CN100429716C - 用于检测记录载体上的异常的扫描设备和方法 - Google Patents

Abstract

一种用于扫描记录载体上的轨道的设备，具有用于扫描轨道以及生成扫描信号的光头(22)和前端电路(31)。检测单元(32)检测扫描信号中的异常，例如用于调整跟踪伺服。该检测单元(32)计算扫描信号的平均值，并且将该平均值与阈值进行比较，以提供异常检测信号(33)。而且，分类单元(34)提供了缺陷类型的指示，以确定适当的响应或校正动作。

Description

用于检测记录载体上的异常的扫描设备和方法

技术领域

本发明涉及一种用于扫描记录载体上的轨道的设备。

本发明还涉及一种扫描记录载体上的轨道的方法。

背景技术

在数据存储和检索系统中，伺服回路用于控制光头相对于记录载体上轨道的位置。扫描信号由光学拾取系统中的检测器产生，并且根据该信号生成伺服控制信号以驱动致动器，该致动器用于定位光头或其元件。然而，由于记录载体表面的污染或损坏，可能会生成对伺服信号的较大干扰。为了防止这种干扰，就要检测出扫描信号中的异常。

一种用于扫描轨道并读出信息的设备可以从专利申请WO00/17876中获知。该设备生成读出信号。该文献描述了通过确定预定时间间隔内的上部和下部包络信号值来检测读出信号中的干扰。在其后的时间间隔中，通过从上部包络信号值中减去下部值来计算差值。如果该差值小于预定边界值，就检测到干扰。已知的用于检测干扰的方法的问题在于该检测是基于由于轨道中的标记引起的读出信号的HF调制量，该HF调制由于多种影响所以变化相当大。例如，因为噪声尖峰会直接影响算得的值，所以上部和下部包络信号的计算可能是不可靠的。

发明内容

因此，本发明的目的是提供一种用于更加可靠地检测来自光头的信号中的干扰的设备和方法。

为此，根据本发明，提供了一种用于扫描记录载体上的轨道的设备，该设备包括：

用于扫描轨道的光头，

连接到该光头的前端单元，用于生成至少一个扫描信号，以及检测单元，用于检测扫描信号的异常，

该检测单元被设置用于计算扫描信号的平均值，并且将该平均值与阈值进行比较，以提供异常检测信号。将该平均值与阈值进行比较的作用在于检测到了平均值与期望值之间的偏差。该阈值可以基于例如该平均值加上或减去检测电平的长期平均值。

本发明还基于以下认识。现有技术的系统通过监测由轨道中的标记引起的HF调制信号分量的幅度提供了对数据信号异常的检测。令人惊奇的是，本发明人已经发现了该平均值为扫描信号提供了非常好和及早的异常指示，尤其是为来自诸如CD或DVD之类的光盘的扫描信号提供了所述异常指示。在该盘上的受损或污染区域的开始，甚至在能够检测到HF调制的显著变化之前，扫描信号的平均值就开始偏离。这样的优点是在非常早的时期就能够通过例如临时中断伺服误差信号的输入来操纵伺服控制回路。应当注意，提前几个微秒检测到异常与调整常用的伺服回路有关。早期的调整防止了生成大的致动器驱动信号，该信号通常是由此伺服控制回路中的微分元件产生的。

在该设备的一个实施例中，该检测单元被设置用于计算预定时间间隔的所述平均值，尤其是通过将预定数量的扫描信号的样本相加。利用预定时间间隔的优点在于，当新的信号值到达时能够容易地算出该平均值，并且该平均值会快速响应信号的变化。特别是，简单地将多个连续样本的信号值相加提供了一种容易计算出代表平均值的值的方法。

在该设备的一个实施例中，该前端单元包括尤其通过组合来自多个检测器部分的信号来用于生成作为扫描信号的镜像信号的装置，该信号表示经由轨道反射的辐射光束的辐射量。这样的优点是镜像信号的平均值可靠地表示了记录载体上的受损或污染区域，该镜像信号优选地包括来自每个可用检测器的信号。

该设备的一个实施例包括一个伺服单元，用于根据扫描信号控制光头或光头扫描元件的位置，以及用于根据异常检测信号来调整所述控制，尤其是用于在异常期间中断扫描信号。这样的优点是如果在盘上存在受损或污染区域，则可以减少对伺服功能的干扰。

在该设备的一个实施例中，该检测单元包括分类装置，用于通过比较扫描信号与对应于所述多种预定异常类别的多个基准信号来从多种预定异常类别中识别检测到的异常，从而生成所检测异常的分类结果。在该设备的一个实施例中，该分类装置被设置用于在异常期间确定扫描信号的至少一个特征值，并且将该至少一个特征值与一组预定异常类别中相应的特征值进行比较。该方法的优点是不同的分类结果可以用于不同的响应动作，例如可以不同地调整伺服系统，或者可以将特定的出错信息显示给用户，例如“请清洁盘”。

在该设备的一个实施例中，该分类装置被设置用于确定以下值中的至少一个作为特征值：平均值、持续时间、峰值、扫描信号样本值在预定数量的幅度带中的分布。计算所述分布证明了一种确定信号形状特性的容易的计算方法。

