Einsatz tiefer neuronaler Netze zur Bestimmung des optischen Flusses zwischen Korngrenzenbildern multikristalliner Silizium-Wafer im Rahmen der Kornwachstumsanalyse
Using Deep Convolutional Neural Networks to Compute Optical Flow between Grain Boundary Images of Multicrystalline Silicon Wafers
- Bei der Produktion von Solarzellen aus multikristallinem Silizium haben Defekte aus der Kristallisationsphase starken Einfluss auf die Materialqualität der Wafer und damit auf den Wirkungsgrad der späteren Solarzelle. Ein Verständnis des Kornwachstums in multikristallinem Silizium während des Kristallisationsprozesses kann zur Optimierung desselben beitragen. In dieser Arbeit werden MethodenBei der Produktion von Solarzellen aus multikristallinem Silizium haben Defekte aus der Kristallisationsphase starken Einfluss auf die Materialqualität der Wafer und damit auf den Wirkungsgrad der späteren Solarzelle. Ein Verständnis des Kornwachstums in multikristallinem Silizium während des Kristallisationsprozesses kann zur Optimierung desselben beitragen. In dieser Arbeit werden Methoden untersucht, optische Flüsse zwischen Korngrenzenbildern multikristalliner Si-Wafer mittels neuronaler Netze zu berechnen. Hierfür wird die Architektur eines ausgereiften faltungsbasierten neuronalen Netzes zur optischen Fluss-Berechnung genutzt und durch angepasstes Training auf Waferstrukturen zugeschnitten. Dies umfasst die Synthese eigener, auf Waferbilder basierender Trainingsdaten und das Training mit einer angepassten Fehlerfunktion zur Bewertung der Zuordnungsgenauigkeit von Körnern zwischen Wafern durch den optischen Fluss. Beide Maßnahmen zusammen führen zu einer Reduktion des Zuordnungsfehlers von Körnern zwischen Waferbildern um 45 % gegenüber einem hochoptimierten, auf allgemeine optische Flüsse trainierten Modell basierend auf demselben Netzwerk. Die geschätzte Zuordnungsgenauigkeit des besten Modells beträgt 92,4 % der Pixel der Korngrenzenbilder eines Wafers. Weiteres Verbesserungspotenzial ist vorhanden.…
- Understanding the factors and structure of crystal growth is one means of optimizing the crystallization process during production of multicrystalline silicon wafers. This work focuses on the prediction of optical flow between optical measurements of as-cut wafers by using convolutional neural networks (CNN). The architecture of a pre-existing CNN tailored to and successfully used in optical flowUnderstanding the factors and structure of crystal growth is one means of optimizing the crystallization process during production of multicrystalline silicon wafers. This work focuses on the prediction of optical flow between optical measurements of as-cut wafers by using convolutional neural networks (CNN). The architecture of a pre-existing CNN tailored to and successfully used in optical flow computation is used and adapted in training for application on wafer images. For this purpose a custom synthetic dataset based on wafer images is created and training is done by using a custom brightness error loss function adapted to quantify grain mapping errors between wafer images. Utilizing both of those adaptations leads to a reduction of the grain mapping error between wafer images by 45 % compared to the performance of the same network when exhaustively trained for generic optical flow prediction. The best model achieves an estimated accuracy of 92.4 % with regard to correctly mapped pixels of two successive wafer images. In addition, the results indicate further room for improvement.…
Document Type: | Master's Thesis |
---|---|
Zitierlink: | https://opus.hs-offenburg.de/2968 | Bibliografische Angaben |
Title (German): | Einsatz tiefer neuronaler Netze zur Bestimmung des optischen Flusses zwischen Korngrenzenbildern multikristalliner Silizium-Wafer im Rahmen der Kornwachstumsanalyse |
Title (English): | Using Deep Convolutional Neural Networks to Compute Optical Flow between Grain Boundary Images of Multicrystalline Silicon Wafers |
Author: | Jonas Schönauer |
Advisor: | Klaus Dorer, Matthias Demant |
Year of Publication: | 2018 |
Date of final exam: | 2018/11/06 |
Publishing Institution: | Hochschule Offenburg |
Granting Institution: | Hochschule Offenburg |
Contributing Corporation: | Fraunhofer-Institut für Solare Energiesysteme ISE |
Place of publication: | Offenburg |
Page Number: | xi, 118 |
Language: | German | Inhaltliche Informationen |
Institutes: | Fakultät Elektrotechnik und Informationstechnik (E+I) (bis 03/2019) |
Institutes: | Abschlussarbeiten / Master-Studiengänge / INFM |
DDC classes: | 000 Allgemeines, Informatik, Informationswissenschaft / 000 Allgemeines, Wissenschaft / 004 Informatik |
GND Keyword: | Bildverarbeitung; Deep learning; Kornwachstum; Neuronales Netz; Optischer Fluss |
Tag: | Convolutional Neural Network; FlowNet; Grain boundary; Grain growth; Multicrystalline silicon (mc-Si) | Formale Angaben |
Open Access: | Closed Access |
Licence (German): | Urheberrechtlich geschützt |
SWB-ID: | 1788452763 |