JP2671610B2 - 半導体レーザー特性欠陥検出装置 - Google Patents
半導体レーザー特性欠陥検出装置Info
- Publication number
- JP2671610B2 JP2671610B2 JP491091A JP491091A JP2671610B2 JP 2671610 B2 JP2671610 B2 JP 2671610B2 JP 491091 A JP491091 A JP 491091A JP 491091 A JP491091 A JP 491091A JP 2671610 B2 JP2671610 B2 JP 2671610B2
- Authority
- JP
- Japan
- Prior art keywords
- differential
- neural network
- characteristic
- vector
- semiconductor laser
- 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.)
- Expired - Lifetime
Links
Landscapes
- Semiconductor Lasers (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Description
【０００１】
【産業上の利用分野】本発明は半導体レーザー特性欠陥
検出装置に関し、特に半導体レーザーの駆動電流の変化
に対する微分光出力の変動（Ｌ−Ｉキンク）をニューラ
ルネットの学習を用いて検出し、その欠陥形状を分類
し、ニューラルネットの出力値に応じて、半導体レーザ
ーの良否を判定する半導体レーザー特性欠陥検出装置に
関する。
検出装置に関し、特に半導体レーザーの駆動電流の変化
に対する微分光出力の変動（Ｌ−Ｉキンク）をニューラ
ルネットの学習を用いて検出し、その欠陥形状を分類
し、ニューラルネットの出力値に応じて、半導体レーザ
ーの良否を判定する半導体レーザー特性欠陥検出装置に
関する。
【０００２】
【従来の技術】従来の半導体レーザーの欠陥検出装置は
半導体レーザーに駆動電流を入力し、この駆動電流に対
する光出力を測定する。次に、駆動電流（Ｉ）と光出力
のデータをアナログ微分器に入力し、電流増加に対する
光出力の変化である微分Ｌ−Ｉデータに変換する。さら
に、駆動電流と微分Ｌ−ＩデータとをＡ／Ｄ変換して、
これらの値を計算機に取り込む。
半導体レーザーに駆動電流を入力し、この駆動電流に対
する光出力を測定する。次に、駆動電流（Ｉ）と光出力
のデータをアナログ微分器に入力し、電流増加に対する
光出力の変化である微分Ｌ−Ｉデータに変換する。さら
に、駆動電流と微分Ｌ−ＩデータとをＡ／Ｄ変換して、
これらの値を計算機に取り込む。
【０００３】図４はＡ／Ｄ変換した微分Ｌ−Ｉ特性デー
タを示す図で、横軸は駆動電流（ｍＡ）、縦軸は微分光
出力（ｄＬ／ｄＩ）である。マイクロプロセッサは入力
された微分Ｌ−Ｉ特性から急峻な立ち上がり点を検出
し、この点を開始点として、一定直線を推定し、全波形
データと推定直線との距離との最大値を探索する。この
最大値を判定規格と照合し、規格外の場合には波形の乱
れ、すなわちＬ−Ｉキンク有りで不良品と判断し、最大
距離の大きさによって半導体レーザーの品質を分類して
いる。
タを示す図で、横軸は駆動電流（ｍＡ）、縦軸は微分光
出力（ｄＬ／ｄＩ）である。マイクロプロセッサは入力
された微分Ｌ−Ｉ特性から急峻な立ち上がり点を検出
し、この点を開始点として、一定直線を推定し、全波形
データと推定直線との距離との最大値を探索する。この
最大値を判定規格と照合し、規格外の場合には波形の乱
れ、すなわちＬ−Ｉキンク有りで不良品と判断し、最大
距離の大きさによって半導体レーザーの品質を分類して
いる。
【０００４】
【発明が解決しようとする課題】上述した従来の半導体
レーザー特性欠陥検出装置は、レーザー波形を判定する
直線を推定するために、特許０１−００６１７７に示さ
れるようにすべての微分Ｌ−Ｉ特性を極座標変換し、変
換データの最大交差度数を求める為に多大な記憶容量を
必要としている。また、直線部の推定および波形データ
と推定直線との距離を探索するために多大な計算時間を
必要としている。さらに、波形データの変動が著しく、
直線部が判別しにくい場合には人間ならば、明らかに不
良と理解すると、品質の測定そのものをやめてしまう
が、計算機は盲目的に直線の推定計算から始めるため
に、余分な計算時間がかかる上、正しい直線が推定出来
ない場合があるという欠点がある。
レーザー特性欠陥検出装置は、レーザー波形を判定する
直線を推定するために、特許０１−００６１７７に示さ
れるようにすべての微分Ｌ−Ｉ特性を極座標変換し、変
換データの最大交差度数を求める為に多大な記憶容量を
必要としている。また、直線部の推定および波形データ
と推定直線との距離を探索するために多大な計算時間を
必要としている。さらに、波形データの変動が著しく、
直線部が判別しにくい場合には人間ならば、明らかに不
良と理解すると、品質の測定そのものをやめてしまう
が、計算機は盲目的に直線の推定計算から始めるため
に、余分な計算時間がかかる上、正しい直線が推定出来
ない場合があるという欠点がある。
【０００５】
【課題を解決するための手段】本発明の半導体レーザー
特性欠陥検出装置は、 （Ａ）駆動電流Ｉに対する半導体レーザーの光出力Ｌを
