变化. 在365游戏平台开发的DLIT设置显示在 图3. 划痕样品所产生的振幅显示在 图4 划痕的位置显示为热点，使用DLIT系统可以清楚地识别.
图3.365游戏平台开发了暗锁定热成像(DLIT)系统
图4. 划伤了VTT样本和振幅图像
与此同时, 萨尔开发了基于拉曼光谱和光致发光(PL)方法的检测系统和软件，以估计成分和预期性能. 在Solibro和TNO的CIGS样品上测试了两个系统和软件, 取得有希望的成果. 建立了拉曼光谱和光致发光(PL)概念的证明. PL测量实验室演示器的实际实现如图5和图6所示.
图5. PL测量的实验室演示器
图6. :实验室演示机最终PL结果
弗劳恩霍夫开发了一种基于高光谱成像(HSI)测量的在线检测系统，用于确定阻挡膜的阻挡性能, e.g.，水蒸气透过率(WVTR). 如图7所示, 利用HIS测量了大量阻挡膜的阻挡性能(WVTR和针孔密度), 然后应用机器学习方法，从高光谱测量中预测势垒膜的势垒特性. 图8 通过对所研究箔的预测WVTR和实测WVTR的比较，显示了匹配.
图7. 用HIS预测屏障膜WVTR的方法
图8. 实测WVTR与预测WVTR比较
VTT开发了在线光学测量系统和采集软件，用于质量控制，使用线扫描相机和千分尺级的寄存器精度测量系统. 图9 和 图10 显示了在VTT的缫丝机和MAXI R2R导线上实现的线扫描摄像机和寄存器摄像机.
图9. 线扫描摄像头和准位摄像头在卷取机上实现
图10. 在MAXI先导印刷线上实现的准位相机
LEITAT开发了一种柔性衬底上导电薄膜的弯曲测试装置. 该疲劳测试系统已在弗劳恩霍夫提供的OLED样品和ASPF提供的OPV样品上进行了验证, 有多达一千次循环检查疲劳效果. 图11 显示了OLED和OPV样品疲劳测试的弯曲测试，以及疲劳测试期间测量的IV曲线.
图11. OLED和OPV样品的疲劳测试
BUL利用机器学习和计算机视觉技术开发了自动缺陷检测算法. 这些方法已经使用Solibro(机器学习)和VTT(计算机视觉)提供的光学图像进行了验证。. 机器学习方法成功地自动化了不同类型缺陷的检测:
- Solibro -光学吸收层检查- CIGS表面寻找局部不均匀性的光学检查
- VTT -打印样品光学检测数据异常
图12 展示了基于机器学习和计算机视觉技术的CIGS和印刷薄膜缺陷自动检测的成功.
图12. 基于机器学习的薄膜缺陷检测
OLEDSOLAR项目获得了欧盟地平线2020研究和创新计划的资助，资助协议编号为820789