ES2968374T3 - Procedimiento para caracterizar un material con una estructura en capas y sistema de medición - Google Patents

Abstract

Un método para caracterizar un material con una estructura en capas usando terahercios. Un método para caracterizar un material con una estructura en capas usando radiación de terahercios que comprende determinar información de caracterización del material con estructura en capas mediante la implementación de un enfoque de aprendizaje automático y un sistema de medición para obtener información de caracterización de dicho material con una estructura en capas, comprendiendo el sistema de medición un emisor de terahercios asociado con una fuente de luz láser y adaptado para generar un haz emitido en THz para ser irradiado sobre el material, un detector de terahercios asociado con la fuente de luz láser y adaptado para detectar un Haz reflejado en THz del material, y un sistema óptico diseñado para guiar y enfocar el haz emitido en THz en el material y para guiar y recoger el haz reflejado en THz del material. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Procedimiento para caracterizar un material con una estructura en capas y sistema de medición

La presente divulgación se refiere a un procedimiento para caracterizar un material con una estructura en capas utilizando una radiación de terahercios y a un sistema de medición para obtener información de caracterización de dicho material con estructura en capas.

TÉCNICA ANTERIOR

Los automóviles, los aviones, los barcos y los grandes componentes industriales, tales como las turbinas eólicas, son recubiertos con capas de pintura y otros revestimientos con el fin de protegerlos del entorno (por ejemplo, corrosión, temperaturas extremas, productos químicos peligrosos) y para mejorar el aspecto del producto. A menudo, el grosor de los revestimientos está directamente relacionado con el nivel de protección y el aspecto que se proporciona al producto y, por lo tanto, medir su grosor es un factor importante durante el proceso de fabricación.

Existen técnicas de la técnica anterior para la medición del espesor y la inspección de revestimientos finos y de pintura, que incluyen los procedimientos de inducción magnética, corrientes de Foucault y acústicos. Sin embargo, estos procedimientos presentan limitaciones tales como la necesidad de contacto con el objeto, la imposibilidad de medir capas individuales en revestimientos de múltiples capas, la necesidad de que el sustrato sobre el que se aplica el revestimiento tenga algunas propiedades físicas específicas (por ejemplo, ser un metal), y una resolución y precisión bajas. Además, estas técnicas se limitan a medir espesores y no otras propiedades tales como la adherencia o la presencia de defectos (por ejemplo, delaminaciones o entrehierros).

Recientemente se han desarrollado técnicas basadas en una radiación electromagnética en el rango de los terahercios (THz) para superar las limitaciones mencionadas anteriormente. Las ondas de THz penetran en un material en capas sin contacto y las reflexiones resultantes son función de tanto propiedades estructurales como químicas del material, tales como cambios en el índice de refracción de las distintas capas.

Típicamente, la medición del espesor de un revestimiento con ondas de Terahercios se realiza utilizando el principio de tiempo de vuelo. A medida que un pulso de ondas de THz viaja a través de las capas, se generarán unas reflexiones (o ecos) en las interfaces entre diferentes índices de refracción. Cuando dichos pulsos reflejados llegan al detector, serán separados en el tiempo en función de la distancia recorrida. Se puede medir el grosor de las capas siempre que la diferencia de tiempo entre las reflexiones se pueda medir con precisión y se conozca el índice de refracción. Sin embargo, determinar la diferencia de tiempo entre reflexiones es un reto en muchas aplicaciones. Por ejemplo, los pulsos reflejados muestran un solapamiento significativo cuando las capas son muy finas y, por lo tanto, extraer su posición en el tiempo se convierte en una cuestión no trivial. Además, las distintas capas pueden mostrar un índice de refracción similar, lo que hace que se refleje menos energía en la interfaz y, por lo tanto, se reduzca el contraste entre los pulsos. Para superar estos problemas, entre otras cosas, es necesario desarrollar técnicas específicas de procesamiento de formas de onda. Algunos de los procedimientos que se han probado incluyen la deconvolución tanto en el dominio de tiempo como en el de frecuencia, la descomposición de ondículas y algoritmos de localización de picos. Sin embargo, todavía no existe un procedimiento fiable que pueda medir al mismo tiempo tanto el grosor como otros parámetros, tales como la adherencia, de los revestimientos.

Los procedimientos de la técnica anterior también requieren etapas de calibración durante su funcionamiento, lo que requiere mucho tiempo y puede ser propenso a sufrir errores experimentales. Los sistemas utilizados junto con los procedimientos conocidos necesitan dicha calibración con el fin de obtener unas mediciones fiables. Por lo tanto, los sistemas y procedimientos conocidos pueden tener, en general, el objetivo de medir una serie de las mismas partes. Este inconveniente es aún más evidente cuando los sistemas conocidos se utilizan para caracterizar partes con una construcción diferente entre sí.

Los sistemas de medición conocidos suelen estar provistos de un emisor y un detector de terahercios situados alejados entre sí. Además, los respectivos ejes longitudinales pueden estar inclinados entre sí para recibir un haz de THz reflejado de la muestra. Esto produce unos sistemas de medición voluminosos que pueden no ser cómodos de utilizar, principalmente manualmente.

El documento "Neural Network-based non-destructive quantification of thin coating by terahertz pulsed imaging in the frequency domain" de Zhon S et al., 35th International conference on infrared millimeter and Terahercios waves, IEEE, Piscataway, USA, 5 de septiembre de 2010, páginas 1-2, ISBN: 978-1-4244-6655-9, proporciona un ejemplo del estado de la técnica.

El documento WO2014063044 (A2) divulga un sistema para interpretar una radiación de terahercios que incluye un transmisor de terahercios configurado para emitir un pulso de radiación de terahercios y un receptor de terahercios configurado para recibir al menos una parte del pulso de radiación del transmisor de terahercios.

