光学元件损伤所属表面的分类方法与流程

文档序号:11231303阅读:972来源:国知局
光学元件损伤所属表面的分类方法与流程

本发明涉及一种分类方法,特别涉及一种光学元件损伤所属表面的分类方法。



背景技术:

大型固体激光装置规模宏大,光学元件数量众多,输出能量和功率高,是惯性约束核聚变(icf,inertialconfinementfusion)研究的主力装置。在高功率条件下,光学元件损伤成为了人们必须解决的棘手问题。惯性约束核聚变大型固体激光装置的终端光学组件集成了大口径的晶体光学元件,在高能量激光的辐照下极易产生损伤,为了确保及时发现与跟踪损伤的增长过程,终端光学元件损伤在线检测系统(finalopticsdamageonline-inspection,fodi)在每次打靶实验后,对终端光学元件采集图像,使用数据处理模块对图像中的损伤进行识别与分类,标记出所有可能的损伤,但并不能对损伤所属表面进行分类,这不满足fodi系统的技术需求。



技术实现要素:

针对上述不足,本发明提供一种自动区分入光面损伤或出光面损伤的光学元件损伤所属表面的分类方法。

本发明的光学元件损伤所属表面的分类方法,所述方法包括如下步骤:

步骤一:选取光学元件;

步骤二:利用fodi系统采集光学元件真空隔离片的损伤在线图像,并在该光学元件真空隔离片通光口径范围内标记出所有的损伤点,每一个损伤点用特征向量表示;

步骤三:对光学元件真空隔离片通光口径范围内的入光面与出光面逐一扫描,记录下损伤点位置与形态,作为离线数据;

步骤四:使用几何变换把步骤三的离线数据匹配到步骤二采集的在线图像上,获得入光面与出光面损伤的训练样本集;

步骤五:建立分类模型,采用训练样本集训练分类模型,获取分类模型的最优参数;

步骤六:利用具有最优参数的分类模型对光学元件的损伤进行分类,确定为入光面损伤或出光面损伤。

优选的是,所述步骤四还包括:

利用具有最优参数的分类模型对测试样本集进行分类,判断分类准确率,若分类准确率满足要求,则转入步骤六;否则,增加设定的样本采集数量,转入步骤一;

所述步骤一为:根据设定的样本采集数量,选取光学元件。

优选的是,所述特征向量包括损伤点的像素面积、信号灰度和、噪声灰度和、信号均值、信号方差、噪声均值、信号最大灰度值、噪声最大灰度值、局部信噪比的和、信号与噪声能量比、饱和面积比、饱和灰度比、匹配椭圆长轴长和匹配椭圆短轴长、损伤点所在的图像的横坐标、损伤点所在的图像的纵坐标。

优选的是,所述分类模型采用机器学习中的核形式的超限学习机实现。

优选的是,所述步骤四为:

使用几何变换把步骤三的离线数据匹配到步骤二采集的在线图像上,获得入光面与出光面损伤的样本集,将入光面与出光面损伤的样本集分成两部分,一部分作为训练样本集,另一部分作为测试样本集。

上述技术特征可以各种适合的方式组合或由等效的技术特征来替代,只要能够达到本发明的目的。

本发明的有益效果在于,本发明基于有限时域差分法以及傅里叶光学角谱理论分析了入光面、出光面损伤的发光特性,然后利用特征向量表征fodi在线图像中的入光面、出光面损伤,最后使用超限学习机实现损伤所属表面的分类,自动区分损伤是在入光面还是出光面。

附图说明

图1为入光面损伤成像原理示意图;

图2为出光面损伤成像原理示意图;

图3为光滑圆弧型凹坑与带毛刺弧型凹坑的二维形貌示意图;

图4为平滑圆弧形凹坑的光强分布示意图,其中图41表示只有照明光时镜头处的光强分布示意图,图42表示只有照明光时ccd处的光强分布示意图,图43表示照明光加杂散光时镜头处的光强分布示意图,图44表示照明光加杂散光时ccd处的光强分布示意图;

图5为带毛刺弧形凹坑的光强分布示意图,其中图51表示只有照明光时镜头处的光强分布示意图,图52表示只有照明光时ccd处的光强分布示意图,图53表示照明光加杂散光时镜头处的光强分布示意图,图54表示照明光加杂散光时ccd处的光强分布示意图;

图6为入光面损伤的fodi在线图像;

图7为出光面损伤的fodi在线图像;

图8为本发明具体实施方式中光学元件损伤所属表面的分类方法的原理示意图。

具体实施方式

下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。

需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。

如图1和图2所示,假设有两个损伤点形貌大小相同,分别位于光学元件真空隔离片的入光面与出光面,在光学元件侧照明打开后,光学元件内部的全内反射光在损伤点处被打破。假设辐射到损伤点的光能量是相同的,在损伤点处发生漫反射与漫透射。对于入光面的损伤,漫反射的光有一部分辐射到成像系统上,在ccd上形成入光面的损伤像;对于出光面的损伤,漫透射的光有一部分辐射到成像系统上,在ccd上形成出光面的损伤像。由于损伤表面的散射特性与透射特性大多数情况下是不一样的,由此造成表面散射能量与表面透射能量也会不一样,从而形成的像在灰度形态等特性也会有所区别。对于神光-iii高功率激光装置中的大多数炸裂坑型损伤,实验发现深度h一般约为横向直径d的五分之一。以深度20μm、横向100μm的损伤为例,假设损伤表面如图3所示分光滑与带毛刺的圆弧型两种。

