Nachricht

Nov 26, 2023

Eine Untersuchung des Einflusses der Mikrostrukturoberflächentopographie auf den Abbildungsmechanismus zur Erforschung von Super

Scientific Reports Band 12, Artikelnummer: 13651 (2022) Diesen Artikel zitieren 680 Zugriffe 3 Zitate 1 Details zu altmetrischen Metriken Visionbasierte Präzisionsmessungen werden durch die Optik begrenzt

Wissenschaftliche Berichte Band 12, Artikelnummer: 13651 (2022) Diesen Artikel zitieren

680 Zugriffe

3 Zitate

1 Altmetrisch

Details zu den Metriken

Die visuelle Präzisionsmessung ist durch die optische Auflösung begrenzt. Obwohl verschiedene hochauflösende Algorithmen entwickelt wurden, ist es schwierig, Messpräzision und -genauigkeit zu garantieren. Um eine Messung mit nanoskaliger Auflösung zu erreichen, wird ein hochauflösendes Mikrostrukturkonzept vorgeschlagen, das auf der Idee einer starken mathematischen Abbildungsbeziehung basiert, die zwischen den Oberflächentopographiemerkmalen der Mikrostruktur und den entsprechenden Bildpixelintensitäten bestehen kann. In dieser Arbeit wird eine Reihe von Mikrorillen hochpräzise bearbeitet und ihre Oberflächentopografien und Bilder gemessen. Es wird ein Kartierungsbeziehungsmodell erstellt, um die Auswirkung der Mikrorillen-Oberflächentopographie auf den Bildgebungsmechanismus zu analysieren. Die Ergebnisse zeigen, dass die Oberflächenrauheit und Oberflächendefekte der Mikrorille erhebliche Auswirkungen auf die Vorhersage des Bildgebungsmechanismus haben. Anschließend werden die optimierten Bearbeitungsparameter ermittelt. Dieses Papier zeigt eine machbare und wertvolle Arbeit zur Unterstützung des Entwurfs und der Herstellung hochauflösender Mikrostrukturen, die wesentliche Anwendungen bei der Präzisionspositionierungsmessung haben.

Superauflösung (SR), die sich auf den Prozess der Verbesserung der Auflösung von Originalbildern durch die Rekonstruktion von Bildern mit hoher Auflösung (HR) aus Bildern mit niedriger Auflösung (LR)1 bezieht, wird häufig in der mikroskopischen Bildgebung2,3,4 eingesetzt. Videoüberwachung5, medizinische Bildgebung6, Satellitenfernerkundungsbildgebung7 und astronomische Beobachtung8 usw. Darüber hinaus haben SR-Methoden auch wesentliche Anwendungen bei der präzisen Positionierungsmessung und spielen eine wichtige Rolle bei der Verbesserung der Positionierungsgenauigkeit9,10. Normalerweise verbessern mikrovisionsbasierte Präzisionspositionierungsmessmethoden11,12,13,14,15 die Auflösung hauptsächlich durch den Einsatz von Bildverarbeitungsmethoden11,15. Wenn die Ähnlichkeit bestimmter Bildbereiche hoch ist, verursachen Algorithmen leicht Übereinstimmungsfehler, wodurch die Messgenauigkeit und -unsicherheit erheblich verringert wird.

Derzeit wird die SR-Rekonstruktion von Bildern hauptsächlich aus der Perspektive von Softwarealgorithmen erreicht, wie z. B. dem Deep Plug-and-Play Super-Resolution (DPSR)-Algorithmus16, einem ungepaarten Bildkonfrontationsnetzwerk17 für die Generalisierungsfähigkeit und einem Feature-Map-Aufmerksamkeitsmechanismus zur Verbesserung des Merkmalsausdrucks Fähigkeit rekonstruierter Bilder18 und so weiter. Aufgrund der Abbe-Grenze liegt die Auflösungsgrenze gewöhnlicher optischer Mikroskope jedoch bei etwa 200 nm. Daher können mit optischen Mikroskopen keine Mikrotopographieinformationen unterhalb der Skala von 200 nm gewonnen werden. Die Bild-SR-Rekonstruktion ist nicht in der Lage, den Verlust von Abtast-Hochfrequenzinformationen des beobachteten Objektoberflächenbilds im mikroskopischen Maßstab allein aus der Sicht von Algorithmen zu beheben. Es ist eine große Herausforderung, die optischen Grenzen zu durchbrechen und die hochauflösende Abbildung der Oberflächentopographie von Mikrostrukturen zu realisieren.

Hier entsteht eine innovative Idee: ob es eine Mikrotopographie mit SR-Eigenschaften gibt, die als „Super-Resolution Microstructure“ (SRM) bezeichnet wird. Insbesondere innerhalb des Bereichs einer einzelnen Pixelgröße, wie in Abb. 1a gezeigt, kann dieser Bereich zwar durch die Pixeldatenstruktur von nur einem Pixel durch ein Mikroskop extrahiert werden, das ursprüngliche Pixel kann jedoch in wertvolle Subpixel zerlegt werden, die das tatsächlich widerspiegeln Mikrotopographieeigenschaften durch die benachbarten Pixelinformationen, wie in Abb. 1b gezeigt, und die Dekodierungseigenschaften von SRM, um SR zu realisieren.

