CN109596530B - 光学表面麻点和灰尘缺陷分类的暗场偏振成像方法 - Google Patents

Abstract

本发明公开了一种光学表面麻点和灰尘缺陷分类的暗场偏振成像装置和方法。本发明将偏振器件装载到光学元件表面缺陷的显微散射暗场成像检测光路中，使其具备了获取目标偏振特性的能力。在对麻点和灰尘进行分类时，装置调整至最优测量偏振态，并采集多幅偏振图像，通过灰度值作商提取出只与缺陷偏振特性有关的特征矢量，然后经过简单的矩阵运算，实现麻点和灰尘的分类。本发明充分利用了麻点和灰尘在偏振特性上的差异，获得的特征描述区分度更高，分类准确度相比于传统方法有了明显的提升，不仅能推动表面缺陷自动化检测系统的发展和应用，更为提高先进光学制造超精密加工技术、研究各种超精密加工工艺提供有力手段。

Description

光学表面麻点和灰尘缺陷分类的暗场偏振成像方法

技术领域

本发明属于机器视觉检测技术领域，具体涉及一种光学表面麻点和灰尘缺陷分类的暗场偏振成像装置和方法。

背景技术

表面缺陷的数字化定量检测是先进光学制造超精密加工技术可持续发展的重要环节，在表面面形及粗糙度得到良好控制的时候，表面缺陷越来越成为制约先进光学制造超精密加工工艺和水平的主要因素，光学元件表面缺陷的数字化定量检测将为提高先进光学制造超精密加工技术、研究各种超精密加工工艺提供有力手段。目前，光学元件表面缺陷的自动化检测大部分都基于暗场成像技术，它可以获取高质量的缺陷图像，并快速、定量地检测出表面缺陷。对于理想洁净的光学样品的检测，这种系统在精度和效率上都有很高的性能。但是在实际情况中，暴露在空气中的样品总会不可避免地附着上灰尘，它们在暗场图像中表现出来的特性与同样的点状缺陷麻点难以区分。麻点是光学样品在加工过程中造成的硬性损伤，他们的修复工序比较复杂，严重时会导致样品的报废，而灰尘只要经过简单的清洗就可以被去除。因此，麻点和灰尘的混淆会降低这些自动化检测系统的可靠性，严重制约他们在工业领域的进一步应用。当前最常用的缺陷分类方法是模式识别，这种方法主要基于暗场图像上麻点和灰尘特征的微小差异，利用样本训练来构建分类器，最后实现两者的区分，因此分类准确度受到了限制。虽然麻点和灰尘在暗场图像上难以区分，但由于完全不同的物质和形状特性，他们对光线偏振态的调制作用存在明显的差别。本发明基于这一原理，结合暗场成像和偏振成像技术，采集待分类缺陷的多幅暗场偏振图像，根据灰度信息提取出只与缺陷偏振特性有关的特征描述，从而实现麻点和灰尘的准确分类。

发明内容

本发明的目的是针对现有技术的不足，提供一种光学表面麻点和灰尘缺陷分类的暗场偏振成像装置和方法。

本发明解决其技术问题所采用的技术方案如下：

暗场偏振成像装置，包括窄带平行光光源11、偏振态产生器(PSG)12、偏振态分析器(PSA)20、显微镜22和CCD23。其中PSG12和PSA20均由一个可绕中心轴旋转的四分之一波片(14、18)和线偏振片(13、19)组成，四分之一波片的工作波长与窄带平行光光源11的中心波长相同。平行照明光线从平行光光源11发出，经过PSG12后获得一个偏振态并以一定的角度斜入射光学元件17。当光学元件17表面存在缺陷时，如麻点15或灰尘16，光线的偏振态受到调制并被散射进PSA20作进一步分析，最后散射光21进入显微镜22并在CCD23上成像。PSG12和PSA20对偏振态的作用取决于两个四分之一波片(14、18)和线偏振片(13、19)的角度，这四个角度组成了一个角度组合。不同的角度组合对缺陷会产生不同的偏振响应，从而使同一缺陷在CCD23采集到的不同偏振图像上呈现出不同的灰度特征。在实际检测过程中，需要在多组角度组合下采集多张偏振图像，这些角度组合被合称为测量偏振态，且采集数量为偶数，设为2N。当麻点和灰尘在这些偏振图像上的区分度最大时，对应的测量偏振态称为最优测量偏振态。