El documento WO2016102003 (A1) divulga unos dispositivos y unos procedimientos para determinar la calidad de materiales de película fina.

El documento GB2456643 (A) divulga un sistema y un procedimiento de inspección de terahercios.

Se necesita un procedimiento para caracterizar un material con una estructura en capas y un sistema de medición para resolver los problemas que se han mencionado anteriormente.

RESUMEN

En un primer aspecto, se divulga un procedimiento para caracterizar un material con una estructura en capas utilizando una radiación de terahercios y el cual se define en la reivindicación 1. El procedimiento comprende determinar información de caracterización del material con la estructura en capas implementando al menos un algoritmo de aprendizaje automático alimentado con al menos un input de inicio, comprendiendo el input de inicio unos datos de muestra derivados a partir de una señal detectada de un haz reflejado en THz después de que haya interactuado con la estructura en capas del material.

Implementando el enfoque de aprendizaje automático, se pueden medir espesores y otros parámetros, tales como la adherencia, del material con la estructura en capas de forma fiable al mismo tiempo.

El presente procedimiento no necesita etapas de calibración durante su funcionamiento, con lo que se ahorra tiempo y se minimizan los errores experimentales. Por lo tanto, el procedimiento que se divulga proporciona una mayor robustez y fiabilidad en la extracción de parámetros. Los ciclos de medición/caracterización tardan menos en finalizar que en procedimientos de la técnica anterior. El procedimiento de aprendizaje automático puede ser alimentado continuamente con el mismo tipo de material o con un material de construcción y composición diferente con respecto al otro.

El presente procedimiento proporciona una solución flexible para la fabricación, por ejemplo, porque el material o las muestras caracterizables pueden variar fácilmente entre sí.

En otro aspecto, se proporciona un sistema de medición para obtener información de caracterización de un material con una estructura en capas y el cual se define en la reivindicación 10. El sistema de medición comprende una unidad de control en comunicación de datos con al menos un cabezal de medición y en comunicación de datos con una fuente de luz láser, comprendiendo el cabezal de medición:

un emisor de terahercios asociado con la fuente de luz láser y adaptado para generar al menos un haz emitido en THz para su irradiación en el material,

un detector de terahercios asociado con la fuente de luz láser y adaptado para detectar un haz reflejado en THz procedente del material,

un sistema óptico diseñado para guiar y enfocar el haz emitido en THz en el material y para guiar y recoger el haz reflejado en THz procedente del material,

en el que la unidad de control está configurada para implementar un algoritmo de aprendizaje automático en unos datos de muestra derivados a partir de una señal detectada del haz reflejado en THz.

Gracias a la unidad de control que puede ser o estar configurada para implementar el enfoque de aprendizaje automático, el presente sistema de medición no requiere la calibración de la unidad de control en cada ciclo de medición, con el fin de proporcionar una medición o caracterización fiable. La implementación del enfoque de aprendizaje automático mejora la robustez y la fiabilidad del presente sistema de medición.

En algunos ejemplos del procedimiento y/o del sistema de medición, la información de caracterización puede comprender al menos uno de los siguientes parámetros de la muestra: número de capas, espesor de cada capa, adherencia de las capas, presencia o ausencia de poros, delaminaciones, agujeros y huecos, calidad del pulimento, posición espacial de las interfaces, posición espacial de los defectos, la combinación de las mismas o un parámetro de la muestra calculado en función de las mismas.

La presencia o ausencia de poros, delaminaciones, agujeros y huecos, y la calidad del pulimento se pueden denominar estado de la superficie inferior de la estructura en capas y puede ser proporcionado por el procedimiento y/o el sistema de medición de la presente invención.

En algunos ejemplos del sistema de medición, el sistema óptico puede comprender una lente de emisión y recepción (pitch-catch lens) en comunicación óptica con el emisor de terahercios y con el detector de terahercios. Esta característica tiene el mérito de mantener el cabezal de medición compacto.

En algunos ejemplos del sistema de medición, la lente de emisión y recepción (pitch-catch lens) puede ser una sola lente. Esta característica proporciona un cabezal de medición aún más compacto. Esa única lente de emisión y recepción (pitch-catch lens) puede permitir una incidencia casi normal del haz emitido en THz con respecto al material al mismo tiempo que se mantiene un tamaño de punto reducido sin las pérdidas debidas a los elementos de división de haz de los dispositivos de la técnica anterior.

En algunos ejemplos del sistema de medición, el emisor de terahercios y el detector de terahercios pueden estar integrados en el mismo dispositivo. Esta característica hace que el cabezal de medición sea aún más compacto. En otro aspecto, se divulga un producto de programa informático y el cual se define en la reivindicación 15. El producto de programa informático comprende instrucciones de programa para hacer que un sistema informático realice un procedimiento para caracterizar un material con una estructura en capas utilizando una radiación de terahercios según algunos ejemplos que se divulgan en el presente documento.

El producto de programa informático puede ser o estar incorporado en un medio de almacenamiento (por ejemplo, un CD-ROM, un DVD, una unidad USB, en una memoria informática o en una memoria de sólo lectura) o ser transportado en una señal portadora (por ejemplo, en una señal portadora eléctrica u óptica).

El programa informático puede ser o estar en forma de código fuente, código objeto, un código intermedio entre código fuente y código objeto tal como en forma parcialmente compilada, o en cualquier otra forma adecuada para su uso en la implementación de los procesos. La portadora puede ser cualquier entidad o dispositivo capaz de transportar el programa informático.

Por ejemplo, la portadora puede comprender un medio de almacenamiento, tal como una ROM, por ejemplo un CD ROM o una ROM semiconductora, o un medio de grabación magnética, por ejemplo un disco duro. Además, la portadora puede ser una portadora transmisible tal como una señal eléctrica u óptica, que puede ser transportada a través de cable eléctrico u óptico o por radio u otros medios.

