光學元件損傷所屬表面的分類方法與流程
2023-09-10 13:28:15 2
本發明涉及一種分類方法，特別涉及一種光學元件損傷所屬表面的分類方法。
背景技術：
大型固體雷射裝置規模宏大，光學元件數量眾多，輸出能量和功率高，是慣性約束核聚變(icf,inertialconfinementfusion)研究的主力裝置。在高功率條件下，光學元件損傷成為了人們必須解決的棘手問題。慣性約束核聚變大型固體雷射裝置的終端光學組件集成了大口徑的晶體光學元件，在高能量雷射的輻照下極易產生損傷，為了確保及時發現與跟蹤損傷的增長過程，終端光學元件損傷在線檢測系統(finalopticsdamageonline-inspection,fodi)在每次打靶實驗後，對終端光學元件採集圖像，使用數據處理模塊對圖像中的損傷進行識別與分類，標記出所有可能的損傷，但並不能對損傷所屬表面進行分類，這不滿足fodi系統的技術需求。
技術實現要素：
針對上述不足，本發明提供一種自動區分入光面損傷或出光面損傷的光學元件損傷所屬表面的分類方法。
本發明的光學元件損傷所屬表面的分類方法，所述方法包括如下步驟：
步驟一：選取光學元件；
步驟二：利用fodi系統採集光學元件真空隔離片的損傷在線圖像，並在該光學元件真空隔離片通光口徑範圍內標記出所有的損傷點，每一個損傷點用特徵向量表示；
步驟三：對光學元件真空隔離片通光口徑範圍內的入光面與出光面逐一掃描，記錄下損傷點位置與形態，作為離線數據；
步驟四：使用幾何變換把步驟三的離線數據匹配到步驟二採集的在線圖像上，獲得入光面與出光面損傷的訓練樣本集；
步驟五：建立分類模型，採用訓練樣本集訓練分類模型，獲取分類模型的最優參數；
步驟六：利用具有最優參數的分類模型對光學元件的損傷進行分類，確定為入光面損傷或出光面損傷。
優選的是，所述步驟四還包括：
利用具有最優參數的分類模型對測試樣本集進行分類，判斷分類準確率，若分類準確率滿足要求，則轉入步驟六；否則，增加設定的樣本採集數量，轉入步驟一；
所述步驟一為：根據設定的樣本採集數量，選取光學元件。
優選的是，所述特徵向量包括損傷點的像素麵積、信號灰度和、噪聲灰度和、信號均值、信號方差、噪聲均值、信號最大灰度值、噪聲最大灰度值、局部信噪比的和、信號與噪聲能量比、飽和面積比、飽和灰度比、匹配橢圓長軸長和匹配橢圓短軸長、損傷點所在的圖像的橫坐標、損傷點所在的圖像的縱坐標。
優選的是，所述分類模型採用機器學習中的核形式的超限學習機實現。
優選的是，所述步驟四為：
使用幾何變換把步驟三的離線數據匹配到步驟二採集的在線圖像上，獲得入光面與出光面損傷的樣本集，將入光面與出光面損傷的樣本集分成兩部分，一部分作為訓練樣本集，另一部分作為測試樣本集。
上述技術特徵可以各種適合的方式組合或由等效的技術特徵來替代，只要能夠達到本發明的目的。
本發明的有益效果在於，本發明基於有限時域差分法以及傅立葉光學角譜理論分析了入光面、出光面損傷的發光特性，然後利用特徵向量表徵fodi在線圖像中的入光面、出光面損傷，最後使用超限學習機實現損傷所屬表面的分類，自動區分損傷是在入光面還是出光面。
附圖說明
圖1為入光面損傷成像原理示意圖；
圖2為出光面損傷成像原理示意圖；
圖3為光滑圓弧型凹坑與帶毛刺弧型凹坑的二維形貌示意圖；
圖4為平滑圓弧形凹坑的光強分布示意圖，其中圖41表示只有照明光時鏡頭處的光強分布示意圖，圖42表示只有照明光時ccd處的光強分布示意圖，圖43表示照明光加雜散光時鏡頭處的光強分布示意圖，圖44表示照明光加雜散光時ccd處的光強分布示意圖；
