Traitement d’images pour l’extraction de cartographie de voids par

Le traitement d’images consiste à extraire une information précise d’une image. Dans notre cas, il s’agit d’obtenir une cartographie de voids par traitement de clichés d’électroluminescence. L’ex-périence nous a montré que les voids contenus dans la brasure cellule/substrat sont principalement de forme ellipsoïdale. Nous allons voir dans ce paragraphe comment extraire, d’un cliché EL brut, une cartographie de voids en passant par les étapes de traitement d’image que sont le seuillage et la reconnaissance de forme. Dans le cadre de cette thèse, toutes ces fonctions ont été réalisées sous l’en-vironnement NI-Vision et les librairies IMAQ pour Labview.

Élimination des effets decurrent crowding

Cette étape de pré-traitement vise à corriger les défauts qui risquent de fausser l’exploitation de l’image. Comme expliqué dans le paragraphe IV.1.1.1, lorsque la cellule est en mode récepteur, la den-sité de courant est plus importante aux points d’injection à cause ducurrent crowdinget cet effet est d’autant plus important que le courant injecté est grand. Ainsi la projection d’un cliché EL sur un repère

(x,y,z)avec(x,y)la surface de la cellule etzl’intensité du signal d’EL pour chaque pixel, présente une forme de vallée avec un signal maximum au niveau des bus-bars comme représenté sur la figure IV.18. Cette forme de vallée rend le seuillage de l’image difficile, il convient donc de s’en affranchir.

L’image brute est chargée dans le logiciel puis convertie en matrice. Une opération mathématique en deux étapes est alors effectuée. Chaque colonne de la matrice est divisée par la moyenne des co-lonnes, puis chaque ligne par la moyenne des lignes. Cela revient à normaliser l’image par la moyenne de sa projection sur le plan (xz) puis sur le plan (yz). On obtient alors la projection 3D de droite sur la figure IV.18 qui est ensuite reconvertie en image en nuances de gris. Ce pré-traitement permet de supprimer l’effet ducurrent crowdinget d’aplanir l’image afin de pouvoir la seuiller plus facilement.

FIGUREIV.18 – Projection en 3 dimensions d’un cliché EL sous haute injection. La forme de vallée est due aux effets decurrent crowding, corrigés par la normalisation effectuée.

Seuillage et binarisation

Une image en nuances de gris contient des pixels ayant une valeur comprise entre 0 et 255 (image 8-bit). Une image binaire contient des pixels avec une valeur comprise entre 0 et 1. La transformation d’une image nuances de gris en image binaire, ou binarisation, se fait par seuillage. Nous abordons dans la suite de ce paragraphe quelques aspects fondamentaux du traitement d’images qui introduiront la méthode de seuillage retenue pour cette opération de binarisation.

Il existe différents types d’opérateurs pour le traitement d’images : les opérateursglobaux,locaux,

point à pointou encoremorphologiques. Un opérateurglobaltraite l’image dans son ensemble. L’étape de normalisation décrite précédemment est une opération globale.

Par opposition, un opérateurlocal traite l’image à travers unefenêtre. Cette fenêtre est une ma-trice, généralement carrée, de faible taille (3x3, 9x9, 32x32,...) par rapport à l’image globale. C’est dans cette fenêtre que se font les opérations de traitement, chaque élément de la fenêtre contenant un pixel de l’image. Cette fenêtre, ou matrice, est déplacée sur l’ensemble de l’image et le traitement est discrétisé.

Un opérateur point à point traite l’image pixel par pixel et les opérateurs morphologiques sont quant à eux utilisés dans la reconnaissance de formes. En ce qui concerne le seuillage, il peut se faire globalement ou localement.

Lorsque deux objets possèdent une même nuance de gris dans la réalité mais sont photographiés sous un éclairage inhomogène, ils possèderont deux valeurs de gris différentes sur l’image obtenue. Dès lors, en utilisant un seuillage global, il sera difficile de faire appartenir ces deux objets à une même classe. Il devient alors préférable d’utiliser un seuillage local.

