딥러닝을 활용한 백색광 주사 간섭계의 3차원 형상 측정 기법 연구
A Study on Three-Dimensional Shape Measurement Technique of White-Light Scanning Interferometry Using Deep Learning
- 주제(키워드) Deep learning , WSI
- 발행기관 아주대학교
- 지도교수 황원준
- 발행년도 2019
- 학위수여년월 2019. 8
- 학위명 박사
- 학과 및 전공 일반대학원 컴퓨터공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000029090
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
최근 많은 산업 분야에서 높이가 수 um 수십 um 에 불과한 미세 표면 형상 을 가진 제품 을 연구 및 제조 하 고 있다 이런 미세 표면 형상을 가진 제품은 제조 후 정확한 표면 형상을 측정할 필요가 있 는데 이때 필요한 것이 삼차원 표면 형상 측정 기술이다 삼차원 표면 형상 측정 기술에는 여러 방법이 있으며 , 그 중 하나가 백색광의 간섭 효과를 이용해 삼차원 표면 형상을 측정하는 백색광 간섭계를 이용한 백색광 주사 간섭계이다. 백색광 주사 간섭계는 다음과 같이 동작한다 먼저 기준 거울을 이동하면서 간섭 무늬 이미지 를 획득하고 이미지 상의 각 픽셀의 밝기 변화 신호를 추출한 다 이 밝기 변화 신호 의 외형선 (envelop)을 추출한 후 외형선의 정점 위치를 찾아 픽셀의 높이를 결정 한 다 동일한 계산을 이미지 상의 모든 픽셀에 대해 반복하면 물체의 삼차원 표면 형상을 얻을 수 있다 이 과정에서 픽셀의 밝기 변화 신호 에서 외형선의 정점 위치를 계산하는 것 이 매우 중요하 다 외형선의 정점 위치를 계산하 는 대표적 인 방법은 FFT 와 Inverse FFT 를 사용한 것으로 정확도가 높은 장점이 있으나 계산 량이 많아 빠른 계산을 요구하는 분야에 사용 할 수 없는 문제가 있 고 이를 보완한 알고리즘의 경우 상대적으로 정확도가 떨어지는 문제가 있다 또한 이들 알고리즘은 정점이 없거나 측정 중 밝기 변화가 있는 것과 같은 예상하지 못한 신호의 경우 큰 계산 오차가 발생해 잘못된 삼차원 표면 형상 을 만 드 는 문제가 있다. 본 논문에서는 신경망을 사용해 백색광 주사 간섭계의 밝기 변화 신호에서 외형선의 정점 위치를 찾는 방법을 제안하였다. 문제에 적합한 신경망 구조를 찾기 위해 Recurrent Neural Networks(RNN)을 기반으로 한 5가지 종류의 신경망을 구성하고, 이 신경망에 활성화 함수를 3가지로 변경하며 학습하였다. 학습에 사용한 데이터는 가상으로 생성하였으며, 데이터 생성 범위를 5가지 경우로 변경하여 5개의 학습 데이터를 생성하였다. 신경망의 성능을 검증하기 위해 측정 샘플에서 57개 위치의 이미지 데이터를 획득하였으며, 이 중 69,825개의 픽셀을 선택하고 각 픽셀의 밝기 변화 신호에 FFT 알고리즘을 사용해 정점 위치를 계산하였다. 신경망의 성능을 평가하기 위해 백분위수를 사용하는 평가 방법을 새로 제안하였으며, 이를 사용해 여러 신경망 구조 간의 성능을 평가하였다. 제안된 평가 방법을 사용해 신경망과 기존 알고리즘의 성능을 정량(定量)적으로 비교하였고, 마지막으로 신경망과 기존 알고리즘으로 만든 삼차원 표면 형상을 정성(定性)적으로 비교하였다. 연구 결과 신경망을 사용해 백색광 주사 간섭계의 밝기 변화 신호에서 외형선의 정점 위치를 찾는 것이 가능함을 확인하였고, 가장 좋은 성능을 가진 신경망의 구성을 찾았다. 신경망의 학습 및 검증 결과 값으로부터 학습 데이터와 검증 결과 간의 관계를 분석하였으며, 학습 데이터의 생성 범위가 결과에 큰 영향을 끼침을 확인하였다. 신경망과 기존 알고리즘을 비교하여 일부 경우를 제외하고 정량적으로 신경망의 성능이 우수함을 확인하였다. 또한, 신경망과 기존 알고리즘 결과로부터 만든 삼차원 표면 형상을 정성적으로 비교하여, 신경망이 구성한 삼차원 표면 형상이 좀 더 좋음을 확인하였다. 마지막으로 일부 기존 알고리즘보다 성능이 떨어지는 부분에 대해 원인을 분석하고 향후 연구 방향을 제시하였다.
more목차
제 1 장 서론 1
제 1 절 연구 배경 1
제 2 절 연구 내용 4
제 3 절 논문 구성 5
제 2 장 배경 및 관련 연구 6
제 1 절 삼차원 측정기 6
1. 접촉식 삼차원 측정기 6
2. 원자힘 현미경 (Atomic Force Microscope, AFM) 7
3. 위상천이 간섭계 (Phase-shifting Interferometry) 7
4. 공초점 주사 현미경 (Confocal Scanning Microscope) 8
제 2 절 백색광 간섭계 10
1. 동작 원리 10
2. 백색광 주사 간섭계의 종류 12
3. 백색광 주사 간섭계 12
제 3 절 정점 위치 검출 알고리즘 16
1. FFT 알고리즘 16
2. Squared-envelope function Estimation by Sampling Theory (SEST) 알고리즘 17
제 3 장 실험 21
제 1 절 실험 구성 21
1. 샘플 21
2. 시스템 21
제 2 절 신경망 구성 23
1. 검증용 데이터 23
2. 학습용 데이터 28
3. 성능 평가 방법 31
4. 신경망 구조 33
제 4 장 실험 결과 38
제 1 절 학습 38
1. L1F1 (LSTM 1 + FC 1) 신경망 39
2. L1F2 (LSTM 1 + FC 2) 신경망 41
3. L1F3 (LSTM 1 + FC 3) 신경망 43
4. L2F3 (LSTM 2 + FC 3) 신경망 44
5. BNF3 (BRNN + FC 3) 신경망 46
6. 학습 결과 분석 48
제 2 절 검증 데이터 평가 49
1. L1F1 구조의 검증 데이터 평가 50
2. L1F2 구조의 검증 데이터 평가 53
3. L1F3 구조의 검증 데이터 평가 54
4. L2F3 구조의 검증 데이터 평가 56
5. BNF3 구조의 검증 데이터 평가 57
6. 신경망 구조 별 검증 데이터 평가 58
제 3 절 학습 데이터 생성 범위와 검증 데이터 결과 분석 61
1. 정점의 위치가 학습 범위를 벗어난 경우 61
2. 밝기 진폭이 작은 경우 64
3. 정점이 없는 경우 66
4. 전체 밝기가 학습 범위를 벗어난 경우 68
제 4 절 SEST 알고리즘과 신경망 결과 비교 70
제 5 절 결과 종합 74
제 5 장 결론 75
참고 문헌 77
Abstract 81
