用于质检的自动化分割方法

技术领域

本发明涉及在检验过程中对图像数据中的缺陷进行自动化分割，在这些检验过程中检验相同类型的部件（线内和近线（Inline und At-Line））；并且本发明尤其涉及一种用于以质检方法来测量构件的缺陷的计算机实现的方法、一种对应的系统以及一种对应的计算机程序产品。

背景技术

为了将所制造的构件的品质保持在持续不变的高水平上，在正在运行的生产过程中进行永久性的品质控制至关重要。为此，现今通常使用可以借助于图像识别方法来鉴别所制造的构件上或其中的缺陷的光学系统。显微镜系统也越来越多地用于此类质检措施，其中可以通过放大来鉴别构件中较小的和最小的缺陷。这通常借助于图像分割来完成。

尤其在线内过程和近线过程中，需要进行全自动的缺陷分割，以便在下游步骤中在无需用户交互的情况下全自动地确定缺陷的尺寸，例如其体积、其周长、其直径或局部出现频度。只有这样才可以实现在价格上有利的且完全的检查构件以保证品质。

在此以不同的方式实现自动化分割。在检验过程中（该检验过程通常必须对过程变化做出反应并且必须应对缺陷表现形式的大量变体），一般优选基于机器学习模型（Machine-Learning-Modell）的训练集的模型，该训练集由相同（如试样）类型的构件组成。一种方案在于建立模型，在该模型中主要选出无错误的部件作为训练集，并且从中逐像素地或逐体素地确定图像亮度值的数学平均值和/或标准偏差。然而其前提在于，训练集由相同构件的图像/体数据组成。这种方法的主要缺点在于，除了缺陷之外，对扫描伪像和由制造公差导致的试样的元件（例如壁部）的轻微移位也进行分割并且因此导致错误的结果。对比度效果也导致这种方法的低稳健性。

建立模型的第二种方案是，在用于机器学习模型的训练集中既使用有故障的样本零件也使用无故障的样本零件。在此，有故障样本零件的缺陷设有缺陷位置的逐像素/逐体素的注释/标记。原则上不需要假定训练集由相同构件的图像/体数据组成，而是前提条件仅在于存在具有相似表现形式的局部相似的缺陷。基于训练集来训练静态分类方法，其中仅仅使用试样的图像亮度信息来对缺陷进行分割。该方法的重大缺点在于，必须可获得足够大的（经注释的）训练集，才能实现对缺陷进行稳健的分割。这通常需要非常长的训练时间。此外，该方法倾向于将在局部上下文中与缺陷相似的、然而为目标结构的结构作为缺陷进行分割。

基于已知方法的缺点，针对在此提出的概念的基本目的在于克服已知方法的所提到的缺点，并且尤其在于提出一种方法，该方法较少地依赖于缺陷在图像周围环境中的对比度，也不需要大训练数据量，从而还可以减少用于创建机器学习模型的训练时间。

发明内容

该目的由对应于独立权利要求在此所提出的方法、对应的系统和相关联的计算机程序产品来实现。另外的设计方案由相应从属权利要求说明。

与本发明的第一方面对应地，提出一种用于以质检方法来测量构件的缺陷的计算机实现的方法。该方法可以包括：接收待检查的构件的数字图像，接收该待检查的构件的第一参考图像，以及由所接收的数字图像和该第一参考图像的组合获取第二参考图像。

此外，该方法可以包括：激活基于机器学习的经训练的分类器系统，已经以训练数据训练了该分类器系统，以便建立模型，其中该模型用作用于在缺陷分类中对所接收的图像的体素进行语义分割的基础；以及通过经激活的该分类器系统对所接收的数字图像的体素进行分类。在此，所接收的数字图像的体素以及该第二参考图像的体素可以用作该分类器系统的输入数据。

与本发明的第二方面对应地，提出一种用于以质检方法来测量构件的缺陷的系统。该系统可以具有：第一接收单元，该第一接收单元被适配为用于接收待检查的构件的数字图像；第二接收单元，该第二接收单元被适配为用于接收该待检查的构件的第一参考图像；和确定模块，该确定模块被适配为用于由所接收的数字图像和该第一参考图像的组合获取第二参考图像。

