[发明专利]基于深度学习和图像处理的光学元件表面损伤识别方法

说明书

基于深度学习和图像处理的光学元件表面损伤识别方法，涉及元件表面损伤识别技术领域，用以解决现有技术中对于大口径元件表面损伤识别准确率较低的问题。本发明的技术要点包括：提出了光学元件表面缺陷和污染物数据的自动采集和标注方法，提高了数据集的获取效率；利用图像处理实现了目标点区域截取和数据增强，使模型注意力集中在目标点区域；采用三光源合成图像作为训练和预测依据，提高了模型的分类准确率；基于ResNeXt搭建损伤预测模型，将迁移学习引入到模型训练过程，并验证了模型的有效性。本发明实现了损伤预测模型的搭建，为大口径元件损伤点的自动化检测和修复提供了技术支撑。

技术领域

本发明涉及元件表面损伤识别技术领域，具体涉及一种基于深度学习和图像处理的光学元件表面损伤识别方法。

背景技术

光学元件的激光损伤一直是制约高功率固体激光装置稳定运行的关键瓶颈，损伤一方面会弱化元件材料性能，使损伤更易发生和扩展，严重降低光学元件的使用寿命，另一方面还会影响激光传输并对下游元件造成损害。研究表明，光学元件损伤在初始阶段生长速度较慢，随着强激光辐照次数的增加，损伤的数量和尺寸会逐渐增加。当元件损伤达到一定程度，损伤会急剧增长并最终导致元件报废。因此，当元件出现损伤后及时对其进行修复对于提升元件使用寿命具有重要的作用。目前，工程上常采用CO₂激光对熔石英损伤进行局部修复，而通过适当的检测手段获取元件表面损伤的准确信息是进行激光修复的前提。

元件在转运和安装过程中不可避免的会引入污染物，这些污染物尺寸微小、形状各异且与损伤有着相似的成像特征，会干扰损伤点的检测和修复，因此需要采取合适的方法对损伤和污染物进行区分。早期的识别过程主要由人工完成，借助操作人员的经验对目标点进行逐个识别，这种方式效率低下、出错率高，已经无法满足大批量修复的工程需要。随着机器视觉和图像处理技术的发展，通过采集目标图像、提取图像特征并使用分类器进行分类识别的方式被广泛采用。该方法在一定程度上能够减少人为参与，但其准确率低、抗干扰能力差、对检测条件要求严格，无法适应大口径元件修复的实际工况。

发明内容

鉴于以上问题，本发明提出一种基于深度学习和图像处理的光学元件表面损伤识别方法，用以解决现有技术中对于大口径元件表面损伤识别的准确率较低的问题。

基于深度学习和图像处理的光学元件表面损伤识别方法，包括以下步骤：

步骤一、获取多个包含元件表面目标点的显微图像，形成图像数据集；所述元件表面目标点包括缺陷区域和伪缺陷区域；

步骤二、对图像数据集进行预处理；

步骤三、将预处理后的图像数据集输入基于深度神经网络的损伤识别模型中进行训练，获得训练好的损伤识别模型；

步骤四、将包含元件表面目标点的待检测图像输入训练好的损伤识别模型中，获得识别结果。

进一步地，步骤一中所述图像数据集中每个目标点对应包含不同光源下采集的多个图像。

进一步地，步骤一中不同光源包括背照光源、环形光源和同轴光源。

进一步地，步骤二中所述预处理包括：对图像数据进行标注，将包含缺陷区域的图像标注为1，包含伪缺陷区域的图像标注为0；对图像数据进行分割处理，获取目标点图像和目标点的像素尺寸；对图像数据集进行数据增强；将单个目标点在不同光源下采集的多个图像按照红绿蓝三通道顺序进行RGB合成，获取合成后的图像。

进一步地，步骤二所述预处理中对图像数据集进行数据增强包括：在分割处理后的目标点轮廓线上均匀取多个点，以这些轮廓点为中心、以轮廓线外接正方形为截取尺寸对目标点进行截取，将截取后的目标点图像填充到原始图像数据中；对图像数据进行翻转、旋转、噪声扰动的数据增强。

进一步地，步骤三的具体步骤包括：

步骤三一、基于目标点的像素尺寸，将预处理后的图像数据集按照尺寸范围进行划分；