一种基于散射矩阵的表面质量识别模型建立方法及其应用

技术领域

本发明属于光学检测领域，更具体地，涉及一种基于散射矩阵的表面质量识别模型建立方法及其应用。

背景技术

光学元件广泛应用于天文望远镜、激光制导、超强激光与EUV极紫外光刻设备等设备中，这些设备对光学元件有着极高的表面质量要求。但是在加工过程中，如何快速表征大型光学元件的表面质量是一个比较困难的问题。常见的白光干涉仪、原子力显微镜等检测手段均是离线检测，无法有效指导加工过程，限制了加工效率和成品率。

为了加速光学元件的检测效率，可以借助光散射手段检测被加工光学元件的表面质量，这种方法借助无接触式检测手段，便于集成化，可以实现在线检测，保证加工效率和精度，具有良好的应用前景。但是现有技术仅能够针对固定入射角进行表面质量识别，对于全入射角检测技术，因采集的信息过于丰富，无法直接进行应用。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于散射矩阵的表面质量识别模型建立方法及其应用，旨在解决现有的识别方法无法适用于全入射角检测技术的问题。

为实现上述目的，按照本发明的一方面，提供了一种基于散射矩阵的表面质量识别模型建立方法，该建立方法包括如下步骤：

S1对若干标样的表面质量进行分类并获取各个标样对应的散射光强和电场强度；

S2分别对各个所述标样的散射光强进行归一化处理以获得其对应的散射矩阵；

S3根据所述散射光强与电场强度的关系对各个所述散射矩阵进行可视化处理，以此获得若干更新散射矩阵；

S4根据标样的表面质量类别对各个所述更新散射矩阵进行打标以此获得数据集；

S5利用所述数据集对深度学习模型进行训练以获得表面质量识别模型。

作为进一步优选地，所述建立方法还包括表面质量细化过程，具体包括如下步骤：

S6建立若干测试样，各个所述测试样的表面质量类别与标样不同，然后获取某个测试样对应的散射光强和光场强度，并利用步骤S5得到的当前表面质量识别模型对其进行识别，对置信度前两位的表面质量类别进行等距分类以获得全新表面质量类别；

S7根据所述全新表面质量类别对各个所述测试样的表面质量进行分类并重复步骤S1～S5以对所述表面质量识别模型进行更新以获得下一表面质量识别模型；

S8更新测试样并重复步骤S6、S7直至表面质量识别模型的准确率达到阈值，进而获得最终的表面质量识别模型。

作为进一步优选地，所述表面质量为粗糙度、缺陷或污染物中的一种。

作为进一步优选地，步骤S1中，采用有限元仿真手段获取散射光强和电场强度。

作为进一步优选地，步骤S2中，利用下式进行进行归一化处理：

式中，

作为进一步优选地，步骤S3中，利用下式计算

式中，

按照本发明的另一方面，提供了利用上述建立方法获得的表面质量识别模型。

按照本发明的又一方面，提供了利用上述表面质量识别模型对光学元件进行表面质量识别的方法，该方法具体为：

(1)获取待测光学元件的散射光强和电场强度，然后对其进行归一化处理和可视化处理以获得待测光学元件的更新散射矩阵；

(2)将所述更新散射矩阵代入所述表面质量识别模型进行识别，以此获得待测光学元件的表面质量。

作为进一步优选地，所述表面质量识别方法还包括在步骤(1)之前确定最优滤波器，具体为：

(a)在某个标样的散射矩阵中添加不同类别的噪声，并使用多个滤波器对每个类别的噪声进行去除，然后进行归一化处理和可视化处理以获得若干去噪更新散射矩阵；

(b)将各个所述去噪散更新射矩阵代入表面质量识别模型进行识别并与标样的表面质量进行比较以获得其对应的准确率，选择不同噪声对应的准确率最高的滤波器，以此获得不同噪声对应的最优滤波器；

(c)后续获取待测光学元件的散射光强和电场强度后先判断噪声种类并使用其对应的最优滤波器进行处理后再进行步骤(1)和步骤(2)。

作为进一步优选的，步骤(a)中，分别采用高斯滤波器、中值滤波器和均值滤波器对每个类别的噪声进行去除。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

1.本发明提出利用散射矩阵的方式建立数据集，能够获得多入射角及散射角的空间分布结果，丰富粗糙度散射信息，其中通过均一化处理能够避免散射光强输入数据与输出数据的数量级差别较大造成预测误差过大的问题，便于后续进行深度学习，同时通过可视化处理，能够对散射光强进行可视化处理，直观地了解散射光强与表面质量之间的关系，最终获得准确率较高的表面质量识别模型；

