自动分类发射器结构的方法、执行方法的设备和存储介质技术

本发明专利技术涉及用于自动分类构成用于发射电子用于产生X射线的发射器结构的设备、机器可读的程序代码、存储介质和方法，基于发射器结构的参考图像实现分类，分类包括第一类别和至少一个第二类别，第一类别对应于基本上无缺陷的发射器结构并且第二类别对应于有缺陷的发射器结构。通过如下方式：为了分类，使用构造为由亮场图像和暗场图像构成的融合图像的图像，并且根据所述融合图像借助于用于分类所述发射器结构的训练用于分类所述发射器结构的人工神经网络将发射器结构分类成第一类别和至少第二类别，并且其中产生用于输出借助于分类确定的对于所述发射器结构的类别的信号，则可以提供发射器结构的改进的缺陷检验。以提供发射器结构的改进的缺陷检验。以提供发射器结构的改进的缺陷检验。

Method for automatically classifying transmitter structure, device for executing method and storage medium

【技术实现步骤摘要】
自动分类发射器结构的方法、执行方法的设备和存储介质


[0001]本专利技术涉及一种计算机实施的用于自动分类发射器结构的方法，所述发射器结构构成用于发射电子以产生X射线，其中基于发射器结构的参考图像(herangezogenen Bild)进行分类，其中分类包括第一类别和至少一个第二类别，其中第一类别对应于基本上无缺陷的发射器结构并且至少一个第二类别对应于有缺陷的发射器结构。此外，本专利技术还涉及一种用于执行所述方法的设备、以及一种机器可读的程序代码和一种具有用于执行所述方法的机器可读的程序代码的存储介质。

技术介绍

[0002]为了产生X射线实现不同方案。为了产生X射线、尤其用于医疗使用的X射线，典型地将电子加速到阳极。通过被加速的电子与阳极的相互作用产生X辐射。对于产生的X辐射的质量重要的是提供为此使用的电子。
[0003]用于产生X射线的电子借助于发射器提供，所述发射器发射用于产生X射线的电子。
[0004]通常，电子借助于热学发射产生，例如借助于热离子发射器如加热线或借助于能够通过电流流动加热的面发射器产生。对应的面发射器例如在DE 10 2010 020 151 A1或DE 10 2006 018 633 A1中描述。
[0005]面发射器的形成发射面的部分通常包括一个或多个薄的板材，所述板材由耐高温的金属如钨制成。为了在板材面的定义区域中获得发射，必须将面发射器加热到大约2000
–
2500摄氏度的高温。这借助于电流和发射器材料的固有电阻实现。
[0006]为了达到定义的欧姆电阻，板材材料通常通过引入尽可能精确的切口或裂缝而被结构化。这种热离子面发射器的发射器板材设有加热电流连接端，经由所述加热电流连接端引导加热电流穿过发射器板材。受发射器板材所加热到的高温所决定，电子从发射器板材发射并且借助于高压朝向阳极加速。
[0007]在从发射器板材至阳极的路径上，所发射的电子经由聚焦系统被聚焦。在电子在焦斑中射到同样由耐高温材料例如钨制成的阳极上时，通过电子在阳极材料中的制动产生X辐射。
[0008]也越来越多地使用场效应发射器，其中电子借助于场效应从阴极发射。场效应发射器通常包括针状结构，例如由材料硅、碳化硅或由碳纳米管构成的针状结构。通过针尖处的对应的电场强度，电子被从发射器结构释放。在场效应发射器中电子的所述发射还可以热学地受到支持。然后，电子被同样以所希望的方式加速到阳极上。
[0009]因此，用于产生电子的设置用于产生X射线的全部发射器具有发射器结构，发射器结构影响发射器的功能能力。
[0010]对于发射器的良好发射性能决定性的是，尽可能无缺陷地制造发射器。发射器结构中的缺陷通常导致之后的构件故障，导致在发射时更低的发射效率或不希望的电子分布，这负面地作用于借此产生的X辐射的质量。
[0011]至今由对应人员手动检查发射器是否有无缺陷。这是人员耗费的、费时的且不可靠的，因为缺陷的辨识在于个体人员的判断和经验。缺陷的识别尤其取决于检查人员的专注状态。
[0012]由于高耗费，通常在存在缺陷的情况下才检验发射器构件，以便查明构件故障的原因。在投入使用之前对所制造的发射器尤其所有所制造的发射器进行检查同样由于耗费通常并不普遍。