Hochauflösende Rekonstruktion basierend auf SRM. (a) Bild mit niedriger Auflösung; (b) Hochauflösendes Rekonstruktionsbild kombiniert mit SRM „U“.

Wenn die SRM-Oberfläche beobachtet wird, kann das für die Registrierung verwendete Bild durch Merkmalsfunktionsinterpolation eine höhere Auflösung und zuverlässigere Bilddetails aufweisen, sodass die Unterschiede der Details in den einzelnen Regionen offensichtlicher sind und vom Algorithmus leichter und stabiler identifiziert werden können Bieten Sie eine genauere Positionsrückmeldung, um das Objekt zu messen und die Positionierungsgenauigkeit zu verbessern.

Daher lassen sich die Vorteile des SRM-Bildgebungsverfahrens wie folgt zusammenfassen: (1) Es kann die optische Grenze aus anderen Perspektiven durchbrechen und eine zuverlässige Bild-Superauflösung erreichen. (2) Im Vergleich zu herkömmlichen Interpolationsalgorithmen zur Erzielung einer Bildsuperauflösung besteht eine zuverlässigere mathematische Beziehung. (3) Durch die Verwendung von SRM als Beobachtungsobjekt für mikrovisionsbasierte Präzisionspositionierungsmessungen kann die Bildauflösung den Nanobereich erreichen13,14,15,19.

Die Realisierung von SRM stellt jedoch eine ziemliche Herausforderung dar, die im Wesentlichen auf Folgendes hinausläuft: (1) Bildgebungsprinzipien und Hardwarebedingungen, die die Bildauflösung und den Bildeffekt begrenzen; (2) Wie kann im Hinblick auf den Verarbeitungsmechanismus die Wiederholbarkeit und Erweiterbarkeit der Mikrostruktur-Oberflächentopographie sichergestellt werden? (3) Derzeit gibt es wenig Forschung zu der vorgeschlagenen Korrelationsinterpolationsfunktion, indem der Einfluss der Verteilungseigenschaften der Mikrostrukturoberflächentopographie auf den Bildgebungsmechanismus untersucht wird. Es ist notwendig und wertvoll, sich auf die Abbildung der Beziehung zwischen der Oberflächentopographie der Mikrostruktur und der Bildpixelintensität zu konzentrieren, um den Einfluss der Oberflächentopographie der Mikrostruktur auf den Abbildungsmechanismus zu untersuchen, bevor SRM entworfen und hergestellt wird.

Um den Einfluss der Oberflächentopographie auf den Abbildungsmechanismus aufzudecken, werden in dieser Arbeit Experimente zur Abbildung der Mikrorillenoberflächentopographie unter verschiedenen Verarbeitungsparametern durchgeführt. Zunächst wird ein hochpräzises Bearbeitungsexperiment durchgeführt, um Mikrorillen zu erzeugen. Zur Analyse der Oberflächentopographie der Mikrorillen wird ein Weißlichtinterferometer (WLI) verwendet. Anschließend werden die Höhendaten der Mikrorillentopographie und Bildpixeldaten mit einer Eins-zu-eins-Entsprechung erhalten. Die Korrelation zwischen den Topographie-Höhendaten und den Bildpixeldaten sowie die Abbildungsbeziehung zwischen der Oberflächentopographie des Längsschnitts der Mikrorillen und dem entsprechenden Bild werden auf nanoskaliger Ebene analysiert. Abschließend wird das relevante Gesetz des Einflusses der Mikrorillen-Oberflächentopographie auf den Bildgebungsmechanismus zusammengefasst, das die Grundlage für die Untersuchung des Subpixel-Interpolationsalgorithmus für SRM bildet.

Ein Experiment zur Bearbeitung der Mikrostrukturoberfläche wurde auf einer dreiachsigen (X-, Z- und C-Achse) CNC-Ultrapräzisions-Einzelpunkt-Diamantdrehmaschine (Moore Nanotech 450 UPL, USA) durchgeführt; Der Versuchsaufbau ist wie in Abb. 2a dargestellt. Die Bewegungsgenauigkeit der Drehspindel beträgt mehr als 12,5 nm, die Bewegungsgenauigkeit der Achsen beträgt 0,3 μm und die Programmierauflösung beträgt 0,01 nm (linear)/0,000001 Grad (rotatorisch). Da sich Kupfernickel positiv auf die Erhaltung der Eigenschaften der Werkstückoberfläche auswirkt und die Abbildungsstabilität der Mikrostrukturoberfläche verbessern kann, wird als Substratmaterial des Werkstücks B15-Kupfernickel gewählt. Die in diesem Experiment verwendete Mikrostrukturtopographie wird durch Diamantschneiden der Mikrorillen realisiert. Um die Variablen zu kontrollieren, wurde die gesamte Werkstückoberfläche zunächst mit einem Schneidenradius von 0,5 mm auf eine Oberflächenrauheit von 10 nm vorbearbeitet, und die Spindeldrehzahl, die Vorschubgeschwindigkeit und die Schnitttiefe betrugen 1500 U/min. min, 5 mm/min bzw. 8 μm. Als Kühlmittel wurden synthetische Isoparaffine (Isopar-Flüssigkeiten, ExxonMobil Chemical) verwendet, um die Oberflächenschnittqualität zu verbessern. Der Werkzeugschneidenradius, der zum Mikronutenschneiden auf der Oberfläche des Werkstücks des Einheitsmikrostrukturexperiments verwendet wurde, betrug 0,5 mm bzw. 0,1 mm.

