特表 2024-509784 測定を実行するための最適化されたパラメータセットを特定するための方法および装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-03-05

(54)【発明の名称】測定を実行するための最適化されたパラメータセットを特定するための方法および装置

(51)【国際特許分類】

   G01N 21/17 20060101AFI20240227BHJP

   G06T 7/00 20170101ALI20240227BHJP

【ＦＩ】

G01N21/17 620

G06T7/00 Q

G06T7/00 350C

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2023551753

(86)(22)【出願日】2022-01-24

(85)【翻訳文提出日】2023-08-24

(86)【国際出願番号】 EP2022051444

(87)【国際公開番号】W WO2022179776

(87)【国際公開日】2022-09-01

(31)【優先権主張番号】102021201806.8

(32)【優先日】2021-02-25

(33)【優先権主張国・地域又は機関】DE

(81)【指定国・地域】

(71)【出願人】

【識別番号】504035571

【氏名又は名称】トルンプフ レーザー ゲゼルシャフト ミット ベシュレンクテル ハフツング

【氏名又は名称原語表記】ＴＲＵＭＰＦ Ｌａｓｅｒ ＧｍｂＨ

【住所又は居所原語表記】Ａｉｃｈｈａｌｄｅｒ Ｓｔｒａｓｓｅ ３９， Ｄ－７８７１３ Ｓｃｈｒａｍｂｅｒｇ， Ｇｅｒｍａｎｙ

(74)【代理人】

【識別番号】100114890

【弁理士】

【氏名又は名称】アインゼル・フェリックス＝ラインハルト

(74)【代理人】

【識別番号】100098501

【弁理士】

【氏名又は名称】森田 拓

(74)【代理人】

【識別番号】100116403

【弁理士】

【氏名又は名称】前川 純一

(74)【代理人】

【識別番号】100134315

【弁理士】

【氏名又は名称】永島 秀郎

(74)【代理人】

【識別番号】100162880

【弁理士】

【氏名又は名称】上島 類

(72)【発明者】

【氏名】アンドレアス ヤーン

(72)【発明者】

【氏名】マーティン シュタンブケ

【テーマコード（参考）】

2G059

5L096

【Ｆターム（参考）】

2G059AA05

2G059EE02

2G059FF01

2G059GG01

2G059JJ15

2G059JJ22

2G059JJ30

2G059MM01

5L096AA03

5L096AA06

5L096BA03

5L096CA18

5L096DA02

5L096FA32

5L096GA51

5L096HA11

(57)【要約】

本発明は、測定装置（１２）による測定のための、最適化されたパラメータセットを見出すための方法および装置（１０）に関する。このために、特にｎ＊ｍ回の測定が実行され、評価され、好適には平均され、平均された測定において関心領域（ＲＯＩ）が特定される。続いて、ｎ＊ｍ回の測定がｏ回実行されてよく、ここで評価はＲＯＩにおいてのみ行われる。遅くとも、ｏ回の繰り返し後に最適化が終了してよく、良好に評価されたパラメータセットが出力されて、測定に使用されてよい。

【特許請求の範囲】

【請求項1】

測定を実行するための、最適化された、複数の測定パラメータを有するパラメータセットを特定するための方法であって、
Ｃ）それぞれ１つのパラメータセットによって、測定体（２２）のｎ回の測定を実行し、記憶するステップであって、各測定は多数の測定点を有している、ステップ、
Ｄ）評価関数を用いて前記ｎ回の測定を評価し、前記評価を記憶するステップ、
Ｅ）前記ステップＣ）において使用された前記パラメータセットから新たなパラメータセットを生成するステップ、
Ｆ）前記ステップＣ）～前記ステップＥ）を複数回実行するステップ、
Ｊ）良好な評価を伴う少なくとも１つのパラメータセットを出力するステップ
を備えている、
方法。

【請求項2】

前記ステップＥ）において、前記ステップＣ）において使用されたパラメータセットに、進化演算子を適用することによって、新たなパラメータセットを生成する、請求項１記載の方法。

