用于估计电子发射器的构件品质的方法与流程

本发明涉及一种计算机实现的用于估计电子发射器的构件品质的方法、一种计算机实现的用于训练用于估计电子发射器的构件品质的机器学习方法的方法、一种所属的人工智能模型、一种所属的阴极装置以及一种所属的计算机程序产品。

背景技术：

1、电子发射器通常在x射线管中使用。借助于电子发射器生成自由电子，所述自由电子例如可以朝向阳极加速。电子发射器以不同的实施方案存在。电子发射器典型地可以分为两个类别：热离子发射器和冷发射器。

2、在电子的热离子发射中，至少部分地加热电子发射器，直至电子从加热的发射器区域中射出。例如，传统的热离子发射器是螺旋发射器。面发射器形成相对于此的替选方案。传统的面发射器典型地由发射器板构成。发射器板通常借助切口结构化。

3、冷发射器例如是场效应发射器并且典型地具有多个发射器针。利用场效应通过施加栅极电压可以从发射器针的尖端中提取电子流。

4、由于在电子发射中的热负荷，尤其在热离子电子发射器中会出现变形。所述变形例如是c形变形、s形变形或其他形状的变形。特殊的变形尤其是电子发射器的几何结构中的伪影，所述伪影会负面地影响构件品质从而是质量关键的参数。在理想情况下，电子发射器几何结构是没有伪影的。构件品质尤其可以与构件使用寿命相关联。

5、为了能够估计构件品质，尤其需要将电子发射器的电子发射器几何结构与类似的电子发射器的在现场可获得的性能数据链接。为此，典型地必须将电子发射器几何结构全面地参数化。电子发射器几何结构尤其描述插入到阴极头中的电子发射器的定位。参数化例如借助于测量机器实现和/或尤其需要耗费的自动化，这通常带来在大气压力的增加的测量时间。在此，针对真空部件、如电子发射器，在大气压力的停留时间应进行关键评估。构件品质的估计是复杂的，以及通常超出可由电子发射器的用户检测的信息范围。所述估计的复杂性尤其基于：必须考虑在微米范围内的差异和/或可能存在与电子发射器的特定使用的强烈相关性。

6、对于电子发射器几何结构的有效的和/或标准化的检测，和/或对于构件品质的高效的估计，尤其考虑到电子发射器的变形和/或错误定位，当前缺少合适的工具。电子发射器的通常仅点状地发生的测量对此通常是不够的。尤其因为测量点选择决定性地通过已经已知的变形来确定。相反，迄今未知的变形可能仍未发现。

7、电子发射器几何结构的检测通常基于限定系列的测量点的检测。电子发射器几何结构的检测通常限于表征发射器外间隙的测量点。替选地或附加地，点状地测量插入到阴极头中的电子发射器相对于阴极头的高度。通常不考虑相对于中间连接片的定位。典型地，可以从测量点中计算位于其间的距离。电子发射器几何结构的检测通常借助于尤其在生产环境中的手动测量过程来进行。在此，为了使手动检测耗费保持为小，通常仅检测少量的测量点。因此，基于此的测量结果可能仅提供关于电子发射器几何结构的粗略指示。尤其地，传统的测量结果不提供电子发射器的全面参数化。

8、因此，通常借此无法对电子发射器处、尤其热离子电子发射器处的不同类型的变形进行精确描绘和/或区分。尤其不将检测到的电子发射器几何结构与在现场获得的性能数据连续链接。换言之，构件使用寿命的估计通常单独触发和/或仅在需要时才触发。

技术实现思路

1、本发明所基于的目的是，提供一种计算机实现的用于估计电子发射器的构件品质的方法、一种计算机实现的用于训练用于估计电子发射器的构件品质的机器学习方法的方法、一种所属的人工智能模型、一种所属的阴极装置以及一种所属的计算机程序产品，其具有改进的区分可行性。

