CN117437278A - 一种检测镀膜机膜厚均匀性的方法及系统 - Google Patents

一种检测镀膜机膜厚均匀性的方法及系统 Download PDF

Info

Publication number
CN117437278A
CN117437278A CN202311760630.4A CN202311760630A CN117437278A CN 117437278 A CN117437278 A CN 117437278A CN 202311760630 A CN202311760630 A CN 202311760630A CN 117437278 A CN117437278 A CN 117437278A
Authority
CN
China
Prior art keywords
data
coating
film
coated
generate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311760630.4A
Other languages
English (en)
Other versions
CN117437278B (zh
Inventor
顾晓雷
张一帆
张悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
March Nanotechnology Suzhou Co ltd
Original Assignee
March Nanotechnology Suzhou Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by March Nanotechnology Suzhou Co ltd filed Critical March Nanotechnology Suzhou Co ltd
Priority to CN202311760630.4A priority Critical patent/CN117437278B/zh
Publication of CN117437278A publication Critical patent/CN117437278A/zh
Application granted granted Critical
Publication of CN117437278B publication Critical patent/CN117437278B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G01B11/0625—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G01B11/0683—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating measurement during deposition or removal of the layer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
    • G01B15/02—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring thickness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及镀膜测试技术领域，尤其涉及一种检测镀膜机膜厚均匀性的方法及系统。所述方法包括以下步骤：获取初始待镀膜图像；对初始待镀膜图像进行图像预处理，得到标准待镀膜图像；根据标准待镀膜图像对待镀膜进行三维模拟，生成待镀膜三维模型；将待镀膜三维模型导入至镀膜机中进行粗糙度分析，从而得到模拟镀膜粗糙度数据；根据模拟镀膜粗糙度数据对镀膜机进行电子束照射映射，生成电子束照射映射数据；利用电子束照射映射数据对待镀膜三维模型进行厚度变化动态监测，生成厚度变化动态数据；本发明通过在镀膜中后对镀膜层进行内部及外部均匀性检测，并利用智能模型综合分析，提高了镀膜膜厚均匀性检测的精度。

Description

一种检测镀膜机膜厚均匀性的方法及系统
技术领域
本发明涉及镀膜测试技术领域，尤其涉及一种检测镀膜机膜厚均匀性的方法及系统。
背景技术
镀膜技术的发展集中在单一材料的均匀涂覆。最早的检测方法依赖于目测或简单的测量工具，无法准确评估膜层的均匀性。随着光学技术的进步，人们开始使用光学显微镜和干涉仪等设备来定量测量膜层厚度。这些仪器能够提供更精确的数据，但仍存在无法克服的局限性，例如仅适用于特定类型的膜和厚度范围有限等问题。随着计算机技术和图像处理能力的提升，光学显微镜和干涉仪逐渐得到改进和扩展，引入了自动化和数字化的元素。这些改进使得测量更为准确和高效，但在处理复杂多层膜、非均匀性较大的情况下仍显不足。近年来，各种先进技术被引入到膜厚均匀性检测中，如原子力显微镜（AFM）、X射线衍射（XRD）和光学相干层析成像（OCT）等。AFM能够以原子尺度精度测量膜层厚度，XRD则能提供材料的晶体结构信息，OCT则能够对多层膜进行非破坏性检测。这些技术的引入使得对薄膜的检测更为全面和精确。然而目前现有技术对于镀膜仅仅依赖于单一数据源或单一技术进行评估，无法全面捕捉膜层特性，从而导致镀膜均匀性评估精度不高。
发明内容
基于此，有必要提供一种检测镀膜机膜厚均匀性的方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种检测镀膜机膜厚均匀性的方法，所述方法包括以下步骤：
步骤S1：获取初始待镀膜图像；对初始待镀膜图像进行图像预处理，得到标准待镀膜图像；根据标准待镀膜图像对待镀膜进行三维模拟，生成待镀膜三维模型；将待镀膜三维模型导入至镀膜机中进行粗糙度分析，从而得到模拟镀膜粗糙度数据；
步骤S2：根据模拟镀膜粗糙度数据对镀膜机进行电子束照射映射，生成电子束照射映射数据；利用电子束照射映射数据对待镀膜三维模型进行厚度变化动态监测， 生成厚度变化动态数据；利用厚度变化动态数据对待镀膜层进行制备厚度均匀性检测，从而得到第一镀膜厚度均匀性数据；
步骤S3：基于第一镀膜厚度均匀性数据对镀膜进行光谱扫描，生成标准光谱数据；对标准光谱数据进行反射率曲线拟合，生成镀膜反射率曲线拟合数据；将镀膜反射率曲线拟合数据和厚度变化动态数据进行光谱信息关联分析，生成关联光谱信息数据；基于OCT技术对镀膜进行表面形貌特征提取，生成膜层表面形貌特征数据；对膜层表面形貌特征数据和关联光谱信息数据进行膜层表面均匀性分析，从而生成第二镀膜厚度均匀性数据；
步骤S4：对第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据进行模型训练从而生成膜厚均匀检测模型；将第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据导入至膜厚均匀检测模型中进行综合性评估，生成薄膜均匀性评估结果。
本发明通过从合适的设备或系统中获取待镀膜的初始图像，对初始待镀膜图像进行预处理，可能包括以下步骤：使用滤波器或其他去噪技术减少图像中的噪声，提高或降低图像的对比度，确保图像中的特征更清晰可见。利用预处理后的图像生成标准待镀膜图像，这可能包括颜色校正、尺寸标准化等步骤。通过立体视觉或其他技术估计图像中各点的深度信息，利用深度信息创建待镀膜的三维模型。通过三维模拟和粗糙度分析，可以在实际镀膜之前对产品质量进行预测和控制，获得的粗糙度数据可用于优化镀膜机的工艺参数，提高生产效率和镀膜质量，在实际生产之前发现并纠正问题，有助于降低不良品率，从而减少成本。通过实时监测和均匀性检测，确保镀膜的质量符合预期标准，可根据动态数据进行工艺参数的调整，以优化镀膜过程，提高生产效率，通过监测厚度变化，实现对待镀膜层的精准制备，确保所需的厚度均匀性。结合光学和表面特性的多层次分析，更全面地评估镀膜质量，根据光学特性和表面形貌的关联信息，进行工艺参数的调整，优化制备过程，提供对镀膜材料光学特性和表面形貌的深入理解，有助于科学研究和技术创新。通过模型，实现对薄膜厚度均匀性的自动检测，提高效率和减少人为错误，可以实时监控薄膜制备过程中的均匀性，及时发现并纠正问题，提供了一个定量的指标或分类结果，有助于制造过程中的质量控制，确保产品符合规格要求。将第一和第二镀膜数据结合，通过模型评估，综合考虑多个因素，更全面地了解薄膜的均匀性。因此，本发明通过在镀膜中后对镀膜层进行内部及外部均匀性检测，并利用智能模型综合分析，提高了镀膜膜厚均匀性检测的精度。
