在高功率激光驅(qū)動(dòng)器系統(tǒng)中,晶體作為其中一個(gè)不可或缺的光學(xué)元件,主要作為主放大器系統(tǒng)中的普克爾斯盒（光電開關(guān)）對(duì)入射光場(chǎng)進(jìn)行調(diào)制,并作為終端光學(xué)聚焦系統(tǒng)中的光束倍頻轉(zhuǎn)換器,用來產(chǎn)生紫外光;由于系統(tǒng)中晶體尺寸通常較大且數(shù)目較多,導(dǎo)致對(duì)該元件的檢測(cè)維護(hù)任務(wù)相對(duì)繁重。據(jù)統(tǒng)計(jì),美國(guó)國(guó)家點(diǎn)火裝置中所用到的410mm口徑的磷酸二氫鉀（KDP）晶體就有576塊。這些晶體在生產(chǎn)加工和應(yīng)用中往往會(huì)因?yàn)槠浔砻娲嬖谌毕荻l(fā)不同程度的、非預(yù)期性的光場(chǎng)調(diào)制、波前畸變等,嚴(yán)重時(shí)還可能破壞整個(gè)驅(qū)動(dòng)系統(tǒng)。所以,我們應(yīng)該且亟需進(jìn)行針對(duì)晶體元件缺陷的分類檢測(cè)技術(shù)研究�，F(xiàn)有的檢測(cè)技術(shù)除人眼判斷外,大多圍繞硬件設(shè)備展開;算法以傳統(tǒng)圖像處理為主,主要針對(duì)不同類型的缺陷進(jìn)行特征提取,較少有關(guān)于缺陷分類識(shí)別和定位檢測(cè)的研究;且因?yàn)榫w缺陷形貌復(fù)雜,傳統(tǒng)圖像處理算法較難提取到關(guān)鍵且客觀的特征,這在極大程度上限制了晶體缺陷檢測(cè)技術(shù)的智能化發(fā)展并同時(shí)抑制了高功率激光驅(qū)動(dòng)器的應(yīng)用�；诰w元件表面缺陷形貌特征豐富、種類繁多的特點(diǎn),本文提出利用深度學(xué)習(xí)模型進(jìn)行晶體缺陷分類檢測(cè);構(gòu)建了基于候選區(qū)域生成模塊和特征提取模塊（ZF net）的晶體缺... 

【文章來源】：中國(guó)工程物理研究院北京市

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１深度學(xué)習(xí)中的多層表征??

?深度學(xué)習(xí)擅長(zhǎng)發(fā)現(xiàn)高維數(shù)據(jù)中的錯(cuò)綜復(fù)雜的結(jié)構(gòu)關(guān)聯(lián)，在科學(xué)研宄、商業(yè)工業(yè)以及??政府管控等領(lǐng)域都有表現(xiàn)出很大的潛力；本章將按照?qǐng)D２．２的邏輯順序，從“人工神經(jīng)??網(wǎng)絡(luò)”、“誤差反向傳播算法”和“卷積神經(jīng)網(wǎng)絡(luò)”等幾個(gè)方面來具體介紹深度學(xué)習(xí)。??神經(jīng)元模型??｜構(gòu)??！成??有監(jiān)督訓(xùn)練／學(xué)??；Ｓ?：習(xí)??深度前饋剛ｎ?￥廢誤紐＿播算法??無監(jiān)督訓(xùn)練／學(xué)?；關(guān)鍵影響因戒??ＬＩ?Ｉ發(fā)展?習(xí)?激活函數(shù)??ｒ構(gòu)??卷積祌經(jīng)網(wǎng)絡(luò)丨??具體結(jié)??構(gòu)??圖２．２本章內(nèi)容概括說明??２．１神經(jīng)元模型與多層感知機(jī)??圖２．３所示為生物神經(jīng)元的示意圖，它由細(xì)胞體、軸突、樹突和突觸四個(gè)結(jié)構(gòu)組成??［４１］。細(xì)胞體是神經(jīng)元的控制中心，由于其細(xì)胞膜內(nèi)外的細(xì)胞液存在離子濃度差而產(chǎn)生的??電位差，被稱為膜電位；神經(jīng)元的輸入來源于與之相連的樹突（通常樹突不止一個(gè)），??不同單元間的信號(hào)都是通過樹突傳入的［４２］；軸突則相當(dāng)于神經(jīng)元輸出端；突觸可以被看??作是一個(gè)接口，能夠保證神經(jīng)元間的通信功能［４３］。信號(hào)傳遞時(shí)，一個(gè)神經(jīng)元可以接收來??自多個(gè)神經(jīng)元軸突末端的電位變化，這些電位變化以不同的權(quán)重在突觸上累加，當(dāng)電位??達(dá)到閾值時(shí)，該神經(jīng)元將被激活產(chǎn)生興奮，即輸出信號(hào)［４４１。??來自他神經(jīng)元軸突神經(jīng)木梢??＾?ｊ、神經(jīng)末梢??細(xì)胞核??Ｔ??圖２．３生物神經(jīng)元結(jié)構(gòu)??