測定する測定手段と、 （Ｂ）駆動電流Ｉに対するｄＬ／ｄＩを求め、Ａ／Ｄ変
換した微分Ｌ−Ｉ特性データを求めるデータ作成手段
と、 （Ｃ）前記データ作成手段により得られる微分Ｌ−Ｉ特
性データの変化率が最大でかつ光出力が最大である開始
点を求める開始点探索手段と、 （Ｄ）開始点から測定終了点までの微分Ｌ−Ｉ特性デー
タからの差分方向ベクトル集合を生成する手段と、 （Ｅ）前記差分方向ベクトルをスレッシュホールドを持
つ階段関数を用いて特徴検出器上のセル座標に変換し、
セル座標変換ベクトル集合を生成する手段と、 （Ｆ）前記セル座標変換ベクトルから前記特徴検出器の
セル座標コードを生成する手段と、 （Ｇ）２組の前記セル座標コードを成分とする入力層ユ
ニット行列を生成し、前記入力層ユニット行列の成分値
をニューラルネットへの入力層ユニット番号を持つ特徴
ベクトルに割り当てる手段と、 （Ｈ）前記特徴ベクトルの出現頻度情報をカウントし、
正規化する手段と、 （Ｉ）特徴ベクトルの前記出現頻度情報をニューラルネ
ットに学習させる手段と、 （Ｊ）ニューラルネットの学習により微分Ｌ−Ｉ特性の
欠陥を検出し、分類する手段とを含んで構成される。
特性欠陥検出装置は、 （Ａ）駆動電流Ｉに対する半導体レーザーの光出力Ｌを
測定する測定手段と、 （Ｂ）駆動電流Ｉに対するｄＬ／ｄＩを求め、Ａ／Ｄ変
換した微分Ｌ−Ｉ特性データを求めるデータ作成手段
と、 （Ｃ）前記データ作成手段により得られる微分Ｌ−Ｉ特
性データの変化率が最大でかつ光出力が最大である開始
点を求める開始点探索手段と、 （Ｄ）開始点から測定終了点までの微分Ｌ−Ｉ特性デー
タからの差分方向ベクトル集合を生成する手段と、 （Ｅ）前記差分方向ベクトルをスレッシュホールドを持
つ階段関数を用いて特徴検出器上のセル座標に変換し、
セル座標変換ベクトル集合を生成する手段と、 （Ｆ）前記セル座標変換ベクトルから前記特徴検出器の
セル座標コードを生成する手段と、 （Ｇ）２組の前記セル座標コードを成分とする入力層ユ
ニット行列を生成し、前記入力層ユニット行列の成分値
をニューラルネットへの入力層ユニット番号を持つ特徴
ベクトルに割り当てる手段と、 （Ｈ）前記特徴ベクトルの出現頻度情報をカウントし、
正規化する手段と、 （Ｉ）特徴ベクトルの前記出現頻度情報をニューラルネ
ットに学習させる手段と、 （Ｊ）ニューラルネットの学習により微分Ｌ−Ｉ特性の
欠陥を検出し、分類する手段とを含んで構成される。
【０００６】
【実施例】次に、本発明の実施例について、図面を参照
して詳細に説明する。
して詳細に説明する。
【０００７】図１は本発明の一実施例の測定系のブロッ
ク図である。電流駆動部１で駆動電流ａが発生し、微分
回路２に入力される。半導体レーザー３は駆動電流ａの
大きさに応じて光出力ｂを出力する。光出力ｂは光信号
測定回路４に入力され、電気信号に変換されて出力信号
ｃが発生する。出力信号ｃは微分回路２に入力され、駆
動電流ａに応じた微分出力信号ｄを発生する。微分出力
信号ｄと駆動電流ａとはＡ／Ｄ変換回路５に入力され、
２次元データ信号ｅを発生し、マイクロプロセッサ６に
取り込まれ、波形データ番号とともに、記憶される。
ク図である。電流駆動部１で駆動電流ａが発生し、微分
回路２に入力される。半導体レーザー３は駆動電流ａの
大きさに応じて光出力ｂを出力する。光出力ｂは光信号
測定回路４に入力され、電気信号に変換されて出力信号
ｃが発生する。出力信号ｃは微分回路２に入力され、駆
動電流ａに応じた微分出力信号ｄを発生する。微分出力
信号ｄと駆動電流ａとはＡ／Ｄ変換回路５に入力され、
２次元データ信号ｅを発生し、マイクロプロセッサ６に
取り込まれ、波形データ番号とともに、記憶される。
【０００８】次に本実施例の動作について説明する。
【０００９】図２および図３は本実施例の２次元データ
信号ｅの処理のフローチャートである。２次元データ信
号ｅは駆動電流ａと微分出力信号ｄとの２次元配列（Ｉ
s ，Ｌs ）（ｓ＝１，２，３…Ｎ：Ｎはデータの最大
数）としてマイクロプロセッサ６に格納される（手順
１）。再び図４を引用すると、図４は２次元配列
（Ｉs ，Ｌs ）である微分Ｌ−Ｉ特性データの例を示す
図で、（Ｉs ，Ｌs ）は図４に示す曲線上の点である
（本実施例ではＩ1 ，Ｉ2 ，…ＩNは一定値毎に増加す
る駆動電流である）。図５は図４を５倍に拡大した図で
ある。次に図５に示す微分Ｌ−Ｉ特性の特徴点の抽出開
始点（Ｉ1 ，Ｌ1 ）の決定を行う（手順２）。ここでは
マイクロプロセッサ６に格納された２次元配列（Ｉs ，
Ｌs ）から微分光出力の変化率の最大値を求め、その近
傍の前後１０点の（Ｉs ，Ｌs ）の微分出力の最大値の
点を（Ｉ1 ，Ｌ1 ）とする。次にこの開始点（Ｉ1 ，Ｌ
1 ）以降のデータからニューラルネットに入力する特徴
ベクトルを生成する。
信号ｅの処理のフローチャートである。２次元データ信
号ｅは駆動電流ａと微分出力信号ｄとの２次元配列（Ｉ
s ，Ｌs ）（ｓ＝１，２，３…Ｎ：Ｎはデータの最大
数）としてマイクロプロセッサ６に格納される（手順
１）。再び図４を引用すると、図４は２次元配列
（Ｉs ，Ｌs ）である微分Ｌ−Ｉ特性データの例を示す
図で、（Ｉs ，Ｌs ）は図４に示す曲線上の点である
（本実施例ではＩ1 ，Ｉ2 ，…ＩNは一定値毎に増加す
る駆動電流である）。図５は図４を５倍に拡大した図で
ある。次に図５に示す微分Ｌ−Ｉ特性の特徴点の抽出開