Cuando el programa informático es o está incorporado en una señal que puede ser transportada directamente por un cable u otro dispositivo o medio, la portadora puede ser o estar constituida por dicho cable u otro dispositivo o medio. Alternativamente, la portadora puede ser un circuito integrado en el que se encuentra embebido el programa informático, estando el circuito integrado adaptado para realizar, o para su uso en la realización de, los procedimientos pertinentes.

En otro aspecto, se describe un dispositivo informático. El dispositivo puede comprender una memoria y un procesador. La memoria puede almacenar instrucciones de programa informático que son ejecutables por el procesador. Dichas instrucciones pueden comprender una funcionalidad para ejecutar un procedimiento para caracterizar un material con una estructura en capas según ejemplos que se divulgan en el presente documento. En otro aspecto, se divulga un dispositivo que puede comprender medios para determinar información de caracterización de un material con una estructura en capas implementando al menos un enfoque de aprendizaje automático alimentado con al menos un input de inicio, comprendiendo el input de inicio unos datos de muestra derivados a partir de una señal detectada de un haz reflejado en THz después de que haya interactuado con la estructura en capas del material. La información de caracterización puede comprender al menos uno de los siguientes parámetros de la muestra: número de capas, espesor de cada capa, adherencia de las capas, presencia o ausencia de poros, delaminaciones, agujeros y huecos, calidad del pulimento, posición espacial de las interfaces, posición espacial de los defectos, la combinación de las mismas o un parámetro de la muestra calculado en función de las mismas.

DESCRIPCIÓN DE LOS DIBUJOS

A continuación se describirán ejemplos no limitativos de la presente divulgación, con referencia a los dibujos adjuntos, en los que:

La figura 1 es un diagrama de flujo de un procedimiento para caracterizar un material con una estructura en capas según un ejemplo;

La figura 2 es un diagrama de flujo de un procedimiento de ejemplo para aplicar una radiación de THz en un material a caracterizar;

La figura 3 ilustra de forma esquemática una vista frontal de un sistema de medición según una implementación de ejemplo;

La figura 4 ilustra de forma esquemática una vista lateral de un transceptor de THz de un sistema de medición según otra implementación de ejemplo;

La figura 5 ilustra de forma esquemática una vista en planta del transceptor de THz de la figura 4 ; y

La figura 6 ilustra de forma esquemática una vista frontal de otro ejemplo del sistema de medición. DESCRIPCIÓN DETALLADA DE EJEMPLOS

La figura 1 es un diagrama de flujo de un procedimiento 200 para caracterizar un material 100 o muestra con una estructura en capas utilizando una radiación de terahercios, según la invención. El procedimiento 200 puede determinar información de caracterización del material 100 con la estructura en capas implementando 204 un enfoque de aprendizaje automático alimentado 203 con un input de inicio, según será representado. El enfoque de aprendizaje automático se implementa por medio de algoritmos de aprendizaje automático.

Implementando 204 el enfoque de aprendizaje automático, se puede determinar información de caracterización del material 100. La información de caracterización puede comprender al menos uno de los siguientes parámetros de la muestra: número de capas, grosor de cada capa, adherencia de las capas, presencia o ausencia de poros, delaminaciones, agujeros y vacíos, calidad del pulimento, posición espacial de las interfaces, posición espacial de los defectos, la combinación de las mismas o un parámetro de la muestra calculado en función de las mismas. El parámetro de la muestra se puede referir a toda la estructura en capas o a al menos una capa del material 100. Por lo tanto, ejemplos de posible información caracterizadora pueden comprender:

- Espesor de cada una de las capas de un revestimiento de varias capas;

- Adherencia y estado de la superficie (por ejemplo, superficie pulida frente a no pulida o esmerilada) de un sustrato pintado con el fin de medir una mala preparación de la superficie antes de ser recubierta por la pintura u otro revestimiento. La detección de esta condición puede ayudar a prevenir futuras delaminaciones de la pintura, grietas y daños directamente relacionados con estas malas condiciones de preparación de la superficie;

- Detección de poros, agujeros y huecos, que incluye su forma y sus dimensiones;

- Adherencia de cinta: la adhesividad y el estado de adherencia de una cinta protectora, por ejemplo, la cinta utilizada para reforzar el borde de ataque (BOA: bordar of attack) de las palas de una turbina eólica, se pueden inspeccionar en busca de la presencia de poros, agujeros y piel "naranja";

- Inspección de estructuras encoladas: las estructuras encoladas se pueden inspeccionar para la detección de huecos y agujeros, que se pueden convertir en el punto de partida o nucleación de defectos mayores, tales como delaminaciones o grietas.

En la invención, el procedimiento 200 comprende proporcionar un input de inicio 201 en el que el input de inicio puede comprender unos datos de muestra derivados directa o indirectamente a partir de una señal detectada de un haz reflejado en THz 42 después de que haya interactuado con la estructura en capas del material 100. La señal detectada del haz reflejado en THz 42 puede comprender al menos una de las siguientes señales: una señal en el dominio de tiempo, una señal en el dominio de frecuencia o una combinación de las mismas; en estos casos, se pueden derivar directamente a partir de la señal detectada. La señal detectada del haz reflejado en THz 42 se puede obtener generando al menos una forma de onda de terahercios en el dominio de tiempo del haz reflejado en THz 42; la forma de onda de terahercios en el dominio de tiempo sería un posible ejemplo de señal en el dominio de tiempo.

Según algunos ejemplos, el enfoque de aprendizaje automático se puede basar en aprendizaje profundo. El enfoque de aprendizaje automático puede implementar al menos una red neuronal. Se pueden utilizar conjuntamente diferentes arquitecturas de red neuronal en función del número de parámetros de la información de caracterización.

