CN111678919A

CN111678919A - 基于多模态原位测试的强激光元件激光损伤阈值预测方法、系统及介质

Info

Publication number: CN111678919A
Application number: CN202010554380.9A
Authority: CN
Inventors: 薛帅; 田野; 石峰; 邓明杰; 宋辞; 铁贵鹏
Original assignee: National University of Defense Technology
Current assignee: National University of Defense Technology
Priority date: 2020-06-17
Filing date: 2020-06-17
Publication date: 2020-09-18
Anticipated expiration: 2040-06-17
Also published as: CN111678919B

Abstract

本发明公开了一种基于多模态原位测试的强激光元件激光损伤阈值预测方法、系统及介质，本发明方法包括获取针对被测强激光元件使用多模态原位检测技术实现包括表面缺陷激光散射测试、亚表面缺陷共聚焦荧光测试、光热显微成像和激光诱导损伤阈值多种检测模态在内的多模态缺陷原位测试得到的多模态缺陷原位测量的量化评价指标数据；将多模态缺陷原位测量的量化评价指标数据输入预先训练好的机器学习分类模型，得到被测强激光元件的激光诱导损伤阈值H。本发明不需对被测强激光元件进行破坏性的阈值测试实验，避免传统阈值测试方法对被测激光元件的破坏，具有检测精确度高、可信程度更高的优点。

Description

基于多模态原位测试的强激光元件激光损伤阈值预测方法、系统及介质

技术领域

本发明涉及强激光元件损伤特性测试技术，具体涉及一种基于多模态原位测试的强激光元件激光损伤阈值预测方法、系统及介质。

背景技术

所谓强激光元件是指在高能或高功率激光系统，如惯性约束聚变（InertialConfinement Fusion，ICF）中实现激光状态控制的光学元件，由于强光系统的激光能量密度和瞬间功率极大，有可能会导致强光元件出现一些不可逆的激光损伤。强光光学系统中，光学元件的损伤是影响系统运行性能的关键因素。根据ISO21254标准，光学元件的激光损伤定义为在测试仪器的灵敏度范围之内可观测到的元件表面（基体）特征发生的任何永久性的激光辐照导致的变化。光学元件的激光损伤阈值为外推的损伤概率为零时光学元件承受的激光辐照的能量密度最高值。当激光辐照低于激光损伤阈值时，光学元件不损伤或者不发生功能性损伤，理论上可以长期稳定运行。当元件表面受到的辐照通量大于阈值时，会出现一定密度及尺寸的初始损伤。而且损伤增长是一个“自加速”的过程，进而严重影响强光系统的运行性能。研究表明，加工过程中引入的各种缺陷是导致强光元件损伤阈值下降的重要因素。研究激光诱导损伤机理和改进加工工艺提升激光损伤阈值成为当前研究的热点，损伤阈值测试研究作为开展损伤机理研究、提升损伤阈值研究的前提条件显得至关重要。

根据ISO11254标准，目前主流的激光损伤阈值测试手段是采用高能激光辐照光学元件表面，使损伤概率较大的能量密度值或功率密度值确定为该元件的激光损伤阈值。由此引出的激光对光学元件的作用方式基本分为以下四种：（1）1-on-1方式，用相同能级的激光辐照一排测试点（至少包含10个测试点），保证每个测试点只受到一次激光辐照，计算该能级辐照下的损伤概率；（2）S-on-1方式，用相同能级的激光辐照一排测试点（至少包含10个测试点），对每一个测试点以一定的短时间间隔辐照S（S为任意设置值）发激光脉冲，直到该测试点发生损伤时停止辐照，记录该能级辐照下的辐照脉冲数；（3）R-on-1方式，用能级逐渐增加的激光辐照一排测试点（至少包含10个测试点），直至每个测试点发生损伤，记每个测试点的损伤激光能量密度和上一能级的激光损伤能量密度平均值为该测试点的激光损伤阈值，所有测试点的激光损伤阈值平均值记为该光学元件的激光损伤阈值；（4）N-on-1方式，是基于R-on-1简化后的方式，用能量密度等幅递增的激光脉冲以一定的短时间间隔辐照在相同的测试点上，测试点的激光损伤阈值计算方法与R-on-1相同。此后的大多数激光阈值损伤测试方法虽然有所改进或优化，但大抵都是基于这四种激光作用方式。这类测试方式可操作性强，检测精度高，但是由于被测样本受到高能激光辐照后会发生不可逆损伤，造成光学元件永久性破坏，因此，寻求一种能够对光学元件进行无损检测的方法具有重要意义。

