Noticias

Nov 26, 2023

Una investigación de la influencia de la topografía de la superficie de la microestructura en el mecanismo de imágenes para explorar super

Scientific Reports volumen 12, Número de artículo: 13651 (2022) Cite este artículo 680 Accesos 3 Citas 1 Detalles de Altmetric Metrics La medición de precisión basada en la visión está limitada por la óptica

Scientific Reports volumen 12, número de artículo: 13651 (2022) Citar este artículo

680 Accesos

3 citas

1 altmétrica

Detalles de métricas

La medición de precisión basada en la visión está limitada por la resolución óptica. Aunque se han desarrollado varios algoritmos de superresolución, es difícil garantizar la precisión y exactitud de las mediciones. Para lograr una medición de resolución a nanoescala, se propone un concepto de microestructura de superresolución que se basa en la idea de una fuerte relación de mapeo matemático que puede existir entre las características topográficas de la superficie de la microestructura y las intensidades de píxeles de la imagen correspondiente. En este trabajo, se mecanizan con ultraprecisión una serie de microsurcos y se miden sus topografías e imágenes de superficie. Se establece un modelo de relación de mapeo para analizar el efecto de la topografía de la superficie de microsurcos en el mecanismo de obtención de imágenes. Los resultados muestran que la rugosidad y los defectos de la superficie del microsurco tienen efectos significativos en la predicción del mecanismo de obtención de imágenes. A continuación se determinan los parámetros de mecanizado optimizados. Este artículo demuestra un trabajo factible y valioso para respaldar el diseño y la fabricación de microestructuras de súper resolución que tienen aplicaciones esenciales en la medición de posicionamiento de precisión.

La superresolución (SR), que se refiere al proceso de mejorar la resolución de las imágenes originales mediante la reconstrucción de imágenes de alta resolución (HR) a partir de imágenes de baja resolución (LR), se utiliza ampliamente en imágenes microscópicas2,3,4. videovigilancia5, imágenes médicas6, imágenes de teledetección por satélite7 y observación astronómica8, etc. Además, los métodos SR también tienen aplicaciones esenciales en la medición de posicionamiento de precisión y desempeñan un papel importante en la mejora de la precisión del posicionamiento9,10. Normalmente, los métodos de medición de posicionamiento de precisión basados ​​en microvisión11,12,13,14,15 mejoran la resolución principalmente mediante el uso de métodos de procesamiento de imágenes11,15. Cuando la similitud de ciertas áreas de la imagen es alta, los algoritmos causan fácilmente errores de coincidencia, lo que disminuye seriamente la precisión y la incertidumbre de la medición.

Actualmente, la reconstrucción SR de imágenes se logra principalmente desde la perspectiva de algoritmos de software, como el algoritmo Deep Plug-and-Play Super-Resolution (DPSR)16, la red de confrontación de imágenes no emparejadas17 para la capacidad de generalización, el mecanismo de atención del mapa de características para mejorar la expresión de las características. capacidad de imágenes reconstruidas18 y así sucesivamente. Pero debido al límite de Abbe, el límite de resolución de los microscopios ópticos ordinarios es de aproximadamente 200 nm. Por lo tanto, los microscopios ópticos no pueden obtener información de microtopografía por debajo de la escala de 200 nm. La reconstrucción SR de imágenes no es capaz de resolver la pérdida de información de muestreo de alta frecuencia de la imagen de la superficie del objeto observado a escala microscópica sólo desde el punto de vista de los algoritmos. Es un gran desafío romper el límite óptico y obtener imágenes de súper resolución de la topografía de la superficie de la microestructura.

Aquí se genera una idea innovadora: si existe una microtopografía con características SR, a la que se denomina "microestructura de superresolución" (SRM). Específicamente, dentro del rango de un tamaño de píxel individual como se muestra en la Fig. 1a, aunque esta área se extrae mediante la estructura de datos de un solo píxel a través de un microscopio, el píxel original se puede descomponer en valiosos subpíxeles que realmente reflejan el características de microtopografía a través de la información de sus píxeles vecinos como se muestra en la Fig. 1b y las características de decodificación de SRM, para realizar SR.

Reconstrucción de superresolución basada en SRM. (a) Imagen de baja resolución; (b) Imagen de reconstrucción de súper resolución combinada con SRM "U".

A medida que se observa la superficie SRM, la imagen utilizada para el registro puede tener una resolución más alta y detalles de imagen más confiables a través de la interpolación de funciones de características, de modo que las diferencias de detalles en cada región sean más obvias y más fáciles de identificar de manera estable mediante el algoritmo, que puede Proporciona información de posición más precisa para medir el objeto y mejorar la precisión del posicionamiento.

