Контроль наноструктур и нанорельефов с применением системы распознавания образов




Скачать 81.46 Kb.
НазваниеКонтроль наноструктур и нанорельефов с применением системы распознавания образов
Дата публикации13.09.2013
Размер81.46 Kb.
ТипДокументы
vbibl.ru > Физика > Документы
КОНТРОЛЬ НАНОСТРУКТУР И НАНОРЕЛЬЕФОВ С ПРИМЕНЕНИЕМ СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ.
(С)2006г. Ю.С. Тихоглаз
Московский государственный институт электроники и математики (Техничесукий университет). г.Москва.

useti@mail.ru
В современном высокотехнологичном производстве с большой степенью автоматизации большую роль играет проблема распознавания образов. В данной статье рассматриваются перспективы применения методов распознавания образов

при анализе наномасштабных поверхностей (в том числе и стехиометрическом). А так же предлагаются некоторые варианты технологических устройств позволяющих провести такой анализ.

Большую роль в автоматизированном проектировании нанообъектов играет контроль результатов, который чаще всего осуществляется посредством сканирующей зондовой микроскопии (СЗМ).

Однако, не только конструкторские решения определяют возможности СЗМ. Большую роль играет методология проведения эксперимента и используемое программное обеспечение.

Разработана программа, которая позволяет проводить статистический анализ опытных данных сканирующей зондовой микроскопии с использованием методов планирования эксперимента и получать статистическую модель рельефа наномасштабной поверхности при следующих исходных данных: размер кадра, число измерений в каждой точке, приложенное напряжение, критические значения критериев, минимальное перемещение зонда.

Особенностью программы является выполнение полного факторного эксперимента для каждой точки кадра сканирующей зондовой микроскопии.

Планирование эксперимента в основном сводится к выбору числа уровней факторов и определению значения (уровня) каждого фактора в опыте.

Выбранное число уровней p в сочетании с числом факторов k определяет число опытов N, которое равно N=p^k. Если каждый опыт повторяется m раз, то число образцов соответственно равняется mN. Число повторений m может быть выбрано по таблицам на основе задания допустимой ошибки и доверительной вероятности.

Для линейной модели достаточно варьирование факторов на двух уровнях. В этом случае имеем ПФЭ типа 2^k.[1]

Рис.1

Статистический анализ опытных данных сканирующей зондовой микроскопии необходим для оценки достоверности эксперимента и включает следующие этапы: проверка воспроизводимости или постоянства дисперсии отклика, адекватность модели, значимость коэффициентов модели.

Вывод результатов осуществляется в файлы формата XML, которые пригодны для размещения в сети интернет. А при наличии у пользователя установленной программы Compaq Array Visualiser(c) – возможна визуализация полученной модели и ее отображение в документе-отчете.

Результат полученный после статистического анализа поверхности является ее математической моделью,.которая пригодна для последующей обработки и распознавания

Откликом в ПФЭ может служить как физическая высота микрорельефа (при определении микрорельефа) так и некоторые другие величины. Например диэлектрическая проницаемость или концентрация какого либо элемента (при определении стехиометрии поверхности). Ниже приводятся описание устройства для проведения подобных исследований.

Предлагается устройство на основе сканирующего туннельного микроскопа, позволяющее вести измерение с высокой точностью микрорельефа и стехиометрии поверхности. В основу устройства положена задача обеспечить возможность определения микрорельефа и стехиометрии поверхности любых, в том числе диэлектрических материалов, при выполнении различных аналитико-технологических операций.[2]

Рассматриваются особенности использования устройства как элементную базу для унифицированной информационно-измерительной системы управления качеством.

Устройство содержит пьезосканер, снабженный дополнительным зондом, установленным параллельно основному, с возможностью регулирования зазора между остриями основного и дополнительного зондов, и магнитом, силовые линии которого расположены параллельно исследуемой поверхности и перпендикулярно направлению туннельного тока между остриями основного и дополнительного зондов.

Преимуществом предлагаемого устройства является возможность определения микрорельефа и стехиометрии поверхности диэлектрических материалов.

Достигается это за счет того, что регистрируется не ток, туннелирующий между зондом и подложкой как в СТМ, а между двумя зондами, расположенными над подложкой, что и позволяет регистрировать влияние на этот ток полей, создаваемых атомами подложки. Магнит служит для того, чтобы «отогнуть» туннелирующий ток между зондами так, чтобы он шел по дуге, приближаясь и «задевая» поверхностные слои атомов подложки. [3]

Рис. 2 Рис. 3

Устройство определения микрорельефа и стехиометрии поверхности (Рис.2) содержит пьезосканер 1 с зондом 2, острие 3 которого направлено на исследуемую поверхность 4 и прецизионный измеритель перемещений, например, туннельный датчик. Пьезосканер 1 снабжен дополнительным зондом 5, установленным параллельно основному 2, с возможностью регулирования зазора 6 (Рис. 3) между остриями 3 основного 2 и дополнительного 5 зондов. Устройство снабжено магнитом 7, силовые линии 8 которого расположены параллельно исследуемой поверхности 4 и перпендикулярно направлению туннельного тока 9 между остриями 3 основного 2 и дополнительного 5 зондов.