(a) Versuchsaufbau und (b) Bearbeitetes Werkstück.

Um den Einfluss der Mikrostruktur-Oberflächentopographie auf den Abbildungsmechanismus zu untersuchen, wurde eine Reihe von Experimenten zum Schneiden von Mikrorillen mit unterschiedlichen Schneidparametern durchgeführt. Wie in Tabelle 1 gezeigt, wurden im Bearbeitungsexperiment fünf Schnittgeschwindigkeitssätze (800, 400, 200, 100 und 50 mm/min) eingestellt und die Schnitttiefe betrug 5 μm. Es wurden auch Wiederholungsexperimente für jeden Satz mit der gleichen Schnittgeschwindigkeit durchgeführt. Und Mikronuten mit drei unterschiedlichen Längen wurden bei jeder Schnittgeschwindigkeit entsprechend der in Tabelle 1 eingestellten Mikronutlänge geschnitten, um jede Mikronut auf der Stirnfläche des Werkstücks besser unterscheiden zu können. Das Werkstück wurde im Nutprozess eingespannt, die Mikronuten wurden unter verschiedenen Parametern in 23-Grad-Intervallen in der Reihenfolge der Gruppennummer geschnitten, und der Versatzwinkel der Mikronuten betrug 5,5 Grad für die gleiche Gruppennummer. Die Anordnung der Mikrorillenabstände ist in Abb. 2b dargestellt.

Nach dem Schneidexperiment wurde ein WLI (Bruker Contour GT-X) verwendet, um die dreidimensionale Oberflächentopographie der Mikrostrukturtopographie zu messen, und der Punktwolkenkoordinatendatensatz der Mikrostrukturtopographie und der entsprechende Bildpixelintensitätsdatensatz wurden von der erfasst Analysesoftware des WLI.

Um den Einfluss der Mikrostrukturoberflächentopographie auf den Bildgebungsmechanismus zu verstehen, war es notwendig, den Reaktionsmechanismus der Bildpixelintensitätsverteilung in Bezug auf die Mikrostrukturtopographie zu analysieren. Die Wiederholungsexperimente stellten für jeden Schnittparameter drei unterschiedliche Längen von Mikrorillen ein. Aus den vom WLI gesammelten Ergebnissen der Mikrorillentopographie geht hervor, dass die Schnittlänge unter denselben Schnittparametern kaum einen Einfluss auf die Verteilung der Mikrorillentopographie hatte, sodass für die Vergleichsanalyse die Daten einer Mikrorille für jeden Schnittparameter ausgewählt wurden. Die Auswirkungen der Oberflächentopographie unter verschiedenen Schnittparametern auf die Abbildungsmechanismen von Mikrorillen sind in Abb. 3 dargestellt. Die Versuchsergebnisse zeigen, dass die Pixelintensität des Mikrorillentopographiebildes an der Grenze der Mikrorillen und des Pixels eine plötzliche Änderung erfuhr Es wurde festgestellt, dass die Intensitätsverteilung im Bereich innerhalb der Grenze negativ mit der Höhenverteilung der Topographie korreliert, was mit dem Bildgebungsmechanismus mit sichtbarem Licht übereinstimmt. Aufgrund von Werkzeugeinstellungsfehlern und Materialabtragseigenschaften während des Bearbeitungsprozesses schwankte der Höhenunterschied der Topographie unter jedem Parameter innerhalb eines bestimmten Bereichs. Darüber hinaus wirkten sich die Beleuchtungsbedingungen beim Betrieb des WLI zur Erfassung von Probendaten auf das Gesamtverteilungsintervall der Pixelintensität des Mikrorillenbildes aus. Daher wurde die Trendänderung der Datenverteilung verwendet, um den Reaktionsmechanismus der Bildpixelintensitätsverteilung in Bezug auf die Mikrostrukturtopographie zu charakterisieren. Im Allgemeinen ändern sich bei einer Verringerung der Schnittgeschwindigkeit die Oberflächentopographie der Mikrorillen und die Intensitätsverteilung der Bildpixel nicht wesentlich. Wenn der Werkzeugschneidenradius 0,5 mm betrug, erzeugten die beiden Grenzen und der Boden der Mikronut eine offensichtliche Topographie der plastischen Verformung durch Extrusion, und ihre Bildpixelintensitätsverteilung erzeugte die entsprechenden Reaktionen, wie in Abb. 3aii,iii dargestellt. Wenn der Werkzeugschneidenradius 0,1 mm betrug, war die Oberflächenbearbeitungsqualität der Mikrorillen besser und die Änderung der Bildpixelintensitätsverteilung verlief relativ gleichmäßig, wie in Abb. 3bii,iii dargestellt. Es ist wichtig zu beachten, dass bei bestimmten Schnittparametern die in der Nähe der Schneidkante des Werkzeugs zurückgehaltenen Spanpartikel während des Nutenvorgangs wahrscheinlich an der bearbeiteten Oberfläche reiben oder die Werkzeugspitze durch den rissigen Teil des Werkstückmaterials schneidet, was zur Folge hat bei geradlinigen Kratzern und Defekten wie Rissen am Boden der Mikrorille. Und die Intensitätsverteilung der Bildpixel reagiert erheblich auf die Oberflächentopographie des Querschnitts beim Durchqueren dieser Defekte, wie in Abb. 3a, b dargestellt. Zusammenfassend lässt sich sagen, dass die Pixelintensitätsverteilung des Mikrorillenbilds stark mit einer Änderung der Topographie korreliert und die Voraussetzung für die Erstellung eines wertvollen Bildpixelintensitätsverteilungsgesetzes darin besteht, dass die Oberflächenqualität der hergestellten Mikrorille so gut wie möglich ist.