Por lo tanto, las ventajas del método de imágenes SRM se pueden resumir de la siguiente manera: (1) Puede superar el límite óptico desde otras perspectivas y lograr una superresolución de imagen confiable. (2) En comparación con los algoritmos de interpolación tradicionales para lograr una superresolución de imagen, tiene una relación matemática más confiable. (3) Utilizando SRM como objeto de observación de medición de posicionamiento de precisión basada en microvisión, la resolución de la imagen puede alcanzar el nivel de nanoescala13,14,15,19.

Sin embargo, es bastante difícil realizar SRM, que se reduce principalmente a: (1) Principios de imagen y condiciones de hardware que limitan la resolución y el efecto de la imagen; (2) En términos del mecanismo de procesamiento, cómo garantizar la repetibilidad y capacidad de expansión de la topografía de la superficie de la microestructura; (3) Actualmente, hay poca investigación sobre la función de interpolación de correlación propuesta al explorar la influencia de las características de distribución de la topografía de la superficie de la microestructura del mecanismo de imágenes. Es necesario y valioso centrarse en mapear la relación entre la topografía de la superficie de la microestructura y la intensidad de los píxeles de la imagen para explorar la influencia de la topografía de la superficie de la microestructura en el mecanismo de obtención de imágenes antes de diseñar y fabricar SRM.

En este artículo, para revelar la influencia de la topografía de la superficie en el mecanismo de obtención de imágenes, se llevan a cabo experimentos de obtención de imágenes de topografía de superficie de microsurcos bajo diferentes parámetros de procesamiento. En primer lugar, se lleva a cabo un experimento de mecanizado de ultraprecisión para generar microsurcos. Se utiliza un interferómetro de luz blanca (WLI) para analizar la topografía de la superficie de los microsurcos. Luego, se obtienen los datos de altura de la topografía de microsurcos y los datos de píxeles de la imagen con correspondencia uno a uno. La correlación entre los datos de altura de la topografía y los datos de píxeles de la imagen, y la relación de mapeo entre la topografía de la superficie de la sección longitudinal de los microsurcos y la imagen correspondiente se analizan a nivel de nanoescala. Finalmente, se resume la ley relevante de la influencia de la topografía de la superficie de microsurcos en el mecanismo de obtención de imágenes, que es la base para estudiar el algoritmo de interpolación de subpíxeles para SRM.

Se llevó a cabo un experimento que involucró el mecanizado de la superficie de la microestructura en un torno de diamante de un solo punto de ultraprecisión CNC de tres ejes (ejes X, Z y C) (Moore Nanotech 450 UPL, EE. UU.); La configuración del experimento es como se muestra en la Fig. 2a. La precisión del movimiento del husillo del torno es superior a 12,5 nm, la precisión del movimiento de los ejes es de 0,3 μm y la resolución de programación es de 0,01 nm (lineal)/0,000001 grados (rotativo). Debido a que el cuproníquel es beneficioso para mantener las características de la superficie de la pieza de trabajo y puede mejorar la estabilidad de la imagen de la superficie de la microestructura, se elige que el material del sustrato de la pieza de trabajo sea cuproníquel B15. La topografía de la microestructura involucrada en este experimento se realiza cortando con diamante los microsurcos. Para controlar las variables, primero se premecanizó toda la superficie de la pieza de trabajo con un radio de punta de herramienta de 0,5 mm hasta un nivel de rugosidad superficial de 10 nm, y la velocidad del husillo, el avance y la profundidad de corte fueron 1500 r/ min, 5 mm/min y 8 μm respectivamente. Se utilizaron isoparafinas sintéticas (fluidos Isopar, ExxonMobil Chemical) como refrigerante para mejorar la calidad del corte de la superficie. El radio de la punta de la herramienta utilizado para el corte de microranuras en la superficie de la pieza de trabajo del experimento de microestructura unitaria fue de 0,5 mm y 0,1 mm respectivamente.

(a) Configuración del experimento, y (b) Pieza de trabajo mecanizada.