始点（Ｉ1 ，Ｌ1 ）の決定を行う（手順２）。ここでは
マイクロプロセッサ６に格納された２次元配列（Ｉs ，
Ｌs ）から微分光出力の変化率の最大値を求め、その近
傍の前後１０点の（Ｉs ，Ｌs ）の微分出力の最大値の
点を（Ｉ1 ，Ｌ1 ）とする。次にこの開始点（Ｉ1 ，Ｌ
1 ）以降のデータからニューラルネットに入力する特徴
ベクトルを生成する。
【００１０】ここで特徴ベクトルの生成手段について詳
細に説明する。まず、微分Ｌ−Ｉデータである２次元配
列（Ｉs ，Ｌs ）から波形の変動量を示す差分方向ベク
トル集合を生成する（手順３）。差分方向ベクトル集合
は Ｖ＝（△Ｉs ，△Ｌs ） （１） ｓ＝１，２，３，…Ｎ と定義できる。ただし、 △Ｉs ＝Ｉs −Ｉs-1 （２） △Ｌs ＝Ｌs −Ｌs-1 （３） である。次に波形パターンデータを特徴検出器上のセル
座標変換ベクトル集合の生成手段について説明する。本
実施例ではマイクロプロセッサ６のメモリー容量を考慮
して特徴検出器のセル数は５＊５＝２５とする。
細に説明する。まず、微分Ｌ−Ｉデータである２次元配
列（Ｉs ，Ｌs ）から波形の変動量を示す差分方向ベク
トル集合を生成する（手順３）。差分方向ベクトル集合
は Ｖ＝（△Ｉs ，△Ｌs ） （１） ｓ＝１，２，３，…Ｎ と定義できる。ただし、 △Ｉs ＝Ｉs −Ｉs-1 （２） △Ｌs ＝Ｌs −Ｌs-1 （３） である。次に波形パターンデータを特徴検出器上のセル
座標変換ベクトル集合の生成手段について説明する。本
実施例ではマイクロプロセッサ６のメモリー容量を考慮
して特徴検出器のセル数は５＊５＝２５とする。
【００１１】式（１）で作成した差分方向ベクトル集合
を特徴検出器のセル座標値に変換する為に図１３に示す
階段関数Ｐ（ｚ）を定義する。
を特徴検出器のセル座標値に変換する為に図１３に示す
階段関数Ｐ（ｚ）を定義する。
【００１２】この階段関数Ｐ（ｚ）は
【００１３】
【００１４】と与えられる。ただし、β，γは差分方向
ベクトルの移動量に応じてセル座標位置を決定する階段
関数のスレッシュホールドであり、│β│＜│γ│なる
関係を満足する。階段関数Ｐ（ｚ）は手順３で生成した
差分方向ベクトルの変位量に応じて特徴検出器のセル座
標変換ベクトル集合に変換する（手順４）。この時得ら
れるセル座標変換ベクトル集合Ｖt （ｓ）は Ｖt （ｓ）＝［ｐ（△Ｉs ），ｐ（△Ｌs ）］ （５） ｓ＝１，２，３，…Ｎ で与えられる。Ｖt （ｓ）は図１４に示されるように特
徴検出器の中心を原点とするいずれかのマトリックス上
のセル座標値である。さらに階段関数ｐ（ｚ）の性質か
ら、計測された微分Ｌ−Ｉ特性がノイズ等の影響で局所
的に微分光出力の変動量△Ｌs が著しく大きくてもスレ
ッシュホールド│β│、│γ│により、変動量は圧縮さ
れ、セル座標値のいずれかの位置に変換される。これと
同様に変動量△Ｌs が小さい場合にはスレッシュホール
ド以下となり、反応するセル座標は変化しない。従っ
て、階段関数ｐ（ｚ）は微分光出力の変動量△Ｌs のデ
ータ圧縮、整合効果を持ち、同時にノイズ等の影響を排
除するフィルタ機能を持つ。次にニューラルネットの入
力層ユニットへセル座標学習させるための入力層ユニッ
ト番号を生成し、各入力層ユニットに入力する特徴ベク
トルの出現頻度情報の生成手段について詳細に説明す
る。
ベクトルの移動量に応じてセル座標位置を決定する階段
関数のスレッシュホールドであり、│β│＜│γ│なる
関係を満足する。階段関数Ｐ（ｚ）は手順３で生成した
差分方向ベクトルの変位量に応じて特徴検出器のセル座
標変換ベクトル集合に変換する（手順４）。この時得ら
れるセル座標変換ベクトル集合Ｖt （ｓ）は Ｖt （ｓ）＝［ｐ（△Ｉs ），ｐ（△Ｌs ）］ （５） ｓ＝１，２，３，…Ｎ で与えられる。Ｖt （ｓ）は図１４に示されるように特
徴検出器の中心を原点とするいずれかのマトリックス上
のセル座標値である。さらに階段関数ｐ（ｚ）の性質か
ら、計測された微分Ｌ−Ｉ特性がノイズ等の影響で局所
的に微分光出力の変動量△Ｌs が著しく大きくてもスレ
ッシュホールド│β│、│γ│により、変動量は圧縮さ
れ、セル座標値のいずれかの位置に変換される。これと
同様に変動量△Ｌs が小さい場合にはスレッシュホール
ド以下となり、反応するセル座標は変化しない。従っ
て、階段関数ｐ（ｚ）は微分光出力の変動量△Ｌs のデ
ータ圧縮、整合効果を持ち、同時にノイズ等の影響を排
除するフィルタ機能を持つ。次にニューラルネットの入
力層ユニットへセル座標学習させるための入力層ユニッ
ト番号を生成し、各入力層ユニットに入力する特徴ベク
トルの出現頻度情報の生成手段について詳細に説明す
る。
【００１５】まず図１４に示すセル座標系を図１５に示
される座標コードに割り当て、セル座標変換ベクトルを
コード化し、対象となっているサンプル点データ番号ｓ
とｓ−１のコードを順次シフトさせながらマイクロプロ
セッサ６のメモリーに記憶する（手順５）。この時、セ
ル座標値から得られる座標コードの一般関係式は ｉ＝ｃｏｄｅ［ｓ］＝（２ｍ−１）＊ｐ（△Ｉs ）＋ｐ（△Ｌs ） ＋２ｍ（ｍ−１）＋１ （６） ｓ＝１，２，３，…Ｎ で与えられる。本実施例では２５個のセルであるから、
ｍ＝３であり、ｃｏｄｅ［ｓ］は１から２５までの整数
値である。手順５で得た座標コード番号から、ニューラ
ルネットへの入力層ユニット番号ｌを生成する（手順
