[發明專利]強激光元件激光損傷閾值預測方法、系統及介質

有效

• 申請號: 202010554380.9
• 申請日: 2020-06-17
• 公開（公告）號: CN111678919B
• 公開（公告）日: 2023-01-10
• 發明（設計）人: 薛帥;田野;石峰;鄧明杰;宋辭;鐵貴鵬
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G01N21/88
• 分類號: G01N21/88;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 湖南兆弘專利事務所(普通合伙) 43008
• 代理人: 譚武藝

1.一種基于多模態原位測試的強激光元件激光損傷閾值預測方法，其特征在于實施步驟包括：

1）獲取針對被測強激光元件使用多模態原位檢測技術實現包括表面缺陷激光散射測試、亞表面缺陷共聚焦熒光測試、光熱顯微成像多種檢測模態在內的多模態缺陷原位測試得到的多模態缺陷原位測量的量化評價指標數據；

2）將多模態缺陷原位測量的量化評價指標數據輸入預先訓練好的機器學習分類模型，得到被測強激光元件的激光誘導損傷閾值H，所述機器學習分類模型被預先訓練建立了多模態缺陷原位測量的量化評價指標數據、激光誘導損傷閾值H之間的映射關系；

所述多模態缺陷原位測量的量化評價指標數據包括被測強激光元件同一區域范圍內的不同尺寸表面缺陷的數量X1及面積占比X2，亞表面缺陷的集群深度X3、最大深度X4、裂紋密度沿不同深度的分布X5，光熱吸收平均值X6；

所述機器學習分類模型為深度神經網絡，所述深度神經網絡包括輸入層、三個全連接層和輸出層，所述輸入層用于輸入不同尺寸表面缺陷的數量X1及面積占比X2，亞表面缺陷的集群深度X3、最大深度X4、裂紋密度沿不同深度的分布X5，光熱吸收平均值X6構成的輸入向量{X1,X2,X3,X4,X5,X6}，所述輸出層用于輸出激光誘導損傷閾值H，全連接層的激活函數選擇為ReLU函數，輸出層的激活函數選擇為Sigmoid函數；

步驟2）之前還包括訓練深度神經網絡的步驟，詳細步驟包括：

S1）針對指定的強光材料，分別采用不同強激光元件制造工藝和參數加工生成一批強光工藝試驗件；

S2）針對強光工藝試驗件，分別使用多模態原位檢測技術實現包括表面缺陷激光散射測試、亞表面缺陷共聚焦熒光測試、光熱顯微成像多種檢測模態在內的多模態缺陷原位測試得到的多模態缺陷原位測量的量化評價指標數據的訓練數據樣本，使用激光誘導損傷閾值缺陷原位測試得到激光誘導損傷閾值并作為標簽加入訓練數據樣本，并將得到的訓練數據樣本劃分為訓練集和測試集；

S3）初始化建立深度神經網絡；

S4）通過訓練集對深度神經網絡進行一輪訓練，且訓練過程中采用隨機梯度下降算法對反向傳播神經網絡進行訓練；

S5）通過測試集對深度神經網絡進行驗證，如果準確率不滿足要求，則繼續跳轉執行步驟S3）進行訓練；否則判定深度神經網絡訓練完畢。

2.根據權利要求1所述的基于多模態原位測試的強激光元件激光損傷閾值預測方法，其特征在于，步驟S1）中指定的強光材料為熔石英材料。

3.根據權利要求1所述的基于多模態原位測試的強激光元件激光損傷閾值預測方法，其特征在于，步驟S1）中不同強激光元件制造工藝和參數指磨削、研磨、拋光、酸洗工藝過程采取不同的工藝參數，小口徑強光工藝試驗件尺寸選擇口徑10mm，厚度2mm。

4.根據權利要求1所述的基于多模態原位測試的強激光元件激光損傷閾值預測方法，其特征在于，步驟S4）通過訓練集對深度神經網絡進行一輪訓練時終止條件為訓練次數超過預設次數。

5.一種基于多模態原位測試的強激光元件激光損傷閾值預測系統，包括計算機設備，其特征在于，該計算機設備被編程或配置以執行權利要求1～4中任意一項所述基于多模態原位測試的強激光元件激光損傷閾值預測方法的步驟；或者該計算機設備的存儲器中存儲有被編程或配置以執行權利要求1～4中任意一項所述基于多模態原位測試的強激光元件激光損傷閾值預測方法的計算機程序。

6.一種計算機可讀存儲介質，其特征在于，該計算機可讀存儲介質中存儲有被編程或配置以執行權利要求1～4中任意一項所述基于多模態原位測試的強激光元件激光損傷閾值預測方法的計算機程序。