此外，该系统可以具有基于机器学习的经训练的分类器系统，已经以训练数据训练了该分类器系统，以便建立模型，其中该模型用作用于在缺陷分类中对所接收的图像的体素进行语义分割的基础。在此，该分类器系统可以被适配为用于由经激活的分类器系统对所接收的数字图像的体素进行分类。所接收的该数字图像的体素以及该第二参考图像的体素可以用作该分类器系统的输入数据。

此外，实施方式能够涉及可以由计算机可用介质或计算机可读介质访问的计算机程序产品，该介质具有用于通过、被或者结合计算机或其他指令处理系统使用的程序代码。在本说明书的上下文中，计算机可用介质或计算机可读介质可以是适合用于存储、通信、传送或运输程序代码的任何设备。

用于以质检方法来测量构件的缺陷的计算机实现的方法具有多个优点和技术效果，这些优点和技术效果还可以对应地适用于相关联的系统：

所提出的用于以质检方法（尤其线内或近线质检方法）来测量（并且因此还识别）构件的缺陷的方法或对应的系统，通过分类系统藉由所记录的试样图像的差分信号和分割，克服了此前已知基于离散分割方法的缺点。在此除该试样的所记录到的数字图像之外，所提出的概念还使用其他的信息来精确地且稳健地对缺陷进行分割。这些信息从该试样的所记录的数字图像和参考图像中产生。该参考图像的数据可以以不同类型的方式（例如求平均值、抽象构造模型的推导等等）生成。即，这些额外使用的信息例如由可相对简单地推导出的该试样相对于参考集的差分信号组成。即，该分类器系统不仅使用源自该试样的图像亮度信息/体亮度信息，而且使用例如一样大的图像/体积（或关于图像/体积的信息），该图像/体积描述了与参考集的局部偏差。当以较大的件数（例如 > 20）来检验相同类型的相似试样时，则此类差分信号总是可用的。出于这一原因，在此所提出的概念非常适用于以线内或近线检验过程中对工件或构件中的缺陷进行分割。所以尤其在线内或近线过程中需要对这种全自动缺陷分割，以便在下游步骤中在无需用户交互的情况下全自动地确定缺陷的尺寸，例如体积、周长、直径或局部累积。就此而言，本文提出的方法对改进线内或近线检验过程做出了重大贡献，且因此在生产过程和质检过程中产生了正面的成本效果。

原则上可以使用多个不同的分类器系统。在本文件的其他部分中提及示例。尤其在使用深度神经网络（Deep Neural Network，DNN）作为分类器系统时可以将输入数据（第一参考图像和第二参考图像）的信息通道相互关联并引入到DNN的输入层中，使得该分类器系统可以基于训练集来确定信息的加权。

作为本文提出的概念的另外特别值得注意的优点，还可以提及更好的泛化、更高的稳健性以及注释耗费的降低。关于在训练集中仅以较弱方式呈现的缺陷，所提出的方法实现更好的分割准确性。此外，例如在成像伪像上出现较少的假阳性分割，从而提高了该方法的准确性。额外地，以更高的概率正确地对缺陷相似的目标结构进行分割。

此外，在表示与参考集的差异的通道中的信息是相对具有说服力的，使得用于该分类器系统的训练的复杂度更低。与无需额外的通道的情况相比，这还允许使用较少注释的数据来获得相对准确且更稳健的结果。由此能够明显减少训练时间，这允许所提出的方法还能够更快地用于新的构件或试样，同时这有助于减少所需的成本和调试时间。

此外，除用于线内或近线质检的主要应用情形（其中许多示例数据可供参考集使用）之外，还可以提供用于在实验室或测量室中使用的方法，其中参考集通常可以从较少的示例中获得，在极端情况下可以从唯一的良好的示例中获得。另一种可能性是藉由图像拟真（例如借助于CAD模型）来计算参考模型。