本发明的有益效果在于通过图像预处理，获得标准待镀膜图像，提高后续处理的准确性，通过三维模拟和粗糙度分析，得到模拟镀膜粗糙度数据，为后续步骤提供基础数据。利用模拟镀膜粗糙度数据进行电子束照射映射，生成电子束照射映射数据。利用电子束照射映射数据对三维模型进行厚度变化动态监测，产生厚度变化动态数据。利用厚度变化动态数据进行待镀膜层厚度均匀性检测，得到第一镀膜厚度均匀性数据。对第一镀膜进行光谱扫描，生成标准光谱数据，并进行反射率曲线拟合，得到镀膜反射率曲线拟合数据。将反射率曲线拟合数据与厚度变化动态数据进行关联分析，生成关联光谱信息数据。利用OCT技术对镀膜进行表面形貌特征提取，生成膜层表面形貌特征数据。结合膜层表面形貌特征数据和关联光谱信息数据，进行膜层表面均匀性分析，得到第二镀膜厚度均匀性数据。对第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据进行模型训练，生成膜厚均匀检测模型。将第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据导入膜厚均匀检测模型，进行综合性评估，生成薄膜均匀性评估结果。实现对薄膜制备过程的自动监测和评估，提高效率和一致性，结合图像、光谱、厚度变化动态、表面形貌等多维数据，提供更全面的膜层信息。通过模型训练和评估结果，实现对膜层厚度均匀性的质量控制，能够及时发现并纠正制备过程中的不均匀性，提高产品质量。因此，本发明通过在镀膜中后对镀膜层进行内部及外部均匀性检测，并利用智能模型综合分析，提高了镀膜膜厚均匀性检测的精度。
附图说明
图1为一种检测镀膜机膜厚均匀性的方法的步骤流程示意图；
图2为图1中步骤S2的详细实施步骤流程示意图；
图3为图2中步骤S24的详细实施步骤流程示意图；
图4为图3中步骤S245的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，一种检测镀膜机膜厚均匀性的方法，所述方法包括以下步骤：
步骤S1：获取初始待镀膜图像；对初始待镀膜图像进行图像预处理，得到标准待镀膜图像；根据标准待镀膜图像对待镀膜进行三维模拟，生成待镀膜三维模型；将待镀膜三维模型导入至镀膜机中进行粗糙度分析，从而得到模拟镀膜粗糙度数据；
步骤S2：根据模拟镀膜粗糙度数据对镀膜机进行电子束照射映射，生成电子束照射映射数据；利用电子束照射映射数据对待镀膜三维模型进行厚度变化动态监测， 生成厚度变化动态数据；利用厚度变化动态数据对待镀膜层进行制备厚度均匀性检测，从而得到第一镀膜厚度均匀性数据；
步骤S3：基于第一镀膜厚度均匀性数据对镀膜进行光谱扫描，生成标准光谱数据；对标准光谱数据进行反射率曲线拟合，生成镀膜反射率曲线拟合数据；将镀膜反射率曲线拟合数据和厚度变化动态数据进行光谱信息关联分析，生成关联光谱信息数据；基于OCT技术对镀膜进行表面形貌特征提取，生成膜层表面形貌特征数据；对膜层表面形貌特征数据和关联光谱信息数据进行膜层表面均匀性分析，从而生成第二镀膜厚度均匀性数据；
步骤S4：对第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据进行模型训练从而生成膜厚均匀检测模型；将第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据导入至膜厚均匀检测模型中进行综合性评估，生成薄膜均匀性评估结果。
本发明通过从合适的设备或系统中获取待镀膜的初始图像，对初始待镀膜图像进行预处理，可能包括以下步骤：使用滤波器或其他去噪技术减少图像中的噪声，提高或降低图像的对比度，确保图像中的特征更清晰可见。利用预处理后的图像生成标准待镀膜图像，这可能包括颜色校正、尺寸标准化等步骤。通过立体视觉或其他技术估计图像中各点的深度信息，利用深度信息创建待镀膜的三维模型。通过三维模拟和粗糙度分析，可以在实际镀膜之前对产品质量进行预测和控制，获得的粗糙度数据可用于优化镀膜机的工艺参数，提高生产效率和镀膜质量，在实际生产之前发现并纠正问题，有助于降低不良品率，从而减少成本。通过实时监测和均匀性检测，确保镀膜的质量符合预期标准，可根据动态数据进行工艺参数的调整，以优化镀膜过程，提高生产效率，通过监测厚度变化，实现对待镀膜层的精准制备，确保所需的厚度均匀性。结合光学和表面特性的多层次分析，更全面地评估镀膜质量，根据光学特性和表面形貌的关联信息，进行工艺参数的调整，优化制备过程，提供对镀膜材料光学特性和表面形貌的深入理解，有助于科学研究和技术创新。通过模型，实现对薄膜厚度均匀性的自动检测，提高效率和减少人为错误，可以实时监控薄膜制备过程中的均匀性，及时发现并纠正问题，提供了一个定量的指标或分类结果，有助于制造过程中的质量控制，确保产品符合规格要求。将第一和第二镀膜数据结合，通过模型评估，综合考虑多个因素，更全面地了解薄膜的均匀性。因此，本发明通过在镀膜中后对镀膜层进行内部及外部均匀性检测，并利用智能模型综合分析，提高了镀膜膜厚均匀性检测的精度。
本发明实施例中，参考图1所述，为本发明一种检测镀膜机膜厚均匀性的方法的步骤流程示意图，在本实例中，所述一种检测镀膜机膜厚均匀性的方法包括以下步骤：
步骤S1：获取初始待镀膜图像；对初始待镀膜图像进行图像预处理，得到标准待镀膜图像；根据标准待镀膜图像对待镀膜进行三维模拟，生成待镀膜三维模型；将待镀膜三维模型导入至镀膜机中进行粗糙度分析，从而得到模拟镀膜粗糙度数据；
本发明实施例中，通过使用相机或其他图像采集设备获取待镀膜的初始图像，确保采集设备设置适当，以保证图像质量和分辨率。使用滤波器或其他去噪技术，消除图像中的噪声，根据需要调整图像的灰度级别，以提高对比度，使用边缘增强算法突出待镀膜的边缘特征，对图像进行校正，确保图像中的待镀膜部分处于合适的位置，使用计算机视觉技术，将图像转换为三维点云数据。基于点云数据进行三维重建，生成待镀膜的三维模型，对生成的三维模型进行优化，去除不必要的噪声或细节，将优化后的三维模型导入至镀膜机或相关软件平台，利用镀膜机的粗糙度分析功能，对待镀膜的三维模型进行表面粗糙度分析，从分析结果中提取模拟镀膜的粗糙度数据。对从镀膜机获取的粗糙度数据进行处理，确保数据的准确性和可用性，存储模拟镀膜的粗糙度数据，以备后续步骤使用。
步骤S2：根据模拟镀膜粗糙度数据对镀膜机进行电子束照射映射，生成电子束照射映射数据；利用电子束照射映射数据对待镀膜三维模型进行厚度变化动态监测， 生成厚度变化动态数据；利用厚度变化动态数据对待镀膜层进行制备厚度均匀性检测，从而得到第一镀膜厚度均匀性数据；
本发明实施例中，通过根据模拟镀膜粗糙度数据，设置电子束照射的参数，包括强度、方向和照射时间等，在镀膜机中，将电子束照射到待镀膜表面，记录照射期间的反射或吸收情况，记录电子束照射映射期间的反射强度或其他相关数据。利用记录的电子束照射映射数据，通过算法或模型计算待镀膜三维模型表面的厚度变化，在不同时间点，重复进行电子束照射映射和数据处理，实现对厚度随时间的动态监测。从动态监测的结果中提取各个时间点的厚度变化数据，将不同时间点的厚度数据整合，形成厚度变化动态数据集。在制备待镀膜层的过程中，根据厚度变化动态数据，调整电子束的照射强度或其他参数，以实现更加均匀的厚度分布，在制备过程中实时监控厚度的变化，确保符合预定的均匀性标准。利用实时监测的厚度变化动态数据，进行数据分析和处理，根据分析结果，评估待镀膜层的厚度均匀性，存储第一镀膜厚度均匀性数据，以备后续分析和比较使用。
步骤S3：基于第一镀膜厚度均匀性数据对镀膜进行光谱扫描，生成标准光谱数据；对标准光谱数据进行反射率曲线拟合，生成镀膜反射率曲线拟合数据；将镀膜反射率曲线拟合数据和厚度变化动态数据进行光谱信息关联分析，生成关联光谱信息数据；基于OCT技术对镀膜进行表面形貌特征提取，生成膜层表面形貌特征数据；对膜层表面形貌特征数据和关联光谱信息数据进行膜层表面均匀性分析，从而生成第二镀膜厚度均匀性数据；
本发明实施例中，通过使用合适的光谱仪器对已经进行第一镀膜的样品进行扫描，记录光谱扫描期间的反射率数据，形成标准光谱数据，对标准光谱数据进行处理，提取反射率曲线。使用数学模型或拟合算法对反射率曲线进行拟合，得到反射率曲线拟合数据。将反射率曲线拟合数据与第一镀膜厚度均匀性数据进行整合，通过统计或相关性分析等方法，确定反射率曲线拟合数据与厚度均匀性的关联性。使用光学相干层析成像（OCT）技术对镀膜表面进行扫描。从OCT扫描数据中提取表面形貌特征，如表面粗糙度、颗粒分布等，将膜层表面形貌特征数据与关联光谱信息数据进行融合，确定膜层表面形貌特征与光谱信息之间的关联关系。结合膜层表面形貌特征数据、关联光谱信息数据以及第一镀膜厚度均匀性数据进行综合分析，利用分析结果评估第二镀膜的厚度均匀性。
步骤S4：对第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据进行模型训练从而生成膜厚均匀检测模型；将第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据导入至膜厚均匀检测模型中进行综合性评估，生成薄膜均匀性评估结果。
本发明实施例中，通过整理第一镀膜和第二镀膜的厚度均匀性数据，确保数据质量和标签准确性，根据实际情况选择合适的特征，这可以包括第一镀膜的光谱特征、第二镀膜的光谱特征、表面形貌特征等，定义训练数据的标签，即薄膜的均匀性等级或相关的评估指标，选择适当的机器学习或深度学习模型，如支持向量机（SVM）、神经网络等，以处理复杂的关联性。将数据划分为训练集和验证集，以便在训练过程中评估模型性能，使用训练集对模型进行训练，并通过验证集进行调优，确保模型能够准确地捕捉膜厚均匀性的特征。使用第一镀膜和第二镀膜的厚度均匀性数据作为测试集，将测试数据导入训练好的模型中，获取模型对膜厚均匀性的预测结果，使用评价指标（如准确性、精确度、召回率等）对模型性能进行评估。结合第一镀膜和第二镀膜的厚度均匀性数据，将模型的预测结果与实际情况进行综合评估，生成薄膜均匀性评估报告，其中包括模型的预测结果、评估指标、可能的改进建议等。
优选的，步骤S1包括以下步骤：