Para estudiar la influencia de la topografía de la superficie de la microestructura en el mecanismo de obtención de imágenes, se realizaron una serie de experimentos de corte de microsurcos con diferentes parámetros de corte. Como se muestra en la Tabla 1, en el experimento de mecanizado se establecieron cinco conjuntos de velocidades de corte (800, 400, 200, 100 y 50 mm/min) y la profundidad de corte fue de 5 μm. También se realizaron experimentos repetidos para cada conjunto de la misma velocidad de corte. Y se cortaron microranuras con tres longitudes diferentes a cada velocidad de corte de acuerdo con la longitud de microranura establecida en la Tabla 1, para distinguir mejor cada microranura en la cara extrema de la pieza de trabajo. La pieza de trabajo se sujetó en el proceso de ranurado, las microranuras bajo diversos parámetros se cortaron a intervalos de 23 grados en el orden del número de grupo, y el ángulo de compensación de las microranuras fue de 5,5 grados para el mismo número de grupo. El diseño del espaciado de microranuras se muestra en la Fig. 2b.

Después del experimento de corte, se utilizó un WLI (Bruker Contour GT-X) para medir la topografía de la superficie tridimensional de la topografía de la microestructura, y el conjunto de datos de coordenadas de la nube de puntos de la topografía de la microestructura y el conjunto de datos de intensidad de píxeles de la imagen correspondiente fueron adquiridos por el software de análisis del WLI.

Para comprender la influencia de la topografía de la superficie de la microestructura en el mecanismo de obtención de imágenes, fue necesario analizar el mecanismo de respuesta de la distribución de intensidad de los píxeles de la imagen en relación con la topografía de la microestructura. Los experimentos repetidos establecieron tres longitudes diferentes de microsurcos para cada parámetro de corte. A partir de los resultados de la topografía de microsurcos recopilados por el WLI, bajo los mismos parámetros de corte, la longitud de corte tuvo poco efecto en la distribución de la topografía de microsurcos, por lo que se seleccionaron los datos de un microsurco bajo cada parámetro de corte para análisis comparativo. Los efectos de la topografía de la superficie bajo diferentes parámetros de corte sobre los mecanismos de imagen de los microsurcos se muestran en la Fig. 3. Los resultados del experimento muestran que la intensidad de los píxeles de la imagen de la topografía de los microsurcos experimentó un cambio repentino en el límite de los microsurcos, y el píxel Se encontró que la distribución de intensidad en el área dentro del límite estaba correlacionada negativamente con la distribución de altura de la topografía, lo que era consistente con el mecanismo de imágenes de luz visible. Debido al error de configuración de la herramienta y las características de eliminación de material durante el proceso de mecanizado, la diferencia de altura de la topografía bajo cada parámetro fluctuó dentro de un cierto rango. Además, las condiciones de iluminación al operar el WLI para recopilar datos de muestra afectaron el intervalo de distribución general de la intensidad de píxeles de la imagen de microsurco. Por lo tanto, se utilizó el cambio de tendencia de la distribución de datos para caracterizar el mecanismo de respuesta de la distribución de intensidad de píxeles de la imagen en relación con la topografía de la microestructura. En general, con una disminución de la velocidad de corte, la topografía de la superficie de los microsurcos y la distribución de intensidad de los píxeles de la imagen no cambian significativamente. Cuando el radio de la punta de la herramienta era de 0,5 mm, los dos límites y la parte inferior de la microranura produjeron una topografía de deformación plástica de extrusión obvia, y la distribución de intensidad de píxeles de su imagen produjo las respuestas correspondientes, como se muestra en las figuras 3aii,iii. Cuando el radio de la punta de la herramienta era de 0,1 mm, la calidad del procesamiento de la superficie de las microranuras fue mejor y el cambio en la distribución de intensidad de los píxeles de la imagen fue relativamente suave, como se muestra en las figuras 3bii,iii. Es valioso notar que bajo parámetros de corte específicos, las partículas de viruta retenidas cerca del filo de la herramienta probablemente rozarían contra la superficie mecanizada durante el proceso de ranurado, o la punta de la herramienta cortaría la parte agrietada del material de la pieza de trabajo, lo que resultaría en en línea recta rayones y defectos como grietas en el fondo del microsurco. Y la distribución de intensidad de píxeles de la imagen responde significativamente a la topografía de la superficie de la sección transversal al pasar a través de estos defectos, como se muestra en las figuras 3a, b. Para resumir lo anterior, la distribución de intensidad de píxeles de la imagen de microsurco tiene una fuerte correlación con un cambio de topografía, y la premisa para obtener una ley de distribución de intensidad de píxeles de imagen valiosa es que la calidad de la superficie del microsurco fabricado sea lo mejor posible.