在该设备的一个实施例中，该分类装置被设置用于基本在异常检测信号表示异常之后的分类时刻生成分类结果。这样的优点是能够为早期警报优化检测，并且能够为可靠地表示随后时刻的干扰类型优化分类。

根据本发明提供了一种用于扫描记录载体上的轨道的设备，该设备包括：

用于扫描轨道的光头，

连接到该光头的前端单元，用于生成至少一个扫描信号，

用于检测扫描信号的异常的检测单元，

该检测单元被设置用于计算扫描信号的平均值，并且将该平均值与阈值进行比较以提供异常检测信号，和

分类装置，用于通过将扫描信号与对应于所述多种预定异常类别的多个基准信号进行比较以便从多种预定异常类别中识别检测到的异常，从而生成对于所检测的异常的分类结果。

还提供了一种扫描记录载体上的轨道的方法，该方法包括扫描轨道、生成至少一个扫描信号、计算扫描信号的平均值、将该平均值与阈值进行比较以提供表示检测到的异常的异常检测信号，产生对应于所述多种预定异常类别的多个基准信号，并且通过将扫描信号与多个基准信号进行比较以便从多种预定异常类别中识别检测到的异常，从而生成对于所检测的异常的分类结果。

在其它权利要求中将给出根据本发明的设备的其它优选实施例。

附图说明

本发明的这些及其他方面将参照以下说明中示例性描述的实施例并参照附图进行进一步说明而变得显而易见，其中

图1a示出了一个记录载体(顶视图)，

图1b示出了一个记录载体(横截面)，

图2示出了一个具有异常检测的扫描设备，

图3示出了两个扫描信号，

图4示出了一个检测器模型，

图5示出了用于计算平均值的FIR滤波器，

图6示出了一个缺陷模型，

图7示出了用于信号映射的缺陷信号特性，

图8示出了一个利用凝聚层次算法获得的树状图，

图9示出了包含在各个簇以及所确定的类别模型中的数据信号，

图10示出了一个缺陷检测和分类单元，以及

图11示出了一个分类过程。

在附图中，与已经描述的元件相应的元件具有相同的参考数字。

具体实施方式

图1a示出了一个盘状记录载体11，其具有轨道9和中心孔10。根据旋转的螺旋图案设置轨道9，该轨道是表示信息的一连串(将要)记录的标记的位置，该旋转的螺旋图案在信息层上构成了基本上平行的轨道。该记录载体可以是光学可读的，称作光盘，并且具有可记录类型的信息层。可记录盘的实例是CD-R和CD-RW、诸如DVD+RW之类的可写类型的DVD、以及利用蓝色激光的高密度可写光盘，称作蓝光光盘(BD)。可以在以下参考文献中找到关于DVD盘的进一步细节：ECMA-267：120mm DVD-Read-Only Disc-(1997)。通过沿着轨道设置光学可检测标记，例如坑或相变材料中的晶状或非晶形标记，来将信息表示在信息层上。可记录类型记录载体上的轨道9由制造空白记录载体期间提供的预压纹轨道结构表示。该轨道结构例如由预制槽14构成，其能够使读/写光头在扫描过程中跟随轨道。该轨道结构包括位置信息，例如地址。

图1b是沿可记录类型记录载体11的线b-b截取的横截面图，其中透明基片15具有记录层16和保护层17。保护层17可以包括另一基片层，例如在DVD中，记录层位于0.6mm的基片处，并且0.6mm的另一基片粘结到记录层的背面。预制槽14可以以基片15材料的压痕或隆起来实现，或者以特性与其周围不同的材料来实现。

图2示出了一个具有异常检测的扫描设备。该设备具有用于扫描记录载体11上的轨道的装置，该装置包括用于旋转记录载体11的驱动单元21、光头22、用于相对轨道定位光头22的伺服单元25、以及控制单元20。光头22包括一个已知类型的光学系统，用于生成辐射光束24，该光束被引导通过光学元件从而聚焦为记录载体信息层的轨道上的辐射光点23。诸如激光二极管之类的辐射源生成辐射光束24。该光头进一步包括(未示出)用于沿所述光束的光轴移动辐射光束24焦点的聚焦致动器，以及用于在径向上将光点23精细定位在轨道中心上的跟踪致动器。该跟踪致动器可以包括用于径向移动光学元件的线圈，或者可选择地被设置用于改变反射元件的角度。伺服单元25发出的致动器信号驱动聚焦和跟踪致动器。为了读出，利用光头22中诸如四象限二极管之类的普通类型的检测器检测信息层反射的辐射，以用于生成耦合到前端单元31的检测器信号，该前端单元31用于生成各种扫描信号，包括读出信号、跟踪误差信号以及聚焦误差信号。该误差信号耦合到用于控制所述跟踪和聚焦致动器的伺服单元25。普通类型的读出处理单元30处理该读出信号，该处理单元30包括解调器、解格式化器以及检索该信息的输出单元。