６）。
される座標コードに割り当て、セル座標変換ベクトルを
コード化し、対象となっているサンプル点データ番号ｓ
とｓ−１のコードを順次シフトさせながらマイクロプロ
セッサ６のメモリーに記憶する（手順５）。この時、セ
ル座標値から得られる座標コードの一般関係式は ｉ＝ｃｏｄｅ［ｓ］＝（２ｍ−１）＊ｐ（△Ｉs ）＋ｐ（△Ｌs ） ＋２ｍ（ｍ−１）＋１ （６） ｓ＝１，２，３，…Ｎ で与えられる。本実施例では２５個のセルであるから、
ｍ＝３であり、ｃｏｄｅ［ｓ］は１から２５までの整数
値である。手順５で得た座標コード番号から、ニューラ
ルネットへの入力層ユニット番号ｌを生成する（手順
６）。
【００１６】反応したセル座標値から得られる対応セル
座標コード番号と入力層ユニット番号との関係式は ｌ＝（２ｍ−１）2 ＊（ｃｏｄｅ［ｓ］−１）＋ｊ （７） ｊ＝ｃｏｄｅ［ｓ−１］ （８） ｓ＝１，２，３，…Ｎ ｍ＝３ で与えられる。これは対象となっているセル座標コード
番号と一つ前のセル座標コード番号から唯一決定され、
また、２つの反応座標の組合せの最大値は（２ｍ−１）
4 通りである。本実施例ではｍ＝３なのでｌは６２５ま
での整数値となる。式（６）、（７）、（８）から、入
力層ユニット番号行列Ｕ［ｉ，ｊ］を生成し（手段
７）、その成分配列ｕｎｉｔ［ｉ，ｊ］を特徴ベクトル
集合Ｘ（ｌ）に割り当てると、 ｕｎｉｔ［ｉ，ｊ］＝ｘ［ｌ］ （９） と与えられ、これを行列表示すると
座標コード番号と入力層ユニット番号との関係式は ｌ＝（２ｍ−１）2 ＊（ｃｏｄｅ［ｓ］−１）＋ｊ （７） ｊ＝ｃｏｄｅ［ｓ−１］ （８） ｓ＝１，２，３，…Ｎ ｍ＝３ で与えられる。これは対象となっているセル座標コード
番号と一つ前のセル座標コード番号から唯一決定され、
また、２つの反応座標の組合せの最大値は（２ｍ−１）
4 通りである。本実施例ではｍ＝３なのでｌは６２５ま
での整数値となる。式（６）、（７）、（８）から、入
力層ユニット番号行列Ｕ［ｉ，ｊ］を生成し（手段
７）、その成分配列ｕｎｉｔ［ｉ，ｊ］を特徴ベクトル
集合Ｘ（ｌ）に割り当てると、 ｕｎｉｔ［ｉ，ｊ］＝ｘ［ｌ］ （９） と与えられ、これを行列表示すると
【００１７】
【００１８】となる。特徴ベクトルＸ（ｌ）に割り当て
られる情報は図１６に示されるベクトルカウンタによっ
て生成される。ベクトルカウンタは１つの微分Ｌ−Ｉ波
形データである二次元データが特徴検出器に入力される
と、特徴検出器上の２組の反応セルの座標値から決定さ
れる入力層ユニットＸ［ｌ］に反応があったものとして
１を加算し、マイクロプロセッサ６のメモリーに記憶す
る。この動作を１パターンの微分のＬ−Ｉ特性データの
開始点以降のすべてのサンプル点ｓ（ｓ＝１、２…Ｎ）
について順次行い、特徴検出器上の２組の反応セル座標
変換ベクトルのパターン出現頻度情報として、マイクロ
プロセッサ６上のメモリーに累積していく（手順８）。
られる情報は図１６に示されるベクトルカウンタによっ
て生成される。ベクトルカウンタは１つの微分Ｌ−Ｉ波
形データである二次元データが特徴検出器に入力される
と、特徴検出器上の２組の反応セルの座標値から決定さ
れる入力層ユニットＸ［ｌ］に反応があったものとして
１を加算し、マイクロプロセッサ６のメモリーに記憶す
る。この動作を１パターンの微分のＬ−Ｉ特性データの
開始点以降のすべてのサンプル点ｓ（ｓ＝１、２…Ｎ）
について順次行い、特徴検出器上の２組の反応セル座標
変換ベクトルのパターン出現頻度情報として、マイクロ
プロセッサ６上のメモリーに累積していく（手順８）。
【００１９】続いてベクトルカウンター内に蓄えられた
特徴ベクトルの出現頻度情報のノルムを計算する（手順
９）。この特徴ベクトルの出現頻度情報のノルムは生成
された特徴ベクトルＸ（ｌ）の２組の反応セルが原点に
あった場合、すなわち、特徴検出器の中心セルから以外
に反応がない時の特徴ベクトルｕｎｉｔ［２ｍ（ｍ−
１）＋１，２ｍ（ｍ−１）＋１］＝Ｘ［（２ｍ2 −２ｍ
＋１）2 ］、（ｍ＝３）と他の２組の特徴検出器上のセ
ル反応座標ベクトルの組合せパターンから生成する特徴
ベクトル間のユーグリット距離を意味する。手順７で得
た特徴ベクトルＸ［ｌ］はニューラルネットの入力層ユ
ニットに入力するためにその前処理として、ベクトルカ
ウンタ内のすべての反応頻度情報は［０，１］の範囲に
なるように正規化される（手順１０）。
特徴ベクトルの出現頻度情報のノルムを計算する（手順
９）。この特徴ベクトルの出現頻度情報のノルムは生成
された特徴ベクトルＸ（ｌ）の２組の反応セルが原点に
あった場合、すなわち、特徴検出器の中心セルから以外
に反応がない時の特徴ベクトルｕｎｉｔ［２ｍ（ｍ−
１）＋１，２ｍ（ｍ−１）＋１］＝Ｘ［（２ｍ2 −２ｍ
＋１）2 ］、（ｍ＝３）と他の２組の特徴検出器上のセ
ル反応座標ベクトルの組合せパターンから生成する特徴
ベクトル間のユーグリット距離を意味する。手順７で得
た特徴ベクトルＸ［ｌ］はニューラルネットの入力層ユ
ニットに入力するためにその前処理として、ベクトルカ
ウンタ内のすべての反応頻度情報は［０，１］の範囲に
なるように正規化される（手順１０）。
【００２０】続いて、各入力層ユニットに割り当てられ
ている特徴ベクトルの正規化頻度情報を図１７に示され
る階層型ニューラルネットに学習させる。学習アルゴリ
ズムは文献Ｐａｒａｌｅｌｌ Ｄｉｓｔｒｉｂｕｔｅｄ
Ｐｒｏｃｅｓｓｉｎｇ ＭＩＴ Ｐｒｅｓｓ １９８
