人工智能技术的光学高精度检测技术研究

发布时间：2021-12-23 20:36

　　以往检测技术因为在检测前采用有效方法减小系统误差,导致检测结果精度较低。研究人工智能技术的光学高精度检测技术,采用软阈值方法去除采用光学探测器检测光学元件损伤点中心位置的系统误差,获取去除系统误差的光学元件损伤点训练样本图像,基于灰度—梯度对二维最大熵原理分割光学元件损伤点训练样本图像中损伤点特征,利用多目标优化图像特征识别算法提取分割后光学元件损伤点特征并发送至支持向量机中,选取支持向量机预测的前d个窗口特征与待检测光学元件损伤点图像共同发送至二级支持向量机中,二级支持向量机将最终检测结果输出至显示窗口实现高精度光学元件损伤点检测。实验结果表明,采用该方法检测光学元件损伤点精度高,满足精密光学元件损伤点高精度检测要求。 

【文章来源】：激光杂志. 2020,41(09)北大核心

【文章页数】：5 页

【部分图文】：

图1 支持向量机方法检测流程

统计采用本文方法检测10个光学元件非球面镜损伤结果，统计结果如表1所示。通过表1实验结果可以看出，采用本文方法可有效检测10个光学元件非球面镜的损伤点数量，损伤尺寸以及损伤面积，次验证了本文方法的检测效果。图3 本文方法检测光学元件损伤结果显示图

图2 模拟软件检测非球面镜损伤点效果为有效评价本文方法对光学元件的检测效果，选取检测正确率、误报率以及漏检率评价本文方法的检测精准度，3个评价指标的计算公式如下:

【参考文献】：
期刊论文
[1]基于光波检测的智能ODN故障管理系统[J]. 赵辑肖,范红,梁忠诚.  光通信技术. 2019(02)
[2]结合背景光融合及水下暗通道先验和色彩平衡的水下图像增强[J]. 宋巍,王龑,黄冬梅,贺琪,王振华.  模式识别与人工智能. 2018(09)
[3]“机器视觉检测与应用”专题前言[J]. 彭翔,邾继贵.  光学学报. 2018(08)
[4]基于小波包分析和支持向量机的光时域反射仪光缆故障识别[J]. 李斌,张敏,周恒,李竣屹,凌云,石林,邱昆.  激光与光电子学进展. 2019(02)
[5]改进支持向量机的光纤陀螺温度漂移补偿方法[J]. 吴军伟,缪玲娟,李福胜,沈军.  红外与激光工程. 2018(05)
[6]星载激光高度计地面光斑质心定位方法研究[J]. 郭晴晴,张运杰,李新,余谭其.  量子电子学报. 2018(03)
[7]人工光型植物工厂在中国产业化发展的新动向[J]. 贺冬仙.  中国蔬菜. 2018(05)
[8]高精度多脉冲激光测距回波检测技术[J]. 高玮,马世伟,段园园.  应用光学. 2018(01)
[9]基于二维正交光栅的高精度质心探测方法[J]. 陈林,黄林海,李新阳.  光电工程. 2017(09)
[10]一种基于质心法寻峰的光功率补偿算法[J]. 苏庆庆,马游春,姜德,丁红晖.  光通信技术. 2017(09)



本文编号：3549147