DE19827183A1

DE19827183A1 - Anordnung zur schnellen optischen Datenvorverarbeitung bei der Klassifizierung von Oberflächen mittels Streulicht

Info

Publication number: DE19827183A1
Application number: DE19827183A
Authority: DE
Inventors: Joerg Bischoff; Joerg Baumgard; Horst Truckenbrodt
Original assignee: Technische Universitaet Ilmenau
Current assignee: Technische Universitaet Ilmenau
Priority date: 1998-06-18
Filing date: 1998-06-18
Publication date: 1999-12-23

Description

Die Erfindung betrifft ein Verfahren und eine Anordnung zur optischen Vorbereitung, Datenkompression und Datenanalyse bei der Klassifizierung bzw. Charakterisierung von Proben auf der Basis einer Streulichtanalyse.

Die Bestimmung des Zustandes technischer Oberflächen mittels Streulicht analyse hat neben taktilen und Mikrosondenverfahren große Bedeutung in der Oberflächenmeßtechnik erlangt. Prinzipiell ist die Messung unterschied lichster Materialien möglich. Wichtige Beispiele sind die Charakterisierung polierter Glasoberflächen der Feinoptik sowie die Oberflächenmessung an mechanisch bearbeiteten Metalloberflächen (Drehen, Honen, Schleifen). Darüber hinaus ist es mittels der optischen Scatterometrie (Diffraktionsana lyse) möglich, periodische Mikroprofile quantitativ zu bestimmen. Beispiels weise können Linienbreite, Korrugationstiefe und Flankenwinkel an trapezförmigen Profilen gemessen werden. Diese Anwendung spielt beson ders in der Mikroelektroniktechnologie eine besondere Rolle und steht kurz vor ihrer Einführung als kommerzielles Verfahren.

Das Grundprinzip all dieser streulichtbasierten Verfahren besteht darin, daß ausgehend von einer durch Streulichtmessung gewonnenen Signatur einer Probe eine Datenanalyse auf er Basis statistischer oder neuronaler Verfahren mittels Computer oder Auswerteelektronik durchgeführt wird. Solche Signaturen können z. B. eine bidirektionale Streufunktion=Bildrectional Scattering Distribution Function (BSDF) für eine stochastische Oberfläche bzw. diskrete Beugungseffizienzen für periodische Mikrostrukturen sein. Ziel dieser Datenanalyse ist die Zuordnung der unbekannten Probe zu einer Klasse mit ähnlichen Eigenschaften (Klassifizierung) oder die Extraktion quantitativer Merkmale (Regression). Voraussetzung für die Datenanalyse ist die vorherige Erstellung eines entsprechenden Modells (Statistik) bzw. das Anlernen eines neuronalen Netzes. Insbesondere bei der BSDF-basierten Datenanalyse kann eine Datenvorverarbeitung im Sinne einer Datenreduk tion von Nutzen sein. Eine anerkannte Methode ist die Berechnung von Momenten höherer Ordnung aus der Streulichindikatrix (Skewness, Kurtosis). Diese Berechnung kann auch vollständig oder teilweise in Hardware realisiert werden. Damit könnten die Auswertezeiten bereits erheblich reduziert werden.

Der Erfindung liegt die Aufgabe zugrunde, die Datenvorverarbeitung zur Berechnung dieser Momente bzw. die eigentliche Datenanalyse weitestge hend auf optischem Weg zu realisieren und damit die Auswertezeiten weiter drastisch zu reduzieren.

Erfindungsgemäß wird die Aufgabe mit den in den Patentansprüchen angegebenen Merkmalen gelöst.

