基于局域信号增强的光学元件损伤检测 下载: 792次
1 引言
高功率激光驱动器集成了数量众多的大口径终端光学元件。由于光束自聚焦等原因,高通量激光辐照会诱导光学元件表面产生损伤,严重影响装置运行[1]。美国利弗莫尔实验室研制了缺陷识别与表征系统(FICS)来检测上线前元件表面疵病质量,研制了终端光学检视系统(FODI) 来在线监测元件表面损伤的变化增长状况,并研究了相关图像处理技术[2-3]。国内大型激光系统对疵病检测技术的研究较少[4-7],相关图像处理技术的研究尚处于起步阶段[8-11]。随着更大型激光装置的规划,需要发展更精细、便利的离在线检测技术,相应的检测系统追求101~102 μm的分辨力[12-15]。由于待检元件尺寸高达300~400 mm,工程实现极具挑战,美国FICS和FODI的检测目标为50 μm以上尺寸的损伤点。
基于平板光学元件的全内反射原理在暗场环境下自元件侧壁导入条形LED光源可形成暗背景上的亮疵病图像,解决了相邻光学元件上的损伤归属判别难题[16]。全内反射暗场侧向照明技术可获得高信噪比疵病图像,但少量杂散光仍然会在疵病图像中形成局域亮背景[8,17],以全局亮度信息为检测依据的传统算法不再适用。美国国家点火装置(NIF)检测系统采用基于局部信噪比(LASNR)的损伤检测方法[18],通过模拟人眼识别物体的机制,以每个像素点的局域信噪比作为检测依据来实现损伤识别。哈尔滨工业大学的冯博等[17,19]在LASNR算法的基础上,提出了局部信号强度比(LASSR)算法。LASSR算法的主要思想是逐一考察每一像素点在其局域内的目标信号强度与背景强度的比值,若比值高于阈值,则将此像素点设为种子生长基准点,最后进行区域生长获得完整疵病区域。LASSR算法能高准确率地识别出复杂高亮背景中的疵病,同时具有较强稳健性。但是,LASSR算法在计算局部信号图像时,对复杂高亮背景抑制的同时也削弱了疵病灰度值,每个疵病目标被削弱的程度不同且与其周围局域内的背景灰度值呈正相关关系。而处于局域高亮背景中的微弱疵病被严重削弱之后可能造成疵病信号强度值过低。
针对上述问题,为进一步降低微弱疵病的漏检率,本文设计了一种改进的局部信号强度比算法,利用局部信号图像中微弱疵病信号强度通常高于邻域非疵病区域强度的特点,构造一类滤波模板对信号图像进行自适应局域增强,大幅提高疵病信号强度值,显著增强信号图像中疵病信噪比。最后对种子点进行筛选与自适应增长,并进行精确提取完成损伤区域的完整分割。改进后的局部信号强度比算法拥有更优异的识别微小疵病的能力,且漏检率更低,为构建高功率激光装置光学元件表面质量的离在线检测系统打下了基础。
2 改进的局部信号强度比分割方法
部分疵病亮度虽然可能低于视场中某局域亮背景,但在疵病所处的局域内,疵病目标与邻域背景之间通常存在一定的对比度信息,故能快速准确地为人眼所察觉。基于人类视觉特性的LASSR算法通过模拟人眼对视场信息的处理机制,以局域对比度信息作为检测依据,可以较好地识别复杂背景下的低信噪比微小疵病。
2.1 背景图像和信号图像的生成
LASSR算法[17,19]首先对原始疵病图像进行灰度形态学开运算[20],弱化明亮的疵病目标,同时保持整体灰度级和较大的明亮背景相对不变,对原始疵病图像先腐蚀再膨胀,得到图像:
式中
根据对噪声邻域大小的估计决定高斯滤波器标准差
式中标准差
2.2 信号图像的自适应局域增强
如(3)式所示,信号图像
图 1. 滤波模板。(a)结构图;(b)模板作用域下的图像子块
Fig. 1. Filtering template. (a) Structural diagram; (b) image patches in scope of template
1) 将窗口
2) 将此图像子块等划分为9个子块,每个子块的尺寸均为
式中
3) 计算
4) 计算邻域8个子块的加权平均灰度值
式中
权值
5) 将
6) 按照从左到右、从上到下的顺序,逐个像素点地在信号图像上移动窗口
该滤波器能增强疵病信号强度的原因在于,疵病信号强度通常高于周围暗场区域强度,故当中心
由于(3)式求出的信号图像已对复杂背景进行了抑制,信号图像的非疵病区域已较均匀且强度值较低,故当中心子块为非疵病区域时,通常
当中心子块处于疵病周边暗场时,则
漏检疵病通常为微小疵病,增强微小疵病的信号强度能降低漏检率,故实验中为了提高计算速度,选用单一小尺寸窗口对信号图像进行一次局域增强。微小疵病尺寸通常只有几个甚至单个像素,实验中令
2.3 种子筛选
将上式两边平方,以避免(2)式中
对
2.4 自适应种子生长与精确提取
得到种子图像后,需进行区域生长实现疵病完整区域的确定。区域生长的原理是将图像中具有相似属性的像素点结合在一起构成一个整体区域[21]。传统种子生长法以固定阈值作为生长规则,先计算种子区域的平均灰度值,再计算种子邻域像素点与均值之差,若差值小于阈值则将该点加入种子区域,随着区域生长其均值也不断更新,重复以上步骤直至不再满足生长规则。