【請求項3】

前記ステップＣ）における前記測定を、非接触式のスキャンの形態で実行する、請求項１または２記載の方法。

【請求項4】

前記ステップＣ）における前記測定を、光コヒーレンストモグラフィ（ＯＣＴ）測定の形態で、または高温測定学による測定の形態で実行する、請求項３記載の方法。

【請求項5】

前記評価関数は、前記測定の記録品質を判定するためのアルゴリズム（２０）および／または畳み込み型深層ニューラルネットワークを含んでいる、請求項１から４までのいずれか１項記載の方法。

【請求項6】

前記ステップＥ）におけるｎ個の新たなパラメータセットの前記生成を、
（Ｅ１）偶然によって、または
（Ｅ２）人工知能（ＡＩ）によって行い、前記人工知能（ＡＩ）は、オンライン学習方法および前記評価関数の前記評価を用いて、自身の目的関数を適応させる、請求項１から５までのいずれか１項記載の方法。

【請求項7】

前記ステップＦ）の後に、かつ前記ステップＪ）の前に実行される、
Ｇ）前記ステップＣ）において実行されたすべての測定をマージするステップ、
Ｈ）マージされた前記測定において、前記評価関数が所定の閾値を上回る、可能な限り小さい関心領域（ＲＯＩ）を規定するステップ、
Ｉ）前記ステップＣ）～前記ステップＦ）を複数回繰り返すステップであって、前記評価関数は、前記ステップＤ）において、前記ＲＯＩ内でのみ適用される、ステップ
を備えている、請求項１から６までのいずれか１項記載の方法。

【請求項8】

前記ステップＪ）の後に、
Ｋ）前記ステップＪ）において出力された前記パラメータセットをデータバンク内に記憶するステップ
を実行する、請求項１から７までのいずれか１項記載の方法。

【請求項9】

前記ステップＣ）の前に、
Ｂ）前記ステップＣ）において使用されるｎ個のパラメータセットを、
Ｂ１）偶然によって、または
Ｂ２）デフォルト開始パラメータ化によって
生成するステップ
を実行する、請求項１から８までのいずれか１項記載の方法。

【請求項10】

前記ステップＣ）の前に、
Ｂ）前記ステップＣ）において使用されるｎ個のパラメータセットを、
Ｂ３）デフォルト開始パラメータ化によって前記測定体の測定を実行し、前記デフォルト開始パラメータ化の１つまたは複数の最も近い近傍を特定することによって
生成するステップ
を実行する、請求項８記載の方法。

【請求項11】

前記ステップＢ）の前に、
Ａ）前記パラメータセットの前記測定パラメータに対する値範囲を規定するステップであって、前記パラメータセットの前記測定パラメータは、前記ステップＢ）および前記ステップＥ）において、前記値範囲内で生成される、ステップ
を実行する、請求項９または１０記載の方法。

【請求項12】

請求項１から１１までのいずれか１項記載の方法によって、最適化されたパラメータセットを特定するための装置（１０）であって、
前記装置（１０）は、ステップＣ）における測定を実行するための測定装置（１２）と、さらなるステップを実行するための計算機（１４）とを有している、
装置（１０）。

【発明の詳細な説明】

【技術分野】

【0001】

発明の背景
本発明は、最適化されたパラメータセットを特定するための方法および装置に関する。

【0002】

複雑な測定装置、たとえば光コヒーレンストモグラフィ（ＯＣＴ）測定装置は、多数の（設定）パラメータを有しており、これらのパラメータによって、ユーザは、測定装置を測定体の各測定状況もしくは加工状況に適合させることができる。多数のパラメータおよびそれらの相互作用によって、高度に複雑なパラメータ空間が生じる。したがって、パラメータセットのパラメータの設定は、これまで専門家の知識を必要とし、時間がかかった。