在下文中提出用于该方法的发明概念的其他实施方式，这些实施方式可以同样地且对应地适用于对应的系统：

根据该方法的一个有利的实施方式，可以通过所接收的数字图像和第一参考图像的亮度值的逐体素求差来获取该第二参考图像。在适当时还可以使用用于图像或用于这些图像的子区域的权重因子。求差需要相对较少的计算资源并且在大的体素量的情况下也可以快速执行。

根据该方法的一个可能的实施方式，该第一参考图像和该第二参考图像可以是相同的。也就是说可能完全省去求差，这进而可能促使该方法加速。于是可能由分类器系统承担额外的解释工作。

根据该方法的另一个有利的实施方式，所接收的参考图像可以包含亮度值的（尤其关于训练数据集的）逐体素的分布参数值，并且该第二参考图像在这些分布参数值方面可以被标准化。以此方式可以推导出可简洁地比较的检验结果。

根据该方法的另一个有利的实施方式，为了体素的分类，在分类时可以包含体素的空间上下文（尤其在预先规定的方向上的周围像素的数量）或时间上下文（尤其最后N个体积的滑动窗口）。以此方式尤其可以消除漂移效应。

根据该方法的进一步发展的实施方式，可以在时间曲线中对该第一参考图像（例如借助于滑动平均值）进行适配。由此还可以预先主动解决不可避免的漂移效应。

该方法的实施方式能够在分类器系统等方面借助于支持向量机、随机森林、提升、梯度提升、高斯处理、最近邻、逻辑回归、线性回归和神经元网络来实现。另外的替代性分类器系统也是可能的。

根据该方法的一个特别有利的实施方式，神经元网络可以是深度神经网络（DNN）。此类神经元网络特别适用于处理数字图像。尤其在其作为卷积神经网络（ConvolutionalNeural Network，CNN）的实施方式中，可以实现快速且高效地处理数字图像信息。

根据该方法的进一步发展的实施方式，相对于输入通道的量（即在DNN的输入端处的为处理数字图像所需的人工神经元）来扩展该深度神经网络的输入层，使得在该分类器系统的额外的输入通道处引导该第一参考图像的和/或该第二参考图像的体素数据。因此可以执行（所记录的数字图像的、（一个或多个）参考图像的）输入数据的像素信息的级联。

根据该方法的一个任选的实施方式，所接收的数字图像的图像分辨率和该第一参考图像的和/或该第二参考图像的图像分辨率可以是不同的。因此，该方法还与用于所接收的数字图像和该参考图像的记录系统无关。所记录的数字图像和参考图像可以是被不同的记录系统所记录的。此外，实际上可以在任何方面对该参考图像进行预处理。

根据该方法的另一个实施方式，该分类器系统可以具有第一分类器系统和第二分类器系统。在此，该第一分类器系统可以用第一数量的参数值（尤其例如DNN的权重参数或较低的分辨率）工作；并且该第二分类器系统可以用第二数量的参数值（尤其例如较高的分辨率）工作，其中参数值的第二数量高于该第一数量。这种灵活性允许在质检过程的不同阶段期间考虑不同的要求。尤其，随着更少数量的参数值带来了更快的处理。

根据以上所展示的实施方式中的另一个实施方式，例如只有当该第一分类器系统已经将相关联的一组体素（其数值经历阈值比较，以便仅考虑最小量）分类为属于缺陷类别时，才激活该第二分类器系统。简而言之，只有当更简单且更快速的第一分类器系统产生信号表明怀疑存在质量问题时，更复杂的第二分类器系统才会被激活，然后借助于更准确的该第二分类器系统（尤其借助于更高的分辨率）进行更详细的研究，以确定构件方面是否确实存在质量问题。

根据该方法的可能的实施方式，可以由图像记录方法推导出所接收的数字图像和用于该分类器系统的训练数据集的元素。在此该图像记录方法可以选自由以下项组成的组：电子显微镜、荧光显微镜、光学显微镜、光学相干性断层扫描、干涉仪、光谱仪、手术显微镜和计算机断层扫描。即，原则上可以通过在此所提出的方法来扩展所有常用的质检方案。