2.尤其是，本发明先利用大分类的表面质量类别标样进行深度学习，然后再使用测试样对表面质量类别进行进一步细化并进行训练，能够有效降低深度学习过程中存在的大数据量及无用粗糙度类别导致的训练成本增加的问题，有效提高训练效率，并在训练后获得更准确的粗糙度类别；

3.同时，本发明考虑到数据采集过程中噪声会导致预测精度下降，提出利用建立好的质量识别模型选择不同噪声对应的最优滤波器，能够进一步提高质量识别的精度。

附图说明

图1是本发明实施例提供的基于散射矩阵的光学元件表面质量识别模型的建立流程图；

图2是本发明实施例提供的粗糙度散射仿真模型；

图3是本发明实施例提供的不同试样的更新散射矩阵，其中(a)为光滑平面，(b)为RMS0.1λ、corr2λ的平面；

图4是本发明实施例提供的深度学习流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明提供了一种基于散射矩阵的表面质量识别模型建立方法，该建立方法包括如下步骤：

S1对若干标样的表面质量进行分类并获取各个标样对应的散射光强和电场强度；

S2由于采集到的散射光强近似于高斯分布，可以采用0均值标准化对其进行归一化处理，对应的公式为：

式中，

S3为了可视化采集到的散射光强的空间分布情况，需要对散射矩阵进行可视化处理，分析不同表面质量及相同表面质量对应的不同轮廓的散射光强分布情况，由于散射光强I与|E(r)|

式中，

S4根据标样的表面质量类别对各个更新散射矩阵进行打标以此获得数据集，将打标签的数据集分为训练集和测试集；

S5利用数据集对深度学习模型进行训练以获得表面质量识别模型。

本发明利用散射矩阵的方式建立数据集，能够获得多入射角及散射角的空间分布结果，丰富粗糙度散射信息，解决了光散射空间分布图片造成分类准确率下降的问题，并且避免图像像素的256值对分类结果产生影响，以进一步提高分类准确率，其中通过均一化处理能够避免散射光强输入数据与输出数据的数量级差别较大造成预测误差过大的问题，便于后续进行深度学习，同时通过可视化处理，能够对散射光强进行可视化处理，直观地了解散射光强与表面质量之间的关系，最终获得准确率较高的表面质量识别模型。

进一步，建立方法还包括表面质量类别细化过程，具体包括如下步骤：

S6建立若干测试样，各个测试样的表面质量类别与标样不同，然后获取某个测试样对应的散射光强和光场强度，并利用步骤S5得到的当前表面质量识别模型对其进行识别，对置信度前两位的表面质量类别进行等距分类以获得全新表面质量类别；

S7根据全新表面质量类别对各个测试样的表面质量进行分类并重复步骤S1～S5以对表面质量识别模型进行更新以获得下一表面质量识别模型；

S8更新测试样并重复步骤S6、S7直至表面质量识别模型的准确率达到阈值，进而获得最终的表面质量识别模型。

本发明通过对置信度前两位的表面质量类别进行等距分类能够不断对表面质量分类进行细化，同时通过训练能够进一步提高表面质量识别模型的准确率，从而降低学习过程存在的大数据量级无用粗糙度类别导致训练成本增加的问题，减少深度学习训练时间。

进一步，表面质量为粗糙度、缺陷或污染物中的一种。例如，在粗糙度测量过程中，同一粗糙度水平对应的表面粗糙度的轮廓不同，为了降低相同粗糙度水平对应的不同粗糙度轮廓的样品制作难度，可以借助有限元仿真手段获取散射光强和电场强度。当表面质量为粗糙度时，可以采用(表面粗糙度)RMS和相关长度(corr)进行分类，对RMS和corr进行排列组合得到若干种粗糙度水平。

进一步，为避免使用图像作为数据集进行深度学习训练导致的信息丢失，可以对直接采集到的电场强度E(r)对应的|E(r)|

进一步，选用Resnet50网络结构作为深度学习分类网络模型，设置ResNet的第一层卷积层输入通道为1，步距设置为1，并借助7*7的卷积核实现图像特征的提取，使用重复残差块提取特征，优化器选择的是Adam优化算法。模型训练过程比较模型训练的准确率，选择准确率最高的训练模型，并借助测试集验证模型的训练效果，最终得出训练模型的准确率。