(a) Distribución de intensidad de píxeles de la respuesta de la imagen de microsurcos a la topografía a diferentes velocidades de corte, con un radio de punta de 0,5 mm; (i) imagen en escala de grises de microsurcos a una velocidad de corte de 800 mm/min, (ii) distribución de altura topográfica de la sección longitudinal de los microsurcos, (iii) distribución de píxeles de la imagen de la sección longitudinal de los microsurcos; (b) Distribución de intensidad de píxeles de la respuesta de la imagen de microsurcos a la topografía a diferentes velocidades de corte, con un radio de punta de 0,1 mm; (i) imagen en escala de grises de microsurcos a una velocidad de corte de 800 mm/min, (ii) distribución de altura topográfica de la sección longitudinal de los microsurcos, (iii) distribución de píxeles de la imagen de la sección longitudinal de los microsurcos.

Las geometrías de las secciones longitudinales de los microsurcos son similares y el mecanismo de visualización de los microsurcos también muestra leyes similares. Para analizar mejor la influencia de la topografía del microsurco en el mecanismo de imagen bajo diferentes parámetros de corte, se estudió cuantitativamente la correlación entre la altura de la topografía del microsurco a lo largo de la sección longitudinal y la intensidad de píxeles de la imagen correspondiente. Tanto las coordenadas de altura de la topografía como los datos de píxeles de la imagen muestreados por el instrumento de topografía 3D se pueden representar como una matriz con una resolución horizontal de 128 nm (aumento objetivo: × 50) y una dimensión de 1376 × 1032. Por lo tanto, hay 1376 pares de muestras de datos de sección longitudinal bajo un conjunto de parámetros de corte, y el coeficiente de correlación "r" (valor absoluto) de cada par de datos se calculó mediante la ecuación. (1):

donde Cov(X,Y) es la covarianza de X e Y, Var[X] es la varianza de X y Var[Y] es la varianza de Y.

La Figura 4 muestra el coeficiente de correlación entre la distribución de altura de la sección longitudinal de microranuras y la distribución de intensidad de píxeles de la imagen bajo diferentes parámetros de corte de ultraprecisión. Como se muestra en la Fig. 4a, cuando el radio de la punta es de 0,5 mm, la velocidad de corte tiene una mayor influencia en la correlación, y la diferencia en la distribución del coeficiente de correlación en el mismo grupo también refleja la inestabilidad del mecanismo de imagen. Entre ellos, el coeficiente de correlación del grupo de velocidad de corte de 100 mm/min es generalmente mayor que el de los otros grupos, y la correlación entre la altura topográfica de la microranura y la distribución de intensidad de píxeles de la imagen es relativamente significativa. Sin embargo, cuando el radio de la punta es de 0,1 mm, excepto por los valores atípicos del coeficiente de correlación correspondientes a un pequeño número de secciones longitudinales, la altura de la sección longitudinal a varias velocidades de corte está significativamente relacionada con la distribución de píxeles de la imagen, con poca diferencia. en grado de correlación, y el mecanismo de imagen es más regular. Especialmente cuando la velocidad de corte es de 100 mm/min y el radio de la punta es de 0,1 mm, la distribución del coeficiente de correlación es la más concentrada y el mecanismo de imagen es muy consistente. Además, la influencia de los defectos en el mecanismo de obtención de imágenes de la topografía de microsurcos también se refleja en el coeficiente de correlación. Combinada con la Fig. 3, la distribución de intensidad de píxeles de la imagen tiene una respuesta a los defectos locales de la topografía de microsurcos bajo diferentes parámetros de corte de ultraprecisión, y el coeficiente de correlación entre la topografía de la sección longitudinal y la distribución de datos de la imagen que pasa a través del local. Los defectos son más pequeños que los de otras piezas. Por ejemplo, cuando las condiciones de corte con el radio de la punta de la herramienta era de 0,1 mm, la velocidad de corte era de 50 mm/min y el valor absoluto del coeficiente de correlación "r" estaba entre 0,7721 y 0,9742, la altura de la topografía de la microranura tenía una correlación significativa. con la distribución de intensidad de píxeles de la imagen. En las posiciones de la sección longitudinal donde los coeficientes de correlación "r" fueron 0,9742 y 0,7721, respectivamente, la altura de la topografía y la distribución de intensidad de píxeles de la imagen se muestran en las Fig. 4b, c. Se puede ver en la Fig. 4c que los defectos tienen un impacto significativo en la imagen de la microranura, lo que se manifiesta en el hecho de que el mecanizado o la rugosidad de la superficie tienen una gran influencia en la correlación. Por lo tanto, la topografía de microsurcos con menos defectos es beneficiosa para garantizar la correlación lineal entre la altura de la topografía de la superficie y la intensidad de los píxeles de la imagen.

