持久性特征检测

摘要

本文提出了用于对在产品制造期间导致的持久性或系统缺陷的改进检测的方法。具体地，该方法针对检测在光伏电池和模块的制造中系统性导致的缺陷。从多个所述产品获得图像，其中，每个图像属于每个所述产品上的基本相同的区域。结合所述图像以获得超级图像，由此增强系统缺陷并抑制诸如材质变化的随机特征。对所述超级图像进行处理以识别具有强信号或超过预定阈值的信号的区；且所述区被识别为表示所述产品中的系统特征。一旦识别出系统缺陷，即可采取措施来找出并纠正其原因。

说明书

技术领域

本发明涉及用于检测产品中由用于制造产品的一个或多个工艺阶段导致的系统缺陷的方法。开发本发明，主要用于检测系统工艺诱发的缺陷，诸如光伏晶片、光伏电池或光伏模块中的裂纹，然而将理解，本发明不限于该特定使用领域。

相关申请

本申请要求源自澳大利亚临时专利申请第2010903558号的优先权，将其内容结合于此供参考。

背景技术

提供对现有技术的以下讨论以将本发明置于合适的技术环境下且能使本发明的优点得到更充分的理解。然而，应理解，在整个说明书中对现有技术的任何讨论均不应被视为明确承认或暗示承认该现有技术是众所周知的或形成了本领域一般常识的一部分。

在用于批量生产诸如光伏电池等的产品的工艺中，可能存在系统制造误差而导致产品中的缺陷。例如，暂留在印刷丝网（print screen）上的一块异物可能会导致大量光伏电池中的诸如裂纹、划痕或污渍等的缺陷，直至其被检测出并除去为止。这些问题越早能被检测到并校正，经济影响就越小。

然而，不管被制造的产品类型，可能都很难区分工艺诱发的缺陷与产品材料中固有的特征。在例如光伏电池由多晶硅制成的环境下，且如日本专利申请第JP2007-067102A号中所述，对光学成像技术（通常包括可见光谱区或红外光谱区中的光反射或透射）而言，可能难以区分诸如污渍等的工艺诱发缺陷与多晶材料的晶粒或晶界。

光致发光（PL）成像作为一种方便且快捷的技术已被提出，用于评估馈入光伏电池生产线中的半导体材料的质量，并用于监控在其整个制造工艺以及到向前进入模块组装中的光伏电池，通常参见公布的PCT专利申请第WO2007/041758A1号、第WO2007/128060A1号、第WO2009/026661A1号、第WO2009/121133A1号、第WO2011/079353A1号和第WO2011/079354A1号。在对电接触进行印刷之后，另外或可替代地，可通过电激励（电致发光，EL）发光。特别地，已示出源自多晶硅或单晶硅的发光（PL和/或EL）来传递有关可能影响光伏电池的性能的多种材料和电气特性的信息，包括错位、原子杂质、夹杂物、分流、金属线接触电阻和裂纹。由于晶界同样影响负责荧光发射的电子-空穴重组，所以它们也可能表现在发光图像中。然而，在该大量信息中，可能难以将一种类型的特征与另一种区别开。图像处理算法在某种程度上是有用的，其基于不同类型的特征具有不同的维度模式的原理而工作，但这些算法通常无法区分工艺诱发缺陷与材料内在特征。类似困难也适用于包括光学（反射或透射）成像的其他表征技术。

发明内容

本发明的目的在于克服或改善现有技术中的至少一个缺点，或者提供一种有用的替代。本发明的优选形式的目的在于提供用于检测光伏电池生产线中的持久性工艺诱发影响的改进方法。