圖5為帶毛刺弧形凹坑的光強分布示意圖，其中圖51表示只有照明光時鏡頭處的光強分布示意圖，圖52表示只有照明光時ccd處的光強分布示意圖，圖53表示照明光加雜散光時鏡頭處的光強分布示意圖，圖54表示照明光加雜散光時ccd處的光強分布示意圖；
圖6為入光面損傷的fodi在線圖像；
圖7為出光面損傷的fodi在線圖像；
圖8為本發明具體實施方式中光學元件損傷所屬表面的分類方法的原理示意圖。
具體實施方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動的前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
需要說明的是，在不衝突的情況下，本發明中的實施例及實施例中的特徵可以相互組合。
下面結合附圖和具體實施例對本發明作進一步說明，但不作為本發明的限定。
如圖1和圖2所示，假設有兩個損傷點形貌大小相同，分別位於光學元件真空隔離片的入光面與出光面，在光學元件側照明打開後，光學元件內部的全內反射光在損傷點處被打破。假設輻射到損傷點的光能量是相同的，在損傷點處發生漫反射與漫透射。對於入光面的損傷，漫反射的光有一部分輻射到成像系統上，在ccd上形成入光面的損傷像；對於出光面的損傷，漫透射的光有一部分輻射到成像系統上，在ccd上形成出光面的損傷像。由於損傷表面的散射特性與透射特性大多數情況下是不一樣的，由此造成表面散射能量與表面透射能量也會不一樣，從而形成的像在灰度形態等特性也會有所區別。對於神光-iii高功率雷射裝置中的大多數炸裂坑型損傷，實驗發現深度h一般約為橫向直徑d的五分之一。以深度20μm、橫向100μm的損傷為例，假設損傷表面如圖3所示分光滑與帶毛刺的圓弧型兩種。
假設照射到損傷點處的內反射照明光振幅為1，雜散光振幅為0.5。使用有限時域差分法方法求解出成像鏡頭位置處的遠場光強分布，然後使用角譜法計算出ccd表面處的光強分布。
由圖4和圖5可知，入光面、出光面損傷點在成像鏡頭處與ccd像面處的光強分布都是不一樣的，尤其是在ccd像面上的遠場光強分布，二者的波形差異表現在表1左側所列的12個特徵屬性上。
選擇光學元件真空隔離片入光面上尺度約為300μm的一損傷點，使用fodi相機拍攝一幅在線圖像。旋轉光學元件180°，使損傷點位於出光面並使用fodi相機拍攝一幅在線圖像。這樣同一個損傷位於光學元件入光面和出光面時的像如圖6和圖7所示。
由圖6和圖7可知，當同一個損傷位於入光面與出光面時，在fodi圖像中形成的亮斑是不一樣的。對比理論仿真的波形差異性，類比表1中左側的12個特徵，本實施方式對應地提出表1右側的第1-12個fodi在線圖像特徵。此外，為了表徵光斑形態上的差異，又加上了匹配橢圓的長軸長、短軸長，因此入光面、出光面的損傷差異如表1所示。
表1入光面、出光面的遠場發光特性與fodi圖像中的特性
fodi系統採用側照明技術，這種技術的一個顯著特點是照明的不均勻性。微型半導體雷射器ld(laserdiode)照明發光功率設置1.58w，光波長808nm，發散角70°，光偏振度為0.9。808nm波長照明下對應的熔石英折射率為1.45319。光學元件真空隔離片尺寸為430mm×430mm×10mm。元件表面粗糙度引起的光散射問題採用雙向散射分布函數(bsdf,bidirectionalscatterdistributionfunction)模型處理。使用光線追跡法時，光傳播截止閾值設置為1％(即光線從光源開始，在追跡過程中分裂，直到子光線攜帶的通量佔比小於起始通量的1％時，這條子光線終止傳播)。金屬邊框以及ld發光面的尺寸均按照實際情況設置參數。獲取真空隔離片的內反射照明光場分布仿真結果。
