基于改进U-Net的光学薄膜损伤图像检测方法研究
Abstract
高功率激光系统中的光学薄膜往往面临损伤风险，而传统检测方法在识别细微损伤和复杂边缘方面存在明显不足。为提高光学薄膜损伤检测的精度，提出一种基于改进U-Net的光学薄膜损伤图像检测方法。该算法通过零样本去卷积网络（ZS-DeconvNet）对光学薄膜损伤图像完成噪声抑制与分辨率增强后，在U-Net解码器末端引入误差预测子网络与动态特征融合模块，通过辅助损失函数和边缘损失函数的联合约束，实现对损伤区域的精细化、像素级分割。采用高分辨率光学薄膜损伤图像进行实验，批次大小为4，训练轮次为30。实验结果显示，改进后的U-Net在多项指标上较基础U-Net均有显著提升。其中：平均像素准确率达0.9919，提升1.20%；平均交并比达0.8658，提升19.90%，显著减少了过分割现象；精确度达0.9435，提升14.89%；召回率达0.9531，提升0.04%，降低了漏检像素数。改进U-Net对不规则损伤和微小裂纹具有较高的分割精度，为高功率激光系统中的光学薄膜损伤在线监测与故障诊断提供了良好的技术基础。
Fields of Study & Subjects
Industrial Vision Systems and Defect Detection
Advanced Neural Network Applications
Infrastructure Maintenance and Monitoring
Publication details
- Journal / source
- Laser & Optoelectronics Progress
- Volume
- 63
- Issue
- 2
- Pages
- 0237006–0237006
- Publication date
- 1 January 2026
- Language
- EN