本发明的第一方面提供了一种用于检测在工艺线上制造的产品中的系统特征的方法，所述方法包括以下步骤：

（a）获取多个所述产品的图像，每个图像属于每个所述产品上的基本相同的区域；

（b）结合所述图像来获得超级图像；

（c）对所述超级图像进行处理以识别具有强信号的区；以及

（d）将所述区识别为表示所述产品中的系统特征。

本发明的第二方面提供了一种用于检测在工艺线上制造的产品中的系统特征的方法，所述方法包括以下步骤：

（a）获取多个所述产品的图像，每个图像属于每个所述产品上的基本相同的区域；

（b）结合所述图像以获得超级图像；

（c）对所述超级图像进行处理以识别具有强信号的区；

（d）将所述区与所述区域内的已知特征相比较；以及

（e）将所述区中的不与所述已知特征相对应的那些区识别为表示所述产品中的系统特征。

本发明的第三方面提供了一种用于检测在工艺线上制造的产品中的系统特征的方法，所述方法包括以下步骤：

（a）获取多个所述产品的图像，每个图像属于每个所述产品上的基本相同的区域；

（b）校正所述图像以去除所述区域中的已知特征；

（c）结合所校正的图像以获得超级图像；

（d）对所述超级图像进行处理以识别具有强信号的区；以及

（e）将所述区识别为表示所述产品中的系统特征。

本发明的第四方面提供了一种用于检测在工艺线上制造的产品中的工艺诱发缺陷的方法，所述方法包括以下步骤：

（a）获取多个所述产品的相应区域的图像；

（b）累积所述图像以生成累积图像；以及

（c）识别所述累积图像中超过预定阈值的信号，从而确定所述工艺诱发缺陷。

本发明的第五方面提供了一种用于检测在工艺线上制造的产品中的工艺诱发缺陷的方法，所述方法包括以下步骤：

（a）获取多个所述产品的相应区域的图像；

（b）累积所述图像以生成累积图像；

（c）识别所述累积图像中超过预定阈值的信号，从而确定一个或多个缺陷候选；以及

（d）从所述候选中排除任何已知特征，从而确定所述工艺诱发缺陷。

本发明的第六方面提供了一种用于检测在工艺线上制造的产品中的工艺诱发缺陷的方法，所述方法包括以下步骤：

（a）获取多个所述产品的相应区域的图像；

（b）通过去除每个所述图像中与任何已知特征相对应的信号来校正所述图像；

（c）累积所述图像以生成累积图像；以及

（d）识别所述累积图像中超过预定阈值的信号，从而确定所述工艺诱发缺陷。

本发明的第七方面提供了一种在用于制造产品的工艺线中用于检测在所述工艺线上制造的产品中的系统特征的方法，所述方法包括以下步骤：

（a）获取多个所述产品的图像，每个图像属于每个所述产品上的基本相同的区域；

（b）结合所述图像以获得超级图像；

（c）对所述超级图像进行处理以识别具有强信号的区；以及

（d）将所述区识别为表示所述产品中的系统特征。

本发明的第八方面提供了一种在用于制造产品的工艺线中用于检测在所述工艺线上制造的产品中的工艺诱发缺陷的方法，所述方法包括以下步骤：

（a）获取多个所述产品的相应区域的图像；

（b）累积所述图像以生成累积图像；以及

（c）识别所述累积图像中超过预定阈值的信号，从而确定所述工艺诱发缺陷。

第一至第八方面共享多个优先权。优选地，从产品的大致相同的相应区域获得图像。在一种实施方式中，所获得的图像属于工艺线中的相邻产品，随后对其图像进行结合或累积并进行分析。在另一实施方式中，所获得的图像属于工艺线中的3个、4个、5个、6个、7个、8个、9个、10个、15个、20个、25个、50个、100个、200个、300个、400个、500个或1,000个相邻产品，随后对其图像进行累积并进行分析。优选地，所述图像是一组“滚动”图像，是指当获得新图像时，从累积并分析的这组图像中提取第一次获得的图像。在另一实施方式中，当获得一组5个、10个或20个图像时，从累积并分析的这组图像中提取第一次获得的5个、10个或20个图像。在其他实施方式中，所获得的图像属于一种产品和随后生产的第三产品或者随后生产的第四、第五或第六产品。优选地，所获得的图像属于随后生产的第n产品；其中n是来自2、3、4、5、6、7、8、9、10等中的一个整数。在相关实施方式中，所获得的图像属于随后生产的第x产品；其中x是来自2、4、6、8、10等中的一个整数。在又一实施方式中，所获得的图像属于随机选择的产品。