为了实现光学元件的激光损伤阈值无损测试，目前主流的方法是探究光学元件表面缺陷与其相应区域激光损伤阈值的关联关系，并利用这一关系对光学元件的激光损伤阈值进行无损预测。公告号为CN110849815A的中国专利文献公开了“一种预测光学元件表面激光损伤性能的方法和系统”，可以建立出光学元件表面吸收性缺陷密度与其对应损伤性能之间的关联曲线，并以此曲线作为标准曲线对待检测的光学元件缺陷密度进行激光损伤阈值的无损预测。但是此方法对激光损伤阈值的预测精度有限，只能得到激光损伤阈值在吸收性缺陷下的预测情况。但是，在强光光学系统的实际运用中，与激光损伤阈值有密切关联的缺陷因素较多，上述方法并不适用于强激光元件。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于多模态原位测试的强激光元件激光损伤阈值预测方法、系统及介质，本发明不需对被测强激光元件进行破坏性的阈值测试实验，避免传统阈值测试方法对被测激光元件的破坏，具有检测精确度高、可信程度更高的优点。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于多模态原位测试的强激光元件激光损伤阈值预测方法，实施步骤包括：

1）获取针对被测强激光元件使用多模态原位检测技术实现包括表面缺陷激光散射测试、亚表面缺陷共聚焦荧光测试、光热显微成像和激光诱导损伤阈值多种检测模态在内的多模态缺陷原位测试得到的多模态缺陷原位测量的量化评价指标数据；

2）将多模态缺陷原位测量的量化评价指标数据输入预先训练好的机器学习分类模型，得到被测强激光元件的激光诱导损伤阈值H，所述机器学习分类模型被预先训练建立了多模态缺陷原位测量的量化评价指标数据、激光诱导损伤阈值H之间的映射关系。

可选地，所述多模态缺陷原位测量的量化评价指标数据包括被测强激光元件同一区域范围内的不同尺寸表面缺陷的数量X1及面积占比X2，亚表面缺陷的集群深度X3、最大深度X4、裂纹密度沿不同深度的分布X5，光热吸收平均值X6。

可选地，所述机器学习分类模型为深度神经网络。

可选地，所述深度神经网络包括输入层、三个全连接层和输出层，所述输入层用于输入不同尺寸表面缺陷的数量X1及面积占比X2，亚表面缺陷的集群深度X3、最大深度X4、裂纹密度沿不同深度的分布X5，光热吸收平均值X6构成的输入向量{X1,X2,X3,X4,X5,X6}，所述输出层用于输出激光诱导损伤阈值H，全连接层的激活函数选择为ReLU函数，输出层的激活函数选择为Sigmoid函数。

可选地，步骤2）之前还包括训练深度神经网络的步骤，详细步骤包括：

S1）针对指定的强光材料，分别采用不同强激光元件制造工艺和参数加工生成一批强光工艺试验件；

S2）针对强光工艺试验件，分别使用多模态原位检测技术实现包括表面缺陷激光散射测试、亚表面缺陷共聚焦荧光测试、光热显微成像和激光诱导损伤阈值多种检测模态在内的多模态缺陷原位测试得到的多模态缺陷原位测量的量化评价指标数据的训练数据样本，并将得到的训练数据样本划分为训练集和测试集；

S3）初始化建立深度神经网络；

S4）通过训练集对深度神经网络进行一轮训练，且训练过程中采用随机梯度下降算法对反向传播神经网络进行训练；

S5）通过测试集对深度神经网络进行验证，如果准确率不满足要求，则继续跳转执行步骤S3）进行训练；否则判定深度神经网络训练完毕。

可选地，步骤S1）中指定的强光材料为熔石英材料。

可选地，步骤S1）中不同强激光元件制造工艺和参数指磨削、研磨、抛光、酸洗等工艺过程采取不同的工艺参数，小口径强光工艺试验件尺寸选择口径10mm，厚度2mm。

可选地，步骤S4）通过训练集对深度神经网络进行一轮训练时终止条件为训练次数超过预设次数。

此外，本发明还提供一种基于多模态原位测试的强激光元件激光损伤阈值预测系统，包括计算机设备，该计算机设备被编程或配置以执行所述基于多模态原位测试的强激光元件激光损伤阈值预测方法的步骤；或者该计算机设备的存储器中存储有被编程或配置以执行所述基于多模态原位测试的强激光元件激光损伤阈值预测方法的计算机程序。

此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行所述基于多模态原位测试的强激光元件激光损伤阈值预测方法的计算机程序。