所述的麻点和灰尘的分类方法包括如下步骤：

步骤1、暗场偏振成像装置调整至最优测量偏振态；

步骤2、在最优测量偏振态下对同一麻点或灰尘缺陷采集相应的多幅偏振图像；

步骤3、利用缺陷在这些偏振态图像上的灰度信息提取出描述缺陷偏振特性的偏振特征矢量；

步骤4、利用分类器函数对偏振特征矢量进行缺陷类别判定。

步骤1所述的最优测量偏振态，获取步骤具体如下：

步骤1-1.利用暗场偏振成像装置测量并建立麻点和灰尘的Mueller矩阵样本集；

步骤1-2.根据偏振理论预测这些样本在任一测量偏振态下的偏振特征矢量X；

步骤1-3.建立区分度评价函数，定量评价在任一测量偏振态下麻点和灰尘特征矢量的区分度；

步骤1-4.利用非线性优化算法搜索区分度评价函数的最值，对应的测量偏振态就是最优测量偏振态；

步骤1-3所述的建立区分度评价函数，定量评价在任一测量偏振态下麻点和灰尘特征矢量的区分度，具体如下：

由于麻点的偏振特性比较集中，在误差的影响下它的特征矢量分布的概率密度函数可以用正态分布来表示：

其中，

和Γ分别是麻点样本特征矢量的均值和协方差矩阵。当麻点和灰尘特征矢量的区分度很高时，样本中麻点的特征矢量在该分布下的概率密度会很大，而灰尘的会很小。因此，可以找到一个最佳的分割阈值，将所有概率密度值大于阈值的样本判定为麻点，反之判定为灰尘，并使误判的总数最小。这个最小的误判数就作为区分度的定量描述。

步骤3所述的利用缺陷在这些偏振态图像上的灰度信息提取出描述缺陷偏振特性的偏振特征矢量，具体如下：

步骤3-1.计算缺陷在每一幅偏振态图像上的平均灰度,即 g₁,g₂,…,g_2N-1,g_2N；

步骤3-2.将每对图像的平均灰度相除，得到只与偏振特性有关的偏振特征矢量，即

步骤4所述的利用分类器函数对偏振特征矢量进行缺陷类别判定，具体如下：

步骤4-1.根据样本集算出麻点在最优测量偏振态下特征矢量的均值

和协方差矩阵Γ₀；

步骤4-2.计算待分类特征矢量到由均值

和协方差矩阵Γ₀表征的麻点样本特征矢量分布的马氏距离，即

步骤4-3.将马氏距离与预设的阈值比较，小的判为麻点，大的判为灰尘。

本发明基于暗场成像和偏振成像技术，将偏振器件装载到光学元件表面缺陷的显微散射暗场成像检测光路中，并在最优测量偏振态下，采集多幅偏振图像，通过灰度值作商提取出只与缺陷偏振特性有关的特征矢量，然后经过简单的矩阵运算，实现麻点和灰尘的分类。本发明充分利用了麻点和灰尘在偏振特性上的差异，获得的缺陷特征描述具有更高的区分度，分类准确度相比于传统方法有了明显的提升。本发明解决了光学元件表面缺陷检测中麻点和灰尘难以区分的难题，不仅能推动表面缺陷自动化检测系统的发展和应用，更为提高先进光学制造超精密加工技术、研究各种超精密加工工艺提供有力手段。

附图说明

图1所示是暗场偏振成像装置的示意图。

图2所示是与图1对应的偏振器件PSG和PSA的示意图。

图3所示是麻点和灰尘分类的流程图。

图4所示是获取最优测量偏振态的流程图。

图5所示是最优测量偏振态下预测得到的麻点和灰尘样本特征矢量的分布图。

图6所示是最优测量偏振态下采集的麻点和灰尘典型的暗场偏振图。

图7所示是最优测量偏振态下测量得到的麻点和灰尘样本特征矢量的分布图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例1

下面，本发明的实施例1将用图1-7来详细描述。

如图1所示，暗场偏振成像装置包括窄带平行光光源11，偏振态产生器(PSG)12，偏振态分析器(PSA)20，显微镜22和CCD23。其中PSG12 和PSA20均由一个可绕中心轴旋转的四分之一波片14、18和线偏振片13、 19组成，波片的工作波长与光源的中心波长相同，均为550nm。平行照明光线从平行光光源11发出，经过PSG12后获得一个偏振态并以一定的角度斜入射光学元件17。当元件表面存在缺陷时，如麻点15或灰尘16，光线的偏振态受到调制并被散射进PSA20作进一步分析，最后散射光21进入显微镜22并在CCD23上成像。PSG12和PSA20对偏振态的作用取决于两个四分之一波片14、18和两个线偏振片13、19的角度。如图2所示，这四个偏振器件的中心轴均与光路光轴100重合，令平行纸面向上的方向为X轴 101，垂直纸面向外的方向为Y轴102，在PSG12和PSA20中，线偏振片13、 19的通光轴24和四分之一波片14、18的快轴25与X轴101的夹角分别用φ^T，φ^S和θ^T,θ^S表示，这四个角度组成了一个角度组合。不同的角度组合对缺陷会产生不同的偏振响应，从而使同一缺陷在CCD23采集到的不同偏振图像上呈现出不同的灰度特征。在实际检测过程中，需要在多组角度组合下采集多张偏振图像，这些角度组合被合称为测量偏振态，且采集数量为偶数，设为2N。本实施例中令N＝2，即需要采集4幅图像。当麻点和灰尘在这些偏振图像上的区分度最大时，对应的测量偏振态称为最优测量偏振态。