步骤S11：获取初始待镀膜图像；
步骤S12：对初始待镀膜图像进行图像像素亮度变换，生成待镀膜亮度变换图像；对待镀膜亮度变换图像进行几何变换，生成待镀膜变换图像；对待镀膜变换图像进行局部邻域预处理，从而得到标准待镀膜图像，其中局部邻域预处理包括图像平滑和边缘检测；
步骤S13：根据标准待镀膜图像对待镀膜进行镀膜层级划分，生成待镀膜层级数据；通过待镀膜层级数据对待镀膜进行镀膜区域划分，生成镀膜区域数据；利用待镀膜层级数据和镀膜区域数据进行待镀膜三维模拟，生成待镀膜三维模型；
步骤S14：将待镀膜三维模型导入至镀膜机中进行镀膜模拟，生成镀膜模拟数据；对镀膜模拟数据进行粗糙度分析，从而得到模拟镀膜粗糙度数据。
本发明通过图像处理和三维模拟，该方法似乎能够实现对涂层过程的精细控制，包括对涂层的层级、区域和特性进行详细划分，通过将三维模型导入涂层机进行模拟，该方法可能能够实现实时的涂层模拟，从而在实际涂层之前评估涂层的效果，通过对模拟数据进行粗糙度分析，该方法可以提供对涂层表面质量的评估，有助于优化涂层过程以获得所需的表面特性，通过层级划分，该方法似乎支持处理具有多个层级的涂层，使其适用于复杂的涂层结构。
本发明实施例中，通过从相机、传感器或其他图像采集设备中获取原始待涂层的图像，使用算法或函数对初始待镀膜图像进行像素亮度变换，例如线性或非线性变换，应用几何变换，例如旋转、缩放或平移，以适应特定需求，进行图像平滑以减少噪声，可以使用高斯滤波等方法，进行边缘检测，例如使用Sobel、Canny等算法，以强调图像中的边缘。基于处理后的标准待镀膜图像，使用图像分割技术（如阈值分割、区域生长等）进行涂层层级的划分，利用图像分割结果，对涂层进行区域划分，可能涉及到每个层级中不同涂层区域的识别，根据层级数据和区域数据，生成待涂层的三维模型，可能涉及将图像信息映射到三维空间，将生成的三维模型导入涂层机中，可能需要考虑涂层机的文件格式和接口标准。对模拟数据进行粗糙度分析，可以使用表面粗糙度评估算法，例如Ra值、均方根（RMS）值等，以评估模拟涂层的表面质量。
优选的，步骤S2包括以下步骤：
步骤S21：根据模拟镀膜粗糙度数据对镀膜机进行电子束调整，生成镀膜机镀膜调整数据；利用镀膜机镀膜调整数据对待镀膜进行电子束位置定点，生成电子束发射范围数据；
步骤S22：通过模拟镀膜粗糙度数据对电子束发射范围数据进行镀膜粗糙排序，生成镀膜粗糙排序数据；基于镀膜粗糙排序数据对电子束发射范围数据进行电子束照射映射，生成电子束照射映射数据；
步骤S23：利用电子束照射映射数据对待镀膜三维模型进行厚度镀膜厚度分布提取，生成膜层厚度分布数据；通过膜层厚度分布数据对电子束发射范围数据进行厚度变化动态监测， 生成厚度变化动态数据；
步骤S24：基于电子束物理气相沉积技术利用厚度变化动态数据对待镀膜层进行制备厚度均匀性检测，从而得到第一镀膜厚度均匀性数据。
本发明通过根据模拟的涂层粗糙度数据对涂层机进行电子束调整，可以优化涂层机的参数，以提高涂层的整体质量利，用电子束调整数据对待涂层进行电子束位置定点，可以确保电子束的准确发射，提高了制备过程的精确性。通过根据模拟的涂层粗糙度数据对电子束发射范围进行排序，可以优先处理需要更多电子束照射的区域，提高了涂层表面的均匀性和质量，利用粗糙排序数据对电子束发射范围进行映射，可以确保电子束在整个涂层表面均匀照射，有助于避免涂层中存在的不均匀性问题。通过电子束照射映射数据对涂层的三维模型进行厚度提取，可以获得膜层在不同区域的厚度分布，为后续分析提供基础，利用膜层厚度分布数据对电子束发射范围进行厚度变化动态监测，有助于了解制备过程中涂层厚度的动态变化情况。利用电子束物理气相沉积技术，根据厚度变化动态数据对待涂层层进行制备，可以获得第一层涂层的厚度均匀性数据，用于评估和改进制备过程。
作为本发明的一个实例，参考图2所示，在本实例中所述步骤S2包括：
步骤S21：根据模拟镀膜粗糙度数据对镀膜机进行电子束调整，生成镀膜机镀膜调整数据；利用镀膜机镀膜调整数据对待镀膜进行电子束位置定点，生成电子束发射范围数据；
本发明实施例中，通过使用先进的计算机模拟技术或实验手段，获取涂层表面的粗糙度数据。这可以通过数值模拟、实验测量或两者的结合来实现。利用模拟的镀膜粗糙度数据，进行数据分析和处理，以确定需要调整的镀膜机参数。这可能包括电子束的功率、发射角度、聚焦等参数。使用确定的调整参数，对镀膜机进行电子束调整。这可能涉及到调整机器的电子束源、聚焦系统、镀膜物料供给等关键部分，以确保电子束能够精确地照射到待涂层的表面。在电子束调整过程中，实时记录和监测调整后的镀膜机参数。这些数据将构成生成的镀膜调整数据，其中包括调整后的电子束参数和机器状态信息。利用生成的镀膜调整数据，对待涂层进行电子束位置定点。这意味着在涂层表面选择特定的点或区域，确保电子束能够准确照射到这些位置。在电子束位置定点后，记录电子束发射的范围数据。这可以是在涂层表面上每个点或区域的照射强度、时间等信息，形成电子束发射范围的数据集。
步骤S22：通过模拟镀膜粗糙度数据对电子束发射范围数据进行镀膜粗糙排序，生成镀膜粗糙排序数据；基于镀膜粗糙排序数据对电子束发射范围数据进行电子束照射映射，生成电子束照射映射数据；
本发明实施例中，通过使用模拟的镀膜粗糙度数据和电子束发射范围数据，对电子束发射范围数据进行镀膜粗糙度排序。这可能包括根据涂层表面的不同粗糙度水平，将电子束照射数据进行排序，以便更清晰地了解在不同粗糙度条件下电子束的照射情况。将排序后的数据记录下来，形成镀膜粗糙排序数据。这些数据将有助于了解在不同粗糙度条件下，电子束的照射分布或其他相关信息。使用镀膜粗糙排序数据，对电子束发射范围数据进行电子束照射映射。这个步骤可能包括使用模型或算法，将排序数据映射到实际的电子束照射范围数据中。将映射后的数据整合并记录，形成电子束照射映射数据。这些数据将提供关于不同镀膜粗糙度情况下电子束照射的更详细和精确的信息。
步骤S23：利用电子束照射映射数据对待镀膜三维模型进行厚度镀膜厚度分布提取，生成膜层厚度分布数据；通过膜层厚度分布数据对电子束发射范围数据进行厚度变化动态监测， 生成厚度变化动态数据；
本发明实施例中，通过利用之前生成的电子束照射映射数据，将其应用于待镀膜的三维模型。基于电子束照射映射数据，通过算法或模型从三维模型中提取镀膜的厚度分布。这可能涉及到对不同部位的模型进行分析，从而得出整个表面的厚度分布情况。将提取得到的膜层厚度分布数据整合，并记录下来。这些数据将提供有关整个表面膜层厚度变化的信息。利用生成的膜层厚度分布数据，将其应用于电子束发射范围数据。监测膜层厚度在不同区域和时刻的变化情况。这可能包括分析不同区域的厚度变化速率，检测可能存在的不均匀厚度问题，以及在整个涂层过程中的动态变化趋势。将厚度变化的动态数据记录下来，形成厚度变化动态数据集。这些数据将有助于了解在涂层过程中膜层厚度的变化情况。
步骤S24：基于电子束物理气相沉积技术利用厚度变化动态数据对待镀膜层进行制备厚度均匀性检测，从而得到第一镀膜厚度均匀性数据。
本发明实施例中，通过确保电子束物理气相沉积设备已经校准，并能够精确控制电子束的照射范围和强度，使用先前步骤中获得的厚度变化动态数据作为基础，这些数据提供了在涂层过程中膜层厚度的动态变化信息。根据动态数据的分析，调整电子束的照射参数，如照射强度、角度等，以实现更均匀的涂层，确定镀膜实验的条件，包括温度、压力、反应气体流量等，以确保稳定的制备环境。将待镀膜的基底材料放置在反应室中，并启动电子束物理气相沉积过程。在此过程中，根据调整后的参数进行涂层制备，利用先前获得的厚度变化动态数据，实时监测涂层的厚度变化情况，并根据需要调整电子束的照射参数，以确保膜层的均匀性。在涂层过程中，持续收集厚度变化数据。这可能包括在不同时间点或在特定区域进行厚度测量，将收集到的数据进行分析，以评估膜层在整个表面的厚度分布情况。这可以涉及统计分析、图像处理或其他分析方法来确定膜层的均匀性。基于厚度变化动态数据和实时监测结果，生成第一次涂层的厚度均匀性数据。
优选的，步骤S24包括以下步骤：
步骤S241：基于厚度变化动态数据对电子束发射范围数据进行电子束特性调节，生成电子束特性调节数据，其中电子束特性调节数据包括电子束能量数据和电子束扫描速度数据；根据电子束能量数据和电子束扫描速度数据对待镀膜层进行电子束热蒸发，得到待镀膜层表面温度数据；
步骤S242：对待镀膜层表面温度数据进行热像可视化，得到待镀膜层表面热像图；对待镀膜层表面热像图进行区域温度均值划分，生成待镀膜层表面区域温度均值数据；利用镀层气化粒子检测公式对待镀膜层表面区域温度均值数据进行气化评估，从而生成镀层气体粒子数据；
步骤S243：将镀层气体粒子数据和预设的气体粒子阈值进行对比，当镀层气体粒子数据大于或等于预设的气体粒子阈值时，则对待镀膜层进行表面平坦拍摄，得到第一阶段镀膜平坦图像；当镀层气体粒子数据小于预设的气体粒子阈值时，则返回步骤S241；
步骤S244：通过第一阶段镀膜平台图像对待镀膜层进行蒸发物质传输监控，得到气态粒子运动数据；根据气态粒子运动数据进行薄膜沉积速率分析，生成薄膜沉积速率数据；利用薄膜沉积速率数据对电子束进行动态控制，从而生成镀膜层数据；
步骤S245：基于镀膜层数据对第一阶段镀膜平坦图像进行多位置检测，得到镀膜第一均匀性数据。