按照本发明的另一方面，提供了利用上述方法建立的表面质量识别模型。

按照本发明的又一方面，提供了利用上述表面质量识别模型对光学元件进行表面质量识别的方法，该方法具体为：

(1)获取待测光学元件的散射光强和电场强度，然后对其进行归一化处理和可视化处理以获得待测光学元件的更新散射矩阵；

(2)将更新散射矩阵代入表面质量识别模型进行识别，以此获得待测光学元件的表面质量。

进一步，表面质量识别方法还包括在步骤(1)之前确定最优滤波器，具体为：

(a)在某个标样的散射矩阵中添加不同类别的噪声，并使用多个滤波器对每个类别的噪声进行去除，然后进行归一化处理和可视化处理以获得若干去噪更新散射矩阵；

(b)将各个去噪散更新射矩阵代入表面质量识别模型进行识别并与标样的表面质量进行比较以获得其对应的准确率，选择不同噪声对应的准确率最高的滤波器，以此获得不同噪声对应的最优滤波器；

(c)后续获取待测光学元件的散射光强和电场强度后先判断噪声种类并使用其对应的最优滤波器进行处理后再进行步骤(1)和步骤(2)。

进一步，步骤(a)中，添加的噪声包括高斯噪声、泊松噪声和校验噪声，采用的滤波器有高斯滤波器、中值滤波器和均值滤波器

下面根据具体实施例对本发明提供的技术方案作进一步说明。

步骤一、缺陷散射仿真数据模型建立

粗糙度的建模涉及到两个相关参数，相关长度CORR与表面粗糙度RMS表示，常用到的表面粗糙度的类型为高斯型表面粗糙度，对应的表面的功率谱密度函数为：

为了避免借助实验手段准备数据集的繁琐与耗时，借助有限元仿真手段完成数据库的扩充，并借助实验验证仿真数据的准确性。选择的表面入射光为平行光，以不同角度入射到被检测样品表面，采用监视器监视散射光强的分布情况。建立的粗糙度散射仿真模型如图2所示。选择的获取不同入射角(-80°到80°，间隔为2°)对应的各散射角度(-90°到90°半球面)对应的散射光强的分布。

步骤二、散射矩阵数据库的扩建

为了获得的不同的粗糙度水平对应的散射矩阵，构建九种不同的粗糙度水平，选择的RMS分别为：0.05λ、0.1λ与0.2λ，选择的corr分别为0.5λ、1.0λ与2.0λ，λ为入射光波长，对RMS和corr排列组合，得出九种粗糙度水平。并改变粗糙度表面构造过程的seed值，每一个粗糙度水平下对应的粗糙表面有190种。

步骤三、散射矩阵数据库的的预处理

光散射矩阵数据截取-80°到80°的散射角，角度间距设置为2°，对应81个数据；入射角的范围是(-80到80°)，角度间距设置为2°，对应81个数据。建立了81*81的散射矩阵，选择了n个训练数据，得到了n*81*81数据集，并对训练数据进行归一化处理，对应的光散射幅值范围为[0,1]。为了便于数据的导入训练网络，对预训练的散射矩阵数据reshape，得到了n*6561的矩阵。数据导入选择的Batch-size大小为：64，将数据集按照7.5:2.5分为训练集和测试集。数据预处理流程如图4所示。

步骤四、深度学习模型构建与训练

根据采集的数据集进行深度学习训练，选用Resnet50网络结构作为深度学习分类网络模型，设置ResNet的第一层卷积层输入通道为1，并借助7*7的卷积核实现图像特征的提取，使用重复残差块提取特征。对于散射矩阵数据集选择的模型的学习率设置为0.003，单入射角散射的学习率设置为0.002，两种数据集的训练批次大小为64，模型的优化器选择的是Adam优化器。

步骤五、散射矩阵噪声滤波

研究中在散射矩阵中分别添加高斯噪声、泊松噪声、椒盐噪声，分析噪声，使用常见的高斯、中值、均值滤波器去除散射矩阵采集过程存在的噪声，并使用训练好的深度学习数据库进行预测。对应的滤波器对高斯和泊松噪声具有较好的效果，分类准确率提高可达4％。

步骤六、临近粗糙度预测

采集粗糙度散射矩阵，使用训练好的表面质量识别模型进行分类，取分类的前两个分类置信，可以得到采集到的散射矩阵临近的粗糙度类别。为了细致的判断粗糙度的类别，在前两个粗糙度类别间等间距选择类别，并重新进行深度学习训练。该方法可以降低第一次散射矩阵分类训练类别过多导致的训练数据量的增加。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。