En un ejemplo, la red neuronal puede implementar una o más redes convolucionales que pueden comprender unas capas convolucionales para extraer la información de caracterización a partir del input de inicio. La red convolucional puede implementar una o más rutas de contracción que aplican operaciones de agrupación (pooling) para reducir el muestreo de datos de la red entre las capas convolucionales. Los datos de la red son datos de muestra que son procesados por las capas convolucionales y corresponden a estados intermedios entre las capas convolucionales. Esta reducción del muestreo reduce la dimensionalidad de los datos de la red. Cada capa convolucional puede extraer datos de la red más finos que la capa anterior.

La red convolucional puede implementar al menos una ruta expansiva que aplica una ampliación de muestreo a los datos de la red entre las capas convolucionales. Esta ruta expansiva puede permitir la identificación y correspondencia de los datos de la red extraídos por las capas de ruta de contracción.

En algunos ejemplos, la red neuronal puede ser sometida a procesos de entrenamiento y validación. Los procesos de entrenamiento y validación se pueden realizar antes de determinar la información de caracterización del material 100 con la estructura en capas. En otros casos, los procesos de entrenamiento y validación pueden no ser necesarios, ya que el enfoque de aprendizaje automático puede ser capaz de producir de forma fiable un output a partir del input. Los procesos de entrenamiento y validación pueden ser de tipo supervisado.

En algunos ejemplos, la red neuronal se puede entrenar utilizando un procedimiento de entrenamiento que puede comprender la alimentación de la red neuronal con datos de input de la red y sus correspondientes versiones de reducción del muestreo de los datos de la red. Los datos de input de la red y las versiones de reducción del muestreo de los datos de la red se pueden combinar con su correspondiente información de caracterización. Los datos de input de la red pueden incluir datos de muestra conocidos e información de caracterización correspondiente conocida. Los datos de input de la red pueden estar relacionados con una serie de materiales 100 (o muestras) de ejemplo. Dado que se conoce la información de caracterización relacionada con los datos de input de "entrenamiento" de la red, el aprendizaje automático "aprende" a calcular/producir la información de caracterización para otros materiales desconocidos 100 en base a los datos o conjuntos de datos de input de “entrenamiento” de la red.

En un ejemplo, el procedimiento de entrenamiento puede comprender además el ajuste de los parámetros de la red utilizando un descenso de gradiente estocástico u otro algoritmo de minimización. Se puede calcular una función objetivo combinando un valor soft-max píxel a píxel con una función de pérdida de entropía cruzada o una hibridación similar entre datos de la red locales y globales.

El proceso de validación puede comprender la alimentación de datos de input de “validación” de la red o conjuntos de datos de un haz reflejado en THz que corresponde a al menos un material con una estructura en capas 100 con información de caracterización conocida, los datos de input de “validación” de la red del haz reflejado en THz pueden ser diferentes de los datos de input de “entrenamiento” de la red del haz reflejado en THz. Este proceso de validación permite estimar el rendimiento y el error de la red neuronal o las redes neuronales.

Si se implementan los procesos de entrenamiento y validación, se deben completar de vez en cuando. No es necesario que se realicen en cada una de las mediciones realizadas siguiendo el presente procedimiento 200.

Como alternativa a la red neuronal, el enfoque de aprendizaje automático puede comprender un proceso para recuperar una característica de la señal detectada y un proceso para identificar dicha característica mediante agrupación en clústeres (clustering). El proceso para recuperar una característica se puede basar en unos cálculos probabilísticos que utilizan unos valores de amplitud y de derivada en uno o más puntos de una forma de onda a partir de una señal detectada de un haz reflejado en THz 42. La forma de onda puede ser de un tipo de dominio de tiempo. Esta característica puede ser un conjunto de ubicaciones de valores extremos en la señal detectada del haz reflejado en THz 42. Estos valores extremos pueden corresponder a pulsos reflejados en diferentes interfaces en una muestra del material 100, por ejemplo.

En un ejemplo, los cálculos probabilísticos pueden comprender la determinación de una probabilidad de que un punto en la forma de onda sea extremo, calculando el producto de la probabilidad de que la amplitud del punto sea máxima y la probabilidad de que su derivada sea igual a cero; las probabilidades se pueden calcular de acuerdo con una función de densidad de probabilidad. El experto podría aplicar cualquier otra función adecuada, por ejemplo, la función de error para ruido de Gauss.

En algunos ejemplos, antes de determinar una probabilidad de que un punto en la forma de onda sea extremo, el procedimiento 200 puede comprender además la normalización de los valores de amplitud y de derivada del punto en la forma de onda a partir de la señal detectada con respecto a sus respectivas desviaciones estándar. Los valores normalizados de amplitud y de derivada de un punto en la forma de onda se pueden utilizar para definir el nivel de energía normalizado para el punto en la forma de onda. El procedimiento también puede comprender el filtrado de un punto en la forma de onda en base a un umbral de nivel de energía normalizado predefinido. Ese umbral se puede utilizar para determinar si un punto en la forma de onda puede ser un candidato a característica o no. El umbral de energía normalizado puede ser ajustado en función de cada caso.

En un ejemplo, el procedimiento 200 puede comprender además configurar una sensibilidad para detectar una característica ajustando el umbral de nivel de energía normalizado y un nivel de confianza de la probabilidad de que un punto en la forma de onda sea extremo. La reducción del umbral de nivel de energía normalizado aumentará la sensibilidad del procedimiento 200 en la detección de características en señales ruidosas. Por el contrario, aumentar el umbral de nivel de energía normalizado reducirá la sensibilidad en la detección de dichas características. Reducir el nivel de confianza aumentará el número de posiciones candidatas alrededor de una característica. Por el contrario, aumentar el nivel de confianza reducirá el número de candidatos alrededor de esa característica.

