卷积神经网络在光学元件损伤检测中的应用

《卷积神经网络在光学元件损伤检测中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、卷积神经网络在光学元件损伤检测中的应用摘要：光学元件损伤检测是激光驱动器健康管理的重要环节，复杂的原始损伤图像是损伤检测研究中的挑战性问题。卷积祌经网络是深度学习的重要结构，在图像识别领域里有很好的应用实例。针对复杂环境下的光学元件损伤检测问题，提出一种基于卷积神经网络的损伤定位方法。设计了一种含有损伤和背景的数据集制作方法，生成大量伪数据。设计并训练卷积神经网络，得到分类器的参数模型。用多尺度分割原始损伤图像，并对每一分割区域进行归类和处理。实验结果证明，该检测方法具有较高的识别率和鲁棒性，可有效规避大规

2、模噪声对损伤检测的影响。本文采集自网络，本站发布的论文均是优质论文，供学习和研究使用，文中立场与本网站无关，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除匕转载的信息，如果需要分享，请保留本段说明。关键词：损伤检测；深度学习；卷积神经网络中图分类号：TP183文献标识码：A文章编号：1009-3044(2017)04-0178-051概述光学元件损伤检测技术在许多光学装置中都有重大应用，如大型光学望远镜、高功率激光驱动器等，损伤检测的结果为装置健康维护提供重要依据。根据检测环境的不同，损伤

3、检测系统可分为在线检测和离线检测。在离线检测中，通过成像设备可获得高质量的原始损伤图像，图像中的噪声低、类型单一，得到的损伤检测结果足够精确，但离线检测存在着检测周期长、成本高的问题。与离线检测相比，在线检测直接利用光学装置中的成像单元采集工作状态下的图像，将其作为原始损伤图像，虽然精确程度低于离线检测，但其效率高、成本低。在线检测也存在固有问题：大规模噪声和复杂背景，如图1所示，这对损伤识别造成丫严重影响，该图像为激光设备中CCD采集得到的原始损伤图像，实线标记内为明显损伤，其与背景噪声存在明显差异，虚线

4、标记内为非明显损伤，其与背景噪声融为一体。在经典的边界检测和区域检测算法中，原始图像可经过降噪滤波、二值化、边界提取算子等处理方法，得到边界和包围区域。这种处理方法实现简单，但在实际应用中，受高噪声、复杂背景和参数设置的局限性，鲁棒性很差，处理效果不好。在损伤识别中，微小损伤往往被背景噪声环绕，大范围的滤波对噪声有一定的抑制作用，对微小损伤同样是严重的破坏。为了改善边界提取效果，很多研宄者在边界提取过程中综合了梯度方向、梯度大小、灰度曲率、拉普拉斯交叉特征等参考因素来动态修正边界检测结果［1］。面对更为复杂

5、的检测环境，甚至需要人工添加标记点来辅助边界的检测［2］，H的是为了规避全局噪声影响，在局部生成一条最优边界。在大范围噪声和复杂环境下,区域化处理是一种有效的方法。损伤检测区域化处理的关键在于对背景噪声区域和损伤区域的识别。这个过程需要对二者进行特征提取和训练。常用的人工特征提取算法具有局限性，同一类对象表现形式的跨度越大，人工特征提取算法所得到的特征的代表性就越低。面对原始损伤图像中千变万化的背景噪声，很难设计一套将损伤和背景噪声显著区分的特征提取算法。深度学习是集特征提取和训练于一体的多层人工神经网络，

6、按照节点间的连接关系和训练方式的不同，深度学习可分为深度信念网［3］、卷积神经网络［4］，［5］(ConvolutionNeuralNetwork,CNN)、循环神经网络［6］等。CNN由YannLeCun第一次提出并成功应用在MNIST手写数字识别任务中［5］。在众多深度学习网络结构中，crw凭借其独特的卷积结构，对图像类型的数据有更好的特征提取和描述，在图像识别领域里具有天然优势，被广泛应用在各种复杂的实际问题中，如情感预测［7］、人体行为检测［8］、人脸匹配［9］、车辆类型识别［10］、交通信号标志识

7、别［n］、医学影像识别［12］、自然图像层次分割［13］等。本文以高功率激光驱动器为背景，设计了一种CNN结构，对原始损伤图像进行区域识别和局部处理，实验中的所有数据均由高功率激光驱动器中的科学CCD采集得到。本文的内容安排如下：第二节介绍多层网络结构和CNN;第三节中介绍损伤检测流程；第四节中介绍实验数据、检测效果及分析；第五节对整个在线损伤检测系统进行总结2多层神经网络结构与卷积神经网络深度学习结构的基础是多层神经网络，如图2所示。多层网络结构中含有输入层、中间隐藏层、输出层。相邻的不同层之间的节点均有

8、权值连接，这样的结构为全相连结构，每个中间？点输出值为公式（1）所示。其中W为层与层之间的参数矩阵，每一行为隐藏层节点与上层连接参数向景，b为偏移参数向景，x为输入行向景，f为激活函数，常用的激活函数存阶跃函数、sigmoid函数、双曲正切函数等CNN是一1种特殊结构的深度学习网络，如图3所7H。在CNN中存在着卷积层（C）、减采样层（S）、全相连层（F）,且卷积层和减采样层交替出现。在卷积层中，数据会经过卷积核