根据该方法的另一个实施方式，该第一参考图像通过对该构件的多个样本构件（尤其“良好”的，即无缺陷的或减少缺陷的样本）求平均值而形成，或者由该构件的CAD模型推导出，或者通过对图像记录方法的拟真从一个或多个对象模型中生成（例如从CAD系统，例如具有体素元数据“0”、“1”或“灰色”），或者从一个或多个对象模型中基于规则推导出。

在此，在该方法中还可以通过确定相对于平均的亮度值的标准偏差来获取分布参数值，该平均的亮度值高于该构件的多个“良好”样本构件的平均值。因此有多种获取参考图像的可能性，此处仅示例性地列举了其中若干种可能性。

附图说明

应指出的是，可以参照不同的实现类型来对本发明的实施例进行描述。尤其对关于方法的若干实施例进行描述，而其他的实施例可以在对应的设备的上下文中描述。无论如何，除非另有说明，否则本领域技术人员可以从上文和下文的说明书中识别并组合该方法的特征的可能组合以及与对应的系统的可能的特征组合，即使它们属于不同的权利要求类别。

本发明的上文已经描述的方面和其他方面尤其由所描述的实施例以及由参照附图所描述的其他另外的具体设计方案得出。

示例性地且参附图描述本发明的优选实施例：

图1展示根据本发明的用于以质检方法测量构件的缺陷的计算机实现的方法的实施例的框图。

图2展示作为本文提出的概念的基础的工作原理简图。

图3展示用于以质检方法测量构件的缺陷的系统的实施例的框图。

图4展示计算机系统的框图，该计算机系统附加地可以完全或部分具有根据图3的系统。

具体实施方式

在本说明书的上下文中，惯例、术语和/或表达应理解如下：

术语“工件”描述正在进行质检过程的构件或试样。

术语“缺陷”描述工件的表面上或体积中的异常。孔隙、凹陷、不均匀性、夹杂物等可能导致缺陷。通常可以以光学方式检测在该构件的表面上或体积中的缺陷。

术语“数字图像”描述映射或生成呈真实存在的对象（在此例如线内或近线检验过程中的构件）的像素或体素数据形式的数据集的结果。通常“数字图像”可以是不同维度（1-D、2-D、3-D、...、n-D）的信号，只要可以明确地将来自不同“数字图像”的局部（物体上的空间点）指配给彼此。只要可以建立空间点对信号的1 : 1指配，该方法原则上还可以作用于音频谱。

术语“第一参考图像”（尤其第一数字参考图像）描述了一个数据集，该数据集描述被用作所记录的数字图像的参考的图像。该第一参考图像大体上对应于无故障试样的理想情况。

术语“第二参考图像”（尤其第二数字参考图像）描述由所记录的数字图像和该第一参考图像的组合推导出的数据集。为了进行组合，考虑用于关联对应的像素数据或体素数据的不同数学方法。示例为与该参考图像的平均值的偏差、标准偏差等等。

术语“分类”描述将所接收的图像或该图像的部分（在此尤其所记录的图像的单独像素）指配给像素类别的过程。一个像素类别例如可以描述对应的像素属于无缺陷的图像区段，而另一个像素类别可以描述该像素为该试样上/中的缺陷。此外可以给出针对这个结论的概率值。在本文的上下文中，用于实施分类的仪器是分类器系统。

术语“分类器系统”（在机器学习的上下文还被称为分类器或分类系统）描述一种基于机器学习的系统，该系统通过以训练数据进行训练能够将输入数据（在此尤其所记录的数字图像的图像数据）指配给某一类别的（例如有缺陷的/无缺陷的）图像的特征。

在此还应注意的是，分类器典型地分类成预定数量的类别。这通常通过如下方式来实现，即，确定用于每个类别的输入数据的分类值并通过WTA（赢者全赢，winner takesit all）过滤器来选择具有最高分类值的类别作为所分类的类别。在分类器的情况下，通常将与100%分类值的偏差用作分类的品质参数或分类正确性的概率。

可用于此处提出的本发明概念的对象的分类器系统的示例是基于以下原理的系统：支持向量机、随机森林、提升、梯度提升、高斯处理、最近邻、逻辑回归、线性回归和神经元网络。其他算法当然也是可能的。