本发明通过基于厚度变化动态数据进行电子束特性调节，可以优化电子束的能量和扫描速度。这有助于调整电子束的传输特性，以更精确地控制薄膜的热蒸发过程。通过对表面温度数据进行热像可视化，可以直观地观察待镀膜层的温度分布，有助于调整电子束参数以实现均匀的加热。利用镀层气化粒子检测公式对温度数据进行气化评估，这有助于了解表面的气体粒子行为，提前发现潜在的问题。通过比较镀层气体粒子数据与阈值，系统能够实时决策是否进行表面平坦拍摄。这种实时反馈机制有助于及时处理可能影响薄膜质量的情况。通过对蒸发物质传输的监控，系统可以获取气态粒子运动数据。这些数据用于分析薄膜的沉积速率，为电子束的动态控制提供实时依据。利用镀膜层数据对第一阶段镀膜平坦图像进行多位置检测，有助于全面评估薄膜的均匀性。这种多位置的检测方法提供了更全面的信息，确保整个膜层的一致性。
作为本发明的一个实例，参考图3所示，在本实例中所述步骤S24包括：
步骤S241：基于厚度变化动态数据对电子束发射范围数据进行电子束特性调节，生成电子束特性调节数据，其中电子束特性调节数据包括电子束能量数据和电子束扫描速度数据；根据电子束能量数据和电子束扫描速度数据对待镀膜层进行电子束热蒸发，得到待镀膜层表面温度数据；
本发明实施例中，通过使用传感器、监测设备或实时测量系统来采集厚度变化的动态数据。这可能包括待镀膜层的当前厚度、表面形貌等信息，根据动态数据调整电子束的特性。这可能包括利用反馈控制系统，PID控制等方式来调整电子束的能量和扫描速度。通过算法处理动态数据，生成电子束特性调节数据。这些数据可能包括电子束能量和扫描速度的目标值，以实现所需的镀层特性。准备待镀膜层，确保基底表面平整清洁，以便电子束热蒸发过程。根据生成的电子束特性调节数据，调整电子束的能量和扫描速度。启动电子束热蒸发过程，通过调整能量和扫描速度，使电子束与待镀膜层相互作用，引起薄膜材料的热蒸发。在电子束热蒸发的同时，使用温度传感器或红外热像仪等设备监测待镀膜层表面的温度。
步骤S242：对待镀膜层表面温度数据进行热像可视化，得到待镀膜层表面热像图；对待镀膜层表面热像图进行区域温度均值划分，生成待镀膜层表面区域温度均值数据；利用镀层气化粒子检测公式对待镀膜层表面区域温度均值数据进行气化评估，从而生成镀层气体粒子数据；
本发明实施例中，通过使用热像设备（红外相机或热像仪）来捕捉待镀膜层表面的温度数据。对捕获的温度数据进行处理，生成热像图。这可以通过将温度数据映射到颜色来实现，形成直观的热像。利用图像处理技术，对热像图进行区域划分。可以采用分割算法，如聚类或阈值分割，以获取不同区域。对每个区域内的温度值进行均值计算，得到待镀膜层表面区域温度均值数据。制定适当的镀层气化粒子检测公式，该公式可能与区域温度、镀层材料等因素相关。利用制定的检测公式，对待镀膜层表面区域温度均值数据进行气化评估。这可能涉及阈值的设定，以判断是否存在气化现象。根据气化评估结果，生成镀层气体粒子数据。这可以是定量的，表示单位面积或体积内的气体粒子数量。
步骤S243：将镀层气体粒子数据和预设的气体粒子阈值进行对比，当镀层气体粒子数据大于或等于预设的气体粒子阈值时，则对待镀膜层进行表面平坦拍摄，得到第一阶段镀膜平坦图像；当镀层气体粒子数据小于预设的气体粒子阈值时，则返回步骤S241；
本发明实施例中，通过使用之前步骤中生成的镀层气体粒子数据和预设的气体粒子阈值，判断镀层气体粒子数据是否大于或等于预设的气体粒子阈值。如果镀层气体粒子数据大于或等于预设的气体粒子阈值，执行表面平坦拍摄。使用合适的设备对待镀膜层进行表面平坦拍摄，以获取第一阶段的镀膜平坦图像。对拍摄得到的图像进行处理，可能包括去除噪声、增强对比度等，以获得清晰的镀膜平坦图像。如果镀层气体粒子数据小于预设的气体粒子阈值，则返回到步骤S242，继续进行表面温度数据的处理和气化评估。使用之前步骤中生成的镀层气体粒子数据和预设的气体粒子阈值。判断镀层气体粒子数据是否大于或等于预设的气体粒子阈值。如果高于阈值，执行表面平坦拍摄，并处理图像。如果低于阈值，返回到步骤S242。
步骤S244：通过第一阶段镀膜平台图像对待镀膜层进行蒸发物质传输监控，得到气态粒子运动数据；根据气态粒子运动数据进行薄膜沉积速率分析，生成薄膜沉积速率数据；利用薄膜沉积速率数据对电子束进行动态控制，从而生成镀膜层数据；
本发明实施例中，通过使用第一阶段镀膜平台图像对待镀膜层进行监控，利用图像处理技术，提取蒸发物质的特征，如浓度分布、颗粒运动轨迹等，从监控图像中提取气态粒子运动数据，包括速度、方向、浓度等信息。对提取的气态粒子运动数据进行解析，得到薄膜沉积速率的关键参数，使用合适的算法，可能是数学模型或机器学习方法，对气态粒子运动数据进行分析，以估算薄膜的沉积速率。基于分析的结果，生成薄膜沉积速率数据。设计一个控制系统，用于对电子束进行动态控制，设置实时反馈机制，根据薄膜沉积速率数据调整电子束的能量、位置或强度，以实现动态控制。根据电子束动态控制的结果，实时调整薄膜沉积过程。记录动态调整后的镀膜层数据，包括厚度、均匀性等。
步骤S245：基于镀膜层数据对第一阶段镀膜平坦图像进行多位置检测，得到第一镀膜厚度均匀性数据。
本发明实施例中，通过使用前述步骤中生成的镀膜层数据，包括厚度、均匀性等信息，在第一阶段的镀膜平台上，选择多个位置进行图像采集。这些位置应该代表整个镀膜过程的不同区域。对采集到的图像进行校正，确保图像的几何畸变和光照变化被纠正，在每个位置的图像中选择特定的区域，用于分析该位置的镀膜厚度。利用镀膜层数据和图像分析算法，在每个选定的区域中测量镀膜的厚度，设计计算指标来评估每个位置的镀膜厚度均匀性。这可以包括标准差、均匀性指数等。记录每个位置的镀膜厚度均匀性数据，建立数据库，利用记录的数据生成报告，用于分析不同位置的镀膜均匀性，如果发现某个位置的厚度不均匀，可以通过反馈机制调整电子束控制，以实现更均匀的镀膜。
优选的，步骤S242中的镀层气化粒子检测公式具体如下：
；
式中，Q表示为单位时间内从镀膜层表面区域释放的气体粒子数，T表示为镀膜层表面区域的时间，A表示为镀膜层表面区域的空间范围下限，B表示为镀膜层表面区域的空间范围上限，ρ表示为待镀膜层的材料密度，cp表示为待镀膜层的比热容，Ts表示为待镀膜层的表面温度，T{env}表示为待镀膜层的环境温度，h表示为待镀膜层表面与环境之间的传热系数，α表示为表面反应速率常数，λ表示为温度偏差标准差，表示为空间范围下限变化率，表示为空间范围上限变化率，t1表示为气体粒子检测时间变量，μ表示为镀层气化粒子检测异常调整值。
本发明构建了一种镀层气化粒子检测公式，公式中的积分部分(T,A,B)对时间和空间范围进行积分，表示在一定时间内和指定空间范围内的粒子释放情况。通过控制时间和空间范围，可以精确地描述镀膜层表面区域的粒子释放情况。密度ρ和比热容cp是待镀膜层的物性参数，它们决定了材料的热传导特性。这些参数的值会影响热量在镀膜层内部的传递速度和分布情况。根据镀膜层表面区域的时间与以上各参数之间的相互关系构成了一种函数关系：
；
通过调节待镀膜层的表面温度Ts、环境温度T{env}以及表面与环境之间的传热系数h共同决定了热量从表面向环境的传递速率。这些参数的变化会影响热量释放和温度分布，从而影响粒子释放情况。表面反应速率常数表示了气体粒子在镀膜层表面的反应速率。它的值决定了气体粒子释放的速度和程度。较大的α值表示更快的反应速率，导致更高的粒子释放量。温度偏差标准差表示了温度分布的离散程度。较大的λ值表示温度分布更广泛，而较小的λ值表示温度分布更集中。λ的变化会影响到高斯分布项中温度的权重分布，从而影响到粒子释放量。空间范围下限和上限的变化率表示了镀膜层表面区域空间范围的变化情况。这些变化率的值会影响到粒子释放的时间和空间范围，从而调整总的粒子释放量。通过镀层气化粒子检测异常调整值μ，用于校正由于实际系统的复杂性和非理想性而引起的误差和偏差。它可以纠正公式中的理论假设与实际系统之间的差异，提高镀层气化粒子检测的准确性和可靠性，更加准确的生成单位时间内从镀膜层表面区域释放的气体粒子数Q，同时公式中的待镀膜层的材料密度、温度偏差标准差等参数可以根据实际情况进行调整，从而适应不同的镀层气化粒子检测场景，提高了算法的适用性和灵活性。在使用本领域常规的镀层气化粒子检测公式时，可以得到单位时间内从镀膜层表面区域释放的气体粒子数，通过应用本发明提供的镀层气化粒子检测公式，可以更加精确的计算出单位时间内从镀膜层表面区域释放的气体粒子数。通过调整这些参数，可以控制公式中的各个项对最终的粒子释放量的贡献程度。这样的路径规划公式可以用于模拟和预测气体粒子在镀膜层表面区域的释放情况，帮助优化镀膜过程、改进镀膜质量，以及进行镀层气化粒子的检测与调整。
优选的，步骤S245包括以下步骤：
步骤S2451：基于镀膜层数据对镀膜进行镀膜表面平坦拍摄，得到第二阶段镀膜平坦图像；将第一阶段镀膜平坦图像和第二阶段镀膜平坦图像进行图像重合，得到镀膜重合图像；对镀膜重合图像进行重合区域剔除，得到镀膜部分图像；
步骤S2452：基于膜层分离路径规划公式对镀膜部分图像进行上下区域分离，生成上膜平坦曲线和膜下平坦曲线；根据上膜平坦曲线和膜下平坦曲线进行连接距离测量，得到膜连接高度数据；
步骤S2453：根据膜连接高度数据进行极端高度筛选，得到膜连接极高位置数据和膜连接极低位置数据；根据膜连接极高位置数据和膜连接极低位置数据进行第一类位置激光穿透，得到第一类位置均匀性数据；