Deux méthodes de seuillage local sont disponibles dans l’environnement NI-Vision. La première, la méthode éponymeNiblack, somme la moyenne et l’écart type de la fenêtre afin de déterminer la

va-FIGURE IV.19 – Résultats des méthodes de seuillage Niblack et Bckg issues de l’environnement NI-Vision. La méthode Bckg permet de faire ressortir des voids pour une fenêtre plus petite.

leur de seuil. La deuxième méthode, dite de soustraction d’arrière-plan (Bckg), calcule la moyenne de la fenêtre et la soustrait au pixel d’intérêt, situé au centre de la fenêtre. Elle réalise ensuite un seuillage global avec une valeur de seuil déterminée automatiquement par la méthode d’Otsu [196].

Comme les voids induisent une surintensité du signal d’EL par rapport au reste de la cellule, la binarisation se fait en attribuant la valeur 1 à un pixel avec une valeur supérieure à celle du seuil et la valeur 0 en dessous (le contraire aurait été fait pour la détection d’objet sombre).

La figure IV.19 montre les résultats de seuillage obtenus par les méthodesNiblacketBckgpour des tailles de fenêtres différentes. L’assemblage étudié présente une EL telle que montrée en haut à gauche. On distingue les zones claires dues à l’élévation locale de température de par la présence de voids. Leur cartographie obtenue par tomographie RX est montrée en haut à droite. Les opérations de seuillage se font sur l’image prétraitée.

En considérant les trois plus gros voids dans la partie supérieure de l’assemblage, la méthodeBckg

se montre plus précise pour des fenêtres plus petites. Une image binaire montrant ces voids est obtenue à partir d’une fenêtre 16x16 et est jugée satisfaisante pour une fenêtre 32x32. La méthodeNiblackne fait ressortir aucun voids avant une fenêtre 48x48.

A partir de cette taille de fenêtre, les deux méthodes produisent un résultat équivalent jusqu’à choi-sir une fenêtre 178x196 qui correspond à la taille de l’image, ce qui revient à effectuer un seuillage global.

Afin d’obtenir une cartographie avec la meilleure précision possible, il est impératif de sélection-ner la plus petite fenêtre. C’est pour cette raison que la méthodeBckg a été retenue pour la suite du traitement qu’est la reconnaissance de forme.

Analyse de particules

Sur une image binaire, une particule se définit comme une zone continue de l’image ne contenant que des pixels de valeur 1. Les images binaires obtenues précédemment contiennent des informations non désirées. Dans notre exemple, le défaut linéaire en bas à droite sur l’image pré-traitée (cf. figure

IV.19), est un défaut structurel de type dislocation. Il n’a aucun rapport avec la cartographie de voids et doit être supprimé. Le bruit inhérent aux méthodes de seuillage doit également être enlevé pour pro-duire une cartographie claire. C’est dans cette optique qu’interviennent les opérateursmorphologiques. La première étape consiste à supprimer les particules avec une largeur inférieure ou égale à 2 pixels. Ces particules sont dues au bruit des méthodes de seuillages. Pour ce faire, une technique d’érosion est utilisée. Les contours des grosses particules sont diminués de 2 pixels et les petites particules éliminées. La deuxième étape consiste à filtrer les particules selon leurs propriétés géométriques. L’environ-nement NI-Vision propose plus de 80 méthodes de filtrage dont les principes sont décrits dans la bi-bliographie [197]. Parmi elles, une reconnaissance de particule ellipsoïde est disponible et a donc été retenue à cause de la forme caractéristique des voids.

FIGUREIV.20 – Etapes d’érosion et d’analyse de particule post seuillage.

La figure IV.20 montre ces différentes étapes sur l’assemblage étudié sur la figure IV.19 ainsi que sur trois autres assemblages de la même série de production. La comparaison de la cartographie de void obtenue via l’EEL avec celle mesurée en TRX montre la validité de la méthode.

