基于SVM的多核学习飞秒激光烧蚀光斑图像分类

发布时间：2020-12-19 10:36

　　在利用飞秒激光加工单晶硅材料的过程中,会出现等离子体发光现象。随着飞秒激光烧蚀功率的变化,烧蚀过程中单晶硅材料表面溢出的等离子体光斑轮廓特征也大不相同。针对不同烧蚀功率下的光斑图像在分类过程中准确率不高的问题,提出了一种基于SVM的多核学习方法。首先,选取大量不同烧蚀功率下的光斑图像,对其进行预处理后提取光斑边缘轮廓信息,使用Hu不变矩和傅里叶描述子分别对图像轮廓特征进行描述。其次,建立光斑图像样本库,选取最合适的复合核函数以及核参数对分类模型进行训练。最后,使用高斯核函数与Sigmoid核函数的复合函数对光斑图像进行分类识别,实验研究表明:基于SVM的多核学习有效提高了光斑烧蚀功率的分类准确率。 

【文章来源】：激光杂志. 2020年04期 北大核心

【文章页数】：6 页

【部分图文】：

飞秒激光加工中心及烧蚀的微结构形貌

如图1所示，图2(a)为链码描述的光斑边缘轮廓信息;图2(b)为使用两个傅里叶算子描述的边缘信息;图2(c)为使用四个傅里叶算子描述的边缘信息;图2(d)为使用八个傅里叶算子描述的边缘信息;图2(e)为使用十六个傅里叶算子描述的边缘信息;图2(f)为使用三十二个傅里叶算子描述的边缘信息。图2 利用傅里叶描述子特性处理光斑轮廓特征

图2 利用傅里叶描述子特性处理光斑轮廓特征由图2我们可以看出，少量的傅里叶描述子就可以描述光斑轮廓特征。使用8个描述子可以基本描述出光斑的轮廓特征，使用32个描述子基本可以描述出光斑的细节特征。在后面分类的过程中我们选用32个描述子作为形状特征。

【参考文献】：
期刊论文
[1]基于人工智能的大规模激光图像分类研究[J]. 张春娥,赵晓东,杨丽娟.  激光杂志. 2018(05)
[2]一种基于样本加权的合成多核学习方法[J]. 沈健,蒋芸,张亚男,胡学伟.  计算机工程与科学. 2017(10)
[3]基于信息向量机的机载激光雷达点云数据分类[J]. 刘志青,李鹏程,陈小卫,张保明,郭海涛.  光学精密工程. 2016(01)
[4]飞秒激光加工微结构及其系统研究进展[J]. 姜涛,杨宏青,樊喜刚,金亮.  制造技术与机床. 2014(05)
[5]核函数的选择研究综述[J]. 汪廷华,陈峻婷.  计算机工程与设计. 2012(03)
[6]光学组件面形检测中激光光斑分割与分类算法的研究[J]. 陈念年,范勇,张隽楠,程晓峰,徐旭,刘楠.  计算机测量与控制. 2010(06)

博士论文
[1]多核学习算法与应用研究[D]. 史亚.西安电子科技大学 2015

硕士论文
[1]基于多核学习的近红外人脸检测方法研究[D]. 陈磊.浙江理工大学 2018
[2]支持向量机核函数及关键参数选择研究[D]. 尹嘉鹏.哈尔滨工业大学 2016
[3]特征编码及其在图像分类识别中的应用[D]. 张熠.国防科学技术大学 2014
[4]支持向量机中Sigmoid核函数的研究[D]. 刘明.西安电子科技大学 2009



本文编号：2925756