Устройство работает следующим образом:

При подаче напряжения на пьезопривод 1 происходит расширение биморфов, за счет чего зонды 2 и 5 опускаются (поднимаются) относительно технологической поверхности подложки 4. При подаче напряжения на зонды 2 и 5, возникает туннельный ток 9 между остриями зондов 3. Туннельный ток 9 проходит в пространстве между остриями 3 зондов 2 и 5, задевая верхние атомы поверхности подложки 4 из-за отклоняющего действия магнитного поля, создаваемого магнитом 7. Характеристики туннельного тока 9 изменяются в зависимости от того, попадает ли он на атомы и насколько этот ток провзаимодействует с электронами этих атомов. Таким образом, по изменению туннельного тока 9 между остриями 3 зондов 2 и 5 можно судить по изменению расстояния между зондами 2 и 5 и подложкой 4, что позволяет определить микрорельеф и стехиометрию поверхности любого материала, в том числе диэлектрического.

Предложенное устройство можно использовать как элементную базу для унифицированной информационно-измерительной системы управления качеством.

В настоящее время существует большое число разнотипных информационно-измерительных преобразователей (ИИП), позволяющие преобразовывать различные физические величины в электрический выходной сигнал.[4]

Различные физические принципы, используемые при их разработке, а так же их различное конструктивное оформление привело к тому, что для измерения одного и того же параметра в одних и тех же условиях применяют десятки различных информационно-измерительных устройств (ИИУ) с различными метрологическими характеристиками. При этом появление нового физического принципа влечет за собой разработку новых конструкций ИИУ.

Предложенное устройство позволяет измерять сразу два параметра поверхности, что повышает производительность и информативность средств измерения и упрощает их конструкцию.

Результаты полученные при исследовании объектов подвергаются статистическому анализу и фильтрации. Исключаются аномальные значения. Далее дискретная модель, полученная после фильтрации и статистического анализа, представляется в виде карты высот. Карта высот подвергается нормализации и направляется в модуль распознавания.


СЗМ

Блок фильтрации и статистического анализа

Аналитический блок распознавания


Рис. 4

Система распознавания образов, основанная на библиотеке OpenCV, Позволяет определить параметры структурных групп на поверхности. В частности была разработана база знаний позволяющая выявлять на подложке скопления твердотельных нанокластеров и определять параметры этих скоплений.

Система распознавания основана на методе каскадов Хаарта.

Детектор объектов, описанный ниже был первоначально предложен Паулем Виолой [5] и улучшен Раинером Лиенхартом [6]. Сначала, классификатор (а именно каскад ускоренных классификаторов, работающих с haar-подобными признаками) обучен на нескольких сотнях типовых представлений специфического объекта (то есть, лица или в нашем случае скопления полупроводниковых нанокластеров), называемых положительными сэмплами, которые приведены к одному размеру (например, 20x20), и отрицательными сэмплами (произвольные образы того же самого размера).

После того, как классификатор обучен, он может применяться к региону распознавания (того же самого размера, что и в процессе обучения) в изображении, поступившем на вход. Классификатор возвращает "1", если регион, вероятно, изображает объект (то есть, скопление полупроводниковых нанокластеров), иначе "0". Искать объект в целом изображении, можно перемещая окно поиска через изображение и проверяя каждое местоположение используя классификатор. Классификатор разработан так, чтобы он мог быть легко "масштабирован", чтобы быть способным найти интересующие объекты различных размеров, что является более эффективным, чем непосредственная перекалибровка изображения. Таким образом, чтобы найти объект неизвестного размера в изображении процедура просмотра должна быть выполнена несколько раз при различных масштабах.

Слово "Каскад" в названии классификатора означает, что результирующий классификатор состоит из нескольких более простых классификаторов (стадий), которые применяются впоследствии к региону распознавания, пока на некоторой стадии кандидат не будет отклонен, или все стадии будут пройдены. Слово "ускоренный" означает, что классификаторы в каждой стадии каскада имеют сходную структуру и построены из основных классификаторов, использующих один из четырех различных ускоряющих методов (weighted voting). В настоящее время поддерживаются Discrete Adaboost, Real Adaboost, Gentle Adaboost и Logitboost. Основные классификаторы - классификаторы дерева решения с по крайней мере 2 ветвями. Текущий алгоритм использует следующие Haar-подобные признаки(Рис.5):

