作者单位
摘要
哈尔滨工业大学 航天学院,黑龙江 哈尔滨 150001
为了区分纳米量级的表面上方颗粒物灰尘与表面下方气泡粒子这两种表面缺陷,且获得该方法的适用环境与最佳观测条件,根据瑞利散射理论结合偏振双向反射分布函数,建立了两种表面缺陷的偏振散射模型并进行了验证。在此基础上,通过仿真分析得到不同缺陷环境、不同观测条件对两种表面缺陷粒子偏振散射特性的影响。结果表明:利用p偏振光入射表面,而后探测p偏振光的双向反射分布函数值随散射方位角的变化趋势可区分两种表面缺陷;无论表面下方气泡粒子位置如何改变,均不影响该趋势的变化情况;不同光学元件表面材料、缺陷粒子种类、缺陷粒子大小对两种表面缺陷的偏振散射模型有一定影响,但整体趋势不变。实验中,针对本文所述两种表面缺陷进行区分时,可选取入射角度和探测散射角度均为 45°,采用较小波长入射光进行实验。
瑞利粒子 缺陷类型 偏振散射模型 模型适用范围 最佳观测条件 rayleigh particles defect types polarization scattering model scope of model application optimum?observation?condition 
中国光学
2020, 13(5): 975
作者单位
摘要
中国民航大学电子信息与自动化学院, 天津 300300
针对碳纤维复合材料(CFRP)的缺陷类型自动判别,提出一种超声一维卷积神经网络(U-1DCNN),结合贝叶斯优化方法进行超参数优选,通过自动提取超声A-Scan信号特征,实现分层、气孔、无缺陷三种类型自动区分。首先采集超声A-Scan信号构建数据集,然后利用多卷积块同时进行特征提取,以增强提取特征的多样性,并将一维残差单元堆叠连接,在进一步提取特征的同时简化网络的训练,利用贝叶斯优化算法优选网络的学习率和随机梯度下降的动量参数,最终实现了A-Scan信号与缺陷类型的非线性映射。实验结果表明,U-1DCNN可通过自动提取特征实现CFRP的缺陷类型识别,准确率为99.50%,并且较二维卷积神经网络方法识别速度更快,可辅助缺陷检测结果判断。
图像处理 缺陷类型识别 卷积神经网络 超声信号 碳纤维复合材料(CFRP) 
激光与光电子学进展
2020, 57(10): 101013
作者单位
摘要
1 西安工业大学 陕西省薄膜技术与光学检测重点实验室, 陕西 西安 710021
2 中国兵器科学院宁波分院, 浙江 宁波 310022
为了区分超光滑表面上方存在的微小粒子、亚表面缺陷、微粗糙度三种缺陷产生的散射光, 并得到能够探测这三种缺陷的最佳区域, 将双向反射分布函数(Bidirectional Reflection Distribution Function, BRDF)与琼斯矩阵结合, 给出了三种缺陷在ss、sp、ps、pp四种偏振状态下的偏振系数。在此基础上, 模拟和分析了三种缺陷在四种偏振状态下与散射方位角的关系。结果表明: 利用p偏振入射光引起的p偏振散射光能将这几种缺陷区分开。根据三种缺陷与散射方位角变化关系的不同, 给出了三种缺陷的最佳探测区域及实现方法。
散射 双向反射分布函数 缺陷类型 最佳探测区域 scattering bidirectional reflectance distribution function defect types optimum detection region 
红外与激光工程
2019, 48(11): 1113003

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!