控制单元20控制信息的扫描和检索，并且可以被设置用于接收来自用户或者主计算机的命令。控制单元20通过例如系统总线的控制线26连接到该设备中的其它单元。控制单元20包括用于实施下述过程和功能的控制电路，例如微处理器、程序存储器和接口。该控制单元20也可以以逻辑电路中的状态机来实现。在实施例中，该控制单元实施下述的检测异常和/或将异常分类的功能。

该设备包括用于如下检测扫描信号中异常的检测单元32。如果检测到异常，则生成异常检测信号33。为了检测，计算了扫描信号的平均值。该平均值可以是信号值的滑动平均值。将该平均值与下述例如是长期平均值的阈值进行比较。如果阈值与算得的信号平均值之差超过了预定检测级别，则将异常信号设为活动状态。在实施例中，检测单元32计算预定时间间隔的平均值。所选择的该时间间隔长于一般周期性信号分量，例如轨道中的最长标记。在实施例中，通过将预定数量的扫描信号样本相加来计算表示平均值的值。要注意，当设定阈值时，需要考虑此平均值信号中的DC分量。

在实施例中，前端单元31具有将来自几个检测器的信号相加的组合电路，用于生成作为扫描信号的镜像信号MIRN，该信号表示经由轨道反射的辐射光束的辐射量。在实施例中，该组合电路将来自每个可用检测器部分的信号组合起来。

在实施例中，伺服单元25具有用于在激活异常检测信号33时调整伺服控制功能的单元。该调整作用在致动器信号上，例如保持实际值直到异常结束。在实施例中，在异常期间中断了由扫描信号产生的误差信号，即使之为零。可选择的是，伺服控制单元具有用于根据推断误差信号一直到异常来提供致动器信号的单元。在实施例中，用于调整的伺服单元25具有用于下述分类结果的输入端。根据分类来选择调整的类型，例如在较小干扰类型的异常期间恢复正常的伺服操作。

在检测单元的实施例中包括分类单元34，用于生成所检测的异常的分类结果。该异常被分类为具有对应于多个类别之一的某种类型。在异常检测信号指示异常之后的分类时刻生成该分类结果。因此，有一段可用于处理的时间。已经注意到，至少对于光盘扫描信号来讲，例如通过极大似然估计量来直接检测特定类型的干扰显著地慢于首先通过平均值偏差检测异常、随后对异常进行分类。

首先，在异常期间确定扫描信号的多个特征值，例如平均值、持续时间、峰值、预定数量幅度带中扫描信号样本值的分布。然后，例如通过计算多维空间中的距离，将确定特征值与一组预定异常类别的对应特征值相比较。在实施例中，一旦对于异常类别之一的所述比较指示有一个差值比剩余异常类别的差值小至少一个预定阈值，就生成分类结果。

在实施例中，该设备具有用于将信息记录到记录载体上的装置，该载体的类型是可写的或可重写的，例如CD-R或者CR-RW、或者DVD+RW或BD。该设备包括写入处理装置，用于处理输入信息以生成驱动光头22的写入信号，该装置包括输入单元27，以及包括格式器28和调制器29的调制器装置。为了写入信息，控制辐射以在记录层中生成光学可检测标记。该标记可以以任意的光学可读形式例如以反射系数不同于其周围的区域的形式在材料中记录时被获得，该材料例如染料、合金或者相变材料，或者可以以磁化方向不同于其周围的区域的形式在磁光材料中记录时被获得。

记录在光盘上的信息的写入和读出、以及格式化、纠错和信道编码规则是现有技术中已知的，例如根据CD或DVD系统。在实施例中，输入单元27包括用于输入信号的压缩装置，该输入信号例如是模拟音频和/或视频、或者数字未压缩音频/视频。说明了用于MPEG视频标准的适当压缩装置，在ISO/IEC 11172中定义了MPEG-1，以及在ISO/IEC13818中定义了MPEG-2。根据这些标准，已经可选择地编码了该输入信号。

在写入设备的实施例中，前端单元31和检测单元32包括一个开关，用于在该设备处于写入模式时将一个不同信号设定为扫描信号和/或一个用于比较平均值的不同阈值。

以下参照图3到11描述了检测和分类功能的另外的实施例。

图3示出了两个扫描信号。上面的轨迹38是高频信号，下面的轨迹39是径向误差信号，它们受到由箭头37表示的区域中的盘缺陷的影响。注意，可以为与光盘的质量有关的光盘驱动器识别出一个特定组的干扰。由于用户对该盘错误或者粗心的处理会使质量严重变差，或者如果该盘是粗制滥造的，则从一开始质量就不好。人们关心在聚碳酸酯基片上出现的划痕、污点和手印或者包含在基片层中的异常和杂质。这些与盘有关的现象称作盘缺陷，该缺陷局部出现在盘上，并且会扭曲激光束的反射。因此它们导致了异常的光电信号，该光电信号又会影响HF以及伺服信号的生成，并且会影响依赖这些信号的所有驱动元件的性能。HF信号还受到刻印坑的几何形状以及它们在盘上出现的顺序的影响。在这个坑/平面结构中的异常的起因不同，并且因此将它们从称作盘缺陷的干扰的组中排除掉。对术语盘的缺陷将使用下面的定义：盘的缺陷是局部出现在光盘上或光盘中的那些特征，其导致轨道信号的性能与根据信息轨道的几何形状以及盘的尺寸或形状所能够预期的不同。注意，这个定义排除了诸如偏心、倾斜和歪斜之类的现象。根据标准化的缺陷，盘缺陷再分为若干类，例如黑点、手印和划痕。