根據仿真結果可知，光學元件內部光場分布隨著位置的變化而變化，為了表示這種照明不均勻性帶給成像的影響，在表徵fodi圖像中的損傷時加入坐標(x,y)這兩個特徵，表示損傷所在位置。由此可得特徵向量x＝[x(1),...,x(16)]，其中x(1)為像素麵積，x(2)為信號灰度和，x(3)為噪聲灰度和，x(4)為信號均值，x(5)為信號方差，x(6)為噪聲均值，x(7)為信號最大灰度值，x(8)為噪聲最大灰度值，x(9)為局部信噪比的和，x(10)為信號與噪聲能量比，x(11)為飽和面積比，x(12)為飽和灰度比，x(13)為匹配橢圓長軸長，x(14)為匹配橢圓短軸長，x(15)為損傷所在的圖像的橫坐標x，x(16)為損傷所在的圖像的縱坐標y。即總共16個特徵構成的特徵向量來表徵第i個損傷。
本實施方式採用機器學習中的核形式的超限學習機(kernel-elm，kernelbasedextremelearningmachine)，kernel-elm的分類模型為：
其中k(x,xi)為核函數，x＝[x(1),...,x(16)]為輸入的待分類樣本，為訓練樣本，m為訓練樣本的個數，i為單位矩陣，c為常數，ωtrain為訓練樣本構成的核矩陣，ωtraini,j＝k(xi,xj)，(i,j＝1,…,m),t＝[y1,…,ym]t為訓練樣本的類標號矩陣。
n個測試樣本對應的向量輸出形式為：
上式中f(x)＝[f(x1),…,f(xn)]t，ωtest為測試樣本與訓練樣本構成的核矩陣，ωtesti,j＝k(xi,xj)，(i＝1,…,n；j＝1,…,m)。核函數選取k(x,xi)＝exp(-γ||x-xi||2)。
根據上述論述，如圖8所示，本實施方式的光學元件損傷所屬表面的分類方法，包括如下步驟：
步驟一：根據設定的樣本採集數量，選取光學元件；
步驟二：利用fodi系統採集光學元件真空隔離片的損傷在線圖像，並在該光學元件真空隔離片通光口徑範圍內標記出所有的損傷點，每一個損傷點用特徵向量表示；
步驟三：使用顯微鏡對光學元件真空隔離片通光口徑範圍內的入光面與出光面逐一掃描，記錄下損傷點位置與形態，作為離線數據；
步驟四：使用幾何變換把步驟三的離線數據匹配到步驟二採集的在線圖像上，獲得入光面與出光面損傷的訓練樣本集；
步驟五：建立分類模型，採用訓練樣本集訓練分類模型，獲取分類模型的最優參數；利用具有最優參數的分類模型對測試樣本集進行分類，判斷分類準確率，若分類準確率滿足要求，則轉入步驟六；否則，增加設定的樣本採集數量，轉入步驟一；
步驟六：利用具有最優參數的分類模型對光學元件的損傷進行分類，確定為入光面損傷或出光面損傷。
雖然在本文中參照了特定的實施方式來描述本發明，但是應該理解的是，這些實施例僅僅是本發明的原理和應用的示例。因此應該理解的是，可以對示例性的實施例進行許多修改，並且可以設計出其他的布置，只要不偏離所附權利要求所限定的本發明的精神和範圍。應該理解的是，可以通過不同於原始權利要求所描述的方式來結合不同的從屬權利要求和本文中所述的特徵。還可以理解的是，結合單獨實施例所描述的特徵可以使用在其他所述實施例中。