假设照射到损伤点处的内反射照明光振幅为1,杂散光振幅为0.5。使用有限时域差分法方法求解出成像镜头位置处的远场光强分布,然后使用角谱法计算出ccd表面处的光强分布。

由图4和图5可知,入光面、出光面损伤点在成像镜头处与ccd像面处的光强分布都是不一样的,尤其是在ccd像面上的远场光强分布,二者的波形差异表现在表1左侧所列的12个特征属性上。

选择光学元件真空隔离片入光面上尺度约为300μm的一损伤点,使用fodi相机拍摄一幅在线图像。旋转光学元件180°,使损伤点位于出光面并使用fodi相机拍摄一幅在线图像。这样同一个损伤位于光学元件入光面和出光面时的像如图6和图7所示。

由图6和图7可知,当同一个损伤位于入光面与出光面时,在fodi图像中形成的亮斑是不一样的。对比理论仿真的波形差异性,类比表1中左侧的12个特征,本实施方式对应地提出表1右侧的第1-12个fodi在线图像特征。此外,为了表征光斑形态上的差异,又加上了匹配椭圆的长轴长、短轴长,因此入光面、出光面的损伤差异如表1所示。

表1入光面、出光面的远场发光特性与fodi图像中的特性

fodi系统采用侧照明技术,这种技术的一个显著特点是照明的不均匀性。微型半导体激光器ld(laserdiode)照明发光功率设置1.58w,光波长808nm,发散角70°,光偏振度为0.9。808nm波长照明下对应的熔石英折射率为1.45319。光学元件真空隔离片尺寸为430mm×430mm×10mm。元件表面粗糙度引起的光散射问题采用双向散射分布函数(bsdf,bidirectionalscatterdistributionfunction)模型处理。使用光线追迹法时,光传播截止阈值设置为1%(即光线从光源开始,在追迹过程中分裂,直到子光线携带的通量占比小于起始通量的1%时,这条子光线终止传播)。金属边框以及ld发光面的尺寸均按照实际情况设置参数。获取真空隔离片的内反射照明光场分布仿真结果。

根据仿真结果可知,光学元件内部光场分布随着位置的变化而变化,为了表示这种照明不均匀性带给成像的影响,在表征fodi图像中的损伤时加入坐标(x,y)这两个特征,表示损伤所在位置。由此可得特征向量x=[x(1),...,x(16)],其中x(1)为像素面积,x(2)为信号灰度和,x(3)为噪声灰度和,x(4)为信号均值,x(5)为信号方差,x(6)为噪声均值,x(7)为信号最大灰度值,x(8)为噪声最大灰度值,x(9)为局部信噪比的和,x(10)为信号与噪声能量比,x(11)为饱和面积比,x(12)为饱和灰度比,x(13)为匹配椭圆长轴长,x(14)为匹配椭圆短轴长,x(15)为损伤所在的图像的横坐标x,x(16)为损伤所在的图像的纵坐标y。即总共16个特征构成的特征向量来表征第i个损伤。

本实施方式采用机器学习中的核形式的超限学习机(kernel-elm,kernelbasedextremelearningmachine),kernel-elm的分类模型为:

其中k(x,xi)为核函数,x=[x(1),...,x(16)]为输入的待分类样本,为训练样本,m为训练样本的个数,i为单位矩阵,c为常数,ωtrain为训练样本构成的核矩阵,ωtraini,j=k(xi,xj),(i,j=1,…,m),t=[y1,…,ym]t为训练样本的类标号矩阵。

n个测试样本对应的向量输出形式为:

上式中f(x)=[f(x1),…,f(xn)]t,ωtest为测试样本与训练样本构成的核矩阵,ωtesti,j=k(xi,xj),(i=1,…,n;j=1,…,m)。核函数选取k(x,xi)=exp(-γ||x-xi||2)。

根据上述论述,如图8所示,本实施方式的光学元件损伤所属表面的分类方法,包括如下步骤:

步骤一:根据设定的样本采集数量,选取光学元件;

步骤二:利用fodi系统采集光学元件真空隔离片的损伤在线图像,并在该光学元件真空隔离片通光口径范围内标记出所有的损伤点,每一个损伤点用特征向量表示;

步骤三:使用显微镜对光学元件真空隔离片通光口径范围内的入光面与出光面逐一扫描,记录下损伤点位置与形态,作为离线数据;

步骤四:使用几何变换把步骤三的离线数据匹配到步骤二采集的在线图像上,获得入光面与出光面损伤的训练样本集;

步骤五:建立分类模型,采用训练样本集训练分类模型,获取分类模型的最优参数;利用具有最优参数的分类模型对测试样本集进行分类,判断分类准确率,若分类准确率满足要求,则转入步骤六;否则,增加设定的样本采集数量,转入步骤一;

步骤六:利用具有最优参数的分类模型对光学元件的损伤进行分类,确定为入光面损伤或出光面损伤。

虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1