光盘驱动器配备有几个伺服控制器，它们确保激光光点在信息轨道上的正确定位。为了精确跟踪，该控制器必须强烈响应大的位置误差，这能利用高带宽控制器来实现。盘的缺陷还在有时导致较大的位置误差。因为这些误差是不可靠的，所以理想的是该控制器根本不应响应它们，这意味着可以使用低带宽控制器。即使使用更复杂的控制器，也不足以在不牺牲跟踪性能的情况下改善关于盘的缺陷的可播放性。这仅仅是由于这样的事实：一旦出现盘的缺陷，光电跟踪信号就变得严重地失真。可能的扫描信号是多种伺服信号，例如标准化径向误差和聚焦误差(分别是REN和FEN)、标准化镜像信号(MIRN)、标准化倾斜信号和HF数据信号，该标准化镜像信号(MIRN)是光电检测器接收的激光总量的量度。根据实验更加清楚的是：MIRN和HF信号性能都显示了与引入的盘缺陷的最直接关系。HF信号包含带有数字数据的高频分量。当研究较低频率范围中出现的盘缺陷的影响时，此分量能够被视为噪声。仅次于MIRN信号，它在监测REN和FEN信号的性能时是有用的，因为这些信号直接涉及激光光点的定位。显然，在出现盘缺陷期间，REN和FEN信号是不可靠的。闭环控制系统调整激光光点位置的事实增加了这种不可靠性。因此当分析这些信号时必须当心，但是它们可以用于检测盘缺陷的开始。调整伺服控制的成功依赖于及时检测特定干扰以采取所需对策的能力。当该类型缺陷上的信息有效时，还可能选择最适当的策略。因此，以下讨论对盘缺陷的检测和与检测紧密相关的识别。

盘的缺陷检测主要检验两种假设，即假定信号记录(y₁，y₂，......y_k)，确定两种假设H₀(无缺陷)或H₁(有缺陷)中的哪一个为真。在线检测意味着因果系统。这意味着在异常出现时不可能精确地对其进行检测。某一延迟Δt固有地存在于异常实际出现时t＝t_s和检测异常时t＝t_s+Δt之间。目前检测系统的目的是在变化出现之后尽可能快地对其进行检测，以便每次在前一次检测和当前时刻k之间检测至多一个变化。注意，检测问题还可以包括分类或识别。在这两种情况下，由信号表示的动态系统的性能与已知类型的性能进行了比较。基于这个比较，根据预定规则作出了判定。对于检测，判定是否存在异常，而在分类或识别的情况下，我们判定下述的性能(信号)属于哪个类别。使盘缺陷的检测和识别分离意味着一种能够检测所有不同类型的盘缺陷的算法。这就减少了对于快速缺陷识别的要求，因此能够提高识别精度。然而，在缺陷检测过程中的错误报警的机会增多了。因为检测器必须能够检测所有缺陷，所以其分辨率将降低。这就更难以区分盘的缺陷与其它信号畸变。然而，在错误报警的情况下，当缺陷检测引发的对策没有危及该驱动器的正常功能时，该检测器的可靠性降低也就变得无关紧要了。

图4示出了一个检测器模型。转换机构42将对于给定源41的假设映射到观测空间43中。这种映射是从检测必须符合的准则得出的。通过将判定规则44施加到映射结果上，就完成了有效假设的选择。此处讨论的检测方法将MIRN信号用作输入。检测器的任务是检测输入中是否存在由基准信号y_c(k)表示的缺陷的影响。首先，定义了关于盘的缺陷检测问题的两种对应假设H₀和H₁。无效假设H₀表示未出现盘的缺陷，而当出现盘的缺陷时H₁为真。在这两种假设下该MIRN信号的观测是：

H₀：y(ts+k)＝y_n(ts+k)

H₁：y(ts+k)＝y_n(ts+k)+y_c(k)

其中k＝1，2，......，N确定了检测窗y(t_s)＝(y(t_s+1)，y(t_s+2)，...，y(t_s+N))。信号y_c(k)表示基准信号，以及t_s是缺陷到达时间。MIRN信号和缺陷信号的观测共同称作源41。与这两种假设相关联的是两个条件概率密度Py(t_s)|H₀(y|H₀)和Py(t_s)|H₁(y|H₁)。如果给定y_s的实际观测，则它们分别定义了H₀和H₁的概率。为了确定这两种假设中哪一个为真，需要一种判定法则。对于该法则的要求是其使给定检测时间内的判定可靠性最大。换句话说，它必须使给定水平的可靠性的检测时间最少。假设错误报警的概率和漏检测的概率直接与检测时间相关，或者如果给定采样时间，它们还直接与检测窗的大小相关。在这种情况下，似然比检验产生了关于那些准则的最佳判定法则。它定义为：

