卷积神经网络在光学元件损伤检测中的应用.docVIP

卷积神经网络在光学元件损伤检测中的应用 　　摘要：光学元件损伤检测是激光驱动器健康管理的重要环节，复杂的原始损伤图像是损伤检测研究中的挑战性问题。卷积神经网络是深度学习的重要结构，在图像识别领域里有很好的应用实例。针对复杂环境下的光学元件损伤检测问题，提出一种基于卷积神经网络的损伤定位方法。设计了一种含有损伤和背景的数据集制作方法，生成大量伪数据。设计并训练卷积神经网络，得到分类器的参数模型。用多尺度分割原始损伤图像，并对每一分割区域进行归类和处理。实验结果证明，该检测方法具有较高的识别率和鲁棒性，可有效规避大规模噪声对损伤检测的影响。 　　关键词：损伤检测；深度学习；卷积神经网络 　　中图分类号：TP183 文献标识码：A 文章编号：1009-3044（2017）04-0178-05 　　1 概述 　　光学元件损伤检测技术在许多光学装置中都有重大应用，如大型光学望远镜、高功率激光驱动器等，损伤检测的结果为装置健康维护提供重要依据。 　　根据检测环境的不同，损伤检测系统可分为在线检测和离线检测。在离线检测中，通过成像设备可获得高质量的原始损伤图像，图像中的噪声低、类型单一，得到的损伤检测结果足够精确，但离线检测存在着检测周期长、成本高的问题。与离线检测相比，在线检测直接利用光学装置中的成像单元采集工作状态下的图像，将其作为原始损伤图像，虽然精确程度低于离线检测，但其效率高、成本低。在线检测也存在固有问题：大规模噪声和复杂背景，如图1所示，这对损伤识别造成了严重影响，该图像为激光设备中CCD采集得到的原始损伤图像，实线标记内为明显损伤，其与背景噪声存在明显差异，虚线标记内为非明显损伤，其与背景噪声融为一体。 　　在经典的边界检测和区域检测算法中，原始图像可经过降噪滤波、二值化、边界提取算子等处理方法，得到边界和包围区域。这种处理方法实现简单，但在实际应用中，受高噪声、复杂背景和参数设置的局限性，鲁棒性很差，处理效果不好。在损伤识别中，微小损伤往往被背景噪声环绕，大范围的滤波对噪声有一定的抑制作用，对微小损伤同样是严重的破坏。为了改善边界提取效果，很多研究者在边界提取过程中综合了梯度方向、梯度大小、灰度曲率、拉普拉斯交叉特征等参考因素来动态修正边界检测结果[1]。面对更为复杂的检测环境，甚至需要人工添加标记点来辅助边界的检测[2]，目的是为了规避全局噪声影响，在局部生成一条最优边界。在大范围噪声和复杂环境下，区域化处理是一种有效的方法。 　　损伤检测区域化处理的关键在于对背景噪声区域和损伤区域的识别。这个过程需要对二者进行特征提取和训练。常用的人工特征提取算法具有局限性，同一类对象表现形式的跨度越大，人工特征提取算法所得到的特征的代表性就越低。面对原始损伤图像中千变万化的背景噪声，很难设计一套将损伤和背景噪声显著区分的特征提取算法。深度学习是集特征提取和训练于一体的多层人工神经网络，按照节点间的连接关系和训练方式的不同，深度学习可分为深度信念网[3]、卷积神经网络[4]，[5]（Convolution Neural Network， CNN）、循环神经网络[6]等。CNN由Yann LeCun第一次提出并成功应用在MNIST手写数字识别任务中[5]。在众多深度学习网络结构中，CNN凭借其独特的卷积结构，对图像类型的数据有更好的特征提取和描述，在图像识别领域里具有天然优势，被广泛应用在各种复杂的实际问题中，如情感预测[7]、人体行为检测[8]、人脸匹配[9]、车辆类型识别[10]、交通信号标志识别[11]、医学影像识别[12]、自然图像层次分割[13]等。 　　本文以高功率激光驱动器为背景，设计了一种CNN结构，对原始损伤图像进行区域识别和局部处理，实验中的所有数据均由高功率激光驱动器中的科学CCD采集得到。本文的内容安排如下：第二节介绍多层网络结构和CNN；第三节中介绍损伤检测流程；第四节中介绍实验数据、检测效果及分析；第五节对整个在线损伤检测系统进行总结。 　　2 多层神经网络结构与卷积神经网络 　　深度学习结构的基础是多层神经网络，如图2所示。多层网络结构中含有输入层、中间隐藏层、输出层。相邻的不同层之间的节点均有权值连接，这样的结构为全相连结构，每个中间?点输出值为公式（1）所示。 　　其中ω为层与层之间的参数矩阵，每一行为隐藏层节点与上层连接参数向量，b为偏移参数向量，x为输入行向量，f为激活函数，常用的激活函数有阶跃函数、sigmoid函数、双曲正切函数等。 　　 　　CNN是一种特殊结构的深度学习网络，如图3所示。在CNN中存在着卷积层（C）、减采样层（S）、全相连层（F），且卷积层和减采样层交替出现。在卷积层中，数据会经过卷积核的卷积操作、对应关系叠加、激活函数的处理，形成特征图。在减采样