和现有技术相比，本发明具有下述优点：

1、本发明方法不需对被测强激光元件进行破坏性的阈值测试实验，基于训练好的机器学习分类模型和多模态缺陷原位测试结果即可实现激光损伤阈值的预测，避免传统阈值测试方法对被测激光元件的破坏。

2、由于损伤阈值不只受一种模态缺陷的影响，基于单模态缺陷检测结果实现损伤阈值的预测可信度较低。本发明利用缺陷的多模态原位检测结果，通过机器学习分类模型被预先训练建立了多模态缺陷原位测量的量化评价指标数据、激光诱导损伤阈值之间的非线性的映射关系，考虑多种模态缺陷对激光损伤阈值的贡献，具有检测精确度高、可信程度更高的优点。

附图说明

图1为本发明实施例方法的基本流程示意图。

图2为本发明实施例采用的深度神经网络结构示意图。

图3为本发明实施例的表面缺陷激光散射测试结果。

图4为本发明实施例的光热显微成像测试结果。

具体实施方式

以下结合说明书附图和具体实施例对本发明作进一步详细说明。

如图1所示，本实施例基于多模态原位测试的强激光元件激光损伤阈值预测方法包括：

在强光光学系统的实际运用中，与激光损伤阈值有密切关联的缺陷除吸收性缺陷外还有表面破碎性缺陷、亚表面缺陷、污染性缺陷和化学结构缺陷等多种缺陷及其耦合作用。由于对每一项缺陷进行单项测试会出现各测试设备之间难以重复定位，对比结果等技术难题，因此，使用多模态原位测试一方面可以实现对多种缺陷原位测试，在同一时间精确得到同一位置的具体缺陷特征，另一方面，能够实现对损伤前驱体多种模态的高精度原位检测。

多模态缺陷原位测量的量化评价指标数据包含被测强激光元件同一区域范围内的表面破碎性缺陷、亚表面缺陷、污染性缺陷和化学结构缺陷评价指标以及相应区域内的激光诱导损伤阈值。作为一种具体的实施方式，本实施例中多模态缺陷原位测量的量化评价指标数据包括被测强激光元件同一区域范围内的不同尺寸表面缺陷的数量X1及面积占比X2，亚表面缺陷的集群深度X3、最大深度X4、裂纹密度沿不同深度的分布X5，光热吸收平均值X6。此外，也可以根据需要在各类现有的表面破碎性缺陷、亚表面缺陷、污染性缺陷和化学结构缺陷评价指标增加新指标，再不计准确度的情况下还可以减少已有指标。

本实施例中，机器学习分类模型为深度神经网络。此外，也可以根据需要采用其他类型的机器学习分类模型，同样也可以实现建立多模态缺陷原位测量的量化评价指标数据、激光诱导损伤阈值H之间的映射关系。

如图2所示，深度神经网络包括输入层、三个全连接层和输出层，所述输入层用于输入不同尺寸表面缺陷的数量X1及面积占比X2，亚表面缺陷的集群深度X3、最大深度X4、裂纹密度沿不同深度的分布X5，光热吸收平均值X6构成的输入向量{X1,X2,X3,X4,X5,X6}，所述输出层用于输出激光诱导损伤阈值H，全连接层的激活函数选择为ReLU函数，输出层的激活函数选择为Sigmoid函数。

本实施例中，步骤2）之前还包括训练深度神经网络的步骤，详细步骤包括：

S2）针对强光工艺试验件，分别使用多模态原位检测技术实现包括表面缺陷激光散射测试、亚表面缺陷共聚焦荧光测试、光热显微成像和激光诱导损伤阈值多种检测模态在内的多模态缺陷原位测试得到的多模态缺陷原位测量的量化评价指标数据的训练数据样本，并将得到的训练数据样本划分为训练集和测试集；本实施例中，训练数据样本共包括2000个训练数据，且将80%作为训练集、20%作为验证集。

S3）初始化建立深度神经网络；

S4）通过训练集对深度神经网络进行一轮训练，且训练过程中采用随机梯度下降算法（SGD）对反向传播神经网络进行训练；

本实施例中，步骤S1）中指定的强光材料为熔石英材料。

本实施例中，步骤S1）中不同强激光元件制造工艺和参数指磨削、研磨、抛光、酸洗等工艺过程采取不同的工艺参数，小口径强光工艺试验件尺寸选择口径10mm，厚度2mm。

本实施例中，步骤S4）通过训练集对深度神经网络进行一轮训练时终止条件为训练次数超过预设次数。通过迭代训练之后，任意两个相连的神经元的权重和偏置都能达到最优值，实现最小的均方根误差，并使用验证集验证训练后的神经网络性能。