将理解，所述图像包括至少一个信号，且更优选地，信号图。所述信号优选由产品的光致发光或电致发光产生，所述产品优选是光伏晶片、光伏电池或光伏模块。然而，将理解，光学（可见光谱区或红外光谱区中的反射或透射）成像同样可以产生图像/信号图。

将理解，已知特征（若存在）对于所评估的产品通常是内在或固有的，且可被认为是该产品的特征。这些固有特征或特性例如可选自由错位、原子杂质、夹杂物、分流、金属线、金属线接触电阻、裂纹、晶界、表面污渍等组成的组中的一个或多个，且可以是产品的期望方面（例如，光伏电池上的金属线）或不期望方面（例如，杂质富集区）。

工艺诱发特征或系统特征往往是裂纹、表面污渍、分流、不良电接触、中断电伴热等，且与固有特征的区别可在于这些工艺诱发特征或系统特征通常是不期望的。系统特征还可包括掺杂密度或载流子密度/寿命的横向变化，其可指示工艺步骤（诸如杂质吸除、SiN钝化、后表面金属化或炉加热）存在问题。

优选通过求和、求平均值或获得中间值的方式对所获得的图像进行结合或累积以生成累积图像或“超级图像”。累积图像或超级图像可包括对多个所获得的图像的逐个像素的比较，优选对来自每个图像的相应像素的强度的求和。也可要求在进行结合或累积之前，例如利用通过旋转和/或平移来轻微调整图像使图像对准，因为捕捉到的图像中将存在某些产品与产品之间的差异。为了阐述，产品在工艺线上的处理期间的轻微移动可能会导致图像彼此略微倾斜，并因此可能需要例如通过图像中的参考点对图像进行一些校正。累积或结合处理可包括根据对图像区域的期望值来监控统计差异。

在优选实施方式中，将累积图像或超级图像中的信号与预定阈值电平相比较，该预定阈值电平可通过多种方法确定，例如，作为在累积图像或超级图像中的平均信号电平以上的某一百分比或绝对偏移量。可替代地，所述阈值电平可由操作员设定。

优选地，所述方法在工艺线中的多个阶段执行，以识别所述工艺线中可能引入所述系统特征的阶段。所述产品优选是光伏晶片、光伏电池或光伏模块。更优选地，系统特征或工艺诱发特征是光伏晶片、光伏电池或光伏模块中的裂纹。优选地，对所述累积图像或超级图像进行进一步处理以确定平均信号电平、或远离具有强信号的所述区域的部分中的背景信号电平，且所述平均或背景信号电平用于预测所述光伏晶片、光伏电池或光伏模块的性能。

在优选形式中，所述方法还包括识别所述系统特征的类型或性质的步骤。所述方法还可包括采取措施来消除所述系统特征的工艺原因的步骤。

本发明的第九方面提供了一种装置，其用于实施根据第一至第八方面中的任一方面所述的方法。

本发明的第十方面提供了一种包括具有计算机可读程序代码的计算机可用介质的制造品，所述计算机可读程序代码被配置为实施根据第一至第八方面中的任一方面所述的方法，或者操作根据第九方面所述的装置。