如图3所示，所述的麻点和灰尘的分类方法包括如下步骤：

步骤1、暗场偏振成像装置调整至最优测量偏振态；

步骤2、在最优测量偏振态下对同一麻点或灰尘缺陷采集相应的多幅偏振图像；

步骤3、利用缺陷在这些偏振态图像上的灰度信息提取出描述缺陷偏振特性的偏振特征矢量；

步骤4、利用分类器函数对偏振特征矢量进行缺陷类别判定。

如图4所示，步骤1所述的最优测量偏振态，获取步骤具体如下：

步骤1-1.利用暗场偏振成像装置测量并建立麻点和灰尘的Mueller矩阵样本集；

步骤1-2.根据偏振理论预测这些样本在任一测量偏振态下的偏振特征矢量X；

步骤1-3.建立区分度评价函数，定量评价在任一测量偏振态下麻点和灰尘特征矢量的区分度；

步骤1-4.利用非线性优化算法搜索区分度评价函数的最值，对应的测量偏振态就是最优测量偏振态；

其中，步骤1-3所述的建立区分度评价函数，定量评价在任一测量偏振态下麻点和灰尘特征矢量的区分度，具体如下：

由于麻点的偏振特性比较集中，在误差的影响下它的特征矢量分布的概率密度函数可以用正态分布来表示：

其中，

和Γ分别是麻点样本特征矢量的均值和协方差矩阵。当麻点和灰尘特征矢量的区分度很高时，样本中麻点的特征矢量在该分布下的概率密度会很大，而灰尘的会很小。因此，可以先计算所有麻点和灰尘样本特征矢量的概率密度值，然后利用一维搜索算法找到一个最佳的分割阈值，将所有概率密度值大于阈值的样本判定为麻点，反之判定为灰尘，并使误判的总数最小。这个最小的误判数就作为区分度的定量描述，误判数越小，说明该测量偏振态下麻点和灰尘越容易被正确地分类。

在最优测量偏振态下，可以得到对应的麻点样本特征矢量的均值X₀和协方差矩阵Γ₀，以及最佳的分割阈值T₀，这些参数将用于麻点和灰尘的分类。同时，这些样本在最优测量偏振态下的特征矢量也都已经预测得到，图5给出了他们的分布图，在N＝2的情况下，特征矢量由2个特征值组成，由概率密度分割阈值T₀反演出来的分类器在特征矢量平面上是一个椭圆，椭圆内的被判定为麻点，椭圆外的被判定为灰尘。可以看出，样本集的分类准确度很高，经过计算，误判率即误判数与样本总数之比仅为0.46％。

步骤3所述的利用缺陷在这些偏振态图像上的灰度信息提取出描述缺陷偏振特性的偏振特征矢量，具体如下：

步骤3-1.计算缺陷在每一幅偏振图像上的平均灰度,即 g₁,g₂,…,g_2N-1,g_2N；

步骤3-2.将每对图像的平均灰度相除，得到只与偏振特性有关的偏振特征矢量，即

图6给出了一个麻点和灰尘的4张采集到的暗场偏振图像，可以看出，麻点(上半部分图像)在第1幅和第3幅图像上基本被背景淹没，而灰尘(下半部分图像)仍然存在一定的亮度，这就是由麻点和灰尘偏振特性的差异造成的。每张图像的下方给出了缺陷的平均灰度，计算之后就可以得到麻点和灰尘的特征矢量，分别为(0.090 0.161)^T和(0.483 0.597)^T。

步骤4所述的利用分类器函数对偏振特征矢量进行缺陷类别判定，具体如下：

步骤4-1.根据样本集算出麻点在最优测量偏振态下特征矢量的均值

和协方差矩阵Γ₀；

步骤4-2.计算待分类特征矢量到由均值

和协方差矩阵Γ₀表征的麻点样本特征矢量分布的马氏距离，即

步骤4-3.将马氏距离与预设的阈值T比较，小的判为麻点，大的判为灰尘。T可以由下式求来：

其中T₀是在最优偏振测量态下样本集的概率密度最佳分割阈值。

在本实施例中，这些参数最终求得的值为：

这样，针对上面已经求得特征矢量的一个麻点和灰尘，结合式(3)就能算出他们的分类结果。计算结果表明两者都能被正确的分类。

为了进一步验证本发明的有效性，本实施例对40个麻点和41个灰尘进行了分类测试。图7给出了测量得到的这些样本的特征矢量的分布情况，结果表明有6个灰尘落在分类器椭圆内，1个麻点落在椭圆外。这说明除了这 7个样本被错误地分类外，其他的74个样本均分类正确，分类准确度达到 91.36％，满足实际的检测要求。

