太陽能電池組件成本控制的第一要義是檢測表征。通過表征發現問題，知道問題的來源從而對癥下藥，是降低生產成本、提高良率的關鍵。一個優秀的表征手段，需要快、準、但不狠。快是指不能影響產能，而且盡量在生產流程的上游發現問題;準是要能夠精確判斷問題，精確量化問題的程度;不狠是指不能對測量的樣品造成損害。今天兔子簡析的就是光致發光PL這樣一個技術，符合優秀表征手段具備的所有要素。而PL最酷的應用之一，就是通過拍攝切好的多晶硅硅片，來準確的預知電池效率。

場景一：等到電池都做出來了測了效率才知道用了垃圾硅片做了一批垃圾電池?太晚啦!人力、水電氣、物料、機器折損都白搭進去了，悔死!

場景二：電池產線的最前端讓硅片擺個pose照個相。垃圾硅片?別在上面追加一分生產成本，直接扔掉，或者找硅片供應商扯皮去!

這就是前端PL的價值所在。

1) 光致發光PL的原理

技術很高深，原理很難懂，但是用一兩句話也能大致說的清楚。儀器最重要的部分是光源和攝像頭。用一個光源去照射一張硅片，光熄滅以后攝像頭還能檢測到硅片發光。

為什么硅片會發光呢?因為硅片吸光以后會激發多余的載流子，載流子再輻射復合就發光了。

硅片發光強弱說明什么呢?1. 光吸收的多發的光就多，比如制絨好、硅片厚。2.在同等吸光的條件下，發光越強證明非輻射復合越少，推斷硅片質量越好。

所以通過判斷吸光因素歸一化后的發光狀況，就可以用來評判硅片質量啦。

2) 光致發光PL預知電池效率

原理清楚了，就看怎么操作。大致的步驟：

1. 拍1000來個片子先。

2. 把這些片子做成電池，測量他們的性能。

3. 訓練出某種模型，找出PL照片和最終電池性能的關聯。

4. 新來的硅片，PL拍照，套入模型，得到性能預測!

5. 硅片分檔或者扔掉。

3) 怎么訓練模型？

明眼人一看就知道1-5步里面，最關鍵是3套用什么樣的模型。還是那句話，說起來簡單，做起來高端。

簡單粗暴的辦法：把照片切分成若干像素單元，然后數一數亮的有多少，暗的有多少，給亮度賦予不同的權重，再對像素面積求和(Wagner, JAP, 2013)。怎么加權?幾何平均，算術平均，調和平均，還是自己定義一個，哪個好?或是都不理想?這個加權值，你可能需要在同一條產線上，用更多的數據來喂，或者特意的去測量一些有表面鈍化的片子，或者用單晶片來修正模型?？偠灾?，這種方法是前期工作要做足，工作做好了后面就來的快了。但是換了不同的硅片，換了不同電池，有得要重新校對。

貌似更酷炫的辦法： 讓我們數像素的多少，這也太低級了把!PERC和Al-BSF的電池，即使像素數出來一樣，結果也完全不一樣啊!一般多晶硅和高效多晶硅，結果又完全不一樣啊!這樣，那我們就用時髦的圖像識別機器學習吧(Memant, PIP, 2016)。晶界是這樣的圖像模式，位錯長那樣，污染又是這樣。我們把他們一一識別出來進行加權;再把不同亮度進行加權;不停喂數據，讓機器學習圖像模式去!這種辦法，建模難度倍增，精度也未見得無比精確，但確實廣泛適用于各種不同的硅片來源以及各種不同的電池制作工藝。