６に基づくバックプロパゲーション法で行う。ここで本
実施例で用いたニューラルネットの学習アルゴリズムに
ついて詳細に説明する。手順７で得たメモリー上にある
頻度情報のノルムであるニューラルネットの入力層ユニ
ットへの入力特徴ベクトル群を新たにｌ＝ｊとおいて、
ｘ[1] （ｊ）と表記する（ここで［１］は第１層を表
し、以降の説明で［］内のｍはニューラルネットの層番
号とし、式（６）のｍとは異る）。
ている特徴ベクトルの正規化頻度情報を図１７に示され
る階層型ニューラルネットに学習させる。学習アルゴリ
ズムは文献Ｐａｒａｌｅｌｌ Ｄｉｓｔｒｉｂｕｔｅｄ
Ｐｒｏｃｅｓｓｉｎｇ ＭＩＴ Ｐｒｅｓｓ １９８
６に基づくバックプロパゲーション法で行う。ここで本
実施例で用いたニューラルネットの学習アルゴリズムに
ついて詳細に説明する。手順７で得たメモリー上にある
頻度情報のノルムであるニューラルネットの入力層ユニ
ットへの入力特徴ベクトル群を新たにｌ＝ｊとおいて、
ｘ[1] （ｊ）と表記する（ここで［１］は第１層を表
し、以降の説明で［］内のｍはニューラルネットの層番
号とし、式（６）のｍとは異る）。
【００２１】ニューラルネットの荷重、および荷重バイ
アス値を小さな乱数で初期化する（手順１１）。手順７
で得たｘ[1] （ｊ）の出現頻度データを入力層ユニット
に入力し、すべての入力層と中間層ユニットを結合させ
る。計算手順は下記のように行う。まず、第ｍ層のニュ
ーラルネットの第ｊユニットから第ｉユニットへの荷重
をω[m] ［ｉ］［ｊ］、バイアス値をθj として荷重和
を計算する（手順１２）。そのときの荷重和は
アス値を小さな乱数で初期化する（手順１１）。手順７
で得たｘ[1] （ｊ）の出現頻度データを入力層ユニット
に入力し、すべての入力層と中間層ユニットを結合させ
る。計算手順は下記のように行う。まず、第ｍ層のニュ
ーラルネットの第ｊユニットから第ｉユニットへの荷重
をω[m] ［ｉ］［ｊ］、バイアス値をθj として荷重和
を計算する（手順１２）。そのときの荷重和は
【００２２】
【００２３】と与えられる。
【００２４】手順１２の計算による各層のｊ番目のユニ
ット出力値は Ｏ[m] ［ｊ］＝ｆ（ｎｅｔ[m] ［ｊ］） （１２） ｍ＝１，２，…Ｍ と表現される。ただし、式（１２）は ｆ（Ｘ）＝１／（１＋ｅｘｐ（−Ｘ／Ｕ０）） （１３） ｆ’（Ｘ）＝Ｘ（１−Ｘ） （１４） なる非線形飽和特性をもつシグモイド関数、Ｕ０はその
傾きを示すパラメータである。ニューラルネットの各層
の入力ユニットの頻度情報が与えられた時、第ｐ番目に
提示された波形パターンのカテゴリに対する教師信号を
Ｔ[p] ［ｊ］、実際の出力層ユニットでの出力値をＯ
[m] ［ｊ］（ｍ＝Ｍ Ｍは層の最大数、本実施例ではＭ
＝３）とすると、二乗誤差ＥＲＲ（ｊ）は
ット出力値は Ｏ[m] ［ｊ］＝ｆ（ｎｅｔ[m] ［ｊ］） （１２） ｍ＝１，２，…Ｍ と表現される。ただし、式（１２）は ｆ（Ｘ）＝１／（１＋ｅｘｐ（−Ｘ／Ｕ０）） （１３） ｆ’（Ｘ）＝Ｘ（１−Ｘ） （１４） なる非線形飽和特性をもつシグモイド関数、Ｕ０はその
傾きを示すパラメータである。ニューラルネットの各層
の入力ユニットの頻度情報が与えられた時、第ｐ番目に
提示された波形パターンのカテゴリに対する教師信号を
Ｔ[p] ［ｊ］、実際の出力層ユニットでの出力値をＯ
[m] ［ｊ］（ｍ＝Ｍ Ｍは層の最大数、本実施例ではＭ
＝３）とすると、二乗誤差ＥＲＲ（ｊ）は
【００２５】
【００２６】である。次に微分Ｌ−Ｉ波形の分類カテゴ
リに対応する教師信号を入力し（手順１３）、二乗誤差
を計算する（手順１４）。さらに、教師信号と出力層ユ
ニットの出力の一致の有無を確認し、一致していない場
合はニューラルネットの各層間の荷重値と荷重バイアス
を修正する（手順１５）。その時の修正式は出力層ユニ
ットについては δ[m] ［ｊ］＝（Ｔ[p] ［ｊ］−Ｏ[m] ［ｊ］）・ｆ’（ｎｅｔ[m] ［ｊ］） （１６） ただし、ｍ＝Ｍである。第ｋ番目の中間層ユニットにつ
いては δ[k］［ｊ］＝ｆ’（ｎｅｔ[k] ［ｊ］） ・Σδ[k+1] ［ｌ］ω[k] ［ｉ］［ｊ］ （１７） △ω[k-1][k]［ｉ］［ｊ］＝η・δ[k] ［ｊ］・Ｏ[k-1] ［ｊ］ （ηは定数） （１８） で与えられる。式（１７）は実際には学習が安定に行な
われるために、学習効率化係数αを導入して荷重修正式
は △ω[k-1][k]［ｉ］［ｊ］（ｔ＋１） ＝η・δ[k] ［ｊ］・Ｏ[k] ［ｊ］＋α△ω[k-1][k]［ｊ］（ｔ） （１９） と与えられる。そして出力層ユニットのＯ[m] ［ｊ］の
最大値を調べ、おのおのの出力ユニットに割り当てられ
たカテゴリ名を出力し（手順１６）、一パターンの微分
Ｌ−Ｉ波形の学習を終了する。学習過程ではそれぞれの
カテゴリに属する微分Ｌ−Ｉ特性をランダムにニューラ
ルネットに提示し、式（９）の二乗誤差ＥＲＲ（ｊ）が
設定されたしきい値以下になるまで学習を行なう。学習
が終了すると、学習によって得られた荷重値、荷重バイ
アス値を計算機メモリーに格納し記憶する（手順１
４）。
リに対応する教師信号を入力し（手順１３）、二乗誤差
を計算する（手順１４）。さらに、教師信号と出力層ユ
ニットの出力の一致の有無を確認し、一致していない場
合はニューラルネットの各層間の荷重値と荷重バイアス
を修正する（手順１５）。その時の修正式は出力層ユニ