(a) Coeficiente de correlación de la altura topográfica de la sección longitudinal del microsurco y la distribución de intensidad de píxeles de la imagen bajo diferentes parámetros de corte de ultraprecisión. (b) Distribución de los datos de la sección longitudinal correspondientes a los coeficientes de correlación máximos (el radio de la punta de la herramienta: 0,1 mm y la velocidad de corte: 50 mm/min). (c) Distribución de los datos de la sección longitudinal correspondientes a los coeficientes mínimos de correlación (el radio de la punta de la herramienta: 0,1 mm y la velocidad de corte: 50 mm/min).

Obtener una relación de mapeo matemático de desacoplamiento entre la topografía de la microestructura y la intensidad de los píxeles de la imagen es la clave para realizar SRM, pero es difícil. En realidad, se pueden utilizar instrumentos de medición de precisión como el WLI para obtener imágenes y coordenadas de nubes de puntos de altura de topografía de microestructura con resolución de nivel nanométrico, mientras que la resolución de las imágenes obtenidas con imágenes microscópicas generales suele estar muy por debajo del nivel nanométrico. A través de la relación de mapeo, si se obtienen los datos de altura topográfica de resolución nanoescala “Z”, también se puede obtener la imagen de resolución correspondiente. Por lo tanto, aquí se establece un modelo de relación de mapeo entre la topografía de microsurcos y su imagen.

Como se muestra en la Fig. 5, el conjunto de datos de altura topográfica de la sección longitudinal de microsurcos “Z1” y el conjunto de datos de intensidad de píxeles de la imagen “P1” se utilizan como valor de entrada y valor de etiqueta respectivamente, y el modelo de relación de mapeo de ellos se calcula de forma iterativa mediante un sistema neuronal completamente conectado. red. El conjunto de datos de intensidad de píxeles de la imagen de referencia (imagen de referencia) “P” corresponde al conjunto de datos “Z”. La referencia. La imagen se compara con la imagen del mapa de salida ("Imagen") utilizando el conjunto de datos "Z" para probar el modelo de relación de mapeo para visualizar y evaluar cuantitativamente la calidad de la imagen mapeada.

La arquitectura del modelo de mapeo entre topografía de microsurcos e imagen.

Para analizar la relación de mapeo entre la topografía del microsurco y su imagen, se construyó un modelo de relación de mapeo bajo diferentes parámetros de corte. El modelo se entrenó utilizando una red neuronal artificial (ANN, tamaño de capa oculta: 8; las proporciones de datos de muestra de entrenamiento, validación y prueba fueron 0,7, 0,2 y 0,1, respectivamente) basada en el algoritmo BP (propagación hacia atrás de Levenberg-Marquardt). El ordenador utilizado tenía una CPU Intel(R) Core(TM) i9-7960X a 2,80 GHz 2,81 GHz con 64,0 GB de RAM.

El conjunto de datos de la altura de la topografía de microsurcos en los datos de prueba bajo diferentes parámetros de corte se utilizó como entrada y la imagen mapeada fue la salida. La imagen mapeada se comparó con la Ref. imagen para analizar el efecto de las características topográficas bajo diferentes parámetros de corte en la relación de mapeo entre la topografía de microsurcos y la imagen correspondiente. Como se muestra en la Fig. 6, las características topográficas de las microranuras mecanizadas con diferentes parámetros de corte tienen diferentes rendimientos de mapeo de imágenes. En la Fig. 6a, se encuentra que la distribución de textura en la dirección de corte de la imagen mapeada de topografía de microranuras correspondiente a un radio de punta de herramienta de 0,1 mm a una velocidad de corte de 50 mm/min está más cerca de la Ref. 6a. imagen. En las imágenes mapeadas con diferentes velocidades de corte, las características de los defectos de la superficie pueden causar una distribución desordenada de la intensidad de los píxeles en la imagen mapeada como se muestra en la Fig. 6ai, o reproducirse en la imagen mapeada como se muestra en la Fig. 6bi, o exhibir una intensidad de píxeles más débil en la imagen mapeada como se muestra en la Fig. 6aii, cii, o perderse en la imagen mapeada como se muestra en la Fig. 6cii, eii. En general, la regularidad de las características topográficas y de textura en la dirección de corte favorece el establecimiento de una relación estable entre topografía y mapeo de imágenes. Sin embargo, la tendencia de distribución de la altura de la topografía correspondiente al defecto cambia drásticamente, lo que tiene una influencia inestable en el mapeo de la textura de la topografía. No solo está relacionado con la distribución topográfica, sino que también tiene relación con la estructura del modelo de entrenamiento. Por lo tanto, en el futuro, será necesario centrarse en el procesamiento de la relación cartográfica de características topográficas especiales, como los defectos.