传统种子生长法的不足是由于采用固定阈值(例如初始种子区域的均值或者最大值的一半)作为生长规则,当阈值低于目标与背景的边界(
为解决上述问题,采用文献[
12]中的自适应种子生长法,对每一个种子点,采用一系列生长阈值进行传统种子生长,得到生长阈值与生长面积的曲线,该曲线变化最快的地方即为目标与背景的交界处。采用该处的种子生长阈值,可得到期望的目标分割边界。此自适应种子生长法的原理为:在执行种子生长时,逐渐增加生长阈值,种子区域灰度均值下降,总面积逐渐增加;当阈值低于目标与背景的边界(
信号图像的自适应局域增强采用了
3 实验结果及分析
3.1 信号图像的局域增强结果
由于增强系数除了与中心小窗口最大灰度值和周围邻域加权均值的比值有关,还与滤波模板和疵病的尺寸有关,故每个疵病的增强系数并不相同。观察可知,大尺寸疵病增强系数呈现中心低、边缘高的特点。如2.2小节所述,由于窗口尺寸
图 3. LASSR算法改进前后的分割结果比较。(a)原始疵病图像;(b)原始疵病图像强度分布三维图;(c)改进后的结果;(d)改进前的结果
Fig. 3. Segmentation results before and after improvement of LASSR algorithm. (a) Original damage image; (b) three-dimensional intensity distribution of original damage image; (c) result after improvement; (d) result before improvement
图 5. 信号图像。(a)自适应局域增强前;(b)自适应局域增强后;(c)(d)对应(a)(b)的三维形貌
Fig. 5. Signal images. (a) Before adaptive local enhancement; (b) after adaptive local enhancement; (c)(d) three-dimensional morphologies corresponding to (a) and (b), respectively
图 6. 信号图像自适应局域增强前后的强度分布图。(a)~(d)分别对应图4中编号1~4疵病
Fig. 6. Intensity distributions of signal images before and after adaptive local enhancement. (a)-(d) Corresponding to damages numbered by 1-4 in Fig. 4
3.2 分割结果
对
3.3 检测分辨力
图 7. 原始损伤图像与分割结果。(a)原始损伤图像;(b)分割结果
Fig. 7. Original damage image and its segmentation result.(a) Original damage image; (b) segmentation result
采用显微镜(KH-8700,Hirox公司,日本)检测上述区域,结果如
图 8. 显微镜测量结果。(a)光学元件的局部区域;(b)~(f)分别为标记1~5的损伤点在高倍显微镜下的测量结果
Fig. 8. Measurement results under microscope. (a) Local area of optical element; (b) - (f) corresponding to measurement results of damage points numbered by 1-5 under high magnification microscope
选取3块已下线的终端大口径光学元件作为待测样品No.1~No.3,对其使用文中设计的改进LASSR算法进行分割,将人工检测结果与算法分割结果进行比对评估,统计50 μm以上的尺寸的损伤的漏检率。由于待测元件上损伤点数量众多,选取元件的某局域进行人工比对分析,将比对分析结果作为此元件的损伤漏检率参考,得到结果如
表 1. 损伤漏检率结果
Table 1. Results of missed detection rate of damages
|
4 结论
利用改进后的LASSR算法,即利用信号图像中目标信号强度通常高于周围邻域非目标强度的特点,构造了一类滤波模板对信号图像进行自适应局域增强,进而大幅提高疵病目标信号强度值,显著增强信号图像的疵病信噪比。信号图像在局域增强的同时,产生了疵病“膨胀”效果,利于微弱疵病的检测。改进后的LASSR算法具有更加优异的识别低信噪比微小疵病能力,可识别出约30 μm的疵病。与现有的LASSR算法相比,改进后的LASSR算法具有更低的漏检率,可获得等价圆直径50 μm以上疵病点小于0.4%的漏检率,对高功率激光驱动器中的终端大口径光学元件损伤检测的后续研究具有重要意义。
[4] 杨菲菲, 缪洁, 谢雨江, 等. 全内反射技术检测大口径光学元件体内缺陷[J]. 中国激光, 2017, 44(6): 0604005.