?受上述模型的啟發(fā)，ＭｃＣｕｌｌｏｃｈ和Ｐｉｔｔｓ提出一種“人工神經(jīng)元的邏輯運(yùn)算數(shù)學(xué)模型??（Ｍ－Ｐ模型）”Ｍ。其模型結(jié)構(gòu)如圖２．４所示，其中，第個(gè)神經(jīng)元獲得的輸入信號(hào)（ｉ叩ｕｔ）??為ｉｉ＝Ｕ，２，．．．，ｎ｝，第ｉ個(gè)輸入和第＞個(gè)神經(jīng)元之間的連接權(quán)重（ｗｅｉｇｈｔ）為ｖｖ＾；第ｙ個(gè)神經(jīng)元??的閾值為６／；?／（＿）為激活函數(shù)（ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ）；?ｙｙ則代表輸出；所以該節(jié)點(diǎn)單元獲得??的超過閾值的信號(hào)激勵(lì)為：??Ｕｊ?＝?Ｓｆ＝ｉ?ＷｉｊＸｉ?－?ｂｊ?（２－１）??若將閾值６／當(dāng)成神經(jīng)兀以Ｘ〇?＝?＿１作為輸入時(shí)的權(quán)重Ｗｙ?（文中統(tǒng)一對(duì)閾值做此處理，后??不再重新聲明），則上式可簡(jiǎn)化為：??Ｕｊ?＝?Ｓｆ＝〇?ＷｉｊＸｉ?（２－２）??神經(jīng)元被激活時(shí)產(chǎn)生的輸出可以表示為：??ｙｊ?＝?／（ｕ；）?（２－３）??從式２－２和２－３不難看出，Ｍ－Ｐ模型是一個(gè)具有空間整合性和閾值特性的映射單元，它??可以接受多個(gè)信號(hào)輸入，并通過控制調(diào)整權(quán)重將結(jié)果處理為單個(gè)的、具有正負(fù)號(hào)標(biāo)識(shí)的??信號(hào)，再進(jìn)行輸出。通過這種方式，Ｍ－Ｐ模型可以近似模擬生物神經(jīng)元節(jié)點(diǎn)的“興奮和??抑制”?［４６］。??Ｘｌ??ＷＵ??Ｘｎ?Ｗｎｊ?Ｗ〇ｊ?＝?ｂｊ??Ｘ〇?＝?－１??圖２．４人工神經(jīng)元模型結(jié)構(gòu)??最初的Ｍ－Ｐ模型中，激活函數(shù)／（；＋）（如式（２－句）只是一個(gè)二值離散量，統(tǒng)一用邏輯??上的０


本文編號(hào)：3048483