(a) Pixelintensitätsverteilung der Reaktion des Mikrorillenbildes auf die Topographie bei verschiedenen Schnittgeschwindigkeiten mit einem Nasenradius von 0,5 mm; (i) Graustufenbild von Mikrorillen bei einer Schnittgeschwindigkeit von 800 mm/min, (ii) Topographie-Höhenverteilung des Längsschnitts der Mikrorillen, (iii) Bildpixelverteilung des Längsschnitts der Mikrorillen; (b) Pixelintensitätsverteilung der Reaktion des Mikrorillenbildes auf die Topographie bei verschiedenen Schnittgeschwindigkeiten mit einem Nasenradius von 0,1 mm; (i) Graustufenbild von Mikrorillen bei einer Schnittgeschwindigkeit von 800 mm/min, (ii) Topographie-Höhenverteilung des Längsschnitts der Mikrorillen, (iii) Bildpixelverteilung des Längsschnitts der Mikrorillen.

Die Geometrien der Längsschnitte der Mikrorillen sind ähnlich und auch der Abbildungsmechanismus der Mikrorillen weist ähnliche Gesetzmäßigkeiten auf. Um den Einfluss der Mikrorillentopographie auf den Abbildungsmechanismus unter verschiedenen Schnittparametern besser analysieren zu können, wurde die Korrelation zwischen der Topographiehöhe der Mikrorille entlang des Längsschnitts und der entsprechenden Bildpixelintensität weiter quantitativ untersucht. Sowohl die Topographie-Höhenkoordinaten als auch die vom 3D-Topographie-Instrument erfassten Bildpixeldaten können als Matrix mit einer horizontalen Auflösung von 128 nm (objektive Vergrößerung: × 50) und einer Abmessung von 1376 × 1032 dargestellt werden. Daher gibt es 1.376 Paare Längsschnittdatenproben unter einem Satz von Schnittparametern, und der Korrelationskoeffizient „r“ (Absolutwert) jedes Datenpaars wurde durch Gleichung berechnet. (1):

Dabei ist Cov(X,Y) die Kovarianz von X und Y, Var[X] die Varianz von X und Var[Y] die Varianz von Y.

Abbildung 4 zeigt den Korrelationskoeffizienten zwischen der Höhenverteilung des Mikrorillen-Längsschnitts und der Bildpixelintensitätsverteilung unter verschiedenen Parametern des Ultrapräzisionsschneidens. Wie in Abb. 4a gezeigt, hat die Schnittgeschwindigkeit einen größeren Einfluss auf die Korrelation, wenn der Nasenradius 0,5 mm beträgt, und der Unterschied in der Verteilung des Korrelationskoeffizienten in derselben Gruppe spiegelt auch die Instabilität des Bildgebungsmechanismus wider. Unter diesen ist der Korrelationskoeffizient der Gruppe mit einer Schnittgeschwindigkeit von 100 mm/min im Allgemeinen höher als der der anderen Gruppen, und die Korrelation zwischen der Topographiehöhe der Mikrorille und der Intensitätsverteilung der Bildpixel ist relativ signifikant. Wenn der Nasenradius jedoch 0,1 mm beträgt, hängt die Höhe des Längsschnitts bei mehreren Schnittgeschwindigkeiten mit Ausnahme der Ausreißer-Korrelationskoeffizientenwerte, die einer kleinen Anzahl von Längsschnitten entsprechen, deutlich mit der Pixelverteilung des Bildes zusammen, mit geringem Unterschied im Korrelationsgrad und der Abbildungsmechanismus ist regelmäßiger. Insbesondere wenn die Schnittgeschwindigkeit 100 mm/min und der Nasenradius 0,1 mm beträgt, ist die Verteilung des Korrelationskoeffizienten am konzentriertesten und der Abbildungsmechanismus sehr konsistent. Darüber hinaus spiegelt sich auch der Einfluss von Defekten auf den Abbildungsmechanismus der Mikrorillentopographie im Korrelationskoeffizienten wider. In Kombination mit Abb. 3 reagiert die Pixelintensitätsverteilung des Bildes auf die lokalen Defekte der Mikrorillentopographie unter verschiedenen ultrapräzisen Schnittparametern und auf den Korrelationskoeffizienten zwischen der Längsschnitttopographie und der durch den lokalen Bereich verlaufenden Bilddatenverteilung Die Mängel sind kleiner als bei anderen Teilen. Wenn beispielsweise die Schnittbedingungen mit einem Schneidenradius von 0,1 mm, einer Schnittgeschwindigkeit von 50 mm/min und einem Absolutwert des Korrelationskoeffizienten „r“ zwischen 0,7721 und 0,9742 lagen, wies die Höhe der Mikrorillentopographie eine signifikante Korrelation auf mit der Bildpixelintensitätsverteilung. An den Längsschnittpositionen, an denen die Korrelationskoeffizienten „r“ 0,9742 bzw. 0,7721 betrugen, sind die Topographiehöhe und die Bildpixelintensitätsverteilung in Abb. 4b, c dargestellt. Aus Abb. 4c ist ersichtlich, dass die Defekte einen erheblichen Einfluss auf die Abbildung der Mikrorille haben, was sich darin zeigt, dass die Bearbeitung bzw. Oberflächenrauheit einen großen Einfluss auf die Korrelation hat. Daher ist die Mikrorillentopographie mit weniger Defekten vorteilhaft, um die lineare Korrelation zwischen der Höhe der Oberflächentopographie und der Bildpixelintensität sicherzustellen.