Según un ejemplo, el proceso para identificar una característica mediante agrupación en clústeres puede comprender el uso de un algoritmo de agrupación en clústeres (clustering) para procesar un candidato a valor extremo. Los candidatos a característica se pueden agrupar en clústeres utilizando un algoritmo de agrupación en clústeres (clustering) con el fin de generar un clúster para identificar la posición y el grosor de cada capa.

Según algunos ejemplos, el input de inicio puede comprender unos datos de muestra derivados a partir de una señal detectada del haz reflejado en THz 42 relativa a cada uno de múltiples puntos individuales en el material 100, definiendo los múltiples puntos individuales al menos una línea. El input de inicio puede comprender unos datos de muestra relativos a diferentes puntos individuales que definen al menos una línea, y los datos de muestra pueden estar dispuestos como un conjunto de datos bidimensionales del material 100 a caracterizar. Este podría ser el caso de la caracterización del material 100 relativa a al menos una sección transversal del mismo (dos dimensiones). En algunos ejemplos, el input de inicio puede comprender unos datos de muestra derivados a partir de una señal detectada del haz reflejado en THz 42 relativa a cada uno de múltiples puntos individuales en el material 100, definiendo los múltiples puntos individuales al menos un área. El input de inicio puede comprender unos datos de muestra relativos a diferentes puntos individuales que definen al menos un área, y los datos de muestra pueden estar dispuestos como un conjunto de datos tridimensionales del material 100 a caracterizar. Este podría ser el caso de la caracterización del material 100 relativa a al menos un volumen del mismo (tres dimensiones).

El enfoque de aprendizaje automático se configura de tal modo que el input de inicio está dispuesto como un conjunto de datos 2D para 3D derivados a partir de una señal detectada del haz reflejado en THz.

El procedimiento 200 puede comprender además la realización de un proceso de transformación y de pre procesamiento 202 en el input de inicio antes de ser proporcionado al enfoque de aprendizaje automático. El proceso de pre procesamiento 202 se puede implementar para que genere un input de inicio más adecuado para alimentar el enfoque de aprendizaje automático. Según algunos ejemplos, el proceso de transformación y de pre procesamiento puede comprender al menos uno de los siguientes procesamientos:

descomposición de ondículas,

eliminación estadística de ruido,

búsqueda de picos y agrupación en clústeres,

deconvolución,

filtrado y suavizado espacial,

transformada rápida de Fourier, para obtener una señal en el dominio de frecuencia a partir de una señal en el dominio de tiempo,

algoritmos de detección de bordes,

cálculo de una media,

o una combinación de los mismos.

El algoritmo de aprendizaje automático es alimentado 203 con el input de inicio. El input de inicio comprende unos datos derivados a partir de una señal detectada de un haz reflejado en THz 42 después de que haya interactuado con la estructura en capas del material 100. Ese input de inicio puede ser pre procesado 202 o no en función de la situación, por lo que el enfoque de aprendizaje automático podría ser alimentado directamente con cualesquiera datos no procesados derivados a partir de la señal detectada de un haz reflejado en THz 42.

Después de la implementación 204 del algoritmo de aprendizaje automático, se produce un output 205. Este output comprende unos datos producidos relacionados con la caracterización del material 100, con un patrón reconocido bidimensional o tridimensional.

El procedimiento 200 puede comprender además la realización de un proceso de post procesamiento 206 en el output del algoritmo de aprendizaje automático para obtener la información de caracterización. En algunos ejemplos, el proceso de post procesamiento 206 puede comprender al menos uno de los siguientes procesamientos: segmentación,

discretización y agrupación en clústeres,

detección de bordes,

clasificación,

o una combinación de los mismos.

Como se ha mencionado anteriormente con respecto al pre procesamiento 202, el proceso de post procesamiento 206 se puede realizar o no en función de la situación. El output sin procesar podría ser adecuado para una aplicación concreta.

El procedimiento 200 puede comprender además la visualización de la información de caracterización y/o el almacenamiento de la información de caracterización 207. La información de caracterización se puede visualizar utilizando cualquier interfaz adecuada y puede ser almacenada por cualquier medio adecuado, por lo que el usuario puede disponer de la información de caracterización almacenada de todo el material 100 cuando el procedimiento 200 pueda haber finalizado parcial o totalmente.

La figura 2 es un diagrama de flujo de un procedimiento 300 de ejemplo para aplicar una radiación de THz en un material a caracterizar. El presente procedimiento 200 para caracterizar un material 100 con una estructura en capas utilizando una radiación de terahercios puede comprender además el procedimiento 300 para aplicar una radiación de THz en el material. Sin embargo, se puede tener en cuenta que el procedimiento 300 para aplicar la radiación de THz en el material 100 se pueda realizar por separado. La señal detectada de un haz reflejado en THz 42 se puede almacenar y/o enviar para alimentar posteriormente el algoritmo de aprendizaje automático.

Por lo tanto, la señal detectada del haz reflejado en THz 42 puede ser producida por cualquier procedimiento adecuado.

Si el presente procedimiento 200 para caracterizar un material 100 con una estructura en capas comprende además el procedimiento 300 para aplicar una radiación de THz en el material, entonces el procedimiento 200 puede comprender además, antes de determinar la información de caracterización:

irradiar el material con un haz emitido en THz 41, interactuando el haz emitido en THz 41 con el material 100 con la estructura en capas,

detectar un haz reflejado en THz 42 procedente del material 100 con la estructura en capas.

El procedimiento 200 puede comprender además, antes de irradiar el material con un haz emitido en THz 41, enfocar un cabezal de medición 3 de un sistema de medición 1 hacia un punto del material 100 a caracterizar. Según un ejemplo, el cabezal de medición 3 puede ser guiado de una manera predeterminada con el fin de que el cabezal de medición 3 apunte a diferentes puntos individuales (por ejemplo, aleatoriamente, siguiendo una línea o sobre un área) del material 100 a caracterizar.