技术实现思路

[0013]因此，本专利技术的目的是，提供一种方法、一种设备、一种机器可读的程序代码或一种具有机器可读的程序代码的存储介质，利用其可以改进发射器结构的缺陷检验。
[0014]所述目的通过本专利技术的主题来实现。
[0015]所述目的尤其借助于一种计算机实施的用于自动分类用于发射电子的发射器结构的方法来实现，其中基于发射器结构的参考图像进行分类，其中分类包括第一类别和至少一个第二类别，其中第一类别对应于基本上无缺陷的发射器结构并且至少一个第二类别对应于有缺陷的发射器结构，其中为了分类，参考、尤其接收由亮场图像尤其由亮场显微镜图像和暗场图像尤其暗场显微镜图像构造为融合图像的图像，并且根据所述图像借助于为了分类发射器结构所训练的用于分类发射器结构的人工神经网络将发射器结构分类成第一类别和第二类别，即将发射器结构归类到相应的类别，其中产生用于输出借助于分类确定的对于发射器结构的类别的信号。
[0016]计算机实施的方法以有效的和高效的方式允许在不存在或存在有缺陷的发射器结构方面进行发射器结构的自动化检验。尤其可以根据神经网的学习过程区分不同的缺陷类型。所述解决方案还允许在制造过程的范围内连续和完全检查发射器。与现有技术相比，根据本专利技术的方法能够更可靠，更快和客观地实施。这例如可以自动化地针对每个离开制造的发射器进行或也作为在制造过程期间的检查步骤进行。
[0017]所述方法可以经由网络应用实施，例如基于网络或基于云，或本地在对应的设备、例如测试设备上，在制造检验的范围内实施。
[0018]如果本地地实施，即在例如企业网络中或由缺陷检验设备在制造中实施所述方法，则进行亮场图像、暗场图像的图像记录和由亮场图像和暗场图像产生融合图像的方法可选地可以是所述方法的方法步骤。
[0019]在经由网络应用所述方法时，尤其作为基于云的应用，可以单独提供发射器结构的亮场图像和暗场图像，或也提供由此组合的融合图像。
[0020]例如可以借助于显微镜在合适的放大的情况下对同一发射器结构的亮场图像和暗场图像进行记录，使得发射器结构在光学上充分分辨或可见。优选地可以逐渐地借助于亮场图像和暗场图像检测发射器的对于电子发射相关的全部发射器结构，使得可以自动化分析整个发射器的缺陷。
[0021]如果未提供融合图像，则所述方法可以可选地也包括：产生由亮场图像和暗场图像构成的融合图像。在这种情况下，在分类之前还进行数据准备步骤，其形式为：产生由同一发射器结构的亮场图像和暗场图像构成的融合图像。
[0022]然而重要的是，借助于人工神经网络基于由同一发射器结构的亮场图像和暗场图
像构成的融合图像对发射器结构进行分类。融合图像形成用于分类的基础。在此可以借助于融合图像自身进行分类或可以执行融合图像的预处理并且然后借助于经预处理的融合图像进行分类。
[0023]基于发射器结构的亮场图像和暗场图像的所述组合才能够对发射器结构进行分类，所述分类在缺陷确定方面提供使人满意的或良好的结果。
[0024]融合图像理解为由同一发射器结构的亮场图像或亮场记录和暗场图像或暗场记录构成的组合图像。尤其将相应图像的通道、尤其色彩通道组合。例如在三通道的亮场图像和三通道的暗场图像的情况下，融合图像组合成六通道的图像，即分别由亮场图像或暗场图像的三个通道组合成。也可以为每图像设置多于或少于3个的色彩通道。尤其可以作为亮场图像也使用1通道的亮场图像，尤其作为灰度图像，并且作为暗场图像使用1通道的暗场图像，尤其作为灰度图像。于是，在这种情况下，融合图像具有两个通道。通过使用仅两通道的融合图像，提高用于分类的执行速度。也仅需要规模更小的训练数据集。
[0025]术语“发射器结构”尤其包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机实施的用于自动分类(103)发射器结构(E)的方法(100)，所述发射器结构构成为发射电子以产生X射线，其中基于发射器结构(E)的参考图像进行所述分类(103)，其中分类包括第一类别(K1)和至少一个第二类别(K2，KN)，其中所述第一类别(K1)对应于基本上无缺陷的发射器结构(E)并且所述至少一个第二类别(K2，KN)对应于有缺陷的发射器结构，其特征在于，为了分类，参考、尤其接收构造为融合图像(I)的图像(102)，所述融合图像由亮场图像、尤其亮场显微镜图像，和暗场图像、尤其暗场显微镜图像构成，并且根据所述融合图像(I)借助于为了分类(103)所述发射器结构(E)所训练的用于分类(103)所述发射器结构(E)的人工神经网络(30)将所述发射器结构(E)分类(103)成第一类别和至少所述第二类别(K1，K2，KN)，其中产生(105)用于输出借助于分类(103)确定的对于所述发射器结构(E)的类别(K1，K2，KN)的信号。2.根据权利要求1所述的方法，其中借助于为了分类所述发射器结构(E)所训练的深度神经网(30)、尤其卷积神经网络(30)进行所述分类(103)。3.根据权利要求1或2所述的方法，其中为了分类(103)应用多个过滤器，其中所述过滤器借助于所述神经网络(30)、尤其所述卷积神经网络(30)的训练过程来学习。4.根据上述权利要求中任一项所述的方法，其中基于所述发射器结构(E)的融合图像(I)逐像素地进行分类(103)并且考虑所述融合图像(I)的像素周边区域来分类(103)相应像素，其中借助于距待分类的像素的可预设的间距或借助于围绕所述待分类的像素的可预设的范围来确定待考虑的像素周边区域。5.根据权利要求1至3中任一项所述的方法，其中基于从所述融合图像(I)中选择的像素区域进行所述分类(103)，其中借助于人工神经网络、尤其编码器
‑
解码器
‑
网络确定所述像素区域，并且基于确定的像素区域进行逐像素的或逐像素区域的分类(103)。6.根据上述权利要求中任一项所述的方法，其中在确定所述分类(103)和产生(105)用于输出确定的类别的信号之间将用于降低尤其局部的信号噪声的方法应用(104)于至少一个确定的分类结果并且基于噪声降低的分类结果产生(105)用于输出的信号。7.根据上述权利要求中任一项所述的方法，其中产生(105)输出信号，基于所述输出信号，能够在所述发射器结构(E)的结果图像上以位置分辨的方式显示至少一个确定的类别，能够以位置分辨的方式显示优选地所有确定的类别。8.根据上述权利要求中任一项所述的方法，其中进行分类(103)，使得至少一个第二类别(K2，KN)分别与特定...

【专利技术属性】
技术研发人员：安德烈亚斯，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：