术语“机器学习”（Machine-Learning或maschinelles Lernen）是人工职能的基本术语或基本功能，其中例如使用统计方法以赋予计算机系统“学习”的能力。例如在此，在特定任务范围内对某些行为模式进行优化。所使用的方法使经训练的机器学习系统能够分析数据，而无需为此要求明确的过程化编程。例如NN（神经元网络）或CNN（卷积神经网络）典型地为用以形成用作人工神经元的结点的网络的机器学习系统的示例，并且为人工神经元之间的人工连接（所谓的链接），其中可以为人工连接指配参数（例如该连接的权重参数）。在训练神经元网期间，这些连接的权重参数值自动地基于输入信号彼此适配以产生希望的结果。在受监测的学习中，由希望的输出数据（注释）来补充作为输入值（训练数据）提供的图像（一般而言的（输入）数据），以生成希望的输出值（希望的类别）。非常一般而言，学习从输入数据到输出数据的映射。

术语“训练分类系统”在此意味着，例如机器学习系统由多个示例数据（即参考数据）集在例如神经元网络中由部分重复地分析这些示例数据来进行校准，以便在训练阶段之后还将未知的图像或单独的像素或体素指配给一个或多个类别（已经用这些类别训练了该学习系统）。示例数据典型地被标注（即设置元数据），以便基于输入图像生成希望的结果；例如缺陷类别、无缺陷类别。

术语“语义分割”在本文的上下文中描述通过分类器系统将描述数字图像的数据部分分割成数字图像的相同类别的区域。

术语“卷积神经网络”（CNN）（作为分类器/分类器系统的示例）描述基于前馈技术（Feed-Forward-Techniken）的人工神经元网络的类别。这些技术通常用于以图像或其像素作为输入数据的图像分析。在此，卷积神经网络的主要组成部分是卷积层（因此得名），它能够通过参数共享实现高效分析。典型地将所记录的图像的每个像素作为输入值分配给神经元网络的人工神经元。

还应该提到的是，深度神经网络由不同功能的多个层组成（例如输入层、输出层以及介于其间的一个层或多个层，例如用于卷积运算、非线性函数的应用、降维、标准化函数等）。这些功能可以“在软件中执行”，或者特殊的硬件组件可以接管相应功能值的计算。此外硬件和软件元件的组合也是已知的。

术语“输入通道”（尤其分类器系统的和更准确地说DNN或CNN的输入通道）描述了分类器系统的例如呈ANN（artificial neural network = 人工神经网络）形式的输入端，其中人工神经元表示输入结点。典型地将ANN的输入层的每个人工神经元设计为输入结点。在本文提出的概念中，不仅可以将所记录的数字图像的像素或体素信息送到该输入层，而且还可以将该第二参考图像的像素或体素信息送到该输入层，这通常由矩阵数据而存在。

下文将给出附图的详细说明。在此应理解的是，所有细节和说明在图中都是示意性示出的。首先展示根据本发明的用于以质检方法测量构件的缺陷的计算机实现的方法的实施例的框图。随后描述其他实施例或对应的系统的实施例：

图1展示根据本发明的用于以质检方法测量（尤其还识别）构件的缺陷的计算机实现的方法100的实施例的框图。方法100包括接收102待检查的构件的数字图像。待检查的构件典型地涉及试样（即应被检测品质特征的工件的试样）。

方法100还包括接收104待检查的构件的第一参考图像。该参考图像例如涉及计算的“良好”（即无故障的或具有可接受的故障的）构件的平均值。替代性地还可以涉及构件的例如由CAD（计算机辅助设计，Computer-Aided Design）模型推导出的理想化的数字模型。此外应注意的是，像素/体素的数字信息可以藉由待检查的构件的接收的数字图像还有该参考图像由与多个通道相关的数据组成。

此外，方法100包括：由所接收的数字图像和该第一参考图像的组合获取106第二参考图像，以及激活基于机器学习的经训练的分类器系统，已经用训练数据训练了该分类器系统，以便建立模型。在此，该模型用作将所接收的图像的体素语义分割为缺陷类别的基础，由此同一类别的其他相邻体素将被归纳为相关图像区段。