附图说明

结合附图，根据后续对示例性实施方式和所附权利要求的描述，本发明的益处和优势对于本发明所涉及领域的技术人员而言将变得显而易见：

图1A和图1B分别示出了多晶硅晶片和单晶硅晶片的PL图像，示出了光伏电池制造商感兴趣的某些特征；

图2A和图2B示出了两个不同多晶硅晶片的模拟PL图像，其中，每个晶片都有裂纹；

图3A和图3B示出了沿图2A和图2B的图像中的每一个上的相同位置处的线A-A的PL强度与位置的曲线；

图3C示出了针对具有裂纹的第三多晶硅晶片的PL强度与位置的曲线；

图4示出了通过结合图3A至图3C的PL强度行扫描而获得的超级图像；

图5A示出了多晶硅晶片的模拟反射图像；

图5B示出了沿图5A的图像上的线B-B的反射强度与位置的曲线；

图6A和图6B示出了两个不同单晶硅光伏电池的模拟PL图像，其中，每个电池具有裂纹和金属化缺陷；

图7A和图7B示出了沿图6A和图6B的图像中的每一个上的相同位置处的线C-C的PL强度与位置的曲线；

图8A和图8B示出了针对电池上的金属线的期望位置校正的PL强度与位置的相应曲线；

图9示出了通过结合图8A和图8B的校正的PL强度行扫描而获得的超级图像；

图10示出了两个不同多晶硅晶片的模拟PL图像之间的错位。

具体实施方式

本发明涉及用于检测由制造产品的工艺线的一个或多个阶段导致的产品中的系统缺陷的方法。将针对检测系统工艺诱发缺陷（诸如光伏晶片、光伏电池或光伏模块中的裂纹）的特定应用来描述本发明，但本发明不限于该特定使用领域。

如前所述，可利用已知表征技术来识别多种材料和半导体材料的电特性。例如，PL和EL成像可提供有关多个特征（包括错位、原子杂质、夹杂物、分流、金属线接触电阻、裂纹和晶界）的出现与分布的信息。反射成像可显示表面污渍、裂纹和晶界，而红外透射可提供有关裂纹和夹杂物的三维分布的信息。这些特征（包括错位、杂质、夹杂物和晶界）中的一些特征是材料固有的且不是工艺诱发的。另一方面，在电池或模块的制造期间可能导致诸如裂纹、分流、表面污渍、不良电接触和断电跟踪（brokenelectrical trace）等的特征，所有这些特征可能会降低光伏电池和模块的性能。在某些情况下，这些特征将会随机出现，但在其他情况下，这些特征可能会重复出现在很多或全部产品中。这些系统（或“持久性”）特征通常指示工艺线故障，但在某些情况下，可能指示缺陷晶片原料。不管怎样，通常都有利于尽可能识别并纠正原因，特别是如果持久性特征对产品性能有害或者具有对产品性能有害的可能性。

本发明的方法提供了持久性特征的改进检测，且可用于能够检测问题特征类型的任何成像技术。来自样品的光学反射受多种因素的影响，包括表面粗糙度和其他表面形态、选定波长的吸收和折射率变化；因此，对于光伏电池和晶片而言，光学反射成像能够检测出裂纹、表面蚀刻和纹理变化、防反射涂层变化以及表面污渍或颗粒。来自光伏电池或晶片的光致发光响应对许多或全部光学可见特征以及少数载流子密度/寿命和背景掺杂密度敏感。因此，PL成像可用于检测大量特征，包括物理缺陷（诸如裂纹）以及可指示工艺步骤（诸如杂质吸除、SiN钝化、后表面金属化或炉加热）存在问题的掺杂密度或载流子密度/寿命的横向变化。

发明方法依赖于这样的事实：在制造工艺中由出现缺陷的阶段系统性导致的特征（诸如裂纹）往往出现在每个样品中的相同或相似的位置。若从大量样品（从例如五个至数百个）的相同区域获得的图像经结合形成“超级图像”，具有随机或统计分布的特征（诸如错位、杂质、夹杂物和晶界）将被抑制在超级图像中，同时将增强系统特征（诸如由丝网印刷中卷入的一块异物导致的裂纹，或在模块组装期间由电池上的热应力或机械应力导致的裂纹）。还可允许已知的期望或意向性特征存在于可预测位置，诸如光伏电池上的金属接触、从块的相邻部分切割的一系列晶片中的相似位置处的晶粒结构、或已知存在于全部或许多样品中的缺陷。

来自持久性特征（例如，在众多光伏电池上的特定位置产生的裂纹）的信号将成倍增加以在累积图像或超级图像中形成强信号，而其余样品的“噪声”电平将被规范成平均电平，由此允许利用简单的图像分析技术（诸如边缘检测算法）对持久性特征进行简单检测，优选包括对其严重程度进行量化。“强信号”不一定是黑暗背景中的亮信号，且实际上经常可能是亮背景中的暗信号。

通常，图像或超级图像中具有强信号的区域是信号电平强烈偏离图像或超级图像的其余部分中的信号电平的区域，可以针对阈值电平来确定，该阈值电平例如可自动被设定为在平均信号电平以上的百分比或绝对偏移量，或可由操作员定义。例如，诸如光伏电池上的金属线的一些持久性特征事实上可预计且不被视为缺陷，且优选在图像结合之前或之后从图像上去除这些持久性特征。

