基于機器學習的終端光學元件損傷識別及分類研究.pdf

1、終端光學元件在線檢測系統(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)的核心任務是對靶室內的各路終端光學組件中的各個大尺寸光學元件進行檢測，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。針對終端光學元件的在線檢測任務，本文利用圖像處理算法與機器學習方法相結合，對終端光學元件的損傷檢測、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種子生長的局部信噪比算法，該算法準確高效，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任務，提出一種基于三角形預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)能夠實時的進行配準操作。
　　基于機器學習的方法，對終端光學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