La figura 3 ilustra de forma esquemática una vista frontal de un sistema de medición 1 según la invención. El sistema de medición 1 para obtener información de caracterización del material 100 con la estructura en capas comprende una unidad de control 2 en comunicación de datos con al menos un cabezal de medición 3, y en comunicación de datos con una fuente de luz láser 5, el cabezal de medición 3 puede comprender:

un emisor de terahercios 31 asociado con la fuente de luz láser 5 y adaptado para generar al menos un haz emitido en THz 41 para su irradiación en el material 100,

un detector de terahercios 32 asociado con la fuente de luz láser 5 y adaptado para detectar un haz reflejado en THz 42 procedente del material 100,

un sistema óptico 33, 34, 35 diseñado para guiar y enfocar el haz emitido en THz 41 en el material 100 y para guiar y recoger el haz reflejado en THz 42 procedente del material 100,

en el que la unidad de control 2 está configurada para implementar un algoritmo de aprendizaje automático en unos datos de muestra derivados a partir de una señal detectada del haz reflejado en THz 42.

La información de caracterización puede comprender al menos uno de los siguientes parámetros de la muestra: número de capas, espesor de cada capa, adherencia de las capas, presencia o ausencia de poros, delaminaciones, agujeros y huecos, calidad del pulimento, posición espacial de las interfaces, posición espacial de los defectos, la combinación de las mismas o un parámetro de la muestra calculado en función de las mismas.

Según la invención, el presente sistema de medición 1 realiza el procedimiento 200 para caracterizar un material 100 con radiación de terahercios.

El emisor de terahercios 31 y el detector de terahercios 32 pueden utilizar pulsos de radiación de THz que pueden comprender radiación electromagnética en el rango de frecuencias dentro de 0,1 y 10 THz.

El material 100 puede comprender una pluralidad de capas. Ejemplos de ello pueden ser piezas revestidas para coches, aviones, barcos, turbinas eólicas, etc. Un ejemplo de revestimiento puede ser una pluralidad de capas de pintura.

Según algunos ejemplos del sistema de medición 1, el enfoque de aprendizaje automático se puede basar en aprendizaje profundo. El enfoque de aprendizaje automático puede implementar al menos una red neuronal. Se pueden utilizar conjuntamente diferentes arquitecturas de red neuronal en función del número de parámetros de la información de caracterización.

Como se ha mencionado anteriormente, el enfoque de aprendizaje automático puede comprender alternativamente un proceso para recuperar una característica de la señal detectada del haz reflejado en THz 42, y un proceso para identificar dichas características mediante agrupación en clústeres (clustering). El proceso para recuperar una característica se puede basar en unos cálculos probabilísticos que utilizan unos valores de amplitud y de derivada en al menos un punto en la forma de onda de la señal detectada a partir del haz reflejado en THz 42, según se ha representado anteriormente.

Según se ha mencionado anteriormente, la característica puede ser un conjunto de ubicaciones de valores extremos en la señal detectada del haz reflejado en THz 42.

En un ejemplo, el sistema óptico puede comprender una lente de emisión y recepción (pitch-catch lens) 35 en comunicación óptica con el emisor de terahercios 31 y con el detector de terahercios 32.

Para guiar y enfocar el haz emitido en THz 41 en el material 100 y para guiar y recoger el haz reflejado en THz 42 procedente del material 100, se puede generar un ángulo de incidencia (que no se muestra). En algunos ejemplos, el ángulo de incidencia puede ser igual o inferior a 8 grados. Sin embargo, el ángulo de incidencia puede variar en función de cada caso.

En algunos ejemplos del sistema de medición, la lente de emisión y recepción 35 puede ser una sola lente. La lente de emisión y recepción 35 puede ser una lente plano-convexa. Según un ejemplo, la lente de emisión y recepción 35 puede ser o estar hecha de un material con baja atenuación en el rango de THz, por ejemplo, una lente polimérica hecha de polietileno de alta densidad (HDPE), TPX, Teflon™.

En el sistema de medición 1 según un ejemplo, el emisor de terahercios 31 y el detector de terahercios 32 pueden ser o estar integrados en el mismo dispositivo/aparato, es decir, pueden estar formados de manera integral de tal modo que el ángulo de incidencia sería de cero grados.

En algunos ejemplos, la unidad de control 2, el cabezal de medición 3 y la fuente de luz láser 5 pueden estar configurados de forma integral, para que el sistema de medición 1 sea compacto.

Según la figura 3, el emisor de terahercios 31 y el detector de terahercios 32 pueden estar asociados a la fuente de luz láser 5 por medio de una guía de ondas 51. La guía de ondas 51 puede ser más rígida o flexible en función de las necesidades. La guía de ondas 51 puede comprender fibra óptica y/o cables eléctricos.

Como se puede ver en la figura 3, el presente sistema de medición 1 puede comprender un transceptor de THz 38 en el que se encuentran ubicados el emisor de terahercios 31, el detector de terahercios 32 y el sistema óptico; dicho transceptor de THz 38 puede estar configurado como un marco o similar situado dentro del cabezal de medición 3. La figura 3 también muestra que el cabezal de medición 3 (y/o el transceptor de THz 38) puede estar configurado de tal modo que la trayectoria del haz emitido en THz 41 generado por el emisor de terahercios 31 y la trayectoria del haz reflejado en THz 42 recibido por el detector de terahercios 32 pueden ser sustancialmente paralelas entre sí, en particular en una ubicación entre el emisor de terahercios 31 y el detector 32 y la lente de emisión y recepción 35. Las trayectorias no se cruzan entre sí, por lo que se puede conseguir un mejor guiado y se pueden reducir las pérdidas. En algunos ejemplos, el emisor de terahercios 31 y el detector de terahercios 32 pueden ser o estar montados sustancialmente en paralelo. Ese ejemplo se ilustra en la figura 3, por ejemplo, y puede permitir mantener el cabezal de medición 3 (y/o el transceptor de THz 38) aún más compacto para que pueda ser manejado más fácilmente por un operador humano o un brazo robótico.