【0003】

発明の課題
これに対して、本発明の課題は、最適化されたパラメータセットを自動的に求めるための方法および装置を提供することである。

【0004】

発明の説明
上述の課題は、本発明によれば、請求項１記載の方法および請求項１２記載の装置によって解決される。従属請求項は、好ましい発展形態を再現している。

【0005】

したがって、本発明の課題は、以降の、特に自動的に実行されるステップ、すなわち
Ｃ）それぞれ１つのパラメータセットによって、測定体のｎ回の測定を実行し、記憶するステップであって、各測定は多数の測定点を有している、ステップ、
Ｄ）評価関数を用いてｎ回の測定を評価し、この評価を記憶するステップであって、この評価を特に段階的に、好適には０～１で実行する、ステップ、
Ｅ）特に、パラメータセットを処理、選択および再利用する際に、ステップＤ）からの評価を考慮する適応関数を適用することによって、特にｎ個の新たなパラメータセットを生成するステップ、
Ｆ）ステップＣ）～ステップＥ）を複数回、特にｍ回実行するステップ、
Ｊ）少なくとも１つのパラメータセット、特に最良の評価を伴うパラメータセットを出力するステップであって、これに対して付加的に、他のパラメータセットが出力されてよい、ステップ
を備える方法によって解決される。

【0006】

測定パラメータは、測定を多数の加工状況に適合させることができるようにするために必要である。ユーザを、多数のパラメータおよび相互作用を有する複雑かつ非対称のパラメータ空間から完全にかくまうことができる。したがって、操作について特別な知識は不要である。しかし、測定状況、特に構成部分の特性の変化に対する機能範囲およびロバスト性は、完全に維持される。したがって、本発明の方法によって、熟練していないユーザも、極めて良好な測定パラメータを用いて測定を実行することが可能になる。

【0007】

パラメータセットは、測定を可能にする一定数の測定パラメータに相応する。一方のパラメータセットの少なくとも１つのパラメータが、他方のパラメータセットにおける同じパラメータと異なっている場合に、２つのパラメータセットは異なっている。

【0008】

ステップＥ）において、特に、ステップＣ）において使用されたパラメータセットに、好適にはクロスオーバ演算子および／または変異演算子の形態の進化演算子を適用することによって、新たなパラメータセットが生成される。クロスオーバ演算子を適用する場合、２つの親パラメータセットが組み合わせられて１つの次の世代のパラメータセットになる。変異演算子を適用する場合、親パラメータセットの１つの個々の部分／複数の部分がランダムに変更される。

【0009】

測定体は、被加工物の形態で存在していてよい。

【0010】

ｎおよび／またはｍは、１、特に２、好適には５、特に好ましくは１０より大きくてよい。

【0011】

ステップＣ）における測定は、好適には、非接触式のスキャンの形態で実行される。スキャンは、１次元（ラインスキャン）または多次元で実行されてよい。

【0012】

好適には、ステップＣ）における測定は、光コヒーレンストモグラフィ（ＯＣＴ）測定の形態で、または高温測定学による測定の形態で実行される。ＯＣＴ測定および高温測定学による測定を実行するためのパラメータセットは、本発明の方法を用いて、特に良好に最適化可能である。

【0013】

評価関数は、測定の記録品質を判定するためのアルゴリズム、特に画像処理アルゴリズムの形態のアルゴリズムおよび／または畳み込み型深層ニューラルネットワークを含んでいてよい。アルゴリズムは、センサの生信号、たとえば高速フーリエ変換（ＦＦＴ）信号を評価することができる。画像処理アルゴリズムは、測定の画質を判定するように構成されていてよい。たとえば、画像処理アルゴリズムは、エッジの鮮鋭度および／または画像ノイズを判定することができる。

【0014】

ステップＥ）におけるｎ個の新たなパラメータセットの生成を、（Ｅ１）偶然によって、または（Ｅ２）人工知能（ＡＩ）によって行うことができ、人工知能（ＡＩ）は、オンライン学習方法および評価関数の評価を用いて、自身の目的関数を適応させる。ＡＩは、評価を考慮しながら持続的に（オンラインで）実行される学習方法によって、パラメータセットの格段に迅速な最適化を達成する。