我们注意到，例如对于多晶硅晶片而言，诸如晶界和错位等的某些固有特征通常将位于从块的相邻部分切割的晶片中的相似位置，并因此可被强调为超级图像中的持久性特征，从而从根本上产生受制于样本集尺寸且取决于晶片是否按照与切割其的相同或相似的顺序供入工艺线的误报（false positives）。相同的考虑同样将适用于具有滑线（slip line）的单晶硅晶片。若检测到较大且可能的晶片范围内的持久性特征，则很可能指示该“相邻样品”的问题，且在某些实施方式中，可通过改变持久性特征算法的检测阈值来改善该问题。在其他实施方式中，图像处理算法能可靠地在不同类型的特征之间区分，例如，晶界、错位和裂纹，从而能使持久性特征算法聚焦于更有可能被工艺导致的特征，例如，裂纹。可替代地，可通过使用避免“相邻样品”问题的样品集，例如，通过作为分开以降低测量来自相同块的晶片或来自块中的相似位置的晶片的风险的多个工艺单元步骤的测量晶片来改善其增强。在晶片进入生产线之前扰乱原切割晶片顺序或使其随机化的生产线中，不太可能出现“相邻样品”问题。

尽管本发明方法适用于能够检测到感兴趣的系统特征的任何成像技术，但特别优选PL成像，因为它可检测到广泛的特征和材料特性。例如，尽管光学成像和红外透射可检测物理特征（诸如裂纹和表面纹理变化），但它们无法检测电气缺陷（诸如分流或不良电接触）。另外，由于具有较高载流子寿命的区域表现出更强的PL发射，所以“背景”PL信号电平（即在无持久性缺陷的区域中）将为操作员提供晶片和/或工艺质量的移动平均，以及由此的类似电池质量的测量。PL成像也是非接触技术，例如，与光学成像类似但与EL成像不同，这是一个优势，因为接触光伏电池可能会导致进一步破裂。在形成电接触之前，PL成像和光学成像还可用于检查晶片。图1A和图1B中示出了用于检测光伏电池制造商感兴趣的各种特征的PL成像的能力。图1A中所示的多晶硅晶片2的PL图像显示出大量重组有源（active）错位集群4和晶界6，以及沿指示晶片从所谓的“边缘块”（与坩埚壁相邻）切割的一个边缘的杂质富集硅8的低寿命区。图1B中所示的单晶硅晶片10的PL图像显示出大量有意造成的裂纹12。在图1B的图像中出现的较大、稍明亮的特征14是通过晶片可见的支柱，该支柱具有超过1000nm左右的实质透明度。

用于从样品获得PL图像的装置通常包括波长和强度适于从样品材料产生光致发光的光源、用于获取图像的摄像机、照明和成像路径中的光束整形光学器件、以及用于保护摄像机免受照明光照射的长通滤波器。用于获得EL图像的装置通常包括用于电激励样品来发光的电源、用于获取图像的摄像机、以及成像路径中的光束整形光学器件。用于获得光学图像的装置通常包括照明源和摄像机。每个装置一般将需要用于计算并分析累积图像或超级图像的处理器。

在某些实施方式中，本发明实施如下：

（i）利用合适强度和波长的光源照明多个样品（例如，光伏电池或电池前驱体（cell precursor））以产生电致发光。

优选地，每个样品在工艺线的相同阶段被测量，且应对每个样品的相同区域进行照明并成像。在某些实施方式中，使每个样品的整个区域成像，而在其他实施方式中，仅使每个样品的所选区域成像。若仅使所选区域成像，则基本上应是每个样品的相同区域。样品在工艺线上优选是顺序的，或呈周期性顺序，例如每十个样品。可替代地，使随机选择的样品成像。光源例如可以是具有合适光学器件的激光，或者若激光安全性要求令人担忧，则优选LED阵列。在光伏电池工艺线的环境下，照明可以是短期的，同时暂时停止对样品进行的测量，或者同时优选地，若测量时间足够短，则样品仍在移动。高强度的照明源（诸如闪光灯）有利于快速测量移动样品。