Bei der erfindungsgemäßen Anordnung zur optischen Datenvorverarbeitung wird die von der Probe ausgehende Streulichindikatrix mittels eines speziel len Filters (entweder festes Grauwertverlaufsfilter oder spatiales Lichtmodu latorenarray = SLM) bewertet und anschließend auf einen Photosensor fokussiert (Integration). Durch geeignete Wahl der Filterfunktion t wird auf diese Weise die Berechnung einer entsprechenden Gewichtsfunktion optisch nachgebildet. Die höheren Momente werden mittels folgender Operation gebildet:

In der Formel charakterisiert µm das Moment m-ter Ordnung, O_n den n-ten Streuwinkel und N die Gesamtzahl der gemessenen Streulichtintensitäten I. Die benötigte Filterfunktion ist t=O_nm. Analog zu diesen rotationssymmetri schen Momenten höherer Ordnung sind auch lineare Kombinationen dieser Momente sowie andere Momente bzw. Filterfunktionen denkbar, die neben dem polaren Winkel 0 auch vom azimutalen Winkel. . . der Streulichtindika trix abhängen. Dieses Prinzip wird erweitert, indem die Streulichtindikatrix direkt einem teilweise oder vollständig nach optischem Prinzip arbeitenden neuronalen Netzwerk zur Weiterverarbeitung zugeführt wird. Dieses Netzwerk besteht im wesentlichen aus einem Dammann-Gitter zur räumli chen Replikation des Eingangssignals (Streulichverteilung) und einem SLM oder festen Grauwertfilter zur Realisierung der Wichtung des entsprechen den Neuroneneingangs. Durch eine nachgeschaltete Optik werden die zusammengehörigen Einzelbeiträge aufsummiert /1/. Auf diese Weise kann eine Verknüpfung der Form:

O_ij = _m,nW_i,m,j,n.I_m,n

realisiert werden, wobei I_m,n die zweidimensionale (d. h. für die erste neuron ale Schicht die zweidimensional Streulichtverteilung), O_i,j die Ausgangsin formation am Detektor und Wi,m,j,n die entsprechenden Wichtungen darstellen. Die Schwellwertfunktion des Neurons kann beispielsweise im PC erfolgen. Das Ergebnis dieser Operation wird dann mittels eines vom PC angesteuerten SLM an eine nachfolgende Neuronenschicht weitergeleitet. Auf diese Weise können, wie in /1/ vorgeschlagen, neuronale Netze mit mehreren versteckten Schichten geniert werden. Jedes Ausgangsneuron liefert ein spezifisches Ausgangsmerkmal der anliegenden Streulichtverteilung. Das neuronale Netz kann sowohl zur Klassifizierung als auch zur Ermittlung quantisierter Ausgangsmerkmale (Regression) genutzt werden. Das impli ziert natürlich auch die Berechnung der oben definierten Momente höherer Ordnung.

Die Erfindung wird im folgenden anhand von Ausführungsbeispielen näher erläutert. In der zugehörigen Zeichnung zeigt

Fig. 1 eine schematische Darstellung einer Anordnung zur Bestimmung eines Momentes höherer Ordnung aus einer BSDF auf optischem Weg.

Fig. 2 eine entsprechende Anordnung für die gleichzeitige Berechnung mehrerer unterschiedlicher Momente.

Fig. 3 die schematische Darstellung zweier Filterfunktionen für m=1 und m=2.

Fig. 4 die schematische Darstellung einer Anordnung zur Klassifizierung bzw. quantitativen Analyse einer Streulichtprobe mittels eines optischen neuronalen Netzes.

