Machine learning en positiebepaling van pellicle uit camerabeelden

Een pellicle is een frame van zo’n 110×140 mm voorzien van een dun vliesje dat een reticle moet afschermen van stofdeeltjes. Dit pellicle moet nauwkeurig kunnen worden bevestigd op een reticle, en na gebruik ook weer kunnen worden verwijderd. Hiertoe is een X-Y-Rz-stage beschikbaar die het pellicle kan manoeuvreren onder een reticle. Met camera’s in de stage wordt zowel de positie van de reticle als de pellicle gemeten.

Ik heb algoritmes ontwikkeld dat de camerabeelden analyseert en de reticle markeringen nauwkeurig weet te lokaliseren (sub-pixel). Hierbij is gebruik gemaakt van OpenCV voor de detectie van de markers, en Python en Matlab voor de postprocessing. Tevens heb ik de coördinaten-transformaties ontwikkeld om uit de beelden de relatieve positie van pellicle en reticle te bepalen, zodat de juiste bewegingen kunnen worden opgelegd aan de stage om pellicle plaatsing mogelijk te maken.

Het lens-systeem voor elke camera vervormt het beeld aan de randen wat voor een meetfout kan leiden; via een camera calibratie algoritme, waarvoor ik zelf de nodige software heb ontwikkeld, corrigeer ik deze fouten.

Machine learning (multinominal logistic classifier) heb ik toegepast op de camera beelden om vroegtijdig te kunnen detecteren wat voor soort reticle, of juist een calibratie tool, door de gebruiker op de machine is gelegd. Deze oplossing kon een reeds eerder toegepaste detectie-algoritme vervangen, waarbij 66 parameters handmatig moesten worden ingesteld per machine, wat veel tijd kostte.