Modell zur Vorhersage von Prozessparametern eines Laserprozesses auf Basis von RGB-Farbwerten

<p>Künstliches neuronales Netz mit zwei verdeckten Schichten mit 50 bzw. 25 Neuronen und einer ReLU-Aktivierungsfunktion. Die Ausgabeschicht hat eine sigmoide Aktivierungsfunktion. Für das Training wird ein Adam-Optimierer verwendet, der den mittleren quadratischen Fehler der Vorhersage gegenüber der erwarteten Ausgabe minimiert und so die Gewichte des Netzes bestimmt.</p>

<br>

<h3>Eingänge zw. 0 und 1:</h3>
<ul>
<li><stong>b:</stong> Blau im RGB-Farbraum</li>
<li><stong>g:</stong> Grün im RGB-Farbraum</li>
<li><stong>r:</stong> Blau im RGB-Farbraum</li>
</ul>

<h3>Ausgänge zw. 0 und 1:</h3>
<ul>
<li><stong>hatch_um:</stong> Der Hatch-Abstand zwischen Scanlinien in µm</li>
<li><stong>power_mw:</stong> Die Laserleistung in mW</li>
<li><stong>pulse_us:</stong> Die Pulsrate in µs</li>
<li><stong>speed_um_s:</stong> Die Scangeschwindigkeit in µm/s</li>
</ul>

<h3>Skaliert wie folgt:</h3>
<ul>
<li>r, b, g: von 0 bis 255 [-]</li>
<li>hatch_um: von 1 bis 100 in [µs]</li>
<li>power_mw: von 1000 bis 20000 in [mW]</li>
<li>pulse_us: von 2 bis 10 in [µs]</li>
<li>speed_um_s: von 41666 bis 3333333 in [µm/s]</li>
</ul>

<br>

Das Modell kann mit dem folgenden Python-Code ausgeführt werden:
<pre>
<code>
from keras.models import load_model

def scale_value(x, new_min, new_max):
scaled_value = (x * (new_max - new_min)) + new_min
return scaled_value

r = 123
b = 231
g = 85
model = load_model('model.keras')
output = model.predict(np.array([b / 255, g / 255, r / 255]).reshape(1, -1))

hatch_um = int(scale_value(output[0][0], 1, 100))
power_mw = int(scale_value(output[0][1], 1000, 20000))
pulse_us = int(scale_value(output[0][2], 2, 10))
speed_um_s = int(scale_value(output[0][3], 41666, 3333333))
</code>
</pre>