Surface roughness estimation by 3D stereo SEM reconstruction
Notice bibliographique
Résumé
Surface roughness is an important parameter to describe materials’ topography. This parameter has been widely studied and presents important tasks in many engineering applications. The development of non-contact-based roughness measurement techniques for engineering surfaces has received much attention. However, stylus-based equipments are still dominating this measurement task. Stylus techniques have great inherent limitations as they were originally intended to acquire 2D surface topography. Therefore, 3D surface roughness data can only be obtained from stylus equipment executing multiple scans of the surface. This task takes a lot of time to achieve a satisfactory result, may make micro-scratches on surfaces and can only evaluate a small area in a reasonable amount of time. In this work a new automated methodology for obtaining a 3D reconstruction model of surfaces using scanning electron microscope (SEM) images based on stereo-vision is proposed. The 3D models can then be used to evaluate the surface roughness parameters. The horizontal stereo matching step is done with a robust and efficient algorithm based on semi-global matching. Since the brightness change of corresponding pixels is negligible for the small tilt involved in stereo SEM, and the cost function relies on dynamic programming, the matching algorithm uses a sum of absolute differences (SAD) over a variable pixel size window and an occlusion parameter which penalizes large depth discontinuities, that in practice, smooths the disparity map and the corresponding reconstructed surface. This step yields a disparity map, i.e. the differences between the horizontal coordinates of the matching points in the stereo images. The horizontal disparity map is finally converted into heights according to the SEM acquisition parameters: tilt angle, magnification and pixel size. A validation test was first performed using a microscopic grid with manufacturer specifications as reference. Finally, some surface roughness parameters were calculated within the model
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».