(a) Korrelationskoeffizient der Höhe der Mikrorillen-Längsschnitttopographie und der Bildpixelintensitätsverteilung unter verschiedenen ultrapräzisen Schneidparametern. (b) Verteilung der Längsschnittdaten entsprechend den maximalen Korrelationskoeffizienten (Schneidenradius: 0,1 mm und Schnittgeschwindigkeit: 50 mm/min). (c) Verteilung der Längsschnittdaten entsprechend den minimalen Korrelationskoeffizienten (Schneidenradius: 0,1 mm und Schnittgeschwindigkeit: 50 mm/min).

Die Ermittlung einer entkoppelnden mathematischen Abbildungsbeziehung zwischen der Mikrostrukturtopographie und der Bildpixelintensität ist der Schlüssel zur Realisierung von SRM, aber schwierig. In der Realität können Präzisionsmessgeräte wie das WLI verwendet werden, um Punktwolkenkoordinaten und Bilder der Mikrostrukturtopographie mit einer Auflösung im Nanometerbereich zu erhalten, während die Auflösung von Bildern, die mit allgemeiner mikroskopischer Bildgebung erhalten werden, normalerweise weit unter dem Nanometerbereich liegt. Durch die Zuordnungsbeziehung kann, wenn die topografischen Höhendaten „Z“ mit nanoskaliger Auflösung erhalten werden, auch das entsprechende Auflösungsbild erhalten werden. Daher wird hier ein Kartierungsbeziehungsmodell zwischen der Mikrorillentopographie und ihrem Bild erstellt.

Wie in Abb. 5 gezeigt, werden der Datensatz „Z1“ der Mikrorillen-Längsschnitttopographiehöhe und der Bildpixelintensitätsdatensatz „P1“ als Eingabewert bzw. Beschriftungswert verwendet, und das Zuordnungsbeziehungsmodell dieser wird iterativ von einem vollständig verbundenen neuronalen System berechnet Netzwerk. Der Pixelintensitätsdatensatz „P“ des Referenzbildes (Ref.bild) entspricht dem Datensatz „Z“. Der Schiedsrichter. Das Bild wird mithilfe des Datensatzes „Z“ mit dem Ausgabekartenbild („Bild“) verglichen. Testen Sie das Zuordnungsbeziehungsmodell, um die Qualität des kartierten Bildes zu visualisieren und quantitativ zu bewerten.

Die Architektur des Kartierungsmodells zwischen Mikrogroove-Topographie und Bild.

Um die Kartierungsbeziehung zwischen der Mikrorillentopographie und ihrem Bild zu analysieren, wurde ein Kartierungsbeziehungsmodell unter verschiedenen Schnittparametern erstellt. Das Modell wurde mithilfe eines künstlichen neuronalen Netzwerks (ANN, Größe der verborgenen Schicht: 8; Verhältnisse von Trainings-, Validierungs- und Testbeispieldaten betrugen 0,7, 0,2 bzw. 0,1) basierend auf dem BP-Algorithmus (Levenberg-Marquardt-Backpropagation) trainiert. Der verwendete Computer verfügte über eine Intel(R) Core(TM) i9-7960X CPU mit 2,80 GHz 2,81 GHz und 64,0 GB RAM.

Der Datensatz der Mikrorillen-Topographiehöhe in den Testdaten unter verschiedenen Schnittparametern wurde als Eingabe verwendet und das kartierte Bild war die Ausgabe. Das kartierte Bild wurde mit der Referenz verglichen. Bild, um die Auswirkung von Topographieeigenschaften unter verschiedenen Schnittparametern auf die Kartierungsbeziehung zwischen der Mikrorillentopographie und dem entsprechenden Bild zu analysieren. Wie in Abb. 6 dargestellt, weisen die topografischen Merkmale von Mikrorillen, die mit unterschiedlichen Schnittparametern bearbeitet wurden, unterschiedliche Abbildungsleistungen auf. Aus Abb. 6a geht hervor, dass die Texturverteilung in der Schnittrichtung des kartierten Bilds der Mikrorillentopographie, das einem Schneidenradius von 0,1 mm bei einer Schnittgeschwindigkeit von 50 mm/min entspricht, näher an der Referenz liegt. Bild. In den kartierten Bildern mit unterschiedlichen Schnittgeschwindigkeiten können die Oberflächenfehlermerkmale eine ungeordnete Pixelintensitätsverteilung im kartierten Bild verursachen, wie in Abb. 6ai gezeigt, oder im kartierten Bild reproduziert werden, wie in Abb. 6bi gezeigt, oder eine schwächere Pixelintensität aufweisen das kartierte Bild, wie in Abb. 6aii,cii gezeigt, oder gehen im kartierten Bild verloren, wie in Abb. 6cii,eii gezeigt. Insgesamt trägt die Regelmäßigkeit der Topographie- und Texturmerkmale in Schnittrichtung dazu bei, eine stabile Topographie- und Bildkartierungsbeziehung herzustellen. Allerdings ändert sich der Trend der topografischen Höhenverteilung, der dem Defekt entspricht, drastisch, was einen instabilen Einfluss auf die topografische Texturabbildung hat. Es hängt nicht nur mit der Topographieverteilung zusammen, sondern auch mit der Struktur des Trainingsmodells. Daher muss in Zukunft der Schwerpunkt auf der Verarbeitung der Kartierungsbeziehungen spezieller topografischer Merkmale wie Defekten liegen.

