[發明專利]雜質檢測模型的訓練方法、檢測方法、設備和介質

在審

• 申請號: 202110405271.5
• 申請日: 2021-04-15
• 公開（公告）號: CN113312964A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 張云波
• 申請（專利權）人: 浙江理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 沈留興

本申請涉及雜質檢測模型的訓練方法、檢測方法、設備和介質，訓練方法包括：將含有雜質的訓練樣本輸入待訓練的神經網絡，得到訓練樣本的雜質位置的輸出結果，其中訓練樣本包括雜質的已知位置信息和已知光學信號，輸出結果包含訓練樣本的雜質的預測位置和預測光學信號；將預測光學信號和預測位置進行分類，得到第一概率分布；將雜質的已知位置信息和已知光學信號進行分類，形成已知雜質的已知分類數據，并將已知分類數據進行one?hot編碼，得到第二概率分布；利用第一概率分布和第二概率分布，計算損失函數；調整神經網絡的網格參數以縮小損失函數。神經網絡穩定性強，準確性強。

技術領域

本申請涉及檢測技術領域，特別是涉及雜質檢測模型的訓練方法、檢測方法、 設備和介質。

背景技術

精密的光學元器件是現代光學實驗和激光應用中不可或缺的組成部分，例如光學晶體、分光鏡、光學玻片等廣泛應用于量子光學以及基于光子的量子計算、量子 通訊實驗中；在日常生活中，小到手機鏡頭、液晶屏幕，大到衛星導航，激光定位 都離不開光學薄膜等光學器件的身影。然而，精密光學器件的表面往往是最重要但 又最容易受到損傷的地方。已有大量的研究表明，光學表面的雜質和缺陷不但會大 大影響光學器件的工作性能，更進一步，在大功率的激光應用中，具有雜質和缺陷 的光學表面更加容易受到激光損傷，從而極大地減小光學器件的使用壽命。因而， 對光學表面的雜質檢測是一個重要的研究課題。

發明內容

本申請提供了雜質檢測模型的訓練方法、檢測方法、設備和介質，能夠提高檢 測光在表面雜質的精度和準確性。

為解決上述技術問題，本申請提供了一種深度學習光學表面雜質檢測模型的訓練方法，包括：

將含有雜質的訓練樣本輸入待訓練的神經網絡，得到訓練樣本的雜質位置的輸出結果，其中訓練樣本包括雜質的已知位置信息和已知光學信號，輸出結果包含訓 練樣本的雜質的預測位置和預測光學信號；

將預測光學信號和預測位置進行分類，得到第一概率分布；

將雜質的已知位置信息和已知光學信號進行分類，形成已知雜質的已知分類數據，并將已知分類數據進行one-hot編碼，得到第二概率分布；

利用第一概率分布和第二概率分布，計算損失函數；

調整神經網絡的網格參數以縮小損失函數。

本申請還包括第二種技術方案，一種神經網絡的檢測方法，包括：

將含有雜質的檢測樣本輸入神經網絡，得到檢測樣本的雜質位置的檢測信息， 其中，檢測樣本包括檢測樣本的雜質位置的已知信息；

比較雜質位置檢測信息和檢測樣本的雜質位置的已知信息，獲得雜質位置的準確率；

確定雜質位置準確率大于預設值，則確定神經網絡具有泛化能力。

本申請還包括第三種技術方案，一種深度學習光學表面雜質檢測方法，包括：

將介質輸入神經網絡，其中，神經網絡是利用權利要求1-5中任一項的方法訓 練得到的；

判斷介質表面是否含有雜質；

若是，確定介質表面的雜質所在位置。

本申請還包括第四種技術方案，一種電子設備，包括相互耦接的存儲器和處理器，處理器用于執行存儲器存儲的計算機指令以實現上述的方法。

本申請還包括第五種技術方案，一種存儲介質，存儲有指令，指令被執行時實 現如上述的方法。

有益效果：