基于多视角表征学习的激光光斑质量判别方法及装置

本发明涉及激光检测，尤其涉及一种基于多视角表征学习的激光光斑质量判别方法及装置。

背景技术：

1、激光被广泛的应用在医学、测量、通信和工业等领域，以激光为基础的医疗检测设备、激光切割设备和光电通信电子产品都对激光的精度有较高的要求，因此，在激光器的研发过程中，激光光斑的质量判别显得尤为重要。

2、通过现有的光斑中心点判别光斑质量的方法，在有背景光的影响下，难以准确提取光斑轮廓信息，从而影响光斑质量判别的结果；基于深层特征学习判别光斑质量的方法，学习到的特征质量受限于输入光斑图像所包含的信息量，在单曝光量下获取的光斑图像会存在部分纹理特征缺失，导致学习到的特征不够全面，容易导致这种特征对光斑质量进行判别造成误判。

技术实现思路

1、本发明提供了一种基于多视角表征学习的激光光斑质量判别方法及装置，解决了通过现有的光斑中心点判别光斑质量的方法容易对对光斑质量进行判别造成误判的技术问题。

2、有鉴于此，本发明第一方面提供了一种基于多视角表征学习的激光光斑质量判别方法，包括：

3、根据激光光斑在多个不同曝光量下的历史光斑图像构造参考光斑多曝光图像集，所述参考光斑多曝光图像集包括正样本图像和负样本图像；

4、通过所述参考光斑多曝光图像集对多个不同曝光量分别对应的图像特征编码器进行联合训练，其中，多个所述图像特征编码器之间共享网络参数；

5、根据训练好的多个图像特征编码器对所述参考光斑多曝光图像集进行特征编码，得到多个曝光量下的正样本图像的潜在表征集合以及多个曝光量下的负样本图像的潜在表征集合；

6、对多个曝光量下的正样本图像的潜在表征集合以及多个曝光量下的负样本图像的潜在表征集合分别进行表征融合，得到正样本图像的公共潜在表征集合以及负样本图像的公共潜在表征集合；

7、根据所述正样本图像的公共潜在表征集合以及所述负样本图像的公共潜在表征集合确定所述正样本图像的公共潜在表征集合的中心点以及所述负样本图像的公共潜在表征集合的中心点；

8、比较待检测光斑的公共潜在表征分别与所述正样本图像的公共潜在表征集合的中心点以及所述负样本图像的公共潜在表征集合的中心点的距离关系，并根据距离关系的比较结果确定所述待检测光斑的质量。

9、优选地，所述图像特征编码器采用卷积神经网络。

10、优选地，所述对多个曝光量下的正样本图像的潜在表征集合以及多个曝光量下的负样本图像的潜在表征集合分别进行表征融合，得到正样本图像的公共潜在表征集合以及负样本图像的公共潜在表征集合的步骤之前，还包括：

11、利用拉普拉斯算子对所述参考光斑多曝光图像集进行运算，得到历史光斑图像在多个曝光量下的对比度权重；

12、对所述参考光斑多曝光图像集进行指数运算，得到历史光斑图像在多个曝光量下的亮度权重；

13、对历史光斑图像在多个曝光量下的所述对比度权重以及所述亮度权重进行均值融合，得到图像表征融合权重。

14、优选地，所述对多个曝光量下的正样本图像的潜在表征集合以及多个曝光量下的负样本图像的潜在表征集合分别进行表征融合，得到正样本图像的公共潜在表征集合以及负样本图像的公共潜在表征集合的步骤，具体包括：

15、利用所述图像表征融合权重对多个曝光量下的正样本图像的潜在表征集合以及多个曝光量下的负样本图像的潜在表征集合分别进行加权求和，得到正样本图像的公共潜在表征集合以及负样本图像的公共潜在表征集合。

16、优选地，所述比较待检测光斑的公共潜在表征分别与所述正样本图像的公共潜在表征集合的中心点以及所述负样本图像的公共潜在表征集合的中心点的距离关系，并根据距离关系的比较结果确定所述待检测光斑的质量的步骤之前，还包括：