ットについては δ[m] ［ｊ］＝（Ｔ[p] ［ｊ］−Ｏ[m] ［ｊ］）・ｆ’（ｎｅｔ[m] ［ｊ］） （１６） ただし、ｍ＝Ｍである。第ｋ番目の中間層ユニットにつ
いては δ[k］［ｊ］＝ｆ’（ｎｅｔ[k] ［ｊ］） ・Σδ[k+1] ［ｌ］ω[k] ［ｉ］［ｊ］ （１７） △ω[k-1][k]［ｉ］［ｊ］＝η・δ[k] ［ｊ］・Ｏ[k-1] ［ｊ］ （ηは定数） （１８） で与えられる。式（１７）は実際には学習が安定に行な
われるために、学習効率化係数αを導入して荷重修正式
は △ω[k-1][k]［ｉ］［ｊ］（ｔ＋１） ＝η・δ[k] ［ｊ］・Ｏ[k] ［ｊ］＋α△ω[k-1][k]［ｊ］（ｔ） （１９） と与えられる。そして出力層ユニットのＯ[m] ［ｊ］の
最大値を調べ、おのおのの出力ユニットに割り当てられ
たカテゴリ名を出力し（手順１６）、一パターンの微分
Ｌ−Ｉ波形の学習を終了する。学習過程ではそれぞれの
カテゴリに属する微分Ｌ−Ｉ特性をランダムにニューラ
ルネットに提示し、式（９）の二乗誤差ＥＲＲ（ｊ）が
設定されたしきい値以下になるまで学習を行なう。学習
が終了すると、学習によって得られた荷重値、荷重バイ
アス値を計算機メモリーに格納し記憶する（手順１
４）。
【００２７】自動検査時には学習で得た荷重、荷重バイ
アスデータを再び読み込み（手順１５）、図１の測定系
から得られる微分Ｌ−Ｉデータの２次元配列を学習過程
と同様に特徴ベクトルを生成し（手順３、４、５、６、
７、８、９、１０）、図１７に示される階層ニューラル
ネットに入力し、式（１１）式（１２）を計算し、出力
層ユニットの最大値に属するカテゴリ名を表示する（手
順１７）。
アスデータを再び読み込み（手順１５）、図１の測定系
から得られる微分Ｌ−Ｉデータの２次元配列を学習過程
と同様に特徴ベクトルを生成し（手順３、４、５、６、
７、８、９、１０）、図１７に示される階層ニューラル
ネットに入力し、式（１１）式（１２）を計算し、出力
層ユニットの最大値に属するカテゴリ名を表示する（手
順１７）。
【００２８】図５、図８、図１１は図４、図７、図１０
をそれぞれ５倍に拡大し、カテゴリ“良品”，“不良
品”，“ノイズ”の微分Ｌ−Ｉデータを図１７に示され
る入力ユニット数２５、中間層ユニット数３５、出力ユ
ニット数３の階層構造を持つニューラルネットに学習さ
せた後、未学習の微分Ｌ−Ｉ波形を提示した時、本装置
がそれぞれ良品、不良品、ノイズと正しく分類、認識し
た例を示すものである。
をそれぞれ５倍に拡大し、カテゴリ“良品”，“不良
品”，“ノイズ”の微分Ｌ−Ｉデータを図１７に示され
る入力ユニット数２５、中間層ユニット数３５、出力ユ
ニット数３の階層構造を持つニューラルネットに学習さ
せた後、未学習の微分Ｌ−Ｉ波形を提示した時、本装置
がそれぞれ良品、不良品、ノイズと正しく分類、認識し
た例を示すものである。
【００２９】図６、図９、図１２は図１７に示される階
層型ニューラルネットが学習によって獲得した良品、不
良品、ノイズに対する中間層ユニットの反応の強さを示
す状態図である。図６、図９、図１２において３５個の
升は各中間層ユニットを示し、各升の中の黒い四角形の
大きさは各中間層ユニットの反応の強さを示す。
層型ニューラルネットが学習によって獲得した良品、不
良品、ノイズに対する中間層ユニットの反応の強さを示
す状態図である。図６、図９、図１２において３５個の
升は各中間層ユニットを示し、各升の中の黒い四角形の
大きさは各中間層ユニットの反応の強さを示す。
【００３０】
【発明の効果】以上説明したように本発明の半導体レー
ザー特性欠陥検出装置は、半導体レーザーの微分Ｌ−Ｉ
特性の直線部の有無にかかわらず波形直線部を推定し、
抽出直線と波形データとの距離の最大値を規格値と比較
させて、Ｌ−Ｉキンクの有無を認識させる代わりに、微
分Ｌ−Ｉ特性の変動を検知する特徴検出器とニューラル
ネットの学習凡化能力を用いて、未提示の計測された微
分Ｌ−Ｉ特性の任意の位置にあるＬ−Ｉキンクを自動的
に検出、分類する。学習後のニューラルネットは波形デ
ータを入力するだけで、波形の欠陥を検出し、分類する
ので、波形の直線部がない場合の余分な直線推定の計算
が省け、製品検査のリードタイムの大幅な向上ができる
という効果がある。
ザー特性欠陥検出装置は、半導体レーザーの微分Ｌ−Ｉ
特性の直線部の有無にかかわらず波形直線部を推定し、
抽出直線と波形データとの距離の最大値を規格値と比較
させて、Ｌ−Ｉキンクの有無を認識させる代わりに、微
分Ｌ−Ｉ特性の変動を検知する特徴検出器とニューラル
ネットの学習凡化能力を用いて、未提示の計測された微
分Ｌ−Ｉ特性の任意の位置にあるＬ−Ｉキンクを自動的
に検出、分類する。学習後のニューラルネットは波形デ
ータを入力するだけで、波形の欠陥を検出し、分類する
ので、波形の直線部がない場合の余分な直線推定の計算
が省け、製品検査のリードタイムの大幅な向上ができる
という効果がある。
【００３１】また、特徴検出器は波形パターンデータの
意味を損なわずに特徴検出器上の２組の反応セルの頻度
情報である特徴ベクトルに変換するので、データの圧縮
が図れる上、特徴検出器上で定義した階段関数の特性に
よって波形上の局所的に発生する計測ノイズの影響を取
り除くことができるというフィルタリング効果がある。
また、ニューラルネットの学習結果である出力層の各出
力ユニットはそれぞれ、良品、不良品、ノイズのカテゴ
