以往檢測(cè)技術(shù)因?yàn)樵跈z測(cè)前采用有效方法減小系統(tǒng)誤差,導(dǎo)致檢測(cè)結(jié)果精度較低。研究人工智能技術(shù)的光學(xué)高精度檢測(cè)技術(shù),采用軟閾值方法去除采用光學(xué)探測(cè)器檢測(cè)光學(xué)元件損傷點(diǎn)中心位置的系統(tǒng)誤差,獲取去除系統(tǒng)誤差的光學(xué)元件損傷點(diǎn)訓(xùn)練樣本圖像,基于灰度—梯度對(duì)二維最大熵原理分割光學(xué)元件損傷點(diǎn)訓(xùn)練樣本圖像中損傷點(diǎn)特征,利用多目標(biāo)優(yōu)化圖像特征識(shí)別算法提取分割后光學(xué)元件損傷點(diǎn)特征并發(fā)送至支持向量機(jī)中,選取支持向量機(jī)預(yù)測(cè)的前d個(gè)窗口特征與待檢測(cè)光學(xué)元件損傷點(diǎn)圖像共同發(fā)送至二級(jí)支持向量機(jī)中,二級(jí)支持向量機(jī)將最終檢測(cè)結(jié)果輸出至顯示窗口實(shí)現(xiàn)高精度光學(xué)元件損傷點(diǎn)檢測(cè)。實(shí)驗(yàn)結(jié)果表明,采用該方法檢測(cè)光學(xué)元件損傷點(diǎn)精度高,滿足精密光學(xué)元件損傷點(diǎn)高精度檢測(cè)要求。 

【文章來源】：激光雜志. 2020,41(09)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1 支持向量機(jī)方法檢測(cè)流程

統(tǒng)計(jì)采用本文方法檢測(cè)10個(gè)光學(xué)元件非球面鏡損傷結(jié)果，統(tǒng)計(jì)結(jié)果如表1所示。通過表1實(shí)驗(yàn)結(jié)果可以看出，采用本文方法可有效檢測(cè)10個(gè)光學(xué)元件非球面鏡的損傷點(diǎn)數(shù)量，損傷尺寸以及損傷面積，次驗(yàn)證了本文方法的檢測(cè)效果。圖3 本文方法檢測(cè)光學(xué)元件損傷結(jié)果顯示圖

圖2 模擬軟件檢測(cè)非球面鏡損傷點(diǎn)效果為有效評(píng)價(jià)本文方法對(duì)光學(xué)元件的檢測(cè)效果，選取檢測(cè)正確率、誤報(bào)率以及漏檢率評(píng)價(jià)本文方法的檢測(cè)精準(zhǔn)度，3個(gè)評(píng)價(jià)指標(biāo)的計(jì)算公式如下:

【參考文獻(xiàn)】：
期刊論文
[1]基于光波檢測(cè)的智能ODN故障管理系統(tǒng)[J]. 趙輯肖,范紅,梁忠誠.  光通信技術(shù). 2019(02)
[2]結(jié)合背景光融合及水下暗通道先驗(yàn)和色彩平衡的水下圖像增強(qiáng)[J]. 宋巍,王龑,黃冬梅,賀琪,王振華.  模式識(shí)別與人工智能. 2018(09)
[3]“機(jī)器視覺檢測(cè)與應(yīng)用”專題前言[J]. 彭翔,邾繼貴.  光學(xué)學(xué)報(bào). 2018(08)
[4]基于小波包分析和支持向量機(jī)的光時(shí)域反射儀光纜故障識(shí)別[J]. 李斌,張敏,周恒,李竣屹,凌云,石林,邱昆.  激光與光電子學(xué)進(jìn)展. 2019(02)
[5]改進(jìn)支持向量機(jī)的光纖陀螺溫度漂移補(bǔ)償方法[J]. 吳軍偉,繆玲娟,李福勝,沈軍.  紅外與激光工程. 2018(05)
[6]星載激光高度計(jì)地面光斑質(zhì)心定位方法研究[J]. 郭晴晴,張運(yùn)杰,李新,余譚其.  量子電子學(xué)報(bào). 2018(03)
[7]人工光型植物工廠在中國產(chǎn)業(yè)化發(fā)展的新動(dòng)向[J]. 賀冬仙.  中國蔬菜. 2018(05)
[8]高精度多脈沖激光測(cè)距回波檢測(cè)技術(shù)[J]. 高瑋,馬世偉,段園園.  應(yīng)用光學(xué). 2018(01)
[9]基于二維正交光柵的高精度質(zhì)心探測(cè)方法[J]. 陳林,黃林海,李新陽.  光電工程. 2017(09)
[10]一種基于質(zhì)心法尋峰的光功率補(bǔ)償算法[J]. 蘇慶慶,馬游春,姜德,丁紅暉.  光通信技術(shù). 2017(09)



本文編號(hào)：3549147