（ii）合适的摄像机用于测量因照明而从每个样品产生的PL信号。整个电池或电池前驱体上的至少百万像素分辨率优选用于裂纹检测。必要时，可使用用于提高信噪比的技术，诸如背景光最小化（例如，灯箱）和锁定检测等。摄像机例如可以是在单次曝光中获得图像的面阵相机。可替代地，摄像机可以是当样品沿工艺线移动时逐行获得图像的线阵相机或时延积分（TDI）相机。

（iii）样品的PL图像，优选一组顺序的或顺序周期性样品，经结合来形成“超级图像”。结合函数例如可以是求和、求平均值或获得中间值，或者其可以是一些其他更复杂的函数。所采用的实际数学函数可以与对各个图像的每个像素中的相机响应（计数率）求和并报告所有叠加的像素计数的超级图像一样简单。

该结合函数可具有多种不同形式，从简单的信号平均到更复杂的保持有关各图像间的像素或区域差异的详细统计信息的处理。另外，对于图像处理领域的技术人员而言，显然该结合可在像素或区域的空间域中或者在频域或单独结合或分析傅里叶分量的傅里叶域中进行。在其他实施方式中，可使用诸如离散余弦变换域、哈达玛域或小波域等的其他域。

另外，图像可根据要求而经过增强滤波器。在使用增强滤波器的情况下，可使用图像信息的复杂的非线性结合。先进的滤波处理可适用于该图像，使用在标准教材（诸如“Digital Image Processing”,by Gonzalez andWoods,Addison Wesley Publishing）中所述的处理。

结合处理还可包括变形或平移图像使得图像适当对准或相关的初始配准（registration，定位）过程。

（iv）随后对“超级图像”进行处理以识别具有强信号（即，具有与期望值的强烈偏离的信号）的区域，该区域表示存在于样品集内的大量样品中的特征。

（v）可独立滤掉已知为持久性的特征（例如，块中的光伏电池或晶粒上的金属网格线），从而允许隔离持久和不期望（例如，裂纹、碎片或污渍）的特征。

（vi）随后，其他数据处理将标记不期望的持久性特征的位置和严重程度，并将其报告给操作员来处理，例如调查并纠正原因和/或进行记录以在后续处理中进一步检查具有该持久性特征的一系列样品。该步骤还可包括可参照产品中的已知或期望特征的数据库而使用图像处理算法来识别持久性特征（例如裂纹或表面污渍）的性质或类型。

若样品不具有已知持久性特征（例如，形成电接触之前的高质量单晶光伏晶片），则累积图像或超级图像中的强信号区域可被立即识别为可能的系统缺陷。

在替代性实施方式中，可校正各个图像以在累积或结合之前除去已知持久性特征，从而形成累积图像或超级图像。

现将对某些实例进行描述以示出本发明的原理。为便于示出信号强度与位置，对样品的整个模拟二维图像的强度行扫描将被结合以形成代表性超级图像。然而在实践中，我们认为二维图像将被结合以形成超级图像。如上所提及，二维图像可在单次曝光中利用面阵相机获得或者可利用线阵相机或TD1相机逐行获得。应理解，线图像本身是样品所选区域的图像。

实例1

图2A示出了多晶硅晶片的模拟PL图像16，它示出了包括多个重组有源错位集群4和晶界6、裂纹12以及沿一个边缘的杂质富集硅8的低寿命区的几种不同特征。图2B示出了第二多晶硅晶片的模拟PL图像16，再次示出了多个重组有源错位集群4和晶界6以及裂纹12。将要注意，错位集群和晶界位于第二晶片中的不同位置，且第二晶片没有杂质富集边缘区域，但裂纹12位于相同位置。因此，若对两个PL图像进行结合，则该裂纹将相对于其他特征而增强。