$\frac{p_{y\left(t_s\right)|H_1\left(y\right|H_1)}}{p_{y\left(t_s\right)|H_0\left(y\right|H_0)}}>H_1\≤H_0\mathrm{\η}$

其中当左侧的比率大于阈值η时接受H₁。否则拒绝H₁，表示没有检测到缺陷。在图4中，似然比形成了概率性转换机构42，而阈值比较是判定法则44。为了简化，假设正常的、未受影响的MIRN信号是具有方差λ的不相关、零均值随机过程(高斯白噪声)。在该情况下，出现盘缺陷的似然比检验是：

$\underset{k=1}{\overset{N}{\mathrm{\Σ}}}y(t_s+k)y_c\left(k\right)>H_1\≤H_0\frac{1}{2}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{y}_c^2\left(k\right)+\mathrm{\λ}\·\ln \mathrm{\η}$

其可以写成简单离散时间FIR-滤波器的形式。因而该检测器变为：

$\underset{k=0}{\overset{N}{\mathrm{\Σ}}}{Y}_c(N-k)(z^{-k}\·Y\left(z\right))>{.H}_1\≤H_0\mathrm{TH}$

其中TH表示新的阈值。未受影响的MIRN信号能够由高斯白噪声进行描述的假设不是非常现实的。更为现实的表达式能够通过引入准稳MIRN信号的噪声色彩而获得。阈值TH和检测窗大小N的选择取决于对检测速度和可靠性的要求。这些要求本身又取决于光盘驱动器的其它因素，例如盘的缺陷期间所采用的控制策略、数据解码和纠错算法。

图5示出了一个用于计算平均值的FIR滤波器。将信号样本提供给输入51。适当数量的部分延迟了样本，并且将该样本添加到先前的结果以获得输出平均值52，该平均值52是要与以上最后一个公式给出的阈值进行比较的。FIR滤波器形成了最大似然检测器的核心。基本上，该滤波器的输出是N个输入信号样本与N个相应的假设缺陷基准信号样本的乘积。可以看出，检测窗中的基准信号y_c(k)的斜率是确定FIR滤波器响应的幅度的特征。

图6示出了一个缺陷模型。曲线62表示基于所检测的缺陷的基准信号。该缺陷以基准信号61为模型，该基准信号61具有无限陡峭的斜率。如上参照图5所述，“块状”基准信号61提供了用于可靠检测的模型。只要相应地调整相应阈值，就能够任意选择这个“块状”缺陷模型的幅度。注意，当选择块状缺陷信号的幅度等于1时，FIR滤波器的输出减少到N个输入MIRN信号样本的简单的总和。

及时知道影响光盘驱动器的盘缺陷的类型就可能选择或者调整控制策略以及其它对策，以消除盘的缺陷对于该系统的影响。因为受到盘缺陷影响的信号的参数模型是无效的，所以像诸如Kalman滤波器的估计方法就不能用于识别盘的缺陷。通过将新的信号与已知缺陷信号的数据库进行比较来识别盘的缺陷就解决了这个问题，只要该数据库包含足够的测量值。如果存在大量可能的盘缺陷，这种方法的可行性就受到数据库的可用存储空间以及检索存储数据的算法速度的限制。通过在整个数据集中识别有限数量的类别能够减少包含基准信号的数据库的大小，每个类别描述了一大组缺陷信号。

在检测到缺陷之后，需要一种独立的算法来将前述出现的缺陷分类。这种分类是通过比较缺陷信号与一组基准信号实现的，每个基准信号描述了一类盘的缺陷。进行这种比较的一种适当选择是MIRN信号。一旦缺陷滤波器检测到缺陷，就构建了输入MIRN信号的特征矢量p。这个矢量包含对几个预定幅度带中的平均值、持续时间、绝对峰值和样本数量的估计。当检测时，仅有N个信号样本是有效的，但是对于每个新的样本而言，额外的信息变为有效的，并且因此对各种特性的估计变得更加准确。对于基准信号而言，能够离线确定由Pc表示的特征矩阵或查找表。此矩阵的每行n，n＝1，2，3，...保持相应基准信号的前N+n-1个样本的特征矢量。在每个时刻k，能够计算输入信号特征矢量p与所有类别基准信号特征矢量之间的距离，例如欧几里得距离。当有效样本的数量足够大时，这些距离之一将显著变小，表示相应基准信号与输入缺陷信号之间存在强烈的相似性。对这种相似性进行确认，从而在缺陷过程中的早期，即在缺陷结束之前在线识别出了出现的盘的缺陷。

注意，对于检测和分类算法而言，需要MIRN信号的偏移抵消。通过在MIRN信号未受任何干扰影响时计算该信号的平均值来确定该偏移。根据固定数量的未受影响样本能够计算出所需的偏移值，并能够使其反复更新。此外，良好的初始偏移值必须是有效的，例如在驱动器初始化顺序过程中确定的偏移值。

在写入设备的实施例中，检测器必须适于激光器功率调整。当光盘驱动器从写入模式切换到读出模式时，激光器在高的和低的功率之间切换，反之亦然。这种调整造成MIRN信号电平的严重变化，缺陷检测器将错误地对该电平作出反应。处理这个现象的一种简单方法是每当进行激光功率调整时，就短时段地忽略缺陷检测器的输出。

图7示出了用于信号映射的缺陷信号特性。用于在线分类算法的基准信号表示不同类别的盘缺陷。用于获得那些不同盘缺陷类别的分类过程示意如下：收集缺陷数据信号并进行预处理(滤波并去除DC偏移)、信号映射(提取有限组特征属性)、归簇(识别具有相似信号特性的组)、类别建模(通过利用一个描述信号描述每簇中的信号来将盘的缺陷分类)。

缺陷数据集的信号映射如下。确定了具有如图7所示的信号特性的矢量，其将数据信号映射到多维特性空间上。第一特征属性是盘缺陷信号的平均值(μ_y)71。该值尤其用于区分反射率比正常盘高的和低的缺陷。对于反射率比正常盘低的黑点而言，该平均值将在0以下，而对于白点而言，其将为正的。第二特征参数是持续时间(N)72，当测量设备的采样时间已知时，持续时间能够通过被测样本的数量来表示。第三特性是盘缺陷信号的峰值(max|y|)73。为了对所有的盘缺陷的值进行公平的比较，采用了绝对峰值。否则，白点的峰值将总是高于黑点的峰值。这是不希望的，因为信号在聚焦情况下相对于正常情况具有不同的性能。最后，将信号分为由虚线表示的固定数量的幅度带(Δy)74，并且计算落入每个带中的样本数量。对于每个幅度带所得到的值构成了特性参数的集合。所有这些信号特性不可能产生相同数量级的值。因此，将加权因数添加到所有参数中，以便获得信号特性的平衡集。

归簇和类别建模的过程是可以从文献中得知的。根据不同类型缺陷的测量信号集合进行归簇，从而确定其产生特征矢量的特征值并且通过确定这些矢量之间的相互距离来对特征矢量进行归簇。利用以上提出的信号映射，能够构建L个不同的m维特征矢量p_r＝(f₁(y_r)，f₂(y_r)，...，f_m(y_r))，r＝1，2，...，L。直接使用相似性几何插值法的归簇方法是凝聚层次归簇。这种归簇方法的输入是所谓的相异性个体对个体矩阵，其中每个个体视为由S_h表示的单独的簇或者单元素集，h在H中。注意，H是所有簇标的集合，并且各个h唯一地与一个簇相关。对于L个对象的凝聚层次归簇来讲，集合H具有2L-1个标记，其中前L个元素对应于最初的个体或者单元素集。通过计算该数据集中每对对象之间的距离，从而根据映射数据点能够容易地获得该相异性矩阵。对于矢量距离的各种定义都是可用的，例如：

欧几里得距离

$d_{\mathrm{rs}}=\sqrt{(p_s-p_r){(p_s-p_r)}^T}$

市街区距离

$d_{\mathrm{rs}}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}|p_{\mathrm{rj}}-p_{\mathrm{sj}}|$

以及(以更一般的表示法)闵可夫斯基量度

$d_{\mathrm{rs}}={\left\{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{|p_{\mathrm{rj}}-p_{\mathrm{sj}}|}^p\right\}}^{1/p}$

下标r和s表示相应簇的标记。优选的距离量度是欧几里得距离，通常表示为|p_s-p_r|。利用以上距离量度，能够构建相异性矩阵D＝[d_rs]，其中r，s＝1，2，...，L。注意，D是对称的，并且其主对角线的元素为0。利用该可用的相异性矩阵，归簇算法的主要步骤如下。

步骤1找到该相异性矩阵中的最小值d(r*，s*)，r*≠s*，并且形成了合并簇S_h＝S_r*∪S_s*，h∈H。

步骤2通过用一个新行(和列)来代替r*、s*的行和列来变换该相异性矩阵，其中其相异性定义为

d(r，s)＝F({S_r}，{S_s}，l_r，l_s)

其中r，s∈{1，2，...，h}∩{r*，s*}’。F是固定相异性函数，l_r、l_s分别定义了簇S_r和S_s中对象的数量。如果所获得的簇的数量大于2，则转到步骤1，否则结束。

函数F定义了合并簇之间的相异性。因为这些簇能够包含不只一个对象，此处不能使用上述的距离量度。用于定义簇间距离或相异性的几种方法如下给出：

最近的邻近值(单独连接)利用了两个簇S_r和S_s中对象之间的最小距离。

d(r，s)＝min|p_sj-p_ri|，i∈(1，...，l_r)，j∈(1，...l_s)

最远的邻近值(完全连接)利用了两个簇中对象之间的最大距离。

d(r，s)＝max|p_sj-p_ri|，i∈(1，...，l_r)，j∈(1，...l_s)

平均连接利用了两个簇S_r和S_s中所有对象对之间的平均距离。

$d(r,s)=\frac{1}{l_r{l}_s}\underset{i=1}{\overset{l_r}{\mathrm{\Σ}}}\underset{j=1}{\overset{l_s}{\mathrm{\Σ}}}\left|\right|p_{\mathrm{sj}}-p_{\mathrm{rj}}\left|\right|$

形心连接利用了两个组S_r和S_s的形心之间的距离。

d(r，s)＝‖p_s-p_r‖

${\stackrel{\‾}{p}}_r=\frac{1}{l_r}\underset{i=1}{\overset{l_r}{\mathrm{\Σ}}}{p}_{\mathrm{rl}}$

类似地定义了p_s。

Ward连接利用了增量平方和；即由合并簇S_r和S_s产生的组平方和内总量的增加。

$d(r,s)=l_r{l}_s\frac{d_c^2(r,s)}{l_r+l_s}$

其中d_c ²(r，s)是形心连接中定义的簇S_r和S_s之间的平方距离。当这些连接方法应用于结构良好的数据时，它们将全部产生相同或近似相同的结果。当该数据的结构稍微隐藏或复杂时，这些方法可以产生十分不同的结果。在后一种情况中，单独和完全连接方法表示通常接受的要求的两种极端，该要求是“自然”簇必须在内部是凝聚的并且同时与其它簇分离。单独连接的簇是分离的，但是能够具有非常复杂的链式和非内聚形状。相反，完全连接的簇是非常内聚的，但是根本不是分离的。其它三种方法导致所生成的簇的内聚性与分离之间的平衡。凝聚层次归簇方法能用图形表示为分级簇树或树状图。

图8示出了一个树状图，其是利用凝聚层次算法获得的。根据以上提出的各种选择，选择了欧几里得距离量度和Ward连接方法。选择欧几里得距离量度是因为其易于计算并且其几何解释是直接的。选择Ward连接方法是因为其在簇的内聚性与分离之间提供了良好的平衡。当与类似方法(平均和形心连接)进行比较时，Ward连接根据对相应缺陷信号及其实际解释的分析似乎会产生最佳逻辑归簇。在该图中，水平轴上的数字表示原始单元素集的下标，并且它们被称作叶节点。连接水平线被称作内节点，表示对象之间的连接。垂直连接线的高度表示所连接的对象之间的距离。利用这个簇树的图形表示，通过在树状图中绘制水平线81就确定了适当数量的簇C。在这条线下连接的所有叶节点(表示个体)属于一个特定的簇。然而，对于基准测量集进行的归簇处理的最终结果能够包含不一致性。一个实例是由于小信号幅度变化造成指纹信号的分离。为持续时间特性选择适当的加权因数能够防止这种不一致性。另一个实例是将黑点和白点组合到相同的簇中。为平均值特性选择加权因数就消除了这种不一致性。

归簇的结果是产生适当数量的缺陷类别，总结于下表中。

该过程的最后步骤是为每簇生成单独的描述，称作类别模型。问题在于推导出适当描述属于一个簇的所有信号的代表信号(或类别模型)。不可避免的是，必须使对于单个信号的说明的准确度与其对于整个簇的一般有效性之间达到平衡。为此，一种直接的方法是为簇中的时序拟合一个函数，其根据某一标准估计数据。这种方法的关键问题在于选择一种通用形式的函数以及选择适当的标准。一个标准是所拟合的函数与数据点之间的误差的平方和。利用此标准的方法通常表示为最小二乘(LS)法。优选的是，函数或模型结构是以将信号与生成它们的系统联系起来的(物理)法则为基础。当这种结构无效时，必须使用一种更常见的结构。这种常见的函数结构的实例是傅里叶和普罗尼分解，该分解分别以正弦或复指数函数的和来估计数据。其它可能性是以多项式或样条来估计数据。为了获得每个盘缺陷簇的描述信号，利用了最小二乘多项式拟合法。为此，通过簇的信号拟合了次数n＝15的多项式，这证明是足够准确的。然而，由于所拟合的函数的性质，在所生成的信号中观察到了一些小振荡，这在原始时序中是不存在的。尤其是，在缺陷信号的边沿，当利用缺陷类别信号进行在线检测或分类时，这些偏离会更明显。为此，必须尽可能精确地获知信号的起始和终止区域。采用使用样条的拟合例程可以解决这个问题，因为样条提供了将对拟合信号斜率的要求施加到要求额外准确度的区域中的可能性。将每个类别的类别模型映射到上述特征值的矢量。最终，在分类单元中，在特征值矢量与所检测的异常的特征值矢量之间确定了距离量度。

图9示出了包含在每个簇以及所确定的类别模型中的数据信号。该图表示了适合已归簇的盘缺陷信号的多变量15次多项式。细曲线中表示了六个类别的盘缺陷信号(S₁∪S₂、S₃、S₄、S₅、S₆、S₇)，而所拟合的类别模型示为粗线。