步骤S2454：根据第一类位置均匀性数据对上膜平坦曲线和膜下平坦曲线进行曲线弯曲极值分析，得到上膜极弯数据和膜下极弯数据；通过上膜极弯数据和膜下极弯数据进行第二类位置激光穿透，得到第二类位置均匀性数据；
步骤S2455：将第一类位置均匀性数据和第二类位置均匀性数据进行数据整合，得到第一镀膜厚度均匀性数据。
本发明通过使用镀膜层数据对镀膜进行拍摄，并获得第二阶段的平坦镀膜图像，将第一阶段和第二阶段的镀膜平坦图像进行重叠，得到镀膜重合图像，然后删除重叠区域，获得镀膜部分图像。基于膜层分离路径规划公式，将镀膜部分图像分离为上膜平坦曲线和膜下平坦曲线，利用这些曲线进行连接距离测量，得到膜连接高度数据。通过对膜连接高度数据进行筛选，得到膜连接的极高和极低位置数据，利用这些位置数据进行第一类位置的激光穿透，最终得到第一类位置的均匀性数据。使用第一类位置的均匀性数据对上膜平坦曲线和膜下平坦曲线进行曲线弯曲极值分析，得到上膜极弯和膜下极弯数据，进行第二类位置的激光穿透，并得到第二类位置的均匀性数据。综合利用了镀膜层数据和图像处理技术，通过多个步骤对镀膜的不同方面进行分析和评估，最终提供了更全面和细致的第一镀膜厚度均匀性数据。
作为本发明的一个实例，参考图4所示，在本实例中所述步骤S245包括：
步骤S2451：基于镀膜层数据对镀膜进行镀膜表面平坦拍摄，得到第二阶段镀膜平坦图像；将第一阶段镀膜平坦图像和第二阶段镀膜平坦图像进行图像重合，得到镀膜重合图像；对镀膜重合图像进行重合区域剔除，得到镀膜部分图像；
本发明实施例中，通过使用适当的传感器或相机设备对镀膜进行拍摄，以获取第二阶段的镀膜平坦图像。这可能涉及到光学设备、摄像头、光源等，将第一阶段和第二阶段的镀膜平坦图像进行图像重合。这可能需要使用图像处理软件或算法，确保两个图像在相同的坐标系下对齐，将第一阶段和第二阶段镀膜平坦图像重合后，生成镀膜重合图像。这可以通过简单的叠加或融合技术来实现，确保两个阶段的信息都得到保留。对镀膜重合图像进行分析，剔除重合区域。这可能需要采用图像分割算法，找到两个阶段之间的不同之处，从而得到镀膜部分图像。剔除重合区域后，得到镀膜部分图像。这是一个只包含镀膜表面信息的图像，可以用于后续的分析和处理。
步骤S2452：基于膜层分离路径规划公式对镀膜部分图像进行上下区域分离，生成上膜平坦曲线和膜下平坦曲线；根据上膜平坦曲线和膜下平坦曲线进行连接距离测量，得到膜连接高度数据；
本发明实施例中，通过使用膜层分离路径规划公式，对镀膜部分图像进行上下区域的分离。这可能涉及到边缘检测、图像分割或者特征提取等技术。分离后，得到上膜和膜下两个区域的图像。针对上膜和膜下两个区域的图像，使用适当的曲线生成算法，生成上膜平坦曲线和膜下平坦曲线。这可能包括拟合曲线、边缘检测后的轮廓曲线等。在上膜平坦曲线和膜下平坦曲线之间进行连接距离的测量。这可能涉及到计算两个曲线之间的垂直距离，可以采用数学上的垂直距离公式。根据连接距离的测量结果，得到膜连接高度数据。这可能包括在曲线上每个点的连接高度，或者是根据一定的采样密度获得整个曲线的连接高度数据。
步骤S2453：根据膜连接高度数据进行极端高度筛选，得到膜连接极高位置数据和膜连接极低位置数据；根据膜连接极高位置数据和膜连接极低位置数据进行第一类位置激光穿透，得到第一类位置均匀性数据；
本发明实施例中，通过对膜连接高度数据进行极端高度筛选。这可能包括设置阈值，将高度超过或低于阈值的数据标记为膜连接极高位置数据和膜连接极低位置数据。通过筛选后，得到膜连接极高位置数据和膜连接极低位置数据。这些数据表示连接处高度显著偏高或偏低的位置。使用激光穿透技术对膜连接极高位置数据和膜连接极低位置数据进行第一类位置激光穿透。这可能涉及到激光器、光学系统和探测器等设备。激光穿透的具体方式可能根据需求而定，可以是通过膜层实现激光的穿透，或者通过其他方式实现。基于激光穿透后的数据，对第一类位置进行均匀性分析。这可能包括测量激光透过的光强、光斑的大小和形状等信息。使用适当的算法和技术，计算第一类位置的均匀性数据。均匀性数据可以反映激光穿透在连接处的分布情况，用于评估连接的质量。
步骤S2454：根据第一类位置均匀性数据对上膜平坦曲线和膜下平坦曲线进行曲线弯曲极值分析，得到上膜极弯数据和膜下极弯数据；通过上膜极弯数据和膜下极弯数据进行第二类位置激光穿透，得到第二类位置均匀性数据；
本发明实施例中，通过利用第一类位置的均匀性数据，生成上膜平坦曲线和膜下平坦曲线，对这些曲线进行弯曲极值分析，识别极值点，包括凸起和凹陷，提取上膜极弯数据和膜下极弯数据，这些数据表示平坦曲线的极值位置和弯曲程度。使用上膜极弯数据和膜下极弯数据进行第二类位置激光穿透。这可能需要调整激光的角度、强度或其他参数，以确保激光能够穿透到第二类位置，借助适当的探测设备，捕捉激光穿透后的数据。利用激光穿透后的数据，进行第二类位置的均匀性分析。这可能涉及到与第一类位置不同的分析方法，因为第二类位置的特性可能与第一类位置有所不同，计算并记录第二类位置的均匀性数据，用于评估连接处的性能和质量。
步骤S2455：将第一类位置均匀性数据和第二类位置均匀性数据进行数据整合，得到第一镀膜厚度均匀性数据。
本发明实施例中，通过确保第一类位置和第二类位置的数据都位于相同的量纲和范围内。如果两类数据采集方法、测量单位或比例不同，需要进行标准化处理，以便进行比较和整合。确保第一类位置和第二类位置的数据采集包含对应的位置信息，使得它们能够在相同位置进行比较。这可能需要采用精准的定位或者标定系统，确保两类数据能够正确对齐。考虑到第一类位置和第二类位置的特性，确定数据整合的方式。这可能包括简单的平均化、加权平均、或者其他统计方法来融合两类数据，合并过程应该考虑每个位置的重要性和影响，可能需要根据实际情况进行加权或调整。鉴别和处理可能存在的异常值或噪声数据，这可能会干扰数据整合过程。采用滤波、平滑或剔除异常值的方法，确保数据的准确性和可靠性，完成数据整合后，进行评估和验证。确保整合后的数据符合预期，并且能够反映出第一镀膜厚度的整体均匀性，记录整合后的第一镀膜厚度均匀性数据。
优选的，步骤S2452中的膜层分离路径规划公式具体如下：
；
；
式中，H上表示为上膜平坦曲线的函数，H下表示为膜下平坦曲线的函数，L表示为图像的长度或宽度，x表示为图像中的横向位置，y表示为图像中的纵向位置，用于分隔上下膜区域，u表示为膜层分离路径的平均位置，σ表示为膜层分离路径的标准差，exp表示为自然指数函数，t2表示为膜层分离时间变量，ε表示为上膜平坦曲线修正量，δ表示为膜下平坦曲线修正量。
本发明构建了一种膜层分离路径规划公式，公式中的L表示图像的长度或宽度，它决定了曲线的范围。调整L可以控制曲线的横向分布范围。x表示图像中的横向位置，它在积分过程中起到定位的作用。通过积分横向位置，可以得到在不同位置上的曲线函数值，y表示图像中的纵向位置，用于分隔上膜区域和膜下区域。调整y的值可以控制膜层分离的位置。根据膜层分离路径的平均位置与以上各参数之间的相互关系构成了一种函数关系：
；
；
通过调节u表示膜层分离路径的平均位置，σ表示膜层分离路径的标准差。这两个参数决定了曲线的形状和位置。通过调整u和σ的值，可以控制曲线的中心位置和宽度，从而调整膜层分离路径的分布情况。自然指数函数在公式中用于描述曲线的形状。它在指数函数中具有平滑和快速衰减的特性。通过上膜平坦曲线修正量ε和膜下平坦曲线修正量δ，用于校正由于实际系统的复杂性和非理想性而引起的误差和偏差。它可以纠正公式中的理论假设与实际系统之间的差异，提高膜层分离路径规划的准确性和可靠性，更加准确的生成上膜平坦曲线的函数H上和膜下平坦曲线的函数H下，同时公式中的膜层分离路径的标准差、膜层分离路径的平均位置等参数可以根据实际情况进行调整，从而适应不同的膜层分离路径规划场景，提高了算法的适用性和灵活性。在使用本领域常规的膜层分离路径规划公式时，可以得到上膜平坦曲线的函数和膜下平坦曲线的函数，通过应用本发明提供的膜层分离路径规划公式，可以更加精确的计算出上膜平坦曲线的函数和膜下平坦曲线的函数。通过调整这些参数，可以控制公式中的各个项对最终曲线函数的贡献程度。这样的曲线函数可以用于描述上膜平坦性和膜下平坦性的分布情况，帮助优化薄膜制备过程，改进膜层的平坦性，并进行适当的修正以满足实际需求。
优选的，步骤S3包括以下步骤：
步骤S31：基于第一镀膜厚度均匀性数据对镀膜进行光谱扫描，得到原始光谱数据；对原始光谱数据进行数据预处理，生成标准光谱数据，其中数据预处理包括数据清洗、数据离散化、数据缺失值填充和数据标准化；
步骤S32：对标准光谱数据进行波谱特征提取，得到镀膜波谱特征数据；对镀膜波谱特征数据进行反射率曲线拟合，生成镀膜反射率曲线拟合数据；对镀膜反射率曲线拟合数据进行数据降维，生成光谱特征向量数据；
步骤S33：将光谱特征向量数据和厚度变化动态数据进行光谱信息关联分析，生成关联光谱信息数据；基于OCT技术对镀膜进行膜层厚度扫描，得到表面光学特性立体数据；对表面光学特性立体数据进行表面形貌特征提取，生成膜层表面形貌特征数据；
步骤S34：将关联光谱信息数据和膜层表面形貌特征数据进行趋势性分析，生成形貌-光学特征关联数据；通过散点图对形貌-光学特征关联数据进行膜层表面均匀性分析，从而生成第二镀膜厚度均匀性数据。