Die in Fig. 1 dargestellte Anordnung erläutert die prinzielle Funktionsweise. Die Anordnung ist folgendermaßen aufgebaut. Das von der Probe (1) gestreute Licht (2) wird mittels einer sammelnden Optik (3) kolli miert. Danach wird das entstehende parallele Strahlenbündel über ein entsprechendes Filter bzw. SLM (4) lokal gewichtet. Die Filterfunktion entspricht hierbei der zu realisierenden Gewichtsfunktion. Zwei Beispiele für m=1 und m=2 sind in Fig. 3 zu sehen. Nach der Wichtung wird das parallele Lichtbündel wiederum durch eine sammelnde Optik (5) auf einen Detektor (6) fokussiert. Diese Abbildung entspricht einer optischen Summa tion der zuvor gewichteten Anteile. Eine Möglichkeit der Parallelisierung dieses Meßprinzips zur gleichzeitigen Messung mehrerer, unterschiedlicher Momente zeigt Fig. 2. Hierbei wird das gesteuerte Licht (2) mittels einer sammelnden Optik (3) parallelisiert und dann über eine Anordnung von teildurchlässigen Spiegeln, Prismen (7) oder diffraktiv-optischen Elementen (z. B. Dammann-Gitter) auf mehrere Kanäle aufgeteilt. In diesen Kanälen passieren die geteilten Bündel wiederum Filter oder SLM's (4) mit verschie denen Funktionen. Auf diese Weise können an den Fotodetektoren (6) unterscheidliche Momente der Streulichtverteilung gemessen werden. Eine weitere Option besteht darin, das SLM in Fig. 1 von einem Rechner aus anzusteuern und zeitlich nacheinander verschiedene Filterfunktionen zu reali sieren. Entsprechend synchronisiert können dann zeitlich nacheinander die entsprechenden Momente am Fotodetektor gewonnen werden. Fig. 4 zeigt die Erweiterung des oben erläuterten Prinzips, wobei die gesuchten Momente nicht erst explizit erzeugt und dann einer elektronischen Datenana lyse im Rechner zugeführt werden. Anstatt dessen wird ein Teil der nachfol genden Datenanalyse als neuronales optisches Netzwerk direkt in den optischen Kanal integriert. Hierbei wird das gestreute Licht (2) über eine sammelnde Optik auf ein Dammann-Gitter (8) gebündelt. Aufgrund seiner diffraktiven Eigenschaften erzeugt dieses spezielle ein- oder zweidimensional strukturiertes Bauelement aus dem einfallenden Bündel mehrere gleichartige Teilbündel, die dann über mehrere, in einer Ebene liegende, SLM's bewertet werden. Die Pixel der verschiedenen SLM's emulieren die Eingangswichtun gen der Neuronen der ersten Zwischenschicht des neuronalen Netzwerkes.

Nach der Wichtung werden die Strahlenbündel durch eine Sammeloptik (5) jeweils auf ein Fotodetektorarray (9) gebündelt (entsprechend der Summati onsfunktion der Neuronen). Die resultierenden Signals werden einer Steue relektronik (Rechner) (10) zugeleitet, welcher die nichtlineare Übertragungsfunktion des Neurons realisiert. Die Ausgangssignale des Rechners wiederum steuern ein weiteres SLM (4, unteren links) an und transformieren damit das elektrische Ausgangssignal wiederum in ein optisches Signal. Als Träger dient ein einfallendes Parallelbündel, welches durch ein zweites Dammann-Gitter (8, unten) wiederum in mehrere Teilbün del aufgefächert wird. Ein weiteres Array von SLM's (4, unten rechts) reali siert dann die Eingangswichtung der nächsten Neuronenschicht, welche in der Darstellung nach Fig. 4 der Ausgangsschicht entspricht. Die gewichte ten Signale werden danach mittels einer zweiten Sammeloptik (5, unten) auf ein Detektoarray fokussiert (Summationsfunktion der Neuronen der Ausgangsschicht) und wiederum als elektrische Signale dem Rechner zugeführt, in welchem dann die Transferfunktion der Ausgangsneuronen emuliert wird. Zu beachten ist, daß mit diesem Schema jeder neuronale Ausgang der Eingangsschicht auf jedes Neuron der Zwischenschicht und von diesem ebenfalls jeder Ausgang auf jeden Eingang der Ausgangsschicht geschaltet wird. Dieses Schema kann durch das Einfügen zusätzlicher Kaskaden nach dem oben beschriebenen Prinzip erweitert werden und entspricht dann einem neuronalen Netzwerk mit mehreren versteckten Zwischenschichten ("hidden layers"). Das Anlernen des Netzwerkes erfolgt dann mit bekannten Verfahren, wobei in der Regel dem beaufsichtigten Lernen (superise learning) der Vorzug zu geben ist. Dabei werden dem Netzwerk nacheinander bestimmte Streulichtverteilungen angeboten und dessen Reaktion (response) an den Ausgängen mit einem gewünschten Verhalten verglichen. Durch entsprechende Anpassung der Wichtungsfakto ren wird das Netzwerk angelernt, was z. B. nach einem "back propagation" Algorithmus geschehen kann. Auf diese Weise kann das Netzwerk an spezi elle Klassifizierungsfunktionen angepaßt werden. Es ist natürlich auch denkbar, die oben aufgeführten Momente zu implementieren. Die Ergebnisse der Klassifizierung bzw. Regression (Ausgangsmerkmale) sind dann an den Ausgängen der Neuronen der Letzten bzw. Ausgangsschicht als elektrische Signale zur Weiterverarbeitung verfügbar.

