留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

CCD损伤状态的“猫眼”回波信息评估方法

俞婷 牛春晖 吕勇

俞婷, 牛春晖, 吕勇. CCD损伤状态的“猫眼”回波信息评估方法[J]. 红外与激光工程, 2023, 52(5): 20220537. doi: 10.3788/IRLA20220537
引用本文: 俞婷, 牛春晖, 吕勇. CCD损伤状态的“猫眼”回波信息评估方法[J]. 红外与激光工程, 2023, 52(5): 20220537. doi: 10.3788/IRLA20220537
Yu Ting, Niu Chunhui, Lv Yong. 'Cat's eye' echo information assessment method of CCD damage status[J]. Infrared and Laser Engineering, 2023, 52(5): 20220537. doi: 10.3788/IRLA20220537
Citation: Yu Ting, Niu Chunhui, Lv Yong. "Cat's eye" echo information assessment method of CCD damage status[J]. Infrared and Laser Engineering, 2023, 52(5): 20220537. doi: 10.3788/IRLA20220537

CCD损伤状态的“猫眼”回波信息评估方法

doi: 10.3788/IRLA20220537
详细信息
    作者简介:

    俞婷,女,硕士生,主要从事光电对抗方面的研究

    牛春晖,男,教授,博士,主要从事光电对抗方面的研究

    通讯作者: 吕勇,男,教授,博士,主要从事光电对抗方面的研究
  • 中图分类号: TN977

"Cat's eye" echo information assessment method of CCD damage status

  • 摘要: CCD损伤状态与“猫眼”回波强度和偏振度为复杂非线性关系,无法单独根据强度或偏振度数值正确评估CCD损伤与否。结合多源信息融合技术与机器学习,利用适合非线性数据分类判别的KNN、K-SVM和PNN三种方法对CCD损伤状态评估方法进行研究。分别进行了近、远距离“猫眼”回波探测实验,以回波强度、偏振度信息和CCD实际损伤信息作为输入数据,分别对三种方法进行了训练,对比了训练的三种方法的评估测试结果,包括评估点的错误数量、错误率及评估时间,发现室外复杂环境时通过选择最优平滑因子$ \sigma $的PNN方法错误率最低,在考虑实际评估允许时间范围内,PNN方法最适合用于基于“猫眼”回波信息的CCD损伤状态评估应用。
  • 图  1  (a) CCD的基本结构; (b) CCD的损伤状态; (c) 标记区域,CCD的三维形貌图像;(d) 未损伤区域; (e) 损伤区域

    Figure  1.  (a) Basic structure of CCD; (b) Damage status of CCD; (c) Marked area, 3D topography image of CCD; (d) Undamaged area; (e) Damaged area

    图  2  (a)同时偏振成像光学系统平台示意图;(b)实验场景、 系统装置;(c) 发射、接收系统;(d) 探测目标

    Figure  2.  (a) Schematic diagram of optical system platform for simultaneous polariztion imaging; (b) Experimental scene, system device (c) Transmitting and receiving system; (d) Detection system

    图  3  CCD强度和偏振度。(a) 原始数据; (b) 处理数据

    Figure  3.  I and DP of CCD. (a) Raw data; (b) Processed data

    图  4  平滑因子$ \sigma $与错误率的关系

    Figure  4.  Relationship between smoothing fator $ \sigma $ and error rate

    图  5  远距离各方法的预测效果。(a) KNN; (b) K-SVM;(c) PNN

    Figure  5.  Predition effect of long-distance outdoor models. (a) KNN; (b) K-SVM; (c) PNN

    图  6  不同随机数的远距离预测效果。(a)错误率; (b)预测时间

    Figure  6.  Long-distance predition effect of different random numbers. (a) Error rate; (b) Predition time

    表  1  CCD表面的均方根参数Sq

    Table  1.   RMS parameter Sq of CCD surface

    GroupUndamaged area Sq/μmDamaged area Sq/μm
    13.9316.357
    24.1146.522
    34.1155.705
    44.0745.191
    54.0996.033
    64.1425.643
    下载: 导出CSV

    表  2  方法的输入数据格式

    Table  2.   Input data format of model

    IDPCategory label
    3090980.1128961
    3208100.1022601
    2840510.0957121
    2966610.1457721
    2917960.0840861
    3879320.3783912
    370 9130.3165622
    392 9110.3852402
    3965140.3362552
    3961260.3878062
    下载: 导出CSV

