基于光斑图像特征的飞秒激光烧蚀功率分类模型研究

发布时间：2021-06-03 22:15

　　针对光晕导致的光斑图像边缘模糊的特点,采用Niblack局部阈值分割得到光斑目标区域,并提取光斑的几何特征;以Niblack分割得到的图像边缘对原始光斑图像进行裁剪,得到去除光晕影响的光斑目标灰度图像,在此基础上提取该区域光斑图像亮度,结合光斑几何特征构造6维特征矩阵。分别采用BP神经网络、线性局部切空间排列LLTSA-BP网络、局部保持投影LPP-BP模型对烧蚀功率进行识别;进一步采用极限学习机（ELM-Extreme Learning Machine）、LLTSA-ELM和LPP-ELM降维模型,基于降维后的特征矩阵进行烧蚀功率分类。对比研究发现BP神经网络在对6维特征矩阵分类时收敛时间比ELM分类模型短,所需隐含层神经元个数少。而流形学习-ELM模型则在对降维之后的数据分类时表现较优,所需时间远远小于BP神经网络模型的处理时间,其中LPP-ELM模型对光斑的分类效果最优。 

【文章来源】：激光与红外. 2020,50(01)北大核心CSCD

【文章页数】：7 页

【部分图文】：

光斑图像的Niblack局部阈值分割

依据光斑图像的特点本文提出基于Niblack光斑分割后,叠加在原始图像上获得光斑目标区域,在剩余光斑目标区域内对图像进行亮度特征提取。图2为通过叠加去除光晕影响的光斑图像。图2(a)为原始光斑的亮度特征区域,传统求亮度平均值的思想是从全图考虑,包括所有的像素,引入了光晕亮度的干扰。图2(b)为通过分割、叠加后保留的亮度区域,从图中可以发现,该方法剔除了光晕部分,可实现对特定光斑目标区域的亮度特征提取。3 光斑序列图像特征分类

选取50 mW、20 mW及10 mW烧蚀功率光斑图像各300幅,提取亮度和几何特征得到900×6的特征矩阵,矩阵的每一行表示一个样本特征。随机抽选840个特征作为训练样本,60个为测试样本,隐含层节点为7的BP神经网络对其预测,迭代次数为13,预测分类结果如图3所示。图3中可以看出,有一个圆圈标记的实际值和星号标记的预测值没有重合,表明有一个测试样本没有被正确预测。经多次试验统计,BP算法分类预测正确率最优为98.33 %,平均训练时间为0.30624 s,预测时间在0.01 s左右,有较好的分类效果。进一步扩大数据集,减少特殊样本的干扰,将每种图像的特征扩大到1000个,总计3000个样本,从中随机选出2940个样本做训练集,剩余60个做测试集,预测结果如图4所示。

【参考文献】：
期刊论文
[1]基于区域生长法和BP神经网络的红外图像识别[J]. 陈跃伟,彭道刚,夏飞,钱玉良.  激光与红外. 2018(03)
[2]基于卷积神经网络的材质分类识别研究[J]. 刘昊,李喆,石晶,辛敏思,蔡红星,高雪,谭勇.  激光与红外. 2017(08)
[3]基于光谱梯度角的高光谱影像流形学习降维法[J]. 向英杰,杨桄,张俭峰,王琪.  激光技术. 2017(06)
[4]基于流形学习的网络数据流异常检测[J]. 唐斯琪,潘志松.  济南大学学报(自然科学版). 2017(02)



本文编号：3211352