/1/ Z Wen, P Yeh ans X Yang: "Modified 2d Hamming neutral network and ist optical implementation using Dammann gratings", Optical Engineering Vol. 35 (1996) 8, S. 2136-2144.

Bezugszeichenliste

1

Meßoberfläche

2

Streulichtindikatrix

3

Kollimator

4

Spatialer Lichtmodulator (SLM) bzw. Spatiales Filter

5

Optischer Integrator

6

Detektor

7

Strahlteiler

8

Dammann-Gitter

9

Detektorray

10

Computer

Claims

1. Verfahren zur optischen Vorverarbeitung (im Sinne einer Informations verdichtung) von Streulichtdaten, dadurch gekennzeichnet, daß die Streu lichtindikatrix mittels spezieller Filter spatial bewertet wird und anschließend mit Hilfe einer Optik aufintegriert wird.

2. Verfahren zur Streulichtanalyse nach Anspruch 1, dadurch gekennzeich net, daß die vorverarbeiteten Signale als Eingangsgrößen einer Datenanalyse in einem Rechner dienen mit dem Ziel, topografische und Materialeigen schaften des Streukörpers (z. B. einer Oberfläche oder eines Volumenstreu ers) zu extrahieren.

3. Vorrichtung zur Anwendung des Verfahrens nach den Ansprüchen 1 oder 2, dadurch gekennzeichnet, daß als Filter Grauwertfilter verwendet werden, die durch eine spezifische spatiale Filterfunktion charakterisiert sind.

4. Vorrichtung zur Anwendung des Verfahrens nach den Ansprüchen 1 und 2, dadurch gekennzeichnet, daß die Filter als spatiale Lichtmodulatoren (SLM) realisiert werden, deren Filterfunktion durch eine Geräteelektronik bzw. einen Rechner der Meßaufgabe angepaßt eingestellt werden.

5. Vorrichtung nach einem der Ansprüche 3 oder 4, dadurch gekennzeich net, daß die Filterfunktion so gestaltet wird, daß nach der Integration direkt der Wert für ein Moment bzw. eine Kombination aus verschiedenen Momen ten (Kurtosis, Skewness) am nachfolgenden Detektor anliegt.

6. Vorrichtung nach einem der Ansprüche 3 bis 5, dadurch gekennzeichnet, daß eine Aufspaltung der Streulichtverteilung (z. B. mit einem Dammann-Gitter) vorgenommen wird und in den danach verfügbaren Kanälen unterschiedliche Momente bzw. Kombinationen von Momenten gleichzeitig parallel zueinander ermittelt werden.

7. Verfahren zur optischen Datenanalyse von Streulichtdaten, dadurch gekennzeichnet, die in den Ansprüchen 1 bis 6 beschriebene optische Vorverarbeitung der Streulichtdaten und die Datenanalyse zusammengefaßt und mittels eines optisch basierten neuronalen Netzwerk realisiert werden.

8. Vorrichtung zur Anwendung des Verfahrens nach Anspruch 7, dadurch gekennzeichnet, daß die Datenvorverarbeitung und Datenanalyse mittels eines hybriden optisch/elektronischen neuronalen Netzes realisiert werden.

9. Vorrichtung zur Anwendung des Verfahrens nach Anspruch 7, dadurch gekennzeichnet, daß die Datenvorverarbeitung und Datenanalyse mittels eines rein optischen neuronalen Netzes realisiert werden.

10. Vorrichtung nach Anspruch 8, dadurch gekennzeichnet, daß

- zur Realisierung der Strahlaufteilung auf die Neuronen des Netzwerkes Dammann-Gitter eingesetzt werden,
- die Gewichtsfunktion der Neuronen mittels spatialer Lichtmodulatoren realisiert wird,
- die Summationsfunktion der Neuronen über eine sammelnde Optik realisiert wird und
- die Transferfunktion der Neuronen in einem zugehörigen Rechner emuliert wird.