Logo der Physikalisch-Technischen Bundesanstalt
Symbolbild "Zeitschriften"

KI zur Formmessung optischer Oberflächen

Tiefe neuronale Netze für Topografiemessungen mit Tilted-Wave-Interferometern

PTB-News 2.2022
29.04.2022
Besonders interessant für

optische Formmessung

maschinelles Lernen in der Optik

Die hochgenaue Formmessung von optischen Asphären und Freiformflächen stellt eine große Herausforderung in der Messtechnik dar. Eine neue Methode verwendet künstliche Intelligenz (KI), nämlich tiefe neuronale Netze, um aus den Messdaten eines Tilted-Wave-Interferometers die optischen Oberflächen zu rekonstruieren. Zusätzlich quantifiziert sie die Unsicherheit der Vorhersage.

Eine Asphäre wird vom Tilted-Wave-Interferometer vermessen. Auf dem Bildschirm im Hintergrund wird die Differenz des gemessenen Prüflings zur erwarteten Design-Topografie angezeigt.

Optische Asphären und Freiformflächen sind in der Industrie weit verbreitet. Die PTB forscht in Kooperation mit einem Industriepartner an der Weiterentwicklung und Rückführung des Tilted-Wave-Interferometers, eines interferometrischen Messsystems zur optischen Formmessung solcher Flächen. Sein Rekonstruktionsverfahren basiert auf einem Vergleich der Messdaten des Prüflings mit den simulierten Daten einer Design-Topografie, also der erwarteten Form des Prüflings. Aus der Differenz zwischen Messdaten und simulierten Daten wird die Abweichung des Prüflings zum Design bestimmt.

Die neue Methode nutzt tiefe neuronale Netze, um diese Abweichung zu ermitteln. Mithilfe eines Ensembles mehrerer trainierter neuronaler Netze erhält man zusätzlich die Modellunsicherheit der Rekonstruktion. In numerischen Experimenten zeigte sich, dass die Methode auch bei Kalibrierfehlern oder Rauschen zuverlässige Ergebnisse liefert.

In einer ersten Anwendung wurde die neue Methode für die Messdaten eines asphärischen Prüflings eingesetzt, dessen Design-Topografie einen Grundflächendurchmesser von ca. 25 mm und einen maximalen Höhenunterschied (peak-to-valley) von ca. 4 mm besitzt. Die rekonstruierte Oberflächenform stimmt innerhalb der Modellunsicherheiten mit der Formrekonstruktion einer modernen Vergleichsmethode aus der Industrie überein.

Sobald die neuronalen Netze trainiert sind, können neue Daten auf Knopfdruck ausgewertet werden. Die Meatomathode ist also schnell, beinhaltet eine Unsicherheitsvorhersage und könnte somit zukünftig speziell für die Qualitätskontrolle in der Massenproduktion interessant sein.

Ansprechpartnerin

Lara Hoffmann
Fachbereiche 8.4, Mathematische Modellierung und Datenanalyse und 4.2 Bild- und Wellenoptik
Telefon: (030) 3481-7807
Opens local program for sending emaillara.hoffmann(at)ptb.de

Wissenschaftliche Veröffentlichung

L. Hoffmann, I. Fortmeier, C. Elster: Uncertainty quantification by ensemble learning for computational optical form measurements. Machine Learning: Science and Technology 2, 035030 (2021)