【0015】

本発明の別の好ましい構成では、以降のステップ、すなわち、
Ｇ）ステップＣ）において実行されたすべての測定をマージする、特に平均するステップ、
Ｈ）マージされたこの測定において、評価関数が所定の閾値を上回る、可能な限り小さい関心領域（ＲＯＩ）を規定するステップ、
Ｉ）ステップＣ）～ステップＦ）を複数回、特にｏ回繰り返すステップであって、評価関数は、ステップＤ）において、ＲＯＩ内でのみ適用される、ステップ
がステップＦ）の後に、かつステップＪ）の前に実行される。

【0016】

ステップＧ）におけるこのマージを、平均することによって、中央値を特定することによってかつ／または他の統計値を特定することによって行うことができる。

【0017】

ＲＯＩは、試料体から測定信号が得られる測定領域に相応する。これによって、試料体からの信号が得られない測定の範囲が、最適化から排除される。これによって、最適化が著しく改良される。

【0018】

ＲＯＩは好適には連続している。

【0019】

ｏは１、特に２、好適には５、特に好ましくは１０より大きくてよい。

【0020】

ステップＪ）の後に、ステップＫ）において、ステップＪ）において出力されたパラメータセットが記憶されてよい。これに加えて、１つもしくは複数の、良好に評価されたさらなるパラメータセットが記憶されてよい。

【0021】

ステップＣ）の前に、以降のステップ、すなわち
Ｂ）ステップＣ）において使用されるｎ個のパラメータセットを、
Ｂ１）偶然によって、または
Ｂ２）デフォルト開始パラメータ化によって、または
Ｂ３）デフォルト開始パラメータ化によって測定体の測定を実行し、特に密度ベースのクラスタリングによって、デフォルト開始パラメータ化の１つまたは複数の最も近い近傍を特定することによって
生成するステップが実行されてよい。この場合、ｚ次元の特徴空間における複数の最も近い近傍を、密度ベースのクラスタリングによって特定することができる。特徴空間は、画像処理方法のような特徴抽出方法および／または畳み込み型深層ネットワークによって張設されていてよ。ｚは、好適には１０～１０００である。

【0022】

これに加えて、ステップＢ）の前に、以降のステップ、すなわち、
Ａ）パラメータセットの測定パラメータに対する値範囲を規定するステップであって、パラメータセットのパラメータは、ステップＢ）およびステップＥ）において、この値範囲内で生成される、ステップ
が実行されてよい。

【0023】

本発明の課題はさらに、本明細書に記載された方法によって、最適化されたパラメータセットを特定するための装置によって解決され、この装置は、ステップＣ）における測定を実行するための測定装置と、さらなるステップを実行するための計算機とを有している。計算機は測定装置の一部であってよい。

【0024】

計算機は、測定装置を制御するためのアルゴリズムを備えるソフトウェアを有していてよい。

【0025】

測定装置は、好適にはＯＣＴ測定装置または高温測定学による測定装置の形態で形成されている。

【0026】

本発明の他の利点は、明細書および図面から明らかになる。同様に、上記の特徴および下記の特徴は、本発明によれば、それぞれ個別でも、または集合的に任意の組み合わせでも使用可能である。図示され、説明される実施形態は、限定的な列記として理解されるものではなく、むしろ、本発明の説明のための例示的な性格を有している。

【図面の簡単な説明】

【0027】

【図1】本発明の装置を概略的に示す図であり、この装置は、本発明の方法を実行するための測定装置と計算機とを有している。

【図2】本発明の方法のフローを概略的に示す図である。

【0028】

発明および図面の詳細な説明
図１には、測定装置１２と計算機１４とを備える装置１０が示されている。計算機１４は、有線で、かつ／また無線で測定装置１２と接続された状態１６にある。計算機１４は、測定装置１２を制御するためのアルゴリズム２０を備えるソフトウェア１８を有している。

【0029】

測定装置１２による測定は、複数の測定パラメータを設定して行われる。測定パラメータは、計算機１４によって設定される。測定装置１２は、測定後かつ／または測定中に、多数の測定点による測定結果（「測定値」）を計算機１４に伝送する。

