海归学者发起的公益学术平台
分享信息,整合资源
交流学术,偶尔风月
近年来,钙钛矿基光伏电池的效率迅速提高,目前已经达到17.9 %,接近单晶硅基器件的效率(20.4 %)。然而现在钙钛矿基器件的最大面积只有800 cm2左右,远远低于单晶硅器件的尺寸(14800 cm2)。解决该问题的关键在于寻找能够实现稳定均匀薄膜的溶液涂覆方法及工艺。而寻找和优化工艺参数的前提是能够快速高效地检测生长薄膜的品质。目前薄膜检测方法主要通过人工实现,费时费力,成为实现工艺参数优化的瓶颈。
针对这一问题,由加拿大研究人员领导的团队开发了一种机器视觉的检测方案。该方案可以对生长出的大面积钙钛矿薄膜的照片进行无损和像素级的高清自动识别,得到薄膜衬底覆盖率、厚度及形貌缺陷等重要的薄膜品质参数。基于这一方法可以实现25cm2级大面积的钙钛矿薄膜的快速检测。进一步将机器视觉的检测结果与光学模型相结合,可以定量预测合成薄膜的实际工作性能,如电流密度等。基于这些快速预测,研究人员将这一检测方案应用于钙钛矿生长的工艺参数优化。目前,狭缝涂布结合气体刀淬火是大面积生长钙钛矿薄膜的有效方法。研究人员将机器视觉方案应用于该工艺,通过快速检测建立工艺参数(涂层厚度和气体刀速度)如与产物性能(电池模块的电流密度)的直接联系,从而预测了兼具产量和性能的最优工艺参数。同时针对具体的器件体系开展了实际测量,验证了理论预测参数的正确性。相比传统薄膜品质的人工检测方法,该方法可以将所需时间由几小时缩短至分钟级别,同时检测结果更加定量,可以与实际性能直接关联。该研究提出的方案为大面积薄膜检测提供一个新的解决方案,有助于推动未来光伏电池及其他基于薄膜生长的应用领域发展。该文近期发表于npj Computational Materials 7, 190 (2021),英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。
A machine vision tool for facilitating the optimization of large-area perovskite photovoltaics
Nina Taherimakhsousi, Mathilde Fievez, Benjamin P. MacLeod, Edward P. Booker, Emmanuelle Fayard,Muriel Matheron, Matthieu Manceau, Stéphane Cros, Solenn Berson & Curtis P. Berlinguette
We report a fast, reliable and non-destructive method for quantifying the homogeneity of perovskite thin films over large areas using machine vision. We adapt existing machine vision algorithms to spatially quantify multiple perovskite film properties (substrate coverage, film thickness, defect density) with pixel resolution from pictures of 25 cm2 samples. Our machine vision tool—called PerovskiteVision—can be combined with an optical model to predict photovoltaic cell and module current density from the perovskite film thickness. We use the measured film properties and predicted device current density to identify a posteriori the process conditions that simultaneously maximize the device performance and the manufacturing throughput for large-area perovskite deposition using gas-knife assisted slot-die coating. PerovskiteVision thus facilitates the transfer of a new deposition process to large-scale photovoltaic module manufacturing. This work shows how machine vision can accelerate slow characterization steps essential for the multi-objective optimization of thin film deposition processes.