    表  3  不同平滑因子$ \sigma $的错误率

    Table  3.   Error rates for different smoothing fators $ \sigma $

    Smoothing fatorError rate
    0.19.8639%
    0.223.1293%
    0.342.8571%
    0.444.5578%
    0.544.5578%
    下载: 导出CSV

    表  4  不同数据的五次随机数平均值

    Table  4.   Average of five random numbers in different data

    Different dataMehodNumber of errors/PSCError ratePredition time/ms
    Near-distance experimentKNN52.13678%0.081
    K-SVM62.73506%0.101
    PNN52.13678%0.169
    Long-distance experimentKNN3511.9728%0.044
    K-SVM217.27888%0.067
    PNN289.65986%0.161
    Mixed dataKNN6612.42424%3.377
    K-SVM7313.86364%4.273
    PNN5710.7197%7.751
    下载: 导出CSV
  • [1] Li Y Y, Guo L H, Xu W, et al. Generation of target track in hardware-in-loop simulation for photoelectric countermeasure [J]. Optics and Precision Engineering, 2010, 18(5): 1128-1134. (in Chinese)
    [2] Yang M Y. Detecting of photoelectric peeping devices based on active laser detection [J]. Chinese Optics, 2015, 8(2): 255-262. (in Chinese) doi:  10.3788/co.20150802.0255
    [3] Liu Y, Xia R Q, Lü Y. Effectiveness evaluation system for anti cat’s eye detection technology using optoelectronic target [J]. Optics and Precision Engineering, 2019, 27(5): 1033-1038. (in Chinese) doi:  10.3788/OPE.20192705.1033
    [4] Wang M, Wang T F, Shao J F. Analysis of femtosecond laser induced damage to array CCD camera [J]. Chinese Optics, 2013, 6(1): 96-102. (in Chinese)
    [5] Sun S H, Guo L H, Wang L J. Interference damage to visible light plane array CCD induced by 808 nm laser [J]. Journal of Changchun University of Science and Technology (Natural Science Edition), 2008, 31(1): 19-21. (in Chinese)
    [6] ZHang M X, Nie J S, Sun K, et al. Experimental study on laser cat's eye echoes from optical imaging system in the process of CCD damaging [J]. Acta Photonica Sinica, 2019, 48(3): 0314003. (in Chinese)
    [7] Qin X Z, Niu C H, Chen S J, et al. Analysis of polarization characteristics for cat's eye target echo scattering based on microfacet theory [J]. Journal of Applied Optics, 2020, 41(5): 916-923. (in Chinese) doi:  10.5768/JAO202041.0501007
    [8] Chen S J, Niu C H, Li X Y, et al. Cat eye echo characteristics of optical imaging system in CCD damage process [J]. Infrared and Laser Engineering, 2021, 50(9): 20200425. (in Chinese) doi:  10.3788/IRLA20200425
    [9] Hu W N, Lv Y, Geng R, et al. Photoelectric detector surface damage state polarization imaging type detection system [J]. Infrared and Laser Engineering, 2022, 51(6): 20210629. (in Chinese) doi:  10.3788/IRLA20210629
    [10] 魏世杰. 基于多源信息融合的铣刀磨损评估方法研究[D]. 武汉理工大学, 2020.

    Wei S J. Research on wear assessment method of milling tool based on multi-source information fusion[D]. Wuhan: Wuhan University of Technology, 2020. (in Chinese)
    [11] Jusoh S, Almajali S. A systematic review on fusion techniques and approaches used in applications [J]. IEEE Access, 2020, 8: 14424-14439. doi:  10.1109/ACCESS.2020.2966400
    [12] Li Y X, Zhou F C, Xu Z F, et al. Privacy-preserving k-nearest-neighbor search over mobile social network [J]. Chinese Journal of Computers, 2021, 44(7): 1481-1500. (in Chinese) doi:  10.11897/SP.J.1016.2021.01481
    [13] 王晨阳. 基于数据驱动的心脏病分类诊断系统设计[D]. 西安电子科技大学, 2021.