最后，方法100包括由经激活的分类器系统对所接收的数字图像的体素进行分类108，其中所接收的数字图像的体素以及该第二参考图像的体素用作该分类器系统的输入数据。

不应忽视的是，数字图像的信息或数据（无论是接收的还是获取的）通常以矩阵形式展示。可以使用数学方法简洁地处理矩阵形式的数据。

图2展示作为本文提出的概念的基础的工作原理简图200。两次使用来自试样（即待检查的工件在其制造品质方面的数字记录内容）的测量的图像亮度值202。一方面，形成差分信号矩阵204（对应于第二参考图像），该信号矩阵具有参考工件的体素信息206的矩阵作为运算输入数据，另一方面具有来自试样测量的图像亮度值的体素数据202。

然后，分类器208从试样的测量中获得差分信号矩阵204以及图像亮度值202作为输入层处的输入数据。然后，分类器206对输入图像（即来自试样的测量的图像亮度值202）进行分割，从而得到分割结果210。可选地，描述参考图像的数据还可以直接用作该分类器系统的输入数据（请参见图2中的虚线的连接）。

换言之，此处提出的概念结合了通过差分信号对像素/体素的直接分割和通过简单分类的分割，并且在此利用该概念，使得线内或近线检验过程中的训练数据集由相同构件或工件的图像或体数据组成。

图3展示了用于以质检方法测量（尤其还用于识别）构件缺陷的系统300的实施例的框图。系统300具有：第一接收单元302，该第一接收单元被适配为用于接收待检查的构件的数字图像；第二接收单元304，该第二接收单元被适配为用于接收该待检查的构件的第一参考图像；和确定模块306，该确定模块被适配为用于由所接收的数字图像和该第一参考图像的组合获取第二参考图像。此外，系统300具有基于机器学习的经训练的分类器系统308，已经以训练数据训练了该分类器系统，以便建立模型，其中该模型用作用于在缺陷分类中对所接收的图像的体素进行语义分割的基础。在此，经激活的分类器系统308被适配为用于对所接收的数字图像的体素进行分类。所接收的数字图像的体素以及该第二参考图像的体素用作分类器系统308的输入数据。

图4展示计算机系统的框图，该计算机系统可以具有用于以质检方法测量构件缺陷的系统的至少部分。此处提出的概念的实施方式原则上可以与事实上任何类型的计算机一起使用，而与在其中用于存储和/或执行程序代码的平台无关。图4示例性地展示了计算机系统400，该计算机系统适用于以与在此提出的方法对应地实施程序代码。已经存在于显微镜系统中的计算机系统（在适当时借助对应的扩展）也可以用作用于实施在此提出的概念的计算机系统。

计算机系统400具有多种可通用的功能（通用型功能）。在此，该计算机系统可以是平板计算机、膝上型/笔记本计算机、其他的便携式或移动电子设备、微处理器系统、基于微处理器的系统、智能手机或具有特殊配置的特殊功能的计算机系统。计算机系统400可以被配置为用于执行可由计算机系统执行的指令（例如程序模块），这些指令可以被执行以便实现本文提出的概念的功能。为此，程序模块可以具有例程、程序、对象、组件、逻辑、数据结构等，以便实现特定任务或特定的抽象数据类型。

计算机系统的部件可以包括以下项：一个或多个处理器或处理单元402、存储系统404和总线系统406，该总线系统将包括存储系统504的不同系统部件与处理器402连接。计算机系统400典型地具有可由计算机系统400访问的多个易失性或非易失性存储介质。在存储系统404中，存储介质的数据和/或指令（命令）可以以易失性形式存储（例如存储在RAM（随机存取存储器）408中），以便由处理器402执行。这些数据和指令实现本文提出的概念的单个或多个的功能或步骤。存储器系统404的其他部件可以是永久存储器（ROM）410和长期存储器412，其中可以存储有程序模块和数据（附图标记516）以及工作流。