Encore au stade de développement au moment de la rédaction de ce manuscrit, l’EEL peut-être améliorée en plusieurs aspects :

– À cause des bruits de seuillage, il se peut que deux particules se touchent, n’en formant alors plus qu’une seule avec des propriétés géométriques différentes des autres. Ces deux particules qui auraient pu appartenir à une catégorie se retrouvent dans une autre et faussent le résultat de l’analyse. L’utilisation de l’érosion permet de séparer ces particules.

– Les défauts structurels de la cellule, tels que la dislocation sur le récepteur de la figure IV.19, sont pris en compte par les méthodes de seuillage. Bien que les défauts linéaires soient aisément filtrés par la reconnaissance de forme, un défaut structurel ellipsoïdal pourrait ne pas être filtré et comptabilisé comme un défaut d’assemblage. Une solution serait de réaliser un cliché sous faible injection afin d’obtenir une image binaire des défauts structurels et de la soustraire à l’image ob-tenue sous forte injection. Cependant, si un void se trouve sous un défaut structurel, il ne sera

pas identifié.

– Toutes les méthodes disponibles n’ont pas été étudiées et parmi elles certaines peuvent être plus efficaces que la détection d’ellipsoïdes. De plus, la détermination des paramètres de reconnais-sance de forme se fait manuellement. Il serait possible d’affiner les paramètres au fur et à mesure pour trouver un filtre de particule efficace pour un type d’assemblage. Cette méthode d’appren-tissage pourrait rendre l’extraction de cartographie automatique pour un design et une taille de cellule donnée.

– Les cartographies obtenues par EEL ne sont pas aussi précises que celles obtenues par tomogra-phie. Si un void est trop petit, son effet sur la chaine thermique est négligeable. La métallisation de la cellule en face arrière agit comme un spreader et✓masque✔le petit void. N’ayant pas d’im-pact sur la chaine thermique, il n’en aura pas sur l’EL et ne sera donc pas mis en évidence. En synchronisant l’acquisition de l’image avec une injection de courant pulsé, il devrait être possible de faire ressortir ces petits voids. Le flux thermique n’aurait pas le temps de s’étaler sur toute la chaîne thermique et l’impact d’un petit void deviendrait plus important [198]. En l’état actuel, seuls les voids avec une surface de plus de 0,8mm2, pour une cellule de 1 cm2sont détectables. La figure IV.21 montre les taux de voids obtenus par TRX en considérant tous les voids et seulement ceux avec une taille supérieure à 0,8 mm2 ainsi que ceux mesurés par EEL. On observe une bonne corrélation entre la TRX et l’EEL pour ce critère de dimensionnement. Cette limite inférieure est bien sur valable pour une taille de cellule et un design d’assemblage donnés, elle pourrait être plus faible pour de plus petites cellules.

FIGUREIV.21 – Comparaison des mesures de taux de void entre EEL et TRX. Pour des voids avec une aire supérieure à 0.8mm2, les deux méthodes offrent des résultats très proches.

– Enfin, l’utilisation d’un détecteur EL calibré pourrait permettre de quantifier les inhomogénéités thermiques de la cellule en terme de degrés d’écart entre les points chauds et le reste de la cellule. Ces améliorations mises à part, la preuve scientifique de l’utilisation de l’EEL comme outil de caractérisation d’assemblage a été apportée. Cette méthode ne se veut pas concurrente directe des

tech-niques classiques que sont la TRX, la microscopie acoustique ou encore la thermographie IR mais elle a l’avantage d’être bien plus rapide. A ce titre, elle mériterait d’être implémentée sur des lignes indus-trielles.

L’EEL met en évidence des voids qui ont un impact sur les propriétés électriques de la cellule et qui peuvent causer des dégradations précoces dans la durée de vie de l’assemblage. Il s’agit là d’une amélioration d’une technique de caractérisation déjà utilisée sur les lignes de production d’assemblage CPV. A la vue des avantages offerts par l’EEL, cette méthode innovante a donné lieu à un dépôt de brevet.

IV.1.3 Corrélation entre électroluminescence (EL) et caractéristique IV (DIV et LIV)