【0030】

測定装置１２は、光コヒーレンストモグラフィ（ＯＣＴ）測定装置の形態で形成されている。測定装置１２は、測定体２２を測定するためにＯＣＴスキャナ２４を有している。これに加えて、測定体２２を加工するためのレーザー加工光学系２８が設けられていてよい。測定体２２には、ＯＣＴ測定ビーム３０が入力結合される。これに加えて、加工レーザービーム３２が入力結合されてよい。測定装置１２は、図示された機器に対して択一的または付加的に、偏向ミラーおよび／またはビームスプリッタを有していてよい。

【0031】

測定時に使用される測定パラメータ（「パラメータセット」）は、本発明の方法を用いて最適化される。これを図２において説明する。

【0032】

図２は、本発明の方法の実施形態のフローを示している。

【0033】

ステップＡ）において、パラメータセットの測定パラメータに対する値範囲が規定され、パラメータセットのパラメータは、ステップＢ）およびステップＥ）において、この値範囲内で生成される。

【0034】

ステップＢ）において、事前に規定された値範囲内でｎ個のパラメータセットが生成される。これは、Ｂ１）偶然によって、またはＢ２）デフォルト開始パラメータ化によって、またはＢ３）デフォルト開始パラメータ化によって測定体２２を測定し、デフォルト開始パラメータ化の１つまたは複数の最も近い近傍を特定することによって行われる。

【0035】

ステップＣ）において、それぞれ１つのパラメータセットによって、測定体２２のｎ回の測定が実行され、記憶され、各測定は多数の測定点を有している。

【0036】

ステップＤ）において、評価関数を用いてステップＣ）からのｎ回の測定が評価される。この評価が記憶される。

【0037】

ステップＥ）において、ループが実行される。ステップＥ）において、ｎ個の新たなパラメータセットが生成される。この生成は、ステップＣ）において使用されるパラメータセットにクロスオーバ演算子および／または変異演算子を適用することによって行われる。この生成は、Ｅ１）偶然によって、またはＥ２）オンライン学習方法および事前に作成された評価を用いて、自身の目的関数を適応させる人工知能によって行われる。

【0038】

ステップＣ）、ステップＤ）およびステップＥ）のループが、ステップＦ）に従って、ｍ回繰り返される。

【0039】

ｍ回の繰り返しの後に、ステップＧ）において、ステップＣ）において実行されたすべての測定が平均される。

【0040】

続いて、ステップＨ）において、平均された測定において、可能な限り小さい関心領域（ＲＯＩ）が求められる。このＲＯＩにおいて評価関数は所定の閾値を上回る。

【0041】

ステップＩ）において、新たなループが実行される。ステップＣ）、ステップＤ）、ステップＥ）およびステップＦ）がｏ回実行され、ここでステップＤ）は、評価関数がＲＯＩ内でのみ適用されるように変更される。

【0042】

ｏ回の繰り返しの後に、ステップＪ）において、パラメータセットの最適化が終了し、良好な評価を伴うパラメータセットが出力される。

【0043】

ステップＫ）において、良好な評価を伴う、少なくともこのパラメータセットが記憶される。このパラメータセットは、後の手順において、ステップＢ）において使用されてよい。

【0044】

図面の２つの図をまとめて見ると、本発明は、要約すると、測定装置１２による測定のための、最適化されたパラメータセットを見出すための方法および装置１０に関する。このために、特にｎ＊ｍ回の測定が実行され、評価され、好適には平均され、平均された測定において関心領域（ＲＯＩ）が特定される。続いて、ｎ＊ｍ回の測定がｏ回実行されてよく、ここで評価はＲＯＩにおいてのみ行われる。遅くとも、ｏ回の繰り返し後に最適化が終了してよく、良好に評価されたパラメータセットが出力されて、測定に使用されてよい。

【符号の説明】

【0045】

１０ 装置
１２ 測定装置
１４ 計算機
１６ 接続された状態（通信）
１８ ソフトウェア
２０ アルゴリズム
２２ 測定体
２４ ＯＣＴスキャナ
２８ レーザー加工光学系
３０ ＯＣＴ測定ビーム
３２ 加工レーザービーム
Ａ）～Ｋ） ステップ

【図1】

【図2】

【国際調査報告】