本发明通过基于第一镀膜厚度均匀性数据的光谱扫描，获取了与镀膜相关的原始光谱数据，通过清洗、离散化、缺失值填充和标准化等预处理步骤，确保得到的标准光谱数据质量高、可靠性强。从标准光谱数据中提取了波谱特征，这些特征可以包含关于镀膜性质的重要信息，进一步对波谱特征数据进行反射率曲线拟合，以获取更为详细和精确的光学特性信息，对反射率曲线拟合数据进行降维，以减少数据的复杂性，同时保留关键信息，生成光谱特征向量数据。将光谱特征向量数据与厚度变化动态数据进行关联分析，生成关联光谱信息数据。这有助于理解光学特性与膜层厚度变化之间的关系，利用OCT技术对镀膜进行膜层厚度扫描，得到表面光学特性立体数据，从表面光学特性立体数据中提取表面形貌特征，为后续的分析提供更全面的数据。将关联光谱信息数据和膜层表面形貌特征数据进行趋势性分析，生成形貌-光学特征关联数据。这有助于理解膜层表面形貌对光学特性的影响。通过散点图对形貌-光学特征关联数据进行膜层表面均匀性分析，从而生成第二镀膜厚度均匀性数据。这可以提供对膜层均匀性的直观理解和定量评估。
本发明实施例中，通过使用合适的光谱扫描仪或设备对镀膜进行扫描，获取原始光谱数据。这可能涉及波长范围、分辨率等参数的设定。移除可能的异常值或错误数据，将连续型数据转换为离散型，方便后续处理，根据相邻数据或其他合适方法填充缺失值，将数据标准化到一致的尺度，以确保不同特征具有相同的权重。使用信号处理技术、频谱分析等方法从标准光谱数据中提取有关镀膜的波谱特征。对波谱特征数据进行反射率曲线拟合，可以使用拟合算法，如曲线拟合、多项式拟合等。使用降维技术，如主成分分析（PCA）或 t-分布邻域嵌入（t-SNE），将高维的反射率曲线拟合数据降低到更低维的光谱特征向量数据。使用统计方法或机器学习算法，将光谱特征向量数据与厚度变化动态数据进行关联分析，生成关联光谱信息数据。利用光学相干层析成像（OCT）技术对镀膜进行膜层厚度扫描，获取表面光学特性立体数据。从表面光学特性立体数据中提取表面形貌特征，可能需要使用图像处理技术或特定的算法。将关联光谱信息数据和膜层表面形貌特征数据进行趋势性分析，生成形貌-光学特征关联数据。利用散点图对形貌-光学特征关联数据进行分析，评估膜层表面均匀性。基于分析结果生成第二镀膜厚度均匀性数据，可以是统计指标、趋势分析结果等。
优选的，步骤S4包括以下步骤：
步骤S41：将第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据进行权重划分，生成模型训练集和模型测试集；
步骤S42：通过支持向量机算法对模型训练集进行模型训练，生成均匀性检测预模型；利用模型测试集对均匀性检测预模型进行模型测试，从而生成膜厚均匀检测模型；
步骤S43：将第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据进行数据合并，生成镀膜均匀性分析数据；将镀膜均匀性分析数据导入至膜厚均匀检测模型中进行综合性评估，生成薄膜均匀性评估结果。
本发明通过权重划分第一和第二镀膜厚度均匀性数据，能够在模型训练和测试中考虑到不同数据源的重要性，从而确保模型在综合考虑两种数据的基础上进行学习和测试。创建模型训练集和测试集有助于评估模型的泛化能力，并避免模型过度拟合训练数据。支持向量机（SVM）是一种有效的分类算法，能够处理高维数据和非线性关系，对薄膜均匀性检测具有较好的建模能力。通过模型测试集对预模型进行测试，可以评估模型的准确性、精确度和鲁棒性。将第一和第二镀膜厚度均匀性数据合并，有助于综合考虑不同数据源的信息，提高评估薄膜均匀性的全面性。将合并后的数据导入训练好的膜厚均匀检测模型中进行评估，能够快速、准确地得出薄膜均匀性评估结果。
本发明实施例中，通过收集第一和第二镀膜厚度均匀性数据，对数据进行清理、处理异常值，确保数据质量，根据问题背景和数据特点，决定权重划分策略。根据权重划分策略，将数据划分为模型训练集和模型测试集。使用支持向量机算法，选择核函数、正则化参数等超参数，对模型训练集进行训练，生成均匀性检测预模型。利用模型测试集对训练好的模型进行测试，评估模型的性能和泛化能力。将第一和第二镀膜厚度均匀性数据合并成镀膜均匀性分析数据，可以采用统计方法、数据可视化等手段对合并后的数据进行初步分析。将镀膜均匀性分析数据导入已训练好的膜厚均匀检测模型中，模型输出综合性评估结果，表示薄膜的均匀性。
在本说明书中，提供了一种检测镀膜机膜厚均匀性的系统，用于执行上述所述的检测镀膜机膜厚均匀性的方法，该检测镀膜机膜厚均匀性的系统包括：
三维模拟模块，用于获取初始待镀膜图像；对初始待镀膜图像进行图像预处理，得到标准待镀膜图像；根据标准待镀膜图像对待镀膜进行三维模拟，生成待镀膜三维模型；将待镀膜三维模型导入至镀膜机中进行粗糙度分析，从而得到模拟镀膜粗糙度数据；
内部均匀检测模块，用于根据模拟镀膜粗糙度数据对镀膜机进行电子束照射映射，生成电子束照射映射数据；利用电子束照射映射数据对待镀膜三维模型进行厚度变化动态监测， 生成厚度变化动态数据；利用厚度变化动态数据对待镀膜层进行制备厚度均匀性检测，从而得到第一镀膜厚度均匀性数据；
外部均匀检测模块，用于基于第一镀膜厚度均匀性数据对镀膜进行光谱扫描，生成标准光谱数据；对标准光谱数据进行反射率曲线拟合，生成镀膜反射率曲线拟合数据；将镀膜反射率曲线拟合数据和厚度变化动态数据进行光谱信息关联分析，生成关联光谱信息数据；基于OCT技术对镀膜进行表面形貌特征提取，生成膜层表面形貌特征数据；对膜层表面形貌特征数据和关联光谱信息数据进行膜层表面均匀性分析，从而生成第二镀膜厚度均匀性数据；
模型构建模块，用于对第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据进行模型训练从而生成膜厚均匀检测模型；将第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据导入至膜厚均匀检测模型中进行综合性评估，生成薄膜均匀性评估结果。
本发明的有益效果在于通过图像预处理，获得标准待镀膜图像，提高后续处理的准确性，通过三维模拟和粗糙度分析，得到模拟镀膜粗糙度数据，为后续步骤提供基础数据。利用模拟镀膜粗糙度数据进行电子束照射映射，生成电子束照射映射数据。利用电子束照射映射数据对三维模型进行厚度变化动态监测，产生厚度变化动态数据。利用厚度变化动态数据进行待镀膜层厚度均匀性检测，得到第一镀膜厚度均匀性数据。对第一镀膜进行光谱扫描，生成标准光谱数据，并进行反射率曲线拟合，得到镀膜反射率曲线拟合数据。将反射率曲线拟合数据与厚度变化动态数据进行关联分析，生成关联光谱信息数据。利用OCT技术对镀膜进行表面形貌特征提取，生成膜层表面形貌特征数据。结合膜层表面形貌特征数据和关联光谱信息数据，进行膜层表面均匀性分析，得到第二镀膜厚度均匀性数据。对第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据进行模型训练，生成膜厚均匀检测模型。将第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据导入膜厚均匀检测模型，进行综合性评估，生成薄膜均匀性评估结果。实现对薄膜制备过程的自动监测和评估，提高效率和一致性，结合图像、光谱、厚度变化动态、表面形貌等多维数据，提供更全面的膜层信息。通过模型训练和评估结果，实现对膜层厚度均匀性的质量控制，能够及时发现并纠正制备过程中的不均匀性，提高产品质量。因此，本发明通过在镀膜中后对镀膜层进行内部及外部均匀性检测，并利用智能模型综合分析，提高了镀膜膜厚均匀性检测的精度。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种检测镀膜机膜厚均匀性的方法，其特征在于，包括以下步骤：
步骤S1：获取初始待镀膜图像；对初始待镀膜图像进行图像预处理，得到标准待镀膜图像；根据标准待镀膜图像对待镀膜进行三维模拟，生成待镀膜三维模型；将待镀膜三维模型导入至镀膜机中进行粗糙度分析，从而得到模拟镀膜粗糙度数据；
步骤S2：根据模拟镀膜粗糙度数据对镀膜机进行电子束照射映射，生成电子束照射映射数据；利用电子束照射映射数据对待镀膜三维模型进行厚度变化动态监测， 生成厚度变化动态数据；利用厚度变化动态数据对待镀膜层进行制备厚度均匀性检测，从而得到第一镀膜厚度均匀性数据；
步骤S3：基于第一镀膜厚度均匀性数据对镀膜进行光谱扫描，生成标准光谱数据；对标准光谱数据进行反射率曲线拟合，生成镀膜反射率曲线拟合数据；将镀膜反射率曲线拟合数据和厚度变化动态数据进行光谱信息关联分析，生成关联光谱信息数据；基于OCT技术对镀膜进行表面形貌特征提取，生成膜层表面形貌特征数据；对膜层表面形貌特征数据和关联光谱信息数据进行膜层表面均匀性分析，从而生成第二镀膜厚度均匀性数据；
步骤S4：对第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据进行模型训练从而生成膜厚均匀检测模型；将第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据导入至膜厚均匀检测模型中进行综合性评估，生成薄膜均匀性评估结果。
2.根据权利要求1所述的检测镀膜机膜厚均匀性的方法，其特征在于，步骤S1包括以下步骤：
步骤S11：获取初始待镀膜图像；
步骤S12：对初始待镀膜图像进行图像像素亮度变换，生成待镀膜亮度变换图像；对待镀膜亮度变换图像进行几何变换，生成待镀膜变换图像；对待镀膜变换图像进行局部邻域预处理，从而得到标准待镀膜图像，其中局部邻域预处理包括图像平滑和边缘检测；