17、根据所述待检测光斑在多个不同曝光量下的光斑图像构造光斑多曝光图像集；

18、利用训练好的多个图像特征编码器对所述光斑多曝光图像集进行特征编码，得到多个曝光量下的光斑图像的潜在表征集合；

19、对多个曝光量下的光斑图像的潜在表征集合进行表征融合，得到所述光斑多曝光图像集的公共潜在表征。

20、优选地，所述比较待检测光斑的公共潜在表征分别与所述正样本图像的公共潜在表征集合的中心点以及所述负样本图像的公共潜在表征集合的中心点的距离关系，并根据距离关系的比较结果确定所述待检测光斑的质量的步骤，具体包括：

21、比较待检测光斑的公共潜在表征分别与所述正样本图像的公共潜在表征集合的中心点以及所述负样本图像的公共潜在表征集合的中心点的距离关系；

22、若所述待检测光斑的公共潜在表征距离所述正样本图像的公共潜在表征集合的中心点较近，则判定所述待检测光斑为正常质量光斑；

23、若所述待检测光斑的公共潜在表征距离所述负样本图像的公共潜在表征集合的中心点较近，则判定所述待检测光斑为异常质量光斑。

24、第二方面，本发明还提供了一种基于多视角表征学习的激光光斑质量判别装置，包括：

25、参考图像构建模块，用于根据激光光斑在多个不同曝光量下的历史光斑图像构造参考光斑多曝光图像集，所述参考光斑多曝光图像集包括正样本图像和负样本图像；

26、编码器训练模块，用于通过所述参考光斑多曝光图像集对多个不同曝光量分别对应的图像特征编码器进行联合训练，其中，多个所述图像特征编码器之间共享网络参数；

27、潜在表征编码模块，用于根据训练好的多个图像特征编码器对所述参考光斑多曝光图像集进行特征编码，得到多个曝光量下的正样本图像的潜在表征集合以及多个曝光量下的负样本图像的潜在表征集合；

28、表征融合模块，用于对多个曝光量下的正样本图像的潜在表征集合以及多个曝光量下的负样本图像的潜在表征集合分别进行表征融合，得到正样本图像的公共潜在表征集合以及负样本图像的公共潜在表征集合；

29、表征中心确定模块，用于根据所述正样本图像的公共潜在表征集合以及所述负样本图像的公共潜在表征集合确定所述正样本图像的公共潜在表征集合的中心点以及所述负样本图像的公共潜在表征集合的中心点；

30、光斑质量判别模块，用于比较待检测光斑的公共潜在表征分别与所述正样本图像的公共潜在表征集合的中心点以及所述负样本图像的公共潜在表征集合的中心点的距离关系，并根据距离关系的比较结果确定所述待检测光斑的质量。

31、第三方面，本发明还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述的基于多视角表征学习的激光光斑质量判别方法的步骤。

32、第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述的基于多视角表征学习的激光光斑质量判别方法的步骤。

33、第五方面，本发明还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，其中，当所述程序指令被计算机执行时，使所述计算机执行如上述的基于多视角表征学习的激光光斑质量判别方法的步骤。

34、从以上技术方案可以看出，本发明具有以下优点：

35、本发明通过历史光斑图像的潜在表征用于光斑质量判别，不依赖于光斑轮廓信息，避免了受背景光干扰下的缺失轮廓信息对光斑质量判别的影响，提高了激光光斑质量判别的准确性。对光斑特征挖掘时，通过构建多个不同曝光量分别对应的图像特征编码器进行联合训练，利用多个图像特征编码器之间共享网络参数，从而多视角表征学习挖掘光斑的多曝光图像的潜在表征，从多张光斑图像中学习公共潜在表征，并利用公共潜在表征进行判别，解决了现有的基于单张光斑图像方法中存在的特征不全面和判别不准确的问题，显著提高了光斑质量判别的准确性和鲁棒性。