Comparación de imágenes mapeadas de topografía de microsurcos y Ref. imágenes bajo diferentes parámetros de corte. (a) Comparación de imágenes de intensidad de microsurcos a una velocidad de corte de 50 mm/min; (i) radio de punta de herramienta (NR) de 0,5 mm, (ii) radio de punta de herramienta de 0,1 mm, y la imagen mapeada está dispuesta junto a la Ref. imagen (la misma a continuación). (b) Velocidad de corte de 100 mm/min. (c) Velocidad de corte de 200 mm/min. (d) Velocidad de corte de 400 mm/min. (e) Velocidad de corte de 800 mm/min.

Se utilizaron métricas de calidad de imagen, como la relación señal-ruido máxima (PSNR), la medida del índice de similitud estructural (SSIM) y la evaluación de la calidad de la imagen natural (NIQE), para evaluar la calidad de las imágenes mapeadas bajo diferentes parámetros de corte. Como se muestra en la Fig. 7a, con un aumento de la velocidad de corte, los valores de PSNR de las imágenes mapeadas con un radio de punta de 0,1 mm y 0,5 mm tienen tendencias similares. Especialmente a la velocidad de corte de 100 mm/min, el valor PSRN alcanza el máximo, lo que indica que los valores generales de intensidad de píxeles de la imagen mapeada y la Ref. La imagen está relativamente cerca. Sin embargo, a una velocidad de corte de 200 mm/min, las características topográficas y la intensidad de los píxeles de la imagen no están bien mapeadas, es decir, la previsibilidad de la textura de la imagen es pobre. Según la Fig. 6, bajo el mismo radio de punta de herramienta, en comparación con otras velocidades de corte, la textura y las características de defectos en la Ref. La imagen correspondiente a 100 mm/min se reproduce relativamente bien en la imagen mapeada, mientras que las características de defecto en la Ref. La imagen correspondiente a 200 mm/min no se reproduce bien y estos se reflejan en los valores de PSNR.

(a) Comparación PSNR de la imagen mapeada bajo diferentes parámetros de corte; (b) comparación SSIM de la imagen mapeada bajo diferentes parámetros de corte; (c) Comparación NIQE entre la imagen mapeada y la Ref. Imagen bajo diferentes parámetros de corte.

En la Fig. 7b, se puede ver que cuando la velocidad de corte es de 50 mm/min y el radio de la punta es de 0,1 mm, el valor SSIM es el más cercano a 1. La tendencia de distribución de la altura topográfica correspondiente de la sección longitudinal del El microsurco es relativamente estable, la imagen mapeada tiene una alta similitud estructural con la Ref. imagen, y las características de la estructura topográfica del microsurco y las características de distribución de intensidad de píxeles de la imagen están bien mapeadas. Pero cuando la velocidad de corte es de 50 mm/min y el radio de la punta de la herramienta es de 0,5 mm, el valor SSIM es el más pequeño. La rugosidad de la topografía de microsurcos correspondiente es relativamente grande, la similitud estructural entre la imagen mapeada y la Ref. La imagen es pobre y la correlación entre la característica de estructura topográfica de microsurcos y la característica de distribución de intensidad de píxeles de la imagen no es fuerte. La calidad de percepción de la imagen mapeada con la Ref. Se comparó la imagen bajo diferentes parámetros de corte, como se muestra en la Fig. 7c. A partir de la imagen mapeada, el valor NIQE del radio de la punta de la herramienta de 0,1 mm es menor que el de 0,5 mm, lo que indica una mejor calidad de percepción de la imagen. Además, la calidad de percepción de la imagen mapeada es generalmente peor que la de la Ref. imagen, pero cuando la velocidad de corte es de 50 mm/min y el radio de la punta de la herramienta es de 0,1 mm, el valor NIQE de la imagen mapeada es ligeramente menor que el de la Ref. imagen, y la calidad de percepción de los dos es cercana. Cuando el radio de la punta de la herramienta es de 0,1 mm, el valor NIQE de la imagen mapeada tiende a disminuir estrechamente con la velocidad de corte decreciente, y cuando la velocidad de corte es 50 mm/min, el valor NIQE es el más pequeño, lo que indica que la percepción de la imagen La calidad es mejor. Por lo tanto, refiriéndose de manera integral a los indicadores de calidad de la imagen, se concluye que la topografía de microestructura mecanizada con un radio de punta de 0,1 mm es más adecuada para el estudio de la relación de mapeo entre la distribución de la topografía de microsurcos y la distribución de intensidad de píxeles de la imagen, y una mayor La velocidad de corte se puede seleccionar para mejorar la eficiencia de corte de la pieza de trabajo de microestructura con la premisa de garantizar la rugosidad de la topografía de la superficie.