Vergleich von kartierten Bildern der Mikrorillentopographie und Ref. Bilder unter verschiedenen Schnittparametern. (a) Vergleich der Intensitätsbilder von Mikrorillen bei einer Schnittgeschwindigkeit von 50 mm/min; (i) Schneidenradius (NR) von 0,5 mm, (ii) Schneidenradius von 0,1 mm und das kartierte Bild wird neben der Referenz angeordnet. Bild (dasselbe unten). (b) Schnittgeschwindigkeit von 100 mm/min. (c) Schnittgeschwindigkeit von 200 mm/min. (d) Schnittgeschwindigkeit von 400 mm/min. (e) Schnittgeschwindigkeit von 800 mm/min.

Bildqualitätsmetriken wie das Peak Signal-to-Noise Ratio (PSNR), das Structural Similarity Index Measure (SSIM) und die Natural Image Quality Evaluation (NIQE) wurden verwendet, um die Qualität kartierter Bilder unter verschiedenen Schnittparametern zu bewerten. Wie in Abb. 7a dargestellt, weisen die PSNR-Werte der kartierten Bilder mit einem Nasenradius von 0,1 mm und 0,5 mm mit zunehmender Schnittgeschwindigkeit ähnliche Trends auf. Insbesondere bei einer Schnittgeschwindigkeit von 100 mm/min erreicht der PSRN-Wert sein Maximum, was darauf hindeutet, dass die Gesamtpixelintensitätswerte des kartierten Bildes und des Ref. Bild sind relativ nah. Bei einer Schnittgeschwindigkeit von 200 mm/min werden jedoch die Topographiemerkmale und die Bildpixelintensität nicht gut abgebildet, d. h. die Vorhersagbarkeit der Bildtextur ist schlecht. Gemäß Abb. 6 sind bei gleichem Schneidenradius im Vergleich zu anderen Schnittgeschwindigkeiten die Textur- und Defektmerkmale im Ref. zu erkennen. Bild, das 100 mm/min entspricht, werden im kartierten Bild relativ gut reproduziert, während die Defektmerkmale im Referenzbild relativ gut wiedergegeben werden. Bilder, die 200 mm/min entsprechen, werden nicht gut reproduziert, was sich in den PSNR-Werten widerspiegelt.

(a) PSNR-Vergleich des kartierten Bildes unter verschiedenen Schnittparametern; (b) SSIM-Vergleich des kartierten Bildes unter verschiedenen Schnittparametern; (c) NIQE-Vergleich zwischen dem kartierten Bild und der Referenz. Bild unter verschiedenen Schnittparametern.

Aus Abb. 7b ist ersichtlich, dass bei einer Schnittgeschwindigkeit von 50 mm/min und einem Nasenradius von 0,1 mm der SSIM-Wert am nächsten bei 1 liegt. Der Verteilungstrend der entsprechenden Topographiehöhe des Längsschnitts des Microgroove ist relativ stabil, das abgebildete Bild weist eine hohe strukturelle Ähnlichkeit mit dem Ref. auf. Bild und die topografischen Strukturmerkmale der Mikrorille sowie die Bildpixelintensitätsverteilungseigenschaften sind gut kartiert. Wenn die Schnittgeschwindigkeit jedoch 50 mm/min beträgt und der Schneidenradius 0,5 mm beträgt, ist der SSIM-Wert am kleinsten. Die entsprechende Rauheit der Mikrorillentopographie ist relativ groß, die strukturelle Ähnlichkeit zwischen dem kartierten Bild und dem Referenzbild. Das Bild ist schlecht und die Korrelation zwischen dem Merkmal der topografischen Mikrorille und dem Merkmal der Bildpixelintensitätsverteilung ist nicht stark. Die Wahrnehmungsqualität des kartierten Bildes mit der Referenz. Das Bild unter verschiedenen Schnittparametern wurde verglichen, was in Abb. 7c dargestellt ist. Aus dem kartierten Bild geht hervor, dass der NIQE-Wert des Schneidenradius von 0,1 mm kleiner ist als der für 0,5 mm, was auf eine bessere Bildwahrnehmungsqualität hinweist. Darüber hinaus ist die Wahrnehmungsqualität des kartierten Bildes im Allgemeinen schlechter als die des Ref. Bild, aber wenn die Schnittgeschwindigkeit 50 mm/min und der Werkzeugschneidenradius 0,1 mm beträgt, ist der NIQE-Wert des abgebildeten Bildes etwas kleiner als der des Referenzbildes. Bild, und die Wahrnehmungsqualität der beiden ist ähnlich. Wenn der Schneidenradius 0,1 mm beträgt, nimmt der NIQE-Wert des abgebildeten Bildes mit abnehmender Schnittgeschwindigkeit tendenziell stark ab, und wenn die Schnittgeschwindigkeit 50 mm/min beträgt, ist der NIQE-Wert am kleinsten, was auf die Bildwahrnehmung hinweist Qualität ist besser. Unter umfassender Bezugnahme auf die Bildqualitätsindikatoren wird daher der Schluss gezogen, dass die mit einem Nasenradius von 0,1 mm bearbeitete Mikrostrukturtopographie besser für die Untersuchung der Zuordnungsbeziehung zwischen der Mikrorillentopographieverteilung und der Bildpixelintensitätsverteilung geeignet ist und eine größere Die Schnittgeschwindigkeit kann so gewählt werden, dass die Schneideffizienz des Werkstücks mit Mikrostruktur unter der Voraussetzung verbessert wird, dass die Oberflächenrauheit gewährleistet ist.

