Scanner 3D para Detecção de Defeitos em CdTe

Telureto de cádmio (CdTe) é um material usado em detectores de radiação, especialmente pra detectar raios gama. Ele tem algumas vantagens, tipo funcionar bem em temperatura ambiente, mas pode ter Defeitos que diminuem o desempenho dos detectores. Esses defeitos podem deixar os detectores menos eficazes, causando problemas como sinal ruim e vida útil reduzida. Por isso, é importante checar a qualidade dos cristais de CdTe pra encontrar esses defeitos e melhorar o processo de produção.

#Propósito do Scanner

Pra ajudar nisso, a gente criou um scanner 3D especial feito pra encontrar e classificar defeitos em Amostras de CdTe. Diferente de outras máquinas que têm uma ótima resolução, mas não conseguem lidar com amostras maiores ou têm dificuldade com materiais diferentes, nosso scanner consegue trocar amostras facilmente e trabalhar com vários materiais. Essa flexibilidade permite que a gente tenha uma visão melhor da qualidade dos cristais.

#Design do Scanner

#A Plataforma 3D

O scanner foi construído usando uma máquina de fresagem CNC modificada que se move em três dimensões. O eixo da máquina foi trocado por um suporte de amostra, e uma câmera com uma fonte de luz foi adicionada pra capturar Imagens das amostras. Esse esquema permite que a gente escaneie todo o volume de uma amostra e podemos criar novos suportes pra tamanhos de amostras diferentes, tornando o sistema personalizável.

Até agora, conseguimos escanear amostras de até 2 polegadas, mas ele consegue lidar com amostras de até 200 mm de diâmetro. Como a câmera pode focar de perto em pequenos detalhes, conseguimos capturar imagens de defeitos minúsculos nas amostras. O processo de escaneamento vai linha por linha e camada por camada, garantindo que cobremos toda a amostra.

#Sistema Óptico

Um recurso chave do nosso scanner é a fonte de luz ajustável. A gente consegue mudar facilmente o comprimento de onda da luz usada pra escanear, permitindo trabalhar com diferentes materiais de forma eficaz. O conjunto da câmera inclui um sensor de alta resolução e uma lente que pode ser ajustada pra diferentes níveis de ampliação. Essa flexibilidade é essencial pra detectar pequenos defeitos, como inclusões de telúrio no CdTe.

#Software de Controle

O scanner funciona com um software de controle criado em Python, permitindo programar o processo de escaneamento. Antes de escanear, configuramos o tamanho da amostra e definimos quantas imagens precisamos coletar. Devido a pequenos desalinhamentos em algumas partes do scanner, precisamos garantir que cada imagem se sobreponha em pelo menos 50% durante o processo de escanemento. Essa sobreposição ajuda a juntar as imagens durante a Análise.

Depois que o escaneamento termina, fazemos vários ajustes, como configurações de exposição e focagem na superfície da amostra. Essas configurações são salvas em um arquivo de log pra referência futura.

#Processamento de Imagens

#Pré-processamento

Uma vez que escaneamos uma amostra, as imagens geralmente precisam de alguns ajustes pra deixar os detalhes mais visíveis. O primeiro passo do pré-processamento inclui ajustar o brilho e o contraste e aplicar um desfoque gaussiano pra reduzir o ruído. Por exemplo, uma amostra que foi revestida com um material reflexivo pode parecer inicialmente meio confusa, mas depois do pré-processamento, as características ficam muito mais visíveis.

#Detecção de Características

Depois do pré-processamento, analisamos as imagens pra identificar características específicas nas amostras. Usamos uma biblioteca chamada OpenCV pra ajudar a detectar os defeitos. O processo envolve converter as imagens em um formato onde os defeitos aparecem como pontos pretos em um fundo mais claro. Também podemos filtrar essas detecções por tamanho, ajudando a evitar a contagem de características erradas e acelerando a análise.

Se uma característica é detectada em imagens sobrepostas, conseguimos gerenciar isso usando o tamanho da amostra e o tamanho do passo de escaneamento registrados durante o processo. Isso ajuda a garantir que a gente não conte o mesmo defeito várias vezes.

#Detecção de Profundidade

A posição 3D dos defeitos pode ser construída a partir das imagens escaneadas. Mesmo que a câmera consiga focar apenas em uma área estreita, características em diferentes profundidades ainda podem ser vistas. Ao empilhar imagens tiradas em vários níveis, conseguimos identificar onde cada defeito está localizado ao encontrar a imagem mais nítida pra cada característica. Dessa forma, conseguimos entender não só onde os defeitos estão horizontalmente, mas também quão profundos eles estão dentro da amostra.

#Resultados

#Classificação do Tamanho dos Defeitos

A análise dos tamanhos dos defeitos nas amostras mostrou padrões semelhantes a estudos anteriores. O tamanho dos defeitos parece estar agrupado em medidas específicas, mostrando que nosso método é confiável e dá resultados que combinam com descobertas anteriores. Embora a máxima resolução de profundidade que conseguimos atingir seja de 50 micrômetros, frequentemente conseguimos resultados mais rápidos escaneando com medições de profundidade mais amplas.

#Mapeamento 3D de Defeitos

Usando a técnica de detecção de profundidade, conseguimos criar mapas 3D detalhados dos defeitos dentro das amostras. Nas nossas descobertas, a maioria dos defeitos apareceu na superfície das amostras. Isso pode ser devido ao pó que se acumula durante escaneamentos realizados em um laboratório normal em vez de uma sala limpa. Além disso, tratamentos na superfície também poderiam levar a inclusões mais visíveis. Pra verificar essas possibilidades, podemos realizar escaneamentos em um ambiente mais controlado.

#Conclusão e Direções Futuras

Nesse estudo, mostramos como construímos um novo tipo de scanner pra checar materiais semicondutores. Nosso scanner consegue lidar com uma variedade de tamanhos de amostras e permite diferentes comprimentos de onda de escaneamento, dependendo do material que está sendo analisado. Conseguimos demonstrar com sucesso a capacidade de detectar automaticamente pequenos defeitos e criar mapas 3D desses defeitos.

Olhando pra frente, planejamos melhorar o software usado pra análise, já que ele atualmente desacelera o processo geral. Poderíamos fazer ele rodar mais rápido usando métodos computacionais mais avançados. Além disso, nosso software atual não classifica bem defeitos maiores, algo que precisamos resolver. Melhorar o processo de junção das imagens também ajudará a produzir imagens maiores e de alta resolução de forma eficiente.

Por fim, ainda há espaço pra melhorar o próprio scanner. O setup atual serve como uma prova de conceito, mas não é perfeito. Imagens de alta ampliação mostram como vibrações podem afetar a qualidade da imagem, então um design de scanner mais robusto pode levar a melhores resultados. Adotar um objetivo controlado eletronicamente também poderia melhorar a consistência durante o escaneamento.