基于角度解析散射数据压缩学习的纳米表面缺陷识别
信号处理
2025-08-26 v1 图像与视频处理
摘要
纳米制造需要高精度的表面检查以保证所制造纳米结构的质量。对于生产环境来说，角度解析散射术提供了一种非侵入且兼容现场检测的替代方案，作为传统的表面检查方法，如扫描电子显微镜。然而，角度解析散射术目前存在数据获取时间较长的问题。本研究通过提出一种基于角度解析散射数据的纳米表面缺陷压缩学习框架，来解决数据获取缓慢的问题。该框架使用针对散射图案定制的抽样方案的粒子群优化算法。这种组合允许识别在 ZnO 纳米表面上最大化检测五种不同缺陷水平检测精度的 optimal 抽样点。该方法显著减少了采样数据的量，同时在缺陷检测中保持高精度，即使在噪声环境下也可如此。值得注意的是，仅采样 1% 的数据，方法即可实现超过 86% 的精度；当采样率提升至 6% 时，精度进一步提高到 94%。这些结果表明该方法在数据降低与分类性能之间实现了良好的平衡。所获得的结果还显示，压缩学习框架有效识别了关键抽样区域。
引用
@article{arxiv.2508.17873,
title = {Compressed Learning for Nanosurface Deficiency Recognition Using Angle-resolved Scatterometry Data},
author = {Mehdi Abdollahpour and Carsten Bockelmann and Tajim Md Hasibur Rahman and Armin Dekorsy and Andreas Fischer},
journal= {arXiv preprint arXiv:2508.17873},
year = {2025}
}