Durch die obige Analyse haben die Verteilungseigenschaften der Mikrorillen-Oberflächentopographie unter verschiedenen Parametern des Ultrapräzisionsschneidens großen Einfluss auf die Stabilität und Qualität der Beziehung zwischen der Mikrorillen-Topographie und ihrem kartierten Bild. Daher ist die Auswahl einer geeigneten Topographie die Grundlage für die Gewährleistung einer stabilen und entkoppelten mathematischen Abbildungsbeziehung zwischen der Verteilung der Mikrorillentopographie und der entsprechenden Intensitätsverteilung der Bildpixel. Beispielsweise weist die Topographie, die einer Schnittgeschwindigkeit von 50 und 100 mm/min entspricht, mit einem Nasenradius von 0,1 mm weniger Fehler, eine große Korrelation zwischen der Topographie und dem Bild und eine relativ stabile Abbildungsbeziehung auf, die für die Untersuchung geeignet ist der Subpixel-Interpolationsalgorithmus für SRM.

Dieser Artikel liefert experimentell ein Verständnis des Einflusses der Mikrorillen-Oberflächentopographie auf den Bildgebungsmechanismus bei unterschiedlichen Nasenradien und Schnittgeschwindigkeiten. Die Ergebnisse zeigen, dass die Oberflächenrauheit und Oberflächendefekte von Mikrorillen erhebliche Auswirkungen auf die Vorhersage des Bildgebungsmechanismus haben, was für die Unterstützung des Entwurfs und der Herstellung von SRM für mikrovisionsbasierte Präzisionspositionierungsmessmethoden im Nanomaßstab wertvoll ist . Unter Berücksichtigung des Einflusses der Beleuchtung auf die Pixelintensität der Mikrostrukturabbildung werden nanoskalige Abbildungsexperimente mit kontrollierter Beleuchtung durchgeführt, um in zukünftigen Arbeiten den Einfluss der Abbildungsbeziehung zwischen der Höhenverteilung der Mikrostrukturoberflächentopographie und der entsprechenden Bildintensität aufzudecken.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel enthalten.

Wang, ZH, Chen, J. & Hoi, SCH Deep Learning für Bild-Superauflösung: Eine Umfrage. IEEE Trans. Muster Anal. Mach. Intel. 43, 3365–3387. https://doi.org/10.1109/TPAMI.2020.2982166 (2021).

Artikel PubMed Google Scholar

Wang, H. et al. Deep Learning ermöglicht eine modalitätsübergreifende Superauflösung in der Fluoreszenzmikroskopie. Nat. Methoden 16, 103–110. https://doi.org/10.1038/s41592-018-0239-0 (2019).

Artikel CAS PubMed Google Scholar

Zhang, H., Zhao, Y., Fang, C., Li, G. & Fei, P. Überschreiten der Grenzen der 3D-Fluoreszenzmikroskopie mithilfe eines zweistufigen Verarbeitungsnetzwerks. Optica 7, 1627 (2020).

Artikel ADS Google Scholar

Zhao, W. et al. Sparse Deconvolution verbessert die Auflösung der hochauflösenden Fluoreszenzmikroskopie lebender Zellen. Nat. Biotechnologie. https://doi.org/10.1038/s41587-021-01092-2 (2021).

Artikel PubMed PubMed Central Google Scholar

Guo, K., Guo, H., Ren, S., Zhang, J. & Li, X. Auf dem Weg zu einer effizienten Video-Superauflösung mit Bewegungsunschärfe für die öffentliche Sicherheit auf der Grundlage von Rückprojektionsnetzwerken. J. Netw. Berechnen. Appl. 166, 102691 (2020).

Artikel Google Scholar

Mahapatra, D., Bozorgtabar, B. & Garnavi, R. Bild-Superauflösung unter Verwendung progressiver generativer gegnerischer Netzwerke für die medizinische Bildanalyse. Berechnen. Med. Bildgebungsdiagramm. 71, 30–39. https://doi.org/10.1016/j.compmedimag.2018.10.005 (2019).

