[发明专利]用于质检的自动化分割方法

说明书

用于质检的自动化分割方法。提出一种用于以质检方法来测量构件的缺陷的方法。该方法包括：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，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。

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。