典型文献
基于深度学习的光学元件表面疵病识别
文献摘要：
精密光学元件表面疵病的人工检测分类方法效率低,且准确率易受疲劳等人工因素影响,而基于传统机器学习方法的分类准确率有待进一步提高.提出了一种基于深度学习卷积神经网络的光学大尺寸元件表面疵病识别方法.首先,通过现场实验采集并整理了大尺寸镜面疵病样本;接着,基于单通道灰度图像构建融合梯度的三通道图像,挖掘更深入的特征表达;最后,基于经典的LeNet网络,提出了面向激光惯性约束聚变(ICF)的光学元件表面疵病识别网络ICFNet,该网络不需要复杂的手工特征设计和提取,仅使用原始灰度图像就实现高效的疵病识别.实验结果表明:针对包含麻点、划痕和灰尘的三类疵病数据,ICFNet相较于使用多项特征和支持向量机的传统方法拥有较好的分类准确率.
文献关键词：
深度学习;卷积神经网络;精密光学元件;缺陷分类;LeNet
中图分类号：
作者姓名：
邵延华;冯玉沛;张晓强;楚红雨
作者机构：
西南科技大学信息工程学院,四川绵阳621010
文献出处：
引用格式：
[1]邵延华;冯玉沛;张晓强;楚红雨-.基于深度学习的光学元件表面疵病识别)[J].强激光与粒子束,2022(11):39-44
A类：
ICFNet
B类：
表面疵病,精密光学元件,检测分类,分类方法,机器学习方法,分类准确率,大尺寸,现场实验,镜面,单通道,灰度图像,三通道,特征表达,LeNet,激光惯性约束聚变,识别网络,手工特征,麻点,划痕,灰尘,缺陷分类
AB值：
0.25626
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
