基于機器學(xué)習(xí)的終端光學(xué)元件損傷識別及分類研究.pdf

1、終端光學(xué)元件在線檢測系統(tǒng)（FODI）是慣性約束核聚變（ICF）系統(tǒng)的核心組件，該檢測系統(tǒng)的核心任務(wù)是對靶室內(nèi)的各路終端光學(xué)組件中的各個大尺寸光學(xué)元件進行檢測，識別出元件的損傷缺陷，從而對該元件的健康狀況進行評估，保證元件在損壞之前就進行修復(fù)和更換。該檢測過程可以保證ICF系統(tǒng)的安全運行，提高打靶成功率的同時降低系統(tǒng)的運營成本。針對終端光學(xué)元件的在線檢測任務(wù)，本文利用圖像處理算法與機器學(xué)習(xí)方法相結(jié)合，對終端光學(xué)元件的損傷檢測、損傷信息提取

2、和偽損傷剔除等問題進行了研究，主要研究內(nèi)容如下：
　　針對 FODI采集到的損傷圖像的特點，對損傷區(qū)域的自動識別和檢測技術(shù)進行了研究。根據(jù) FODI圖像中損傷區(qū)域的中心像素的信號強度要明顯高于局部背景的信號強度的特點，采用一種基于自適應(yīng)種子生長的局部信噪比算法，該算法準(zhǔn)確高效，很好的解決了FODI圖像中背景噪聲對檢測的干擾問題。
　　為解決損傷圖像的配準(zhǔn)任務(wù)，提出一種基于三角形預(yù)處理的抽樣一致性檢驗（RANSAC）算法。該改

3、進算法能夠減少迭代的次數(shù)，從而提高算法本身的效率，在保證配準(zhǔn)精度的同時，大幅度的減少處理時間，從而提高算法的處理速度，使 FODI系統(tǒng)能夠?qū)崟r的進行配準(zhǔn)操作。
　　基于機器學(xué)習(xí)的方法，對終端光學(xué)元件損傷圖像上面的偽損傷進行分類研究。利用AdaBoost算法建立終端光學(xué)元件損傷的分類機制，其中該系統(tǒng)的子分類器使用簡單高效的C A RT決策樹算法，提升算法本身使用經(jīng)典AdaBoost算法的三種衍生算法，選擇分類效果最好的算法模型作為最