リに割り当てられ、この出力の最大値の値は分類カテゴ
リであると同時に判定の確信度を示しているので、分類
結果の認識度合を数値化できるという効果がある。
意味を損なわずに特徴検出器上の２組の反応セルの頻度
情報である特徴ベクトルに変換するので、データの圧縮
が図れる上、特徴検出器上で定義した階段関数の特性に
よって波形上の局所的に発生する計測ノイズの影響を取
り除くことができるというフィルタリング効果がある。
また、ニューラルネットの学習結果である出力層の各出
力ユニットはそれぞれ、良品、不良品、ノイズのカテゴ
リに割り当てられ、この出力の最大値の値は分類カテゴ
リであると同時に判定の確信度を示しているので、分類
結果の認識度合を数値化できるという効果がある。
【図１】本発明の一実施例を示す測定系のブロック図で
ある。
ある。
【図２】図１に示すマイクロプロセッサの処理を示す流
れ図である。
れ図である。
【図３】図１に示すマイクロプロセッサ６の処理を示す
流れ図である。
流れ図である。
【図４】図１の測定系から得られる良品の２次元データ
信号ｅの出力図である。
信号ｅの出力図である。
【図５】図４に示されるデータを５倍に拡大し、図２お
よび図３に示される検査フローに従ってデータ処理さ
れ、ニューラルネットが半導体レーザーの微分Ｌ−Ｉ特
性波形形状を良品と判定した出力例を示す図である。
よび図３に示される検査フローに従ってデータ処理さ
れ、ニューラルネットが半導体レーザーの微分Ｌ−Ｉ特
性波形形状を良品と判定した出力例を示す図である。
【図６】ニューラルネットが学習によって獲得した図５
に示す微分Ｌ−Ｉ特性波形に対する中間層ユニットの反
応の強さを示す状態図である。
に示す微分Ｌ−Ｉ特性波形に対する中間層ユニットの反
応の強さを示す状態図である。
【図７】図１の測定系から得られる不良品の２次元デー
タ信号ｅの出力図である。
タ信号ｅの出力図である。
【図８】図７に示されるデータを５倍に拡大した出力例
を示す図である。
を示す図である。
【図９】ニューラルネットが学習によって獲得した図８
に示す微分Ｌ−Ｉ特性波形に対する中間層ユニットの反
応の強さを示す状態図である。
に示す微分Ｌ−Ｉ特性波形に対する中間層ユニットの反
応の強さを示す状態図である。
【図１０】図１の測定系から得られるノイズを含む２次
元データ信号ｅの出力図である。
元データ信号ｅの出力図である。
【図１１】図１０に示されるデータを５倍に拡大した出
力例を示す図である。
力例を示す図である。
【図１２】ニューラルネットが学習によって獲得した図
１１に示す微分Ｌ−Ｉ特性波形に対する中間層ユニット
の反応の強さを示す状態図である。
１１に示す微分Ｌ−Ｉ特性波形に対する中間層ユニット
の反応の強さを示す状態図である。
【図１３】特徴検出器のスレッシュホールドを持つ階段
関数の概念図である。
関数の概念図である。
【図１４】特徴検出器のセル座標図である。
【図１５】特徴検出器の各セル座標をコード化した図で
ある。
ある。
【図１６】２つのセル座標の組合せから決定される特徴
ベクトルが各入力層ユニット番号に割り当てられ、その
出現頻度をカウントし、マイクロプロセッサ６上に累積
し、記憶するベクトルカウンタの概念図である。
ベクトルが各入力層ユニット番号に割り当てられ、その
出現頻度をカウントし、マイクロプロセッサ６上に累積
し、記憶するベクトルカウンタの概念図である。
【図１７】本実施例で用いたニューラルネットの概念図
である。
である。
１ 電流駆動部 ２ 微分回路 ３ 半導体レーザー ４ 光信号測定回路 ５ Ａ／Ｄ変換回路 ６ マイクロプロセッサ ａ 駆動電流 ｂ 光パワー ｃ 出力パワー信号 ｄ 微分出力パワー信号 ｅ 二次元データ信号
Claims (1)
- 【請求項１】 （Ａ）駆動電流Ｉに対する半導体レーザ
ーの光出力Ｌを測定する測定手段と、 （Ｂ）駆動電流Ｉに対するｄＬ／ｄＩを求め、Ａ／Ｄ変
換した微分Ｌ−Ｉ特性データを求めるデータ作成手段
と、 （Ｃ）前記データ作成手段により得られる微分Ｌ−Ｉ特
性データの変化率が最大でかつ光出力が最大である開始
点を求める開始点探索手段と、 （Ｄ）前記開始点から測定終了点までの微分Ｌ−Ｉ特性
データからの差分方向ベクトル集合を生成する手段と、 （Ｅ）前記差分方向ベクトルをスレッシュホールドを持
つ階段関数を用いて特徴検出器上のセル座標に変換し、
セル座標変換ベクトル集合を生成する手段と、 （Ｆ）前記セル座標変換ベクトルから前記特徴検出器の
セル座標コードを生成する手段と、 （Ｇ）２組の前記セル座標コードを成分とする入力層ユ
ニット行列を生成し、前記入力層ユニット行列の成分値
をニューラルネットへの入力層ユニット番号を持つ特徴
ベクトルに割り当てる手段と、 （Ｈ）前記特徴ベクトルの出現頻度情報をカウントし、
正規化する手段と、 （Ｉ）特徴ベクトルの前記出現頻度情報をニューラルネ
ットに学習させる手段と、 （Ｊ）ニューラルネットの学習により微分Ｌ−Ｉ特性の
欠陥を検出し、分類する手段とを含む半導体レーザー特
性欠陥検出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP491091A JP2671610B2 (ja) | 1991-01-21 | 1991-01-21 | 半導体レーザー特性欠陥検出装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP491091A JP2671610B2 (ja) | 1991-01-21 | 1991-01-21 | 半導体レーザー特性欠陥検出装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04236338A JPH04236338A (ja) | 1992-08-25 |