Claims (1)

1.光学表面麻点和灰尘缺陷分类的暗场偏振成像方法，其特征在于该方法采用的装置具体如下：

暗场偏振成像装置包括窄带平行光光源(11)，偏振态产生器PSG(12)，偏振态分析器PSA(20)，显微镜(22)和CCD(23)；其中PSG(12)和PSA(20)均由一个可绕中心轴旋转的四分之一波片(14、18)和线偏振片(13、19)组成，波片的工作波长与窄带平行光光源的中心波长相同，均为550nm；平行照明光线从窄带平行光光源(11)发出，经过PSG(12)后获得一个偏振态并以一定的角度斜入射光学元件(17)；当元件表面存在缺陷时，光线的偏振态受到调制并被散射进PSA(20)作进一步分析，最后散射光(21)进入显微镜(22)并在CCD(23)上成像；PSG(12)和PSA(20)对偏振态的作用取决于两个四分之一波片(14、18)和线偏振片(13、19)的角度；四分之一波片(14、18)和线偏振片(13、19)的中心轴均与光路光轴(100)重合，令平行纸面向上的方向为X轴(101)，垂直纸面向外的方向为Y轴(102)，在PSG(12)和PSA(20)中，线偏振片(13、19)的通光轴(24)、四分之一波片(14、18)的快轴(25)与X轴(101)的夹角分别用φ^T、φ^S和θ^T、θ^S表示，这四个角度组成了一个角度组合；不同的角度组合对缺陷会产生不同的偏振响应，从而使同一缺陷在CCD(23)采集到的不同偏振图像上呈现出不同的灰度特征；在实际检测过程中，需要在多组角度组合下采集多张偏振图像，这些角度组合被合称为测量偏振态，且采集数量为偶数，设为2N；当麻点和灰尘在这些偏振图像上的区分度最大时，对应的测量偏振态称为最优测量偏振态；

包括如下步骤：

步骤1、暗场偏振成像装置调整至最优测量偏振态；

步骤2、在最优测量偏振态下对同一麻点或灰尘缺陷采集相应的多幅偏振图像；

步骤3、利用缺陷在这些偏振态图像上的灰度信息提取出描述缺陷偏振特性的偏振特征矢量；

步骤4、利用分类器函数对偏振特征矢量进行缺陷类别判定；

步骤1所述的最优测量偏振态，获取步骤具体如下：

步骤1-1.利用暗场偏振成像装置测量并建立麻点和灰尘的Mueller矩阵样本集；

步骤1-2.根据偏振理论预测这些样本在任一测量偏振态下的偏振特征矢量X；

步骤1-3.建立区分度评价函数，定量评价在任一测量偏振态下麻点和灰尘特征矢量的区分度；

步骤1-4.利用非线性优化算法搜索区分度评价函数的最值，对应的测量偏振态就是最优测量偏振态；

步骤1-3所述的建立区分度评价函数，定量评价在任一测量偏振态下麻点和灰尘特征矢量的区分度，具体如下：

由于麻点的偏振特性比较集中，在误差的影响下它的特征矢量分布的概率密度函数可以用正态分布来表示：

其中，

和Γ分别是麻点样本特征矢量的均值和协方差矩阵；当麻点和灰尘特征矢量的区分度很高时，样本中麻点的特征矢量在该分布下的概率密度会很大，而灰尘的会很小；因此，可以找到一个最佳的分割阈值，将所有概率密度值大于阈值的样本判定为麻点，反之判定为灰尘，并使误判的总数最小；这个最小的误判数就作为区分度的定量描述；

步骤3所述的利用缺陷在这些偏振态图像上的灰度信息提取出描述缺陷偏振特性的偏振特征矢量，具体如下：

步骤3-1.计算缺陷在每一幅偏振图像上的平均灰度，即g₁,g₂,…,g_2N-1,g_2N；

步骤3-2.将每对图像的平均灰度相除，得到只与偏振特性有关的偏振特征矢量，即

步骤4所述的利用分类器函数对偏振特征矢量进行缺陷类别判定，具体如下：

步骤4-1.根据样本集算出麻点在最优测量偏振态下特征矢量的均值

和协方差矩阵Γ₀；

步骤4-2.计算待分类特征矢量到由均值

和协方差矩阵Γ₀表征的麻点样本特征矢量分布的马氏距离，即

步骤4-3.将马氏距离与预设的阈值T比较，小的判为麻点，大的判为灰尘，T可以由下式求来：

其中T₀是在最优偏振测量态下样本集的概率密度最佳分割阈值。

Images