步骤S13：根据标准待镀膜图像对待镀膜进行镀膜层级划分，生成待镀膜层级数据；通过待镀膜层级数据对待镀膜进行镀膜区域划分，生成镀膜区域数据；利用待镀膜层级数据和镀膜区域数据进行待镀膜三维模拟，生成待镀膜三维模型；
步骤S14：将待镀膜三维模型导入至镀膜机中进行镀膜模拟，生成镀膜模拟数据；对镀膜模拟数据进行粗糙度分析，从而得到模拟镀膜粗糙度数据。
3.根据权利要求2所述的检测镀膜机膜厚均匀性的方法，其特征在于，步骤S2包括以下步骤：
步骤S21：根据模拟镀膜粗糙度数据对镀膜机进行电子束调整，生成镀膜机镀膜调整数据；利用镀膜机镀膜调整数据对待镀膜进行电子束位置定点，生成电子束发射范围数据；
步骤S22：通过模拟镀膜粗糙度数据对电子束发射范围数据进行镀膜粗糙排序，生成镀膜粗糙排序数据；基于镀膜粗糙排序数据对电子束发射范围数据进行电子束照射映射，生成电子束照射映射数据；
步骤S23：利用电子束照射映射数据对待镀膜三维模型进行厚度镀膜厚度分布提取，生成膜层厚度分布数据；通过膜层厚度分布数据对电子束发射范围数据进行厚度变化动态监测， 生成厚度变化动态数据；
步骤S24：基于电子束物理气相沉积技术利用厚度变化动态数据对待镀膜层进行制备厚度均匀性检测，从而得到第一镀膜厚度均匀性数据。
4.根据权利要求3所述的检测镀膜机膜厚均匀性的方法，其特征在于，步骤S24包括以下步骤：
步骤S241：基于厚度变化动态数据对电子束发射范围数据进行电子束特性调节，生成电子束特性调节数据，其中电子束特性调节数据包括电子束能量数据和电子束扫描速度数据；根据电子束能量数据和电子束扫描速度数据对待镀膜层进行电子束热蒸发，得到待镀膜层表面温度数据；
步骤S242：对待镀膜层表面温度数据进行热像可视化，得到待镀膜层表面热像图；对待镀膜层表面热像图进行区域温度均值划分，生成待镀膜层表面区域温度均值数据；利用镀层气化粒子检测公式对待镀膜层表面区域温度均值数据进行气化评估，从而生成镀层气体粒子数据；
步骤S243：将镀层气体粒子数据和预设的气体粒子阈值进行对比，当镀层气体粒子数据大于或等于预设的气体粒子阈值时，则对待镀膜层进行表面平坦拍摄，得到第一阶段镀膜平坦图像；当镀层气体粒子数据小于预设的气体粒子阈值时，则返回步骤S241；
步骤S244：通过第一阶段镀膜平台图像对待镀膜层进行蒸发物质传输监控，得到气态粒子运动数据；根据气态粒子运动数据进行薄膜沉积速率分析，生成薄膜沉积速率数据；利用薄膜沉积速率数据对电子束进行动态控制，从而生成镀膜层数据；
步骤S245：基于镀膜层数据对第一阶段镀膜平坦图像进行多位置检测，得到第一镀膜厚度均匀性数据。
5.根据权利要求4所述的检测镀膜机膜厚均匀性的方法，其特征在于，步骤S242中的镀层气化粒子检测公式如下所示：
；
式中，Q表示为单位时间内从镀膜层表面区域释放的气体粒子数，T表示为镀膜层表面区域的时间，A表示为镀膜层表面区域的空间范围下限，B表示为镀膜层表面区域的空间范围上限，ρ表示为待镀膜层的材料密度，cp表示为待镀膜层的比热容，Ts表示为待镀膜层的表面温度，T{env}表示为待镀膜层的环境温度，h表示为待镀膜层表面与环境之间的传热系数，α表示为表面反应速率常数，λ表示为温度偏差标准差，表示为空间范围下限变化率，/>表示为空间范围上限变化率，t1表示为气体粒子检测时间变量，μ表示为镀层气化粒子检测异常调整值。
6.根据权利要求4所述的检测镀膜机膜厚均匀性的方法，其特征在于，步骤S245包括以下步骤：
步骤S2451：基于镀膜层数据对镀膜进行镀膜表面平坦拍摄，得到第二阶段镀膜平坦图像；将第一阶段镀膜平坦图像和第二阶段镀膜平坦图像进行图像重合，得到镀膜重合图像；对镀膜重合图像进行重合区域剔除，得到镀膜部分图像；
步骤S2452：基于膜层分离路径规划公式对镀膜部分图像进行上下区域分离，生成上膜平坦曲线和膜下平坦曲线；根据上膜平坦曲线和膜下平坦曲线进行连接距离测量，得到膜连接高度数据；
步骤S2453：根据膜连接高度数据进行极端高度筛选，得到膜连接极高位置数据和膜连接极低位置数据；根据膜连接极高位置数据和膜连接极低位置数据进行第一类位置激光穿透，得到第一类位置均匀性数据；
步骤S2454：根据第一类位置均匀性数据对上膜平坦曲线和膜下平坦曲线进行曲线弯曲极值分析，得到上膜极弯数据和膜下极弯数据；通过上膜极弯数据和膜下极弯数据进行第二类位置激光穿透，得到第二类位置均匀性数据；
步骤S2455：将第一类位置均匀性数据和第二类位置均匀性数据进行数据整合，得到第一镀膜厚度均匀性数据。
7.根据权利要求6所述的检测镀膜机膜厚均匀性的方法，其特征在于，步骤S2452中的膜层分离路径规划公式如下所示：
；
；
式中，H上表示为上膜平坦曲线的函数，H下表示为膜下平坦曲线的函数，L表示为图像的长度或宽度，x表示为图像中的横向位置，y表示为图像中的纵向位置，用于分隔上下膜区域，u表示为膜层分离路径的平均位置，σ表示为膜层分离路径的标准差，exp表示为自然指数函数，t2表示为膜层分离时间变量，ε表示为上膜平坦曲线修正量，δ表示为膜下平坦曲线修正量。
8.根据权利要求1所述的检测镀膜机膜厚均匀性的方法，其特征在于，步骤S3包括以下步骤：
步骤S31：基于第一镀膜厚度均匀性数据对镀膜进行光谱扫描，得到原始光谱数据；对原始光谱数据进行数据预处理，生成标准光谱数据，其中数据预处理包括数据清洗、数据离散化、数据缺失值填充和数据标准化；
步骤S32：对标准光谱数据进行波谱特征提取，得到镀膜波谱特征数据；对镀膜波谱特征数据进行反射率曲线拟合，生成镀膜反射率曲线拟合数据；对镀膜反射率曲线拟合数据进行数据降维，生成光谱特征向量数据；
步骤S33：将光谱特征向量数据和厚度变化动态数据进行光谱信息关联分析，生成关联光谱信息数据；基于OCT技术对镀膜进行膜层厚度扫描，得到表面光学特性立体数据；对表面光学特性立体数据进行表面形貌特征提取，生成膜层表面形貌特征数据；
步骤S34：将关联光谱信息数据和膜层表面形貌特征数据进行趋势性分析，生成形貌-光学特征关联数据；通过散点图对形貌-光学特征关联数据进行膜层表面均匀性分析，从而生成第二镀膜厚度均匀性数据。
9.根据权利要求1所述的检测镀膜机膜厚均匀性的方法，其特征在于，步骤S4包括以下步骤：
步骤S41：将第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据进行权重划分，生成模型训练集和模型测试集；
步骤S42：通过支持向量机算法对模型训练集进行模型训练，生成均匀性检测预模型；利用模型测试集对均匀性检测预模型进行模型测试，从而生成膜厚均匀检测模型；
步骤S43：将第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据进行数据合并，生成镀膜均匀性分析数据；将镀膜均匀性分析数据导入至膜厚均匀检测模型中进行综合性评估，生成薄膜均匀性评估结果。
10.检测镀膜机膜厚均匀性的系统，其特征在于，用于执行如权利要求1所述的检测镀膜机膜厚均匀性的方法，该检测镀膜机膜厚均匀性的系统包括：
三维模拟模块，用于获取初始待镀膜图像；对初始待镀膜图像进行图像预处理，得到标准待镀膜图像；根据标准待镀膜图像对待镀膜进行三维模拟，生成待镀膜三维模型；将待镀膜三维模型导入至镀膜机中进行粗糙度分析，从而得到模拟镀膜粗糙度数据；
内部均匀检测模块，用于根据模拟镀膜粗糙度数据对镀膜机进行电子束照射映射，生成电子束照射映射数据；利用电子束照射映射数据对待镀膜三维模型进行厚度变化动态监测， 生成厚度变化动态数据；利用厚度变化动态数据对待镀膜层进行制备厚度均匀性检测，从而得到第一镀膜厚度均匀性数据；
外部均匀检测模块，用于基于第一镀膜厚度均匀性数据对镀膜进行光谱扫描，生成标准光谱数据；对标准光谱数据进行反射率曲线拟合，生成镀膜反射率曲线拟合数据；将镀膜反射率曲线拟合数据和厚度变化动态数据进行光谱信息关联分析，生成关联光谱信息数据；基于OCT技术对镀膜进行表面形貌特征提取，生成膜层表面形貌特征数据；对膜层表面形貌特征数据和关联光谱信息数据进行膜层表面均匀性分析，从而生成第二镀膜厚度均匀性数据；
模型构建模块，用于对第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据进行模型训练从而生成膜厚均匀检测模型；将第一镀膜厚度均匀性数据和第二镀膜厚度均匀性数据导入至膜厚均匀检测模型中进行综合性评估，生成薄膜均匀性评估结果。
CN202311760630.4A 2023-12-20 2023-12-20 一种检测镀膜机膜厚均匀性的方法及系统 Active CN117437278B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311760630.4A CN117437278B (zh) 2023-12-20 2023-12-20 一种检测镀膜机膜厚均匀性的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311760630.4A CN117437278B (zh) 2023-12-20 2023-12-20 一种检测镀膜机膜厚均匀性的方法及系统

Publications (2)

Publication Number Publication Date