2、所述目的通过本发明的特征来实现。有利的设计方案在下面的说明书中描述。

3、与特定术语的语法上的性别无关地，包括具有男性、女性或其他性别身份的人。

4、提出根据本发明的计算机实现的用于估计电子发射器的构件品质的方法，所述电子发射器是阴极装置的一部分，其中阴极装置包括阴极头和插入到阴极头中的电子发射器，其中电子发射器尤其是面发射器，所述方法包括以下步骤：

5、-接收电子发射器图像数据集，其中电子发射器图像数据集的图像信息至少部分地描绘插入到阴极头中的电子发射器，

6、-从存储单元接收电子发射器几何模型，

7、-将接收到的电子发射器几何模型变换到电子发射器图像数据集的图像信息，其中计算电子发射器的电子发射器几何信息作为变换的输出参数，

8、-利用电子发射器几何信息求取所插入的电子发射器与至少另一个电子发射器的相似度，

9、-根据所求取的与至少另一个电子发射器的相似度来估计构件品质。

10、电子发射器的构件品质尤其对应于电子发射器的构件使用寿命。替选地或附加地，电子发射器的构件品质可以取决于对干扰图像的规避和/或借助于所产生的x射线辐射实现的图像质量。

11、构件使用寿命尤其可以以时间单位和/或负载单位来说明。负载单位例如可以是以下各项的总和或按照时间的细分：电子发射器的使用寿命期间的x射线剂量、极限负载和/或加热电流。典型地，在现场获得的性能数据规定时间单位和/或负载单位。在构件使用寿命结束之后，电子发射器典型地不再能够在规范的范围内运行和/或必须更换。在构件使用寿命内或直至构件使用寿命的结束，电子发射器可以在规范的范围内运行。在规范的范围内意味着，电子发射器的在现场获得的性能数据处于在规范中限定的界限内。

12、电子发射器尤其是热离子发射器。替选地可设想，电子发射器是冷发射器，例如场效应发射器。热离子发射器尤其是典型地由具有切口的发射器板构成的面发射器。热离子发射器替选地可以是螺旋发射器。

13、阴极装置通常相对于阳极拥有负高压。原则上可设想，阴极装置处于接地电势。在这种情况下，阴极装置拥有相比于阳极更高的负高压。在阴极装置与阳极之间通常存在高压。原则上，阳极可以处于接地电势上。

14、借助于电子发射器生成的自由电子尤其借助于高压从阴极装置朝向阳极加速。在这种情况下，高压尤其可以称为加速电压。在电子在阳极上相互作用的情况下，尤其生成x射线。典型地，加速的电子的动能的99％在射在阳极上时转化成热。电子射在其中的区域尤其称为焦斑。

15、为了能够更好地冷却阳极，阳极原则上可以相对于发射的电子可旋转地设置。如果阳极旋转，则焦斑是圆形的焦点轨迹的一部分。在这种情况下，阳极例如是旋转阳极。例如，具有这种旋转阳极和阴极装置的x射线管如下区分：阴极装置与阳极共同旋转或不旋转多大程度。在第一种情况下，x射线管尤其是旋转活塞x射线管，以及在后一种情况下，x射线管尤其是旋转阳极x射线管。如果阳极是位置固定的，则x射线管尤其是固定阳极x射线管。替选地可设想，阴极装置设置在直线加速器单元内。

16、借助于加速电压加速的电子具有直至150kev的能量，尤其用于诊断成像和/或材料检查。借助于直线加速器单元加速的电子可以具有直至20mev的能量，用于非破坏性成像和/或材料检查和/或治疗。与电子的能量相关地，x射线辐射的能量具有例如至多150kev或20mev。

17、阴极装置可以由阴极头和插入到阴极头中的电子发射器构成。阴极头可以配置用于截止自由电子或使自由电子偏转。阴极装置的电势尤其施加在阴极头处。阴极头尤其可以配置用于冷却电子发射器。阴极头和电子发射器可以电隔离和/或彼此电绝缘。

18、电子发射器插入到阴极头中尤其可以意味着，电子发射器最后安装到阴极头中。最后意味着，阴极装置的安装过程、尤其电子发射器到阴极头中的安装过程已经完全完成。典型地，电子发射器相对于阴极头的定位保持恒定、例如借助于合适的紧固机构保持恒定，和/或不再改变。例如，电子发射器可以借助于紧固机构，例如螺钉、弹簧、螺栓、熔焊点和/或钎焊点相对于阴极头紧固。

19、电子发射器图像数据集(elektronenemitterbilddatensatz)例如可以借助于传感器、尤其相机和/或扫描仪和/或显微镜和/或白光干涉仪记录或是这样记录的。传感器可以是2d传感器或3d传感器。电子发射器图像数据集尤其可以包括尤其用于描述横向扩展的2d图像信息，以及可选地附加地包括深度信息。

20、电子发射器图像数据集可以是在其中包含有图像信息的照片。电子发射器图像数据集可以是一系列照片和/或胶片。附加地，电子发射器图像数据集可包含描述图像信息的元数据。图像信息尤其可以包含灰度、黑白或彩色。电子发射器图像数据集优选地存储在数字文件中，优选地以图像格式存储。电子发射器图像数据集尤其可以对应于模拟照片的数字化变型。图像信息可以变换到图像空间或频率空间中。图像信息可以例如作为原始图像信息和/或尤其作为由传感器后处理的最终图像信息存在。

21、图像信息至少部分地、优选地完全显示电子发射器。图像信息尤其优选地至少部分地描绘电子发射器和阴极头。可设想，图像信息既不描绘整个电子发射器，也不描绘整个阴极头。原则上可设想，图像信息完全不描绘阴极头。

22、图像信息优选地1比1地描绘电子发射器。因此，电子发射器有利地不扭曲地显现在图像信息中。图像信息优选地矫正地和/或不再扭曲地描绘电子发射器。可设想，图像信息不再包含在记录图像信息时通过光学器件引起的扭曲，而是在这方面进行校正。例如，经后处理的最终图像信息可以这样被校正。

23、电子发射器图像数据集尤其可以从传感器和/或存储单元接收。接收可以包括通过传感器和/或存储单元提供电子发射器图像数据集。例如，由计算单元调用并且随后在计算单元中接收电子发射器图像数据集。接收电子发射器图像数据集可以包括经由尤其可以是网络接口的接口传输电子发射器图像数据集。

24、接收电子发射器图像数据集可以包括重建图像信息和/或过滤图像信息和/或注释图像信息。重建尤其可以包括将(逆)傅立叶变换应用于图像信息。过滤尤其可以包括区域增长(region-growing)、边缘平滑、边缘突出、图像分割和/或图像信息的对照。注释尤其可以包括地点标记识别和/或图案识别。重建和/或过滤和/或注释例如可以在计算单元和/或传感器和/或存储单元中进行。存储单元可以是计算单元和/或传感器的一部分。

25、接收电子发射器几何模型可以包括从存储单元中调用电子发射器几何模型。电子发射器几何模型例如可以经由接口传输。

26、电子发射器几何模型例如对应于1比1描绘在插入到阴极头中之前的所述电子发射器或电子发射器。在这种情况下，电子发射器几何模型尤其描绘没有变形的所述电子发射器或电子发射器。电子发射器几何模型尤其示意性地和/或抽象地显示所述电子发射器或电子发射器。

27、替选地或附加地可设想，电子发射器几何模型例如基于1比1描绘适配于电子发射器处的在插入到阴极头中期间可能出现的可接受的变形。可接受的变形尤其可以处于规范的范围内，和/或由于紧固机构在规范的范围内强制性地进行。可接受的变形典型地对于电子发射器的质量从而构件品质和/或构件使用寿命是无害的和/或非关键性的和/或不重要的。例如，可以通过如下方式进行1比1描绘的适配：对具有相对高的构件品质和/或长的构件使用寿命的另外的电子发射器的电子发射器几何信息建模和/或平均。基于所述建模和/或平均优选地可以调整电子发射器几何模型或电子发射器几何模型是这样调整的。

28、典型地，借助描述电子发射器几何结构的多个测量点对电子发射器几何模型进行注释。电子发射器几何模型的注释例如自动地和/或通过用户进行。测量点尤其可以表示边缘和/或重心和/或中心点。

29、将接收到的电子发射器几何模型变换到图像信息尤其包括将电子发射器几何模型的至少一个测量点移动到在图像信息中描绘的测量点处。如果电子发射器几何模型与图像信息关于几何结构100％相似，或如果电子发射器几何模型关于几何结构与图像信息是相同的，则输出参数例如是1比1描绘。在这种情况下，变换不包括至少一个测量点的移动。

30、变换尤其是图像变换。变换优选地在复相关因子最小化的情况下进行。变换尤其可以包括刚性变换和/或非刚性变换。可设想，借助刚性变换或非刚性变换将图像信息和/或电子发射器几何模型划分成不同的区域。

31、输出参数的变换和/或计算例如在计算单元中进行，例如借助于cpu或gpu进行。输出参数通常在变换时计算。

32、电子发射器几何信息尤其包含图像信息与电子发射器几何模型的关系。电子发射器几何信息尤其表示在图像信息与电子发射器几何模型之间的区别。电子发射器几何信息尤其描述至少一个测量点的移动和/或不移动。电子发射器几何信息尤其可以描述至少一个测量点的空间移动和/或在两个测量点之间的相对距离。电子发射器几何信息例如是变换矩阵。在最简单的变型方案中，变换矩阵对应于1比1描绘和/或等于1。附加地，电子发射器几何信息可以包含图像信息。

33、电子发射器几何信息可以包括将图像信息分级为相对类别，例如未变形(尤其1比1描绘)、轻微变形、强烈变形或不可变换(例如因为过强地变形)，和/或分级为定量类别，例如类型y的x变形。

34、求取相似度可以包括求取另外的电子发射器中最相似的电子发射器，和/或基于最相似的电子发射器与所述电子发射器之间的相似性确定相似度。替选地或附加地，所求取的相似度例如可以用于辨识和/或选择另外的电子发射器中最相似的电子发射器。求取相似度尤其在计算单元中进行。

35、利用电子发射器几何信息求取相似度尤其意味着，将电子发射器几何信息与至少另一个电子发射器的电子发射器几何信息进行比较。求取相似度可以包括调用和/或接收和/或提供至少另一个电子发射器的电子发射器几何信息。

36、求取相似度可以借助另外的电子发射器中的多个电子发射器或借助所有另外的电子发射器进行。可设想，多次求取与同一另外的电子发射器的相似度。求取相似度可以包括对相似度进行排列和/或过滤。求取相似度可以包括对所求取的相似度进行分类，并且选择具有所分类的相似度的类别或一个类别的唯一相似度。

37、相似度尤其是相似性的量度。相似度尤其描述关于电子发射器几何信息的相似性。典型地，电子发射器或电子发射器的电子发射器几何信息与至少另一个电子发射器或至少另一个电子发射器的电子发射器几何信息之间的差异越小，相似度就越高。

38、相似度可以是相关因子和/或几何映射。例如，相似度可以以类别“不相似”或“相似”说明。替选地或附加地，相似度可以是0％和100％之间的值。在这种情况下，阈值例如可以限定将相似的和不相似的电子发射器分开的界限。

39、估计构件品质尤其可以对应于估计构件使用寿命。估计构件品质可以是计算和/或求取构件品质。估计构件品质可以包括将估计的构件品质传送给存储单元。

40、构件品质例如可以估计成，使得在小于第二相似度的第一相似度的情况下，将构件品质与零相关联。在这种情况下，例如，插入到阴极头中的电子发射器具有规范之外的和/或不可接受的异常变形。异常变形尤其可以是严重变形。所插入的电子发射器尤其可以与对应于“变形”和/或“缺陷”的值相关联。

41、替选地，在第二相似度的情况下，可以基于初始值估计构件品质，所述初始值由具有尤其最高相似度的至少另一个电子发射器影响。初始值例如可以基于至少另一个电子发射器的在现场获得的性能数据或与所述性能数据相关。替选地或附加地，构件品质可以估计成，使得选择具有至少另一个电子发射器的类别，并且使用所选择的类别的这一个电子发射器的在现场获得的性能数据，以便形成初始值。例如，可以对在现场获得的性能数据进行平均和/或建模，以便形成初始值。替选地，可以从在现场获得的性能数据中提取至少另一个电子发射器的构件品质，并且作为估计的构件品质提供。

42、原则上，在现场可获得的估计的性能数据越好，或在现场可预期的性能数据越好，则估计构件品质越高和/或构件使用寿命越长。换言之，电子发射器相对早地失效和/或显示错误图像和/或出现伪影的概率越小，则估计构件品质越高和/或构件使用寿命越长。电子发射器的在现场可预期的性能数据越差，则构件品质可能就越低或构件使用寿命可能就越短。

43、一个实施方式提出，接收单个电子发射器图像数据集，并且借助于电子发射器的单个电子发射器图像数据集估计电子发射器的构件品质。所述实施方式是尤其有利的，因为由此最大地简化构件品质的估计。这意味着，不再接收多个电子发射器图像数据集，而是仅接收单个电子发射器图像数据集。

44、一个实施方式提出，将电子发射器的估计的构件品质存储在存储单元中。所述实施方式可以有利地实现访问估计的构件品质，例如在电子发射器的运行中。

45、一个实施方式提出，求取相似度包括将电子发射器几何信息输入到借助于机器学习方法训练的人工智能模型中，以及在人工智能模型的输出端处提供相似度。如果按照根据本发明的训练方法训练人工智能模型，则所述人工智能模型可以有利地用于求取相似度。在这种情况下，人工智能模型典型地将构件品质和/或在现场获得的性能数据与电子发射器几何信息链接。人工智能模型中的链接可以在训练之后进行验证。人工智能模型尤其可以配置用于过滤图像信息和/或注释图像信息，如在上文中作为接收电子发射器图像数据集时的可选的步骤所描述的那样。人工智能模型尤其可以适配于电子发射器几何模型或是适配于电子发射器几何模型的。求取相似度可以对应于将电子发射器几何信息输入到人工智能模型中。构件品质的估计原则上可以借助于人工智能模型进行。

46、一个实施方式提出，借助于人工智能模型使输入的电子发射器几何信息维度降低，以及借助于维度降低的电子发射器几何信息求取相似度。借助于人工智能模型尤其可以计算用于每个电子发射器的矢量，其中矢量的维度小于在现场获得的性能数据的数量，其中矢量的维度优选地小于或等于五，特别优选地小于或等于三。矢量的维度尤其可以等于二和/或大于一。

47、借助于人工智能模型尤其生成维度降低的信息密度分布。维度降低的信息密度分布尤其是人工智能模型的输出参数和/或所谓的“潜在空间(latent space)”或“潜在特征空间(latent feature space)”或“嵌入空间(embedding space)”。在生成维度降低的信息密度分布时，尤其将输入数据彼此链接，使得与对区分重要的输入数据相比，对区分不重要的输入数据被压缩和/或移除。对区分重要的输入数据尤其可以实现限界和/或造成电子发射器之间的更大的抽象距离。对区分不重要的输入数据可以是电子发射器的名称和/或一般通用的技术信息。对区分重要的输入数据尤其可以是与所选择的构件相关联的电子发射器几何信息和尤其可以与在现场获得的性能数据链接的其他构件的电子发射器几何信息。

48、可设想，人工智能模型仅处理对区分重要的输入数据，以及滤出和/或丢弃对区分不重要的输入数据。优选地可以借助于人工智能模型在对区分重要与对区分不重要之间进行输入数据的非二进制加权、例如线性加权。通过应用人工智能模型尤其可以将不同电子发射器的电子发射器几何信息和/或在现场获得的性能数据链接。

49、人工智能模型尤其可以实现尤其分散的输入数据的外推或内插。在应用人工智能模型时，输入数据的数量通常减少，使得维度降低的信息密度分布例如是二维的或三维的和/或可以可视化。由此，作为维度降低的输入数据之间的(先前所谓的抽象)距离，用户可以求取和/或感知电子发射器几何结构方面的差异。原则上可设想，自动地求取在维度降低的输入数据之间的距离。人工智能模型尤其训练成，使得这种电子发射器的对区分重要的输入数据越相似，其在信息密度分布中彼此就越靠近。

50、一个实施方式提出，借助于人工智能模型使具有带有伪影的电子发射器几何结构的第一类别与具有不带有伪影的电子发射器几何结构的第二类别间隔开(distanziert)，以及借助于电子发射器几何信息与第一类别或第二类别的关联求取相似度。所述实施方式尤其描述在求取相似度时的分类。原则上可设想，人工智能模型根据变形的数量和/或严重性来区分类别。尤其地，多于两个的类别是可行的。可行的类别可以是对应于“未变形”、“可接受的变形”和“异常变形”的分级。

51、根据本发明的计算机实现的用于提供经训练的人工智能模型的方法包括以下步骤：

52、-接收另外的电子发射器的在现场获得的性能数据作为输入数据，

53、-将包括编码器和解码器的神经网络应用于输入数据，其中计算输出矢量，其中编码器将第一数量的输入值映射到第二数量的输出值，并且其中解码器将第二数量的输入值映射到第一数量的输出值，其中第二数量小于第一数量，

54、-基于输出矢量与输入数据的比较来调整神经网络的参数，

55、-输出解码器作为经训练的人工智能模型。

56、一个实施方式提出，附加地接收另外的电子发射器的电子发射器几何信息作为输入数据。所述实施方式是尤其有利的，因为由此改进构件品质的估计。

57、根据本发明的人工智能模型构成用于根据本发明的计算机实现的方法。人工智能模型尤其根据计算机实现的用于提供经训练的人工智能模型的方法来训练。

58、根据本发明的阴极装置具有：

59、-阴极头，以及

60、-插入到阴极头中的电子发射器，其中电子发射器的构件品质借助根据本发明的计算机实现的用于估计电子发射器的构件品质的方法估计或是借助根据本发明的计算机实现的用于估计电子发射器的构件品质的方法估计的。

61、一个实施方式提出，电子发射器是面发射器。所述实施方式是尤其有利的，因为面发射器基于其刚性可能更倾向于变形，从而可以根据本发明估计面发射器的构件品质。

62、计算机程序产品可以是计算机程序或可以包括计算机程序。计算机程序产品尤其具有程序代码机构，所述程序代码机构描绘根据本发明的方法步骤。由此可以以限定的且可重复的方式执行根据本发明的方法，以及可以实施关于根据本发明的方法的转发的控制。计算机程序产品优选地配置为，使得计算单元可以借助于计算机程序产品执行根据本发明的方法步骤。程序代码机构尤其可以加载到计算单元的存储器中并且典型地借助于计算单元的处理器借助访问存储器来执行。如果在计算单元中运行计算机程序产品、尤其程序代码机构，则典型地可以执行所描述的方法的所有根据本发明的实施方式。计算机程序产品例如存储在物理的、计算机可读的介质上和/或作为数据包以数字的方式保存在计算机网络中。计算机程序产品可以是物理的、计算机可读的介质和/或在计算机网络中的数据包。因此，本发明也可以基于物理的、计算机可读的介质和/或在计算机网络中的数据包。物理的、计算机可读的介质通常可以直接与计算单元连接，其方式例如为：将物理的、计算机可读的介质置于dvd磁盘驱动器中或者插入usb端口中，由此计算单元尤其可以以读取的方式访问物理的、计算机可读的介质。数据包可以优选地从计算机网络中调用。计算机网络可以具有计算单元或借助于广域网(wan)或(无线)局域网连接(wlan或lan)与计算单元间接地连接。例如，计算机程序产品可以以数字的方式在云服务器上保存在计算机网络的存储位置处，借助于wan经由互联网和/或借助于wlan或lan传输到计算单元上，尤其通过调用指向计算机程序产品的存储位置的下载链接。

63、在描述设备时提到的特征、优点或替选的实施方式同样可以转用于方法，并且反之亦然。换言之，针对方法的权利要求可以借助设备的特征改进，并且反之亦然。尤其地，根据本发明的设备可以在所述方法中使用。