A través del análisis anterior, bajo diferentes parámetros de corte de ultraprecisión, las características de distribución de la topografía de la superficie de los microsurcos afectan en gran medida la estabilidad y la calidad de la relación entre la topografía de los microsurcos y su imagen mapeada. Por lo tanto, seleccionar la topografía apropiada es la base para garantizar la relación de mapeo matemático estable y desacoplada entre la distribución de la topografía de microsurcos y la distribución de intensidad de píxeles de la imagen correspondiente. Por ejemplo, la topografía correspondiente a una velocidad de corte de 50 y 100 mm/min con un radio de punta de 0,1 mm tiene menos defectos, una gran correlación entre la topografía y la imagen y una relación de mapeo relativamente estable, que es adecuada para estudiar. el algoritmo de interpolación de subpíxeles para SRM.

Este artículo proporciona una comprensión experimental de la influencia de la topografía de la superficie de los microsurcos en el mecanismo de obtención de imágenes bajo diferentes radios de punta y velocidades de corte. Los resultados muestran que la rugosidad y los defectos de la superficie de los microsurcos tienen efectos significativos en la predicción del mecanismo de obtención de imágenes, lo que es valioso para respaldar el diseño y la fabricación de SRM para métodos de medición de posicionamiento de precisión basados ​​en microvisión en la nanoescala. . Teniendo en cuenta la influencia de la iluminación de la intensidad de los píxeles de las imágenes de microestructuras, se realizarán experimentos de imágenes a nanoescala con iluminación controlada para revelar la influencia de la relación de mapeo entre la distribución de altura de la topografía de la superficie de la microestructura y la intensidad de la imagen correspondiente en trabajos futuros.

Todos los datos generados o analizados durante este estudio se incluyen en este artículo publicado.

Wang, ZH, Chen, J. & Hoi, SCH Aprendizaje profundo para superresolución de imágenes: una encuesta. Traducción IEEE. Patrón Anal. Mach. Intel. 43, 3365–3387. https://doi.org/10.1109/TPAMI.2020.2982166 (2021).

Artículo PubMed Google Scholar

Wang, H. y col. El aprendizaje profundo permite la superresolución entre modalidades en microscopía de fluorescencia. Nat. Métodos 16, 103–110. https://doi.org/10.1038/s41592-018-0239-0 (2019).

Artículo CAS PubMed Google Scholar

Zhang, H., Zhao, Y., Fang, C., Li, G. y Fei, P. Superar los límites de la microscopía de fluorescencia 3D utilizando una red de procesamiento de dos etapas. Óptica 7, 1627 (2020).

ADS del artículo Google Scholar

Zhao, W. y col. La deconvolución escasa mejora la resolución de la microscopía de fluorescencia de superresolución de células vivas. Nat. Biotecnología. https://doi.org/10.1038/s41587-021-01092-2 (2021).

Artículo PubMed PubMed Central Google Scholar

Guo, K., Guo, H., Ren, S., Zhang, J. y Li, X. Hacia una superresolución eficiente de videos de seguridad pública con movimiento borroso basada en redes de retroproyección. J. Net. Computadora. Aplica. 166, 102691 (2020).

Artículo de Google Scholar

Mahapatra, D., Bozorgtabar, B. y Garnavi, R. Superresolución de imágenes utilizando redes generativas adversas progresivas para el análisis de imágenes médicas. Computadora. Medicina. Gráfico de imágenes. 71, 30–39. https://doi.org/10.1016/j.compmedimag.2018.10.005 (2019).

Artículo PubMed Google Scholar

Chen, M. y col. Monitoreo de la invasión en etapa temprana de la exótica Spartina alterniflora utilizando técnicas de superresolución de aprendizaje profundo basadas en imágenes satelitales de alta resolución de múltiples fuentes: un estudio de caso en el delta del río Amarillo, China. En t. J. Aplica. Observación de la Tierra. Geoinf. 92, 102180. https://doi.org/10.1016/j.jag.2020.102180 (2020).

Artículo de Google Scholar

Guo, R., Shi, XP y Wang, ZW Súper resolución a partir de imágenes astronómicas con alias no registradas. J. Electrón. Imágenes https://doi.org/10.1117/1.Jei.28.2.023032 (2019).