[5] 崔辉, 刘世杰, 赵元安, 等. 全内反射显微技术探测亚表面缺陷新方法研究[J]. 光学学报, 2014, 34(6): 0612004.
[6] 郭亚晶, 唐顺兴, 姜秀青, 等. 基于振镜扫描方式的光学元件表面损伤检测[J]. 光学学报, 2017, 37(6): 0612003.
[7] 罗茂, 步扬, 徐静浩, 等. 基于多光谱技术的光学元件表面疵病检测[J]. 中国激光, 2017, 44(1): 0104001.
[8] 吕旭冬. 基于机器学习的终端光学元件损伤识别及分类研究[D]. 哈尔滨:哈尔滨工业大学, 2015: 11- 24.
Lü XD. Research on defect detection and classification in ICF based on machine learning[D]. Harbin: Harbin Institute of Technology, 2015: 11- 24.
[9] 张际, 李大海. 光学元件损伤暗场成像检测的算法[J]. 中国激光, 2006, 33(8): 1109-1112.
[10] 张博, 倪开灶, 王林军, 等. 基于背景校正和图像分割定量分析光学元件表面疵病的新算法[J]. 光学学报, 2016, 36(9): 0911004.
[11] 缪洁, 李展, 崔子健, 等. 表面疵病动态彩色编码融合成像检测技术[J]. 光学学报, 2017, 37(9): 0912002.
[12] 彭志涛. 强激光复杂光机组件光学元件激光损伤在线检测技术研究[D]. 绵阳: 中国工程物理研究院, 2011: 67- 74.
Peng ZT. Study on online laser damage detection of optical components in high power laser complex optic components[D]. Mianyang: China Academy of Engineering Physics, 2011: 67- 74.
[13] 冯博, 刘炳国, 陈凤东, 等. ICF终端光学元件损伤在线检测装置的研究[J]. 红外与激光工程, 2013, 42(9): 2519-2524.
[14] 杨甬英, 陆春华, 梁蛟, 等. 光学元件表面缺陷的显微散射暗场成像及数字化评价系统[J]. 光学学报, 2007, 27(6): 1031-1038.
[15] 冯博, 陈凤东, 刘炳国, 等. 基于RANSAC-LSSVM回归的惯性约束聚变光学元件损伤在线检测技术[J]. 中国激光, 2013, 40(8): 0808002.
[16] 彭志涛, 魏晓峰, 元浩宇, 等. 全内反射照明光学元件损伤检测信噪比分析[J]. 红外与激光工程, 2011, 40(6): 1111-1114.
[17] 冯博. 惯性约束聚变终端光学元件损伤在线检测技术研究[D]. 哈尔滨: 哈尔滨工业大学, 2014: 38- 45.
FengB. Research on final optics damage online inspection technologies for ICF system[D]. Harbin: Harbin Institute of Technology, 2014: 38- 45.
[19] FengB, Chen FD, Liu BG, et al. Segmentation of small defects in final optics damage online inspection images[C]∥IEEE International Conference on Image Analysis and Signal Processing (IASP), 2012: 1- 4.
[20] Verbeek P W. Vrooman H A,van Vliet L J. Low-level image processing by max-min filters[J]. Signal Processing, 1988, 15(3): 249-258.
[21] AgarwalA, IssacA, Dutta MK. A region growing based imaging method for lesion segmentation from dermoscopic images[C]∥IEEE Uttar Pradesh Section International Conference on Electrical, Computer and Electronics (UPCON), 2017: 632- 637.
Article Outline
田玉婷, 邬融, 杨野. 基于局域信号增强的光学元件损伤检测[J]. 中国激光, 2018, 45(11): 1104001. Tian Yuting, Wu Rong, Yang Ye. Optical Damage Inspection Based on Local Signal Enhancement[J]. Chinese Journal of Lasers, 2018, 45(11): 1104001.