为更具体地说明该效果，图3A和图3B中分别示出了沿图2A和图2B中的每一个内的线A-A的PL强度，示出了与各个特征相关联的较低强度20的区域。图3C示出了来自第三样品晶片的相应的强度行扫描。图3A至图3C的强度行扫描随后通过求平均值来结合以提供图4中所示的“超级图像”强度行扫描22，其中，低强度区域形式的强信号24从平均信号电平26清楚浮现出来，其表示持久性特征，在该情况下该持久性特征是呈出现在每个样品中的基本相同的位置的裂纹形式的系统缺陷。在某些实施方式中，阈值信号电平28被定义为高于和/或低于平均信号电平26，超过该阈值信号电平28（按绝对值计算），持久性特征将被标记。一旦检测到持久性特征，便可提醒操作员调查原因，例如，该原因可能是晶片处理机器人出现故障。

从光伏晶片或电池发出的PL的强度从广义上讲是材质的指示，其对电池效率具有强烈影响。因此，排除持久性特征的区域中的平均信号电平或“背景”信号电平也可用于预测样品电池或由样品晶片制成的电池的工作特性。

实例2

图5A示出了多晶硅晶片的模拟反射图像30，其示出了较高反射率材料的多个晶界6和表面污渍32。图5B中示出了沿线B-B的光学强度，其示出了与晶界相关联的较低强度20的区域以及与表面污渍相关联的较高强度34的区域。将要理解，若表面污渍出现在多个样品中的大致相同的位置，而晶界的位置不同，则当来自多个样品的图像被结合以形成超级图像时，污渍将作为较高强度的区域而清晰出现。

实例3

图6A示出了丝网印刷在正面上的具有带有两条母线38和大量指状件40的金属网格图案的单晶硅光伏电池的模拟PL图像36。该图像还示出了可能由印刷丝网上的一块砂砾引发的裂纹12，在一条母线中可能由印刷丝网上的堵塞导致的缺陷42，以及电池的一个边缘上的一组滑线44。图6B示出了具有除不存在滑线之外的基本相同的特征的第二单晶硅光伏电池的模拟PL图像36。图7A和图7B中分别示出了沿图6A和图6B的每一个中的线C-C的PL强度，其示出了与母线相关联的较低强度20的区域、裂纹和滑线。由于母线是已知特征，所以可去除其对行扫描的期望贡献以产生图8A和图8B中所示的校正行扫描，它们包括与裂纹和滑线相关联的低强度区域20以及与金属化缺陷（即，母线材料的部分缺失）相关联的高强度区域34。当通过求和来结合校正行扫描以提供图9中所示的“超级图像”强度行扫描22时，可以看出，因裂纹（24A）和金属化缺陷（24B）产生的信号相对于因仅出现在样品电池之一中的滑线（24C）产生的信号而增强。将要理解，当来自其他样品电池的图像/行扫描对超级图像有贡献时，将进一步增强因裂纹和金属化缺陷产生的信号，从而允许这些特征被识别为持久性、工艺诱发缺陷。在替代性实施方式中，图7A和图7B中所示的“未校正”行扫描被结合以形成超级图像，从该超级图像中可通过忽略或去除来自母线的期望贡献来识别持久性特征。

当结合或累积各个PL图像以形成累积图像或超级图像时，应仔细配准（即对准）这些图像，否则持久性特征（诸如重复裂纹）将趋于平均化，从而使其检测更困难。通过实例的方式，图10以（A）和（B）的形式重现了分别在图2A和图2B中示出的模拟PL图像，但图像沿X方向偏移一定距离36以示出置于输送带上的略微不同位置的晶片。未对准还可能发生在Y和θ上。将要理解，当对图像求和时，将不会增强裂纹周围的减小的PL信号的区域，因为它们将与使图像正确对准的情况一样。例如，利用已知特征的晶片边缘或位置（诸如母线或激光划片识别码），可适用于晶片或电池的完整图像或部分图像的各种图像变换或配准技术对于本领域技术人员而言将是已知的。

同样将显而易见的是，在更微妙的反馈情形下可使用优选实施方式。当多个可变参数可用时，连续监控区域允许对工艺进行微调以达到最佳效果。

尽管特别参照本发明的某些优选实施方式对本发明进行了描述，但本发明的变形和修改可在所附权利要求的精神和范围内实现。