基于机器学习的终端光学元件损伤识别及分类研究

摘要

终端光学元件在线检测系统（FODI）是惯性约束核聚变（ICF）系统的核心组件，该检测系统的核心任务是对靶室内的各路终端光学组件中的各个大尺寸光学元件进行检测，识别出元件的损伤缺陷，从而对该元件的健康状况进行评估，保证元件在损坏之前就进行修复和更换。该检测过程可以保证ICF系统的安全运行，提高打靶成功率的同时降低系统的运营成本。针对终端光学元件的在线检测任务，本文利用图像处理算法与机器学习方法相结合，对终端光学元件的损伤检测、损伤信息提取和伪损伤剔除等问题进行了研究，主要研究内容如下：
　　针对 FODI采集到的损伤图像的特点，对损伤区域的自动识别和检测技术进行了研究。根据 FODI图像中损伤区域的中心像素的信号强度要明显高于局部背景的信号强度的特点，采用一种基于自适应种子生长的局部信噪比算法，该算法准确高效，很好的解决了FODI图像中背景噪声对检测的干扰问题。
　　为解决损伤图像的配准任务，提出一种基于三角形预处理的抽样一致性检验（RANSAC）算法。该改进算法能够减少迭代的次数，从而提高算法本身的效率，在保证配准精度的同时，大幅度的减少处理时间，从而提高算法的处理速度，使 FODI系统能够实时的进行配准操作。
　　基于机器学习的方法，对终端光学元件损伤图像上面的伪损伤进行分类研究。利用AdaBoost算法建立终端光学元件损伤的分类机制，其中该系统的子分类器使用简单高效的C A RT决策树算法，提升算法本身使用经典AdaBoost算法的三种衍生算法，选择分类效果最好的算法模型作为最终的分类器。通过一系列的对比实验，证明了该算法的有效性。

目录

封面

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景

1.2 研究目的

1.3 国内外研究现状

1.4 课题来源及主要研究内容

第2章 终端光学元件损伤缺陷的分割与表征研究

2.1 引言

2.2 基于局部信噪比算法的损伤分割方法研究

2.3 损伤缺陷分割实验及结果分析

2.4 本章小结

第3章 终端光学元件损伤图像的配准研究

3.1 引言

3.2 配准变换模型

3.3 基于全等三角形匹配的配准方法

3.4 配准实验结果及分析

3.5本章小结

第4章 终端光学元件的伪损伤剔除研究

4.1引言

4.2 Adaboost算法

4.3 基于Adaboost算法的伪损伤剔除研究

4.4 分类实验结果及分析

4.5 本章小结

第5章 系统研制和实验验证

5.1 FODI系统的研制

5.2 综合实验验证及分析

5.3 本章小结

结论

参考文献

声明

致谢