该计算机系统具有用于通信的多个专用设备（键盘418、鼠标/指点设备（未示出）、显示屏420等等）。这些专用设备还能够整合在触敏显示器中。单独设置的I/O控制器414负责与外部设备的顺畅的数据交换。网络适配器522可用于经由局域网或全球网络（LAN、WAN、例如经由互联网）进行通信。该网络适配器可由计算机系统400的其他部件通过总线系统506访问。在此应理解的是，（尽管未展示）其他的设备也可以与计算机系统400连接。

此外，用于测量构件的缺陷的系统300的至少部分（参见图3）可以连接到总线系统306。

为了更好地理解，已经展示了对本发明的各种实施例的描述，但是并不用于将本发明的思想直接限制于这些实施例。本领域技术人员本身可以获得其他修改和变体。选择这里使用的术语是为了最佳描述示例性实施例的基本原理并使本领域技术人员容易理解这些术语。

此处提出的原理既可以体现为系统、方法、其组合和/或也可以体现为计算机程序产品。在此，该计算机程序产品可以包括具有计算机可读程序指令的一个（或多个）计算机可读存储介质，以使处理器或控制系统实现本发明的各个方面。

使用电子的、磁性的、光学的、电磁的、红外介质或作为传输介质的半导体系统作为介质；例如SSD（固态设备/驱动器作为固态存储器）、RAM（随机存取存储器）和/或ROM（只读存储器）、EEPROM（电可擦除ROM）或其任意组合。扩散的电磁波、波导或其他传输介质中的电磁波（例如光缆中的光脉冲）或以导线传输的电信号也可以考虑用作传输介质。

计算机可读存储介质可以是预先存放或存储有供指令执行设备使用的指令的实体设备。本文描述的计算机可读程序指令还可以例如通过基于线缆的连接或移动无线网络作为（智能手机）应用从服务提供商下载到相应的计算机系统上。

用于执行本文描述的发明的操作的计算机可读程序指令可以是机器相关或机器无关的指令、微代码、固件、定义状态的数据或任何源代码或对象代码，例如以C++、Java或类似方式或以常规过程化编程语言，例如编程语言“C”或类似的编程语言。计算机可读程序指令能够完全由计算机系统实施。在若干实施例中，也可以是电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），其使用计算机可读程序指令的状态信息来执行计算机可读程序指令，以便以与本发明的方面相对应的方式来配置或个性化电子电路。

此外，参考对应于本发明实施例的方法、设备（系统）和计算机程序产品的流程图和/或框图来展示本文提出的发明。应指出的是，实际上流程图和/或框图的每个方框可以被设计为计算机可读程序指令。

可以将计算机可读程序指令提供给通用计算机、专用计算机或其他可编程数据处理系统以产生机器，使得由处理器或计算机或其他可编程数据处理设备执行的指令产生用于实现流程图和/或框图中展示的功能或过程的手段。这些计算机可读程序指令还能够对应地被存储在计算机可读存储介质中。

在这个意义上，所示流程图或框图中的每个方框可以代表模块、区段或指令的一部分，该部分代表用于实现特定逻辑功能的若干可执行指令。在若干实施例中，在各个方框中示出的功能可以以不同的顺序（在适当时还可以并行地）执行。

以下权利要求中具有相关功能的所有器件和/或步骤的所示出的结构、材料、过程和等效内容旨在应用于权利要求所表达的所有结构、材料或过程。

附图标记清单

100 用于测量构件的缺陷的方法

102 100的方法步骤

104 100的方法步骤

106 100的方法步骤

108 100的方法步骤

200 本文提出的基本概念的过程

202 试样的图像数据

204 差分信号

206 参考数据

208 分类器/分类系统

210 分割结果

300 用于测量构件的缺陷的系统

302 第1接收单元

304 第2接收单元

306 确定模块

308 分类器/分类系统

400 计算机系统

402 处理器

404 存储系统

406 总线系统

408 RAM

410 ROM

412 长时间存储器

414 I/O控制器

416 程序模块，潜在数据

418 键盘

420 显示屏

422 网络适配器