Artikel PubMed Google Scholar

Chen, M. et al. Überwachung der Invasion exotischer Spartina alterniflora im Frühstadium mithilfe von Deep-Learning-Techniken mit hoher Auflösung auf der Grundlage hochauflösender Satellitenbilder aus mehreren Quellen: Eine Fallstudie im Delta des Gelben Flusses, China. Int. J. Appl. Erdobs. Geoinf. 92, 102180. https://doi.org/10.1016/j.jag.2020.102180 (2020).

Artikel Google Scholar

Guo, R., Shi, XP & Wang, ZW Superauflösung aus nicht registrierten Alias-Astronomiebildern. J. Electron. Bildgebung https://doi.org/10.1117/1.Jei.28.2.023032 (2019).

Artikel Google Scholar

Zhao, C., Li, Y. & Yao, Y. Zufällige, auf einem neuronalen Netzwerk basierende Positionierungsmessung im Nanomaßstab. Opt. Exp. 28, 2 (2020).

Google Scholar

Zhao, C., Chi, FC & Xu, P. Hocheffiziente Methode zur Unsicherheitsmessung im Submikrobereich unter Verwendung von Mustererkennung. ISA Trans. 101, 2 (2020).

Artikel Google Scholar

Huang, W., Ma, CF & Chen, YH Verschiebungsmessung mit nanoskaliger Auflösung unter Verwendung einer codierten Mikromarkierung und digitaler Bildkorrelation. Opt. Ing. https://doi.org/10.1117/1.Oe.53.12.124103 (2014).

Artikel Google Scholar

Chen, ZH & Huang, PS Eine visionbasierte Methode zur planaren Positionsmessung. Mess. Wissenschaft. Technol. https://doi.org/10.1088/0957-0233/27/12/125018 (2016).

Artikel Google Scholar

Zhao, C., Cheung, C. & Liu, M. Integrierte polare Mikrostruktur und Template-Matching-Methode zur optischen Positionsmessung. Opt. Express 26, 4330 (2018).

Artikel ADS Google Scholar

Li, H., Zhu, BL, Chen, Z. & Zhang, XM Echtzeitverfolgung von Verschiebungen in der Ebene der Präzisionspositionierungsstufe basierend auf Computer-Mikrovision. Mech. Syst. Signalprozess. 124, 111–123. https://doi.org/10.1016/j.ymssp.2019.01.046 (2019).

Artikel ADS Google Scholar

Zhao, CY, Cheung, CF & Xu, P. Optische nanoskalige Positionierungsmessung mit einer merkmalsbasierten Methode. Opt. Laser-Ing. https://doi.org/10.1016/j.optlaseng.2020.106225 (2020).

Artikel Google Scholar

Zhang, K., Zuo, W. & Zhang, L. Tiefgreifende Plug-and-Play-Superauflösung für beliebige Unschärfekerne. (2019).

Maeda, S. Superauflösung ungepaarter Bilder mittels Pseudoüberwachung. IEEE (2020).

Chen, Y., Liu, L., Phonevilay, V., Gu, K. & Yang, K. Bildrekonstruktion mit Superauflösung basierend auf dem Feature-Map-Aufmerksamkeitsmechanismus. Appl. Intel. 2, 1–14 (2021).

Google Scholar

Zhao, CY, Cheung, CF & Liu, MY Nanoskalige Messung mit Mustererkennung einer ultrapräzisen, diamantbearbeiteten polaren Mikrostruktur. Präzise. Ing.-J. Int. Soc. Präzise. Ing. Nanotechnologie. 56, 156–163. https://doi.org/10.1016/j.precisioneng.2018.11.010 (2019).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wird unterstützt von (1) der National Natural Science Foundation of China unter der Fördernummer 52005135; (2) Stable Support Program for Shenzhen Higher Education Institutions vom Shenzhen Science and Technology Innovation Council unter der Fördernummer GXWD20201230155427003-20200805182127001; (3) Shenzhen Science and Technology Program unter der Fördernummer RCBS20200714114958150.

Fakultät für Maschinenbau und Automatisierung, Harbin Institute of Technology, Shenzhen, 518055, China

Wenpeng Fu, Chenyang Zhao, Wen Xue und Changlin Li

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

W.-PF trug zur Etablierung der experimentellen Methodik bei, führte die Experimente durch, formatierte die Daten und trug zum ursprünglichen Entwurf des Manuskripts bei. C.-YZ konzipierte die Idee und konzipierte und überwachte das Projekt. Er überwachte die schriftliche Überprüfung und Bearbeitung des Manuskripts. Er akquirierte auch Fördermittel und stellte einen Teil der experimentellen Ressourcen zur Verfügung. WX trug zur Datenanalyse und Methodik bei und überwachte die formale Analyse. C.-LL trug zur Begutachtung bei und überwachte die formale Analyse des Manuskripts. Alle Autoren trugen zur Analyse der Ergebnisse bei und kommentierten das Manuskript.

Korrespondenz mit Chenyang Zhao.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Fu, W., Zhao, C., Xue, W. et al. Eine Untersuchung des Einflusses der Oberflächentopographie der Mikrostruktur auf den Bildgebungsmechanismus zur Erforschung hochauflösender Mikrostrukturen. Sci Rep 12, 13651 (2022). https://doi.org/10.1038/s41598-022-17209-9

Zitat herunterladen

Eingegangen: 08. April 2022

Angenommen: 21. Juli 2022

Veröffentlicht: 11. August 2022

DOI: https://doi.org/10.1038/s41598-022-17209-9

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.