Artículo de Google Scholar

Zhao, C., Li, Y. & Yao, Y. Medición de posicionamiento a nanoescala basada en redes neuronales residuales aleatorias. Optar. Exp. 28, 2 (2020).

Google Académico

Zhao, C., Chi, FC y Xu, P. Método de medición de la incertidumbre a submicroescala de alta eficiencia mediante reconocimiento de patrones. ISA Trans. 101, 2 (2020).

Artículo de Google Scholar

Huang, W., Ma, CF y Chen, YH Medición de desplazamiento con resolución a nanoescala utilizando una micromarca codificada y correlación de imágenes digitales. Optar. Ing. https://doi.org/10.1117/1.Oe.53.12.124103 (2014).

Artículo de Google Scholar

Chen, ZH & Huang, PS Un método basado en visión para medir la posición plana. Medidas. Ciencia. Tecnología. https://doi.org/10.1088/0957-0233/27/12/125018 (2016).

Artículo de Google Scholar

Zhao, C., Cheung, C. y Liu, M. Microestructura polar integrada y método de coincidencia de plantillas para la medición de la posición óptica. Optar. Expreso 26, 4330 (2018).

ADS del artículo Google Scholar

Li, H., Zhu, BL, Chen, Z. & Zhang, XM Seguimiento de desplazamientos en el plano en tiempo real de la etapa de posicionamiento de precisión basado en microvisión por computadora. Mec. Sistema. Proceso de señal. 124, 111-123. https://doi.org/10.1016/j.ymssp.2019.01.046 (2019).

ADS del artículo Google Scholar

Zhao, CY, Cheung, CF y Xu, P. Medición de posicionamiento óptico a nanoescala con un método basado en características. Optar. Ing. Láseres. https://doi.org/10.1016/j.optlaseng.2020.106225 (2020).

Artículo de Google Scholar

Zhang, K., Zuo, W. y Zhang, L. Súper resolución plug-and-play profunda para núcleos de desenfoque arbitrarios. (2019).

Maeda, S. Superresolución de imágenes no emparejadas mediante pseudosupervisión. IEEE (2020).

Chen, Y., Liu, L., Phonevilay, V., Gu, K. y Yang, K. Reconstrucción de imágenes de superresolución basada en el mecanismo de atención del mapa de características. Aplica. Intel. 2, 1-14 (2021).

Google Académico

Zhao, CY, Cheung, CF y Liu, MY Medición a nanoescala con reconocimiento de patrones de una microestructura polar mecanizada con diamante de ultraprecisión. Resumen. Ing.-J. En t. Soc. Resumen. Ing. Nanotecnología. 56, 156-163. https://doi.org/10.1016/j.precisioneng.2018.11.010 (2019).

Artículo de Google Scholar

Descargar referencias

Este trabajo cuenta con el apoyo de (1) la Fundación Nacional de Ciencias Naturales de China con la subvención n.º 52005135; (2) Programa de apoyo estable para instituciones de educación superior de Shenzhen del Consejo de Innovación en Ciencia y Tecnología de Shenzhen en virtud de la subvención n.º GXWD20201230155427003-20200805182127001; (3) Programa de Ciencia y Tecnología de Shenzhen bajo la subvención No. RCBS20200714114958150.

Escuela de Ingeniería Mecánica y Automatización, Instituto de Tecnología de Harbin, Shenzhen, 518055, China

Wenpeng Fu, Chenyang Zhao, Wen Xue y Changlin Li

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

W.-PF contribuyó a establecer la metodología experimental, realizó los experimentos, dio formato a los datos y contribuyó al borrador original del manuscrito. C.-YZ concibió la idea y diseñó y supervisó el proyecto. Supervisó la redacción, revisión y edición del manuscrito. También adquirió financiación y proporcionó algunos de los recursos experimentales. WX contribuyó al análisis de datos, la metodología y supervisó el análisis formal. C.-LL contribuyó a la revisión y supervisó el análisis formal del manuscrito. Todos los autores contribuyeron al análisis de los resultados y comentaron el manuscrito.

Correspondencia a Chenyang Zhao.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Fu, W., Zhao, C., Xue, W. et al. Una investigación de la influencia de la topografía de la superficie de la microestructura en el mecanismo de obtención de imágenes para explorar la microestructura de superresolución. Informe científico 12, 13651 (2022). https://doi.org/10.1038/s41598-022-17209-9

Descargar cita

Recibido: 08 de abril de 2022

Aceptado: 21 de julio de 2022

Publicado: 11 de agosto de 2022

DOI: https://doi.org/10.1038/s41598-022-17209-9

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.