Рис. 5

Признак, используемый в специфическом классификаторе, определен его формой (1a, 2b и т.д.), положением в пределах региона распознавания, и масштабом (отличный от используемого на стадии обнаружения, хотя эти два масштаба кратны). Например, в случае третьего признака линии (2c) ответ рассчитан как разница между суммой пикселей под прямоугольником, охватывающим весь признак (включая две белых полосы и черную полосу в середине) и суммой пикселей под черной полосой, умноженной на 3 чтобы компенсировать различия в размере областей. Суммы значений пикселей изображения по прямоугольным областям рассчитываются достаточно быстро, используя составные изображения. [7]

На основе основе описанного выше детектора образов и библиотеки OpenCV было разработано программное и информационное обеспечение, позволяющее выявлять на изображениях образцов подложек, полученных методами СЗМ, скопления полупроводниковых нанокластеров обладающие заданными характеристиками.


  1. Тихоглаз Ю.С.,Юсупов Б.Б. Обработка опытных данных СЗМ с применением методов планирования эксперимента // Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ 2006

  2. Неволин В. К. Физические основы туннельно-зондовой нанотехнологии. – Учебное пособие // М.: МИЭТ, 2000. – 69 с. ил.

  3. Миронов В. Л. Основы сканирующей зондовой микроскопии. – Учебное пособие для студентов старших курсов высших учебных заведений // Российская академия наук, Институт Физики микроструктур г. Нижний Новгород, 2004г. – 110 с.

  4. Коротков В.П, Тайц Б.А. Основы метрологии и теории точности измерительных устройств //М., Издательство стандартов, 1978, 352 с.

  5. Paul Viola and Michael J. Jones. Rapid Object Detection using a Boosted Cascade of Simple Features. IEEE CVPR, 2001.
    The paper is available online at http://www.ai.mit.edu/people/viola/

  6. Rainer Lienhart and Jochen Maydt. An Extended Set of Haar-like Features for Rapid Object Detection. IEEE ICIP 2002, Vol. 1, pp. 900-903, Sep. 2002.
    This paper, as well as the extended technical report, can be retrieved at http://www.lienhart.de/Publications/publications.html

  7. OpenCV\Documentation\CVReference http://sourceforge.net/project/showfiles.php?group_id=22870&package_id=16949

Добавить документ в свой блог или на сайт

Похожие:

Контроль наноструктур и нанорельефов с применением системы распознавания образов iconОсновные определения курса «Распознавание Образов»
Множество объектов задачи распознавания – множество всех объектов, которые могут теоретически встретиться в конкретной задаче их...

Контроль наноструктур и нанорельефов с применением системы распознавания образов iconЛабораторная работа №3: Тема: релаксационные нейронные сети
...

Контроль наноструктур и нанорельефов с применением системы распознавания образов iconКонцепция функционирования систем распознавания в сканирующей зондовой...
Вследствие длительности операций, выполняемых при помощи сзм, важной задачей является создание автономной системы управления, которая...

Контроль наноструктур и нанорельефов с применением системы распознавания образов iconМетодология распознавания объектов, сигналов, явлений, ситуаций,...
Эффективные способы решения указанных задач можно найти, используя широкий арсенал идей, подходов, положений, методов, методик, алгоритмов,...

Контроль наноструктур и нанорельефов с применением системы распознавания образов iconInterStoff Asia Essential Autumn 2012
Основные группы товаров: контроль доступа, компьютеры и сетевое оборудование, коммуникационные системы, системы безопасности, комплектующие...

Контроль наноструктур и нанорельефов с применением системы распознавания образов iconИнструкция администратора  зао «волгаспецремстрой» 443084 г. Самара...
Назначение и возможности системы распознавания номеров железнодорожного подвижного состава. 3

Контроль наноструктур и нанорельефов с применением системы распознавания образов iconЗакон обучения Хебба принадлежит к классу законов обучения по соревнованию
Математическое описание автоматизированной системы распознавания рукописных печатных символов

Контроль наноструктур и нанорельефов с применением системы распознавания образов iconПравила спортивного костюма бфтс содержание
Контроль за применением настоящих правил на соревнованиях возлагается на главного и контрольного судью соревнований. Указанные должностные...

Контроль наноструктур и нанорельефов с применением системы распознавания образов iconМодуль распознавания гос номеров (компания Интегра-С)
Сразу же отметим, что по всем критериям он соответствует требованиям нашего обзора. Во-первых, это отечественная система распознавания...

Контроль наноструктур и нанорельефов с применением системы распознавания образов icon4 Функциональный анализ микропроцессорной системы автоматизации и...
Разработка иерархической микропроцессорной системы автоматизации вращающейся печи обжига клинкера с применением scada-технологии

Вы можете разместить ссылку на наш сайт:
Школьные материалы


При копировании материала укажите ссылку © 2013
контакты
vbibl.ru
Главная страница