CN117437278A true CN117437278A (zh) 2024-01-23
CN117437278B CN117437278B (zh) 2024-02-23

Family

ID=89553952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311760630.4A Active CN117437278B (zh) 2023-12-20 2023-12-20 一种检测镀膜机膜厚均匀性的方法及系统

Country Status (1)

Country Link
CN (1) CN117437278B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117629086A (zh) * 2024-01-27 2024-03-01 南通硅胜新材料科技有限公司 一种等离子体喷涂镀膜膜厚与均匀性的检测方法及系统
CN118213274A (zh) * 2024-05-22 2024-06-18 南通华隆微电子股份有限公司 一种肖特基二极管的制备方法及系统
CN118408607A (zh) * 2024-07-03 2024-07-30 南昌佛吉亚排气控制技术有限公司 汽车零部件检测方法及装置
CN118503829A (zh) * 2024-07-11 2024-08-16 陕西永宏生物科技有限公司 一种基于图像处理的水溶肥封装检测方法及系统
CN118588579A (zh) * 2024-08-06 2024-09-03 国鲸科技(广东横琴粤澳深度合作区)有限公司 一种阶梯式透明柔性集成电路基板的厚度均匀性检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102620664A (zh) * 2011-01-28 2012-08-01 中国科学院理化技术研究所 一种检测光学镀膜机镀膜膜厚均匀性的方法
CN109458940A (zh) * 2018-12-26 2019-03-12 中国电子科技集团公司第二十六研究所 基于光学模拟的半球谐振子的膜厚均匀性的快速估测方法
CN115790412A (zh) * 2022-11-30 2023-03-14 湘潭宏大真空技术股份有限公司 一种膜厚测试和均匀性调节方法
WO2023040674A1 (zh) * 2021-09-15 2023-03-23 佛山市博顿光电科技有限公司 光谱检测装置、膜厚实时监控方法及系统、真空镀膜机

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102620664A (zh) * 2011-01-28 2012-08-01 中国科学院理化技术研究所 一种检测光学镀膜机镀膜膜厚均匀性的方法
CN109458940A (zh) * 2018-12-26 2019-03-12 中国电子科技集团公司第二十六研究所 基于光学模拟的半球谐振子的膜厚均匀性的快速估测方法
WO2023040674A1 (zh) * 2021-09-15 2023-03-23 佛山市博顿光电科技有限公司 光谱检测装置、膜厚实时监控方法及系统、真空镀膜机
CN115790412A (zh) * 2022-11-30 2023-03-14 湘潭宏大真空技术股份有限公司 一种膜厚测试和均匀性调节方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117629086A (zh) * 2024-01-27 2024-03-01 南通硅胜新材料科技有限公司 一种等离子体喷涂镀膜膜厚与均匀性的检测方法及系统
CN118213274A (zh) * 2024-05-22 2024-06-18 南通华隆微电子股份有限公司 一种肖特基二极管的制备方法及系统
CN118408607A (zh) * 2024-07-03 2024-07-30 南昌佛吉亚排气控制技术有限公司 汽车零部件检测方法及装置
CN118503829A (zh) * 2024-07-11 2024-08-16 陕西永宏生物科技有限公司 一种基于图像处理的水溶肥封装检测方法及系统
CN118588579A (zh) * 2024-08-06 2024-09-03 国鲸科技(广东横琴粤澳深度合作区)有限公司 一种阶梯式透明柔性集成电路基板的厚度均匀性检测方法

Also Published As

Publication number Publication date
CN117437278B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
CN117437278B (zh) 一种检测镀膜机膜厚均匀性的方法及系统
US10346740B2 (en) Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
TW201921542A (zh) 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
CN113160195B (zh) 一种基于生成热成像的复合材料缺陷无损检测方法
FR2962568A1 (fr) Procede de controle de la qualite d'une soudure
US20130208978A1 (en) Continuous charting of non-uniformity severity for detecting variability in web-based materials
CN118199516B (zh) 一种用于光伏板的状态检测方法及系统
CN117710369B (zh) 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统
CN114651276A (zh) 制造方法
CN115266608A (zh) 基于相位和高光谱信息融合的果蔬品质检测装置及方法
Li et al. Transfer learning-based quality monitoring of laser powder bed fusion across materials
López de la Rosa et al. Detection of unknown defects in semiconductor materials from a hybrid deep and machine learning approach
Yuan et al. Semi-Supervised Learning for Selective Laser Melting Monitoring via In-Situ Videos
O’Loughlin et al. Towards in-process prediction of voids in laser powder bed fusion
Terry et al. Active monitoring of powder bed fusion process by training an artificial neural net classifier on layer-by-layer surface laser profilometry data
Jayasinghe Defect identification of laser powder bed fusion builds using photodiode sensor readings
CN117518462B (zh) 光学膜片厚度自适应设计方法及系统
Terry et al. Active Monitoring of Selective Laser Melting Process by Training an Artificial Neural Net Classifier on Layer-By-Layer Surface Laser Profilometry Data
CN117557574B (zh) 基于图像处理的材料参数检测方法及系统
Lang et al. Logistic regression classification to predict regional anomalies in nominally printed volume of separate test pieces
US20240027374A1 (en) Analysis of X-ray Scatterometry Data using Deep Learning
CN118549617B (zh) 用于钛阳极的金属表面成分检测方法、设备、装置及介质
CN115631158B (zh) 一种用于碳核查的煤料检测方法
CN118379297B (zh) 聚四氟乙烯蚀刻管缺陷检测方法、装置、设备及存储介质
Yang et al. A Detection and Identification Method Based on CNN for Laser Point Thermal Radiation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant