[发明专利]光学元件损伤所属表面的分类方法

说明书

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，属于光学损伤分类领域。本发明具体为：选取光学元件；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；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；使用几何变换把离线数据匹配到采集的在线图像上，获得入光面与出光面损伤的训练样本集；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。本发明用于FODI系统中损伤识别与分类。

技术领域

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,Inertial Confinement Fusion)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(Final Optics Damage online-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。

发明内容

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。