图10示出了一个缺陷检测及分类单元。在输入端91处，输入所要监测的扫描信号样本，例如上述的MIRN信号。在滤波单元92中，计算例如有限冲激响应(FIR)以及信号监测周期的平均值。选择监测周期以可接受的错误报警速率提供早期警报。以上在图5中给出了滤波单元92的一种实施方式。将所述周期平均值(称作FIRu)提供给阈值检测器93，其通过比较该平均值与检测阈值来检测异常，从而生成异常检测信号(称作defo)。异常检测信号耦合到各种特征值单元，用于开始分类处理。平均值单元94计算总缺陷的第一特征值。该单元在检测之前接收第一周期的平均值(已经在单元92中确定的FIRu)作为起始值u₀。持续时间单元95通过计数样本来计算所检测缺陷的第二特征值。最大值单元96在缺陷期间计算缺陷的第三特征值。信号存储器97保持监测周期中扫描信号的先前样本，其对于确定所述最大值的初始值的最大值单元96是可用的。幅度分布单元98计算缺陷期间信号的剩余特征值，还从信号存储器97接收先前的样本。分布单元98的输出是11个称作bin0、bin1、......、bin10的信号值带的特征值。在多路复用单元99中，将所有特征值组合为一个描述当前检测缺陷的矢量。在欧几里得距离单元100中，计算到预定类别模型矢量的距离。将每个类别的输出提供给最终的多路复用单元101，其将所生成的矢量馈入类别确定单元102中。这个单元指示出哪个类别具有最小的距离，并因此提供分类。

图11示出了一个分类过程。垂直地给出了所确定的距离值，以及水平地给出了样本的数量，即实际时间。在样本80附近进行检测，标有S₁∪S₂、S₃、S₄、S₅、S₆和S₇的曲线表示了各个类别的距离计算。可以看出，曲线S₄表示小距离，而其它的类别曲线表示较大距离。在样本120附近，可以判定该缺陷属于类别S₄。

尽管主要通过利用光盘数据存储器的实施例描述了本发明，但本发明还适于其它记录载体，例如矩形光学卡、磁盘或任何其它类型的需要元件跟踪或位置控制的伺服控制系统。注意，在本文件中词语“包括”不排除不同于所列出的其它元件或步骤的出现，以及元件前的词语“一”或“一个”不排除多个这种元件的出现，并且任何附图标记不限制权利要求的范围，本发明可以利用硬件和软件实现，并且几种“装置”或“单元”可以由软件或硬件的相同项来表示。而且，本发明的范围不限于实施例，并且本发明在于上述的每个新颖特征或这些特征的组合中。

Claims (16)

1.一种用于扫描记录载体上的轨道的设备，该设备包括：

用于扫描轨道的光头，

连接到该光头的前端单元，用于生成至少一个扫描信号，

用于检测扫描信号的异常的检测单元，

该检测单元被设置用于计算扫描信号的平均值，并且将该平均值与阈值进行比较以提供异常检测信号，和

分类装置，用于通过将扫描信号与对应于多种预定异常类别的多个基准信号进行比较以便从所述多种预定异常类别中识别检测到的异常，从而生成对于所检测的异常的分类结果。

2.根据权利要求1所述的设备，其中该检测单元被设置用于计算预定时间间隔的所述平均值。

3.根据权利要求2所述的设备，其中预定时间间隔的所述平均值是通过将预定数量的扫描信号样本相加来计算的。

4.根据权利要求1所述的设备，其中该前端单元包括生成作为扫描信号的镜像信号的装置，该镜像信号表示经由轨道反射的辐射光束的辐射量。

5.根据权利要求4所述的设备，其中所述镜像信号是通过组合来自多个检测器部分的信号来生成的。

6.根据权利要求1所述的设备，其中该设备包括伺服单元，用于根据扫描信号来控制光头或该光头的扫描元件的位置，以及用于根据异常检测信号来调整所述控制。

7.根据权利要求6所述的设备，其中所述伺服单元适用于调整所述控制，以便在异常期间中断扫描信号。

8.根据权利要求1所述的设备，其中该分类装置被设置用于在异常期间确定扫描信号的至少一个特征值，并且将该至少一个特征值与多个预定异常类别中相应的特征值进行比较。

9.根据权利要求8所述的设备，其中该分类装置被设置用于计算多维空间中的距离，以用于与所述特征值的比较。

10.根据权利要求9所述的设备，其中该分类装置所计算的距离是欧几里得距离。

11.根据权利要求1所述的设备，其中该分类装置被设置用于确定以下值中的至少一个作为特征值：平均值、持续时间、峰值、扫描信号样本值在预定数量的幅度带中的分布。

12.根据权利要求1所述的设备，其中该分类装置被设置用于在异常检测信号指示异常之后的一个分类时刻生成分类结果。

13.根据权利要求1所述的设备，其中该分类装置被设置用于在对于异常类别之一的所述比较结果指示有一个差值比剩余异常类别的差值低至少一个预定阈值时立即生成分类结果。

14.根据权利要求6所述的设备，其中该伺服单元被设置用于还根据分类结果调整所述控制。

15.根据权利要求6所述的设备，其中该伺服单元被设置用于在小干扰类型的异常过程中根据扫描信号恢复控制。

16.一种扫描记录载体上的轨道的方法，该方法包括扫描轨道、生成至少一个扫描信号、计算扫描信号的平均值、将该平均值与阈值进行比较以提供表示检测到的异常的异常检测信号，产生对应于多种预定异常类别的多个基准信号，并且通过将扫描信号与多个基准信号进行比较以便从所述多种预定异常类别中识别检测到的异常，从而生成对于所检测的异常的分类结果。

Images