通过对深度神经网络的训练建立了多模态缺陷原位测量的量化评价指标数据、激光诱导损伤阈值H之间的映射关系之后，为实现激光损伤阈值的无损预测，仅需要采用多模态缺陷原位测量方法测量强激光元件的{X1,X2,X3,X4,X5,X6}值，并将其作为训练后的深度神经网络的输入，即可实现激光损伤阈值的无损预测。

综上所述，本实施例提供了一种基于多模态原位测试和深度神经网络的激光损伤阈值预测方法，属于强激光元件损伤特性测试技术领域。方法步骤包括：针对某一特定强光材料，分别采用不同强激光元件制造工艺和参数加工一批小口径强光工艺试验件；使用多模态原位检测技术实现表面缺陷激光散射测试、亚表面缺陷共聚焦荧光测试、光热显微成像和激光诱导损伤阈值多种检测模态的原位测试，将测试结果作为深度神经网络的训练数据，并将训练数据划分为两部分：一部分用于训练，另一部分用于验证；搭建深度神经网络，将多模态缺陷原位测量的量化评价指标数据作为深度神经网络的输入，激光诱导损伤阈值作为深度神经网络的输出，并使用训练样本对预置的深度神经网络进行监督训练，使用验证样本评估训练得到的深度神经网络模型性能，并重复迭代直到模型得到满意性能；基于训练好的深度神经网络模型，通过强光元件的多模态缺陷原位测试结果实现激光损伤阈值的预测。本发明提供的方法，将多模态检测手段和深度学习算法结合在一起，从而避免了以往激光损伤阈值检测方法对光学元件的损坏，具有无损检测、检测精确度高、可信程度更高的优点。

此外，本实施例还提供一种基于多模态原位测试的强激光元件激光损伤阈值预测系统，包括计算机设备，该计算机设备被编程或配置以执行前述基于多模态原位测试的强激光元件激光损伤阈值预测方法的步骤；或者该计算机设备的存储器中存储有被编程或配置以执行前述基于多模态原位测试的强激光元件激光损伤阈值预测方法的计算机程序。

此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行前述基于多模态原位测试的强激光元件激光损伤阈值预测方法的计算机程序。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种基于多模态原位测试的强激光元件激光损伤阈值预测方法，其特征在于实施步骤包括：

2.根据权利要求1所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法，其特征在于，所述多模态缺陷原位测量的量化评价指标数据包括被测强激光元件同一区域范围内的不同尺寸表面缺陷的数量X1及面积占比X2，亚表面缺陷的集群深度X3、最大深度X4、裂纹密度沿不同深度的分布X5，光热吸收平均值X6。

3.根据权利要求1所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法，其特征在于，所述机器学习分类模型为深度神经网络。

4.根据权利要求3所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法，其特征在于，所述深度神经网络包括输入层、三个全连接层和输出层，所述输入层用于输入不同尺寸表面缺陷的数量X1及面积占比X2，亚表面缺陷的集群深度X3、最大深度X4、裂纹密度沿不同深度的分布X5，光热吸收平均值X6构成的输入向量{X1,X2,X3,X4,X5,X6}，所述输出层用于输出激光诱导损伤阈值H，全连接层的激活函数选择为ReLU函数，输出层的激活函数选择为Sigmoid函数。

5.根据权利要求4所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法，其特征在于，步骤2）之前还包括训练深度神经网络的步骤，详细步骤包括：

S3）初始化建立深度神经网络；

6.根据权利要求5所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法，其特征在于，步骤S1）中指定的强光材料为熔石英材料。

7.根据权利要求5所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法，其特征在于，步骤S1）中不同强激光元件制造工艺和参数指磨削、研磨、抛光、酸洗等工艺过程采取不同的工艺参数，小口径强光工艺试验件尺寸选择口径10mm，厚度2mm。

8.根据权利要求5所述的基于多模态原位测试的强激光元件激光损伤阈值预测方法，其特征在于，步骤S4）通过训练集对深度神经网络进行一轮训练时终止条件为训练次数超过预设次数。

9.一种基于多模态原位测试的强激光元件激光损伤阈值预测系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～8中任意一项所述基于多模态原位测试的强激光元件激光损伤阈值预测方法的步骤；或者该计算机设备的存储器中存储有被编程或配置以执行权利要求1～8中任意一项所述基于多模态原位测试的强激光元件激光损伤阈值预测方法的计算机程序。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有被编程或配置以执行权利要求1～8中任意一项所述基于多模态原位测试的强激光元件激光损伤阈值预测方法的计算机程序。