La figura 4 ilustra de forma esquemática una vista lateral de un transceptor de THz 38 del sistema de medición 1 según otra implementación de ejemplo. La figura 5 ilustra de forma esquemática una vista en planta del transceptor de THz 38 de la figura 4. Se puede observar que, en algunos ejemplos, el sistema óptico puede comprender además un espejo 36 entre el emisor de terahercios 31 y la lente de emisión y recepción 35. El sistema óptico también puede incluir un espejo 37 entre la lente de emisión y recepción 35 y el detector de terahercios 32, de tal modo que el haz emitido en THz 41 y el haz reflejado en THz 42 se pueden encorvar en un ángulo predefinido. La provisión del espejo 36, 37 permite disponer el emisor de terahercios 31 y el detector de terahercios 32 de manera que sus ejes longitudinales pueden formar un ángulo con la normal del material 100. La presencia de los espejos 36, 37 puede proporcionar una construcción flexible del cabezal de medición 3 (y/o del transceptor de THz 38), ya que el emisor de terahercios 31 y el detector de terahercios 32 pueden ser o estar posicionados en cualquier ubicación y orientación en función de las necesidades. Por lo tanto, las mediciones se pueden realizaren diferentes planos.

En algunos ejemplos, el cabezal de medición 3 puede comprender además un dispositivo de accionamiento (que no se muestra) asociado con el emisor de terahercios 31, el detector de terahercios 32 y el sistema óptico (que pueden estar situados dentro del transceptor de THz 38) de tal modo que el emisor de terahercios 31, el detector de terahercios 32 y el sistema óptico pueden ser móviles con respecto al material 100. Un posible ejemplo de dispositivo de accionamiento puede consistir en una etapa lineal. El dispositivo de accionamiento puede permitir mover el emisor de terahercios 31 y el detector de terahercios 32 en paralelo al material 100 o a la superficie revestida.

En algunos ejemplos, el cabezal de medición 3 puede estar configurado para ser manejado manual o automáticamente.

El sistema de medición 1, según algunos ejemplos, puede comprender además un brazo mecánico (que no se muestra) acoplado al cabezal de medición 3. El brazo mecánico puede ser robotizado y puede comprender medios para garantizar que la posición y la orientación del cabezal de medición 3 sea óptima para una medición precisa en el caso de que sea operado manualmente. Estos medios pueden tener diferentes formas, por ejemplo, el cabezal de medición 3 puede comprender además una parte (que no se muestra) que está diseñada para estar en contacto con el material 100 durante una operación de medición. En algunos ejemplos, el sistema de medición 1 puede comprender además un sistema de posicionamiento (que no se muestra) configurado para controlar automáticamente el cabezal de medición 3. Se pueden tener en cuenta otras posibles formas de realización, tal como un dispositivo apuntador (que no se muestra), por ejemplo, un emisor de luz visible o un puntero láser para ayudar a enfocar e identificar el punto o área objeto de la medición.

Otra forma de realización puede comprender un sistema de compensación activo (que no se muestra) configurado para monitorizar la orientación y la distancia del emisor de terahercios 31, el detector de terahercios 32 y el sistema óptico con respecto al material 100, de tal modo que la orientación y la distancia se mantienen dentro de unos parámetros de medición predeterminados. El sistema de compensación activo puede comprender el transceptor de THz 38, que puede estar configurado para ser móvil con respecto al cabezal de medición 3, de tal modo que el cabezal de medición 3 puede ser fijado en su lugar durante la operación y el transceptor de THz 38 se puede mover con respecto al material 100 o la muestra y al cabezal de medición 3. En la figura 6, las flechas A1 y<a>2 representan dos direcciones de movimiento de ejemplo del transceptor de THz 38, pero evidentemente se pueden tener en cuenta otras direcciones. Para provocar el movimiento relativo del transceptor de THz 38 con respecto al cabezal de medición 3 se puede utilizar cualquier tipo de medio de accionamiento.

El sistema de medición 1 según algunos ejemplos puede comprender además un dispositivo sensor (que no se muestra) en comunicación de datos con la unidad de control 2, el dispositivo sensor puede estar configurado para proporcionar datos sobre la posición y la orientación del cabezal de medición 3 con respecto al material 100.

En algunos ejemplos, el cabezal de medición 3 puede comprender además unos componentes de soporte (que no se muestran) que permiten fijar el cabezal de medición 3 al material 100 o la muestra con la estructura en capas.

En algunos ejemplos, el sistema de medición 1 puede incluir una pantalla o similar (que no se muestra) para mostrar los datos de medición (información de caracterización). El sistema de medición 1 también puede incluir un dispositivo de almacenamiento para almacenar la información de caracterización en un formato electrónico o una señal de input a enviar al procedimiento de aprendizaje automático.

Aunque sólo se han divulgado algunos ejemplos en el presente documento, son posibles otras alternativas, modificaciones, usos y/o equivalentes de los mismos. Además, también están cubiertas todas las combinaciones posibles de los ejemplos que se han descrito. Por lo tanto, el alcance de la presente divulgación no debe estar limitado por ejemplos particulares, sino que se debe determinar solamente a partir de una lectura imparcial de las siguientes reivindicaciones. Si en una reivindicación hay signos de referencia entre paréntesis relacionados con los dibujos, es solamente para intentar mejorar la comprensión de la reivindicación, y no se interpretará que limitan el alcance de la reivindicación.

Además, aunque los ejemplos que se han descrito con referencia a los dibujos comprenden aparatos/sistemas informáticos y procesos realizados en aparatos/sistemas informáticos, la invención también se extiende a programas informáticos, en particular a programas informáticos en una portadora, adaptados para poner en práctica el sistema y el procedimiento.