| JP2671610B2 true JP2671610B2 (ja) | 1997-10-29 |
Family
ID=11596796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP491091A Expired - Lifetime JP2671610B2 (ja) | 1991-01-21 | 1991-01-21 | 半導体レーザー特性欠陥検出装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2671610B2 (ja) |
-
1991
- 1991-01-21 JP JP491091A patent/JP2671610B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH04236338A (ja) | 1992-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
| CN112418395B (zh) | 一种基于生成对抗网络的气体传感器阵列漂移补偿方法 | |
| JPH05189401A (ja) | データ分類方法および装置 | |
| CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及系统 | |
| CN113609569B (zh) | 一种判别式的广义零样本学习故障诊断方法 | |
| CN115861190A (zh) | 一种基于对比学习的光伏组件无监督缺陷检测方法 | |
| Crook et al. | A tale of two filters-on-line novelty detection | |
| CN115424074A (zh) | 一种应用于工业检测的分类方法、装置及设备 | |
| US20040096107A1 (en) | Method and computer program product for determining an efficient feature set and an optimal threshold confidence value for a pattern recogniton classifier | |
| JP2671610B2 (ja) | 半導体レーザー特性欠陥検出装置 | |
| CN112906672A (zh) | 钢轨缺陷识别方法及系统 | |
| CN117672202A (zh) | 一种基于深度卷积生成对抗网络的环境声音分类方法 | |
| CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
| CN113177578A (zh) | 一种基于lstm的农产品品质分类方法 | |
| Li et al. | Autoencoder-based anomaly detection in streaming data with incremental learning and concept drift adaptation | |
| CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
| CN117291898A (zh) | 一种表面缺陷检测方法、系统及设备 | |
| CN114926702B (zh) | 一种基于深度注意力度量的小样本图像分类方法 | |
| Protopapadakis et al. | A semi-supervised approach for industrial workflow recognition | |
| JPH04236371A (ja) | 半導体レーザー特性欠陥検出装置 | |
| JP2663885B2 (ja) | 素子特性欠陥検出方法およびそのための装置 | |
| JPH04236370A (ja) | 半導体レーザー特性欠陥検出装置 | |
| CN115512174A (zh) | 应用二次IoU损失函数的无锚框目标检测方法 | |
| JP2950023B2 (ja) | パターン認識辞書生成装置およびパターン認識装置 | |
| JP3018391B2 (ja) | 半導体レーザーの特性波形認識装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 19970610 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20070711 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080711 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090711 Year of fee payment: 12 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100711 Year of fee payment: 13 |