太阳能电池组件成本控制的第一要义是检测表征。通过表征发现问题，知道问题的来源从而对症下药，是降低生产成本、提高良率的关键。一个优秀的表征手段，需要快、准、但不狠。快是指不能影响产能，而且尽量在生产流程的上游发现问题；准是要能够精确判断问题，精确量化问题的程度；不狠是指不能对测量的样品造成损害。今天兔子简析的就是光致发光PL这样一个技术，符合优秀表征手段具备的所有要素。而PL最酷的应用之一，就是通过拍摄切好的多晶硅硅片，来准确的预知电池效率。

       场景一：等到电池都做出来了测了效率才知道用了垃圾硅片做了一批垃圾电池？太晚啦！人力、水电气、物料、机器折损都白搭进去了，悔死！

       场景二：电池产线的最前端让硅片摆个pose照个相。垃圾硅片？别在上面追加一分生产成本，直接扔掉，或者找硅片供应商扯皮去！

       这就是前端PL的价值所在。

       技术很高深，原理很难懂，但是用一两句话也能大致说的清楚。仪器最重要的部分是光源和摄像头。用一个光源去照射一张硅片，光熄灭以后摄像头还能检测到硅片发光。

       为什么硅片会发光呢？因为硅片吸光以后会激发多余的载流子，载流子再辐射复合就发光了。

       硅片发光强弱说明什么呢？1.光吸收的多发的光就多，比如制绒好、硅片厚。2.在同等吸光的条件下，发光越强证明非辐射复合越少，推断硅片质量越好。

       所以通过判断吸光因素归一化后的发光状况，就可以用来评判硅片质量啦。

       (2)光致发光PL预知电池效率

       原理清楚了，就看怎么操作。大致的步骤：

       1.拍1000来个片子先。

       2.把这些片子做成电池，测量他们的性能。

       3.训练出某种模型，找出PL照片和最终电池性能的关联。

       4.新来的硅片，PL拍照，套入模型，得到性能预测！

       5.硅片分档或者扔掉。

       (3)怎么训练模型？

       明眼人一看就知道1-5步里面，最关键是3套用什么样的模型。还是那句话，说起来简单，做起来高端。

       简单粗暴的办法：把照片切分成若干像素单元，然后数一数亮的有多少，暗的有多少，给亮度赋予不同的权重，再对像素面积求和(Wagner, JAP, 2013)。怎么加权？几何平均，算术平均，调和平均，还是自己定义一个，哪个好？或是都不理想？这个加权值，你可能需要在同一条产线上，用更多的数据来喂，或者特意的去测量一些有表面钝化的片子，或者用单晶片来修正模型。总而言之，这种方法是前期工作要做足，工作做好了后面就来的快了。但是换了不同的硅片，换了不同电池，有得要重新校对。

       貌似更酷炫的办法：让我们数像素的多少，这也太低级了把！PERC和Al-BSF的电池，即使像素数出来一样，结果也完全不一样啊！一般多晶硅和高效多晶硅，结果又完全不一样啊！这样，那我们就用时髦的图像识别机器学习吧(Memant, PIP, 2016)。晶界是这样的图像模式，位错长那样，污染又是这样。我们把他们一一识别出来进行加权；再把不同亮度进行加权；不停喂数据，让机器学习图像模式去！这种办法，建模难度倍增，精度也未见得无比精确，但确实广泛适用于各种不同的硅片来源以及各种不同的电池制作工艺。