Claims (15)

REIVINDICACIONES

1. Procedimiento (200) para caracterizar un material (100) con una estructura en capas utilizando una radiación de terahercios, que comprende:

determinar información de caracterización del material con la estructura en capas implementando (204) al menos un algoritmo de aprendizaje automático alimentado (203) con al menos un input de inicio, comprendiendo el input de inicio unos datos de muestra derivados a partir de una señal detectada de un haz reflejado en THz (42) después de su interactuación con la estructura en capas del material, en el que

el input de inicio comprende unos datos de muestra derivados a partir de una señal detectada del haz reflejado en THz relativa a cada uno de múltiples puntos individuales del material, definiendo los múltiples puntos individuales al menos una línea o un área,caracterizado por el hecho de quelos datos de muestra están dispuestos como un conjunto de datos bidimensionales o tridimensionales del material a caracterizar;

en el que el procedimiento comprende:

producir un output (205) que comprende datos producidos relacionados con la caracterización del material, siendo el output un patrón reconocido bidimensional o tridimensional.

2. Procedimiento (200) según la reivindicación 1, en el que la información de caracterización comprende al menos uno de los siguientes parámetros de la muestra: número de capas, espesor de cada capa, adherencia de las capas, presencia o ausencia de poros, delaminaciones, agujeros y huecos, calidad del pulimento, posición espacial de las interfaces, posición espacial de los defectos, la combinación de las mismas o un parámetro de la muestra calculado en función de las mismas.

3. Procedimiento (200) según la reivindicación 2, en el que el parámetro de la muestra se refiere a toda la estructura en capas o a al menos una capa del material.

4. Procedimiento (200) según una cualquiera de las reivindicaciones 1 - 3, en el que la señal detectada del haz reflejado en THz comprende al menos una de las siguientes señales: una señal en el dominio de tiempo, una señal en el dominio de frecuencia o una combinación de las mismas,

en el que la señal detectada del haz reflejado en THz se obtiene generando al menos una forma de onda de terahercios en el dominio de tiempo del haz reflejado en THz,

en el que el algoritmo de aprendizaje automático comprende un proceso para recuperar una característica de la señal detectada y un proceso para identificar dicha característica mediante agrupación en clústeres, basándose el proceso para recuperar una característica en unos cálculos probabilísticos que utilizan unos valores de amplitud y de derivada en al menos un punto de una forma de onda a partir de la señal detectada de un haz reflejado en THz.

5. Procedimiento (200) según la reivindicación 4, en el que una característica es un conjunto de ubicaciones de valores extremos en la señal detectada del haz reflejado en THz.

6. Procedimiento (200) según una cualquiera de las reivindicaciones 1 - 4, en el que el algoritmo de aprendizaje automático implementa al menos una red neuronal.

7. Procedimiento (200) según la reivindicación 6, en el que la red neuronal implementa al menos una red convolucional que comprende unas capas convolucionales para extraer información caracterizadora a partir del input de inicio.

8. Procedimiento (200) según la reivindicación 1, en el que el input de inicio comprende unos datos de muestra relativos a diferentes puntos individuales que definen al menos una línea, estando los datos de muestra dispuestos como un conjunto de datos bidimensionales del material a caracterizar.

9. Procedimiento (200) según la reivindicación 1, en el que el input de inicio comprende unos datos de muestra relativos a diferentes puntos individuales que definen al menos un área, estando los datos de muestra dispuestos como un conjunto de datos tridimensionales del material a caracterizar.

10. Sistema de medición (1) para obtener información de caracterización de un material (100) con una estructura en capas, comprendiendo el sistema de medición una unidad de control (2) en comunicación de datos con al menos un cabezal de medición (3), y en comunicación de datos con una fuente de luz láser (5), comprendiendo el cabezal de medición:

un emisor de terahercios (31) asociado con la fuente de luz láser y adaptado para generar al menos un haz emitido en THz (41) para su irradiación en el material,

un detector de terahercios (32) asociado con la fuente de luz láser y adaptado para detectar un haz reflejado en THz (42) procedente del material,

un sistema óptico (33, 34, 35) diseñado para guiar y enfocar el haz emitido en THz en el material y para guiar y recoger el haz reflejado en THz procedente del material,

en el que la unidad de control está configurada para implementar un algoritmo de aprendizaje automático en unos datos de muestra derivados a partir de una señal detectada del haz reflejado en THz,

en el que los datos de muestra son relativos a cada uno de múltiples puntos individuales del material, definiendo los múltiples puntos individuales al menos una línea o un área,caracterizado por el hecho de quelos datos de muestra están dispuestos como un conjunto de datos bidimensionales o tridimensionales del material a caracterizar, en el que la unidad de control está configurada para producir un output que comprende datos producidos relacionados con la caracterización del material, siendo el output un patrón reconocido bidimensional o tridimensional.

11. Sistema de medición (1) según la reivindicación 10, en el que el cabezal de medición (3) comprende además un dispositivo de accionamiento asociado con el emisor de terahercios (31), el detector de terahercios (32) y el sistema óptico (33, 34, 35) de tal modo que el emisor de terahercios, el detector de terahercios y el sistema óptico son móviles con respecto al material.

12. Sistema de medición (1) según una cualquiera de las reivindicaciones 10-11 , en el que el cabezal de medición (3) está configurado para ser manejado manualmente.

13. Sistema de medición (1) según una cualquiera de las reivindicaciones 10 - 11, en el que el cabezal de medición (3) está configurado para ser operado automáticamente.

14. Sistema de medición (1) según la reivindicación 10, que comprende además unos componentes de soporte adaptados para fijar el cabezal de medición (3) al material o muestra con estructura en capas.

15. Producto de programa informático que comprende instrucciones de programa para hacer que un sistema informático ejecute un procedimiento para caracterizar un material con una estructura en capas según una cualquiera de las reivindicaciones 1 a 9.