    Wang C Y. Design of heart disease's classification and diagnosis system based on data-driven[D]. Xi’an: Xidian University, 2021. (in Chinese)
    [14] 代斌. 基于核参数优化的支持向量机在多分类问题中的应用研究[D]. 兰州交通大学, 2020.

    Dai B. Application research of support vector machine based on kernel parameter optimization in multi-classification problems[D]. Lanzhou: Lanzhou Jiaotong University, 2020. (in Chinese)
    [15] Dong H F, Zhang X H, Qiao C J. Fault diagnosis of transformer based on probabilistic neural network optimized by sparrow search algorithm [J]. Electric Engineering, 2022(4): 104-107. (in Chinese) doi:  10.19768/j.cnki.dgjs.2022.04.032
    [16] Li J, Fan Y, He B. Research on Improved particle swarm optimization PNN neural network tool wear based on parameter strategy [J]. Machine Tool & Hydraulics, 2021, 49(3): 75-80,139. (in Chinese)
    [17] Du Y S, Dong W F, Luo Wi, et al. Analysis of laser active detection technique based on “cat's eye effect” [J]. Modern Defence Technology, 2018, 46(5): 88-93. (in Chinese) doi:  10.3969/j.issn.1009-086x.2018.05.14
  • [1] 邱鹏, 邹思成, 张晓明, 王建峰, 林亲, 姜晓军.  天文光学相机性能检测技术研究 . 红外与激光工程, 2023, 52(12): 20230316-1-20230316-13. doi: 10.3788/IRLA20230316
    [2] 胡玮娜, 吕勇, 耿蕊, 李宇海, 牛春晖.  光电探测器表面损伤状态偏振成像式探测系统 . 红外与激光工程, 2022, 51(6): 20210629-1-20210629-9. doi: 10.3788/IRLA20210629
    [3] 战俊彤, 张肃, 付强, 段锦, 李英超, 姜会林.  不同湿度环境下可见光波段激光偏振特性研究 . 红外与激光工程, 2020, 49(9): 20200057-1-20200057-7. doi: 10.3788/IRLA20200057
    [4] 战俊彤, 张肃, 付强, 段锦, 李英超.  非球型粒子对激光偏振特性的影响 . 红外与激光工程, 2020, 49(11): 20200150-1-20200150-6. doi: 10.3788/IRLA20200150
    [5] 马艳, 夏果, 黄禅, 王国栋, 金施群.  一种简单精确的CCD阵列光谱仪波长定标方法 . 红外与激光工程, 2018, 47(S1): 147-153. doi: 10.3788/IRLA201847.S117002
    [6] 李洪波, 胡炳樑, 余璐, 孔亮, 于涛, 高晓惠.  基于类对比度的CCD相关双采样自适应技术 . 红外与激光工程, 2018, 47(3): 320003-0320003(7). doi: 10.3788/IRLA201847.0320003
    [7] 王彦斌, 刘艳芳, 陈前荣, 李华, 周旋风, 任广森, 朱荣臻.  CCD光敏面上激光能量的网状分布 . 红外与激光工程, 2018, 47(S1): 125-131. doi: 10.3788/IRLA201847.S120005
    [8] 熊俊, 夏媛, 杨勇, 程学武, 李发泉.  基于CCD图像智能分析的激光主动规避飞行物系统 . 红外与激光工程, 2016, 45(S1): 65-70. doi: 10.3788/IRLA201645.S106005
    [9] 陈前荣, 亓凤杰, 王彦斌, 张文攀, 李华.  激光干扰CCD规则亮点分布原理研究 . 红外与激光工程, 2016, 45(11): 1106007-1106007(5). doi: 10.3788/IRLA201645.1106007
    [10] 周建民, 符正晴, 李鹏, 杨君.  孔洞缺陷的红外无损检测和PNN识别与定量评估 . 红外与激光工程, 2015, 44(4): 1193-1197.
    [11] 刘慧, 刘学斌, 陈小来, 孔亮, 刘永征.  基于驱动时序控制CCD曝光时间的设计与实现 . 红外与激光工程, 2015, 44(S1): 199-204.
    [12] 张宁, 刘宇龙, 吴嘉辉, 徐熙平.  微型光谱仪的CCD 数据采集系统设计 . 红外与激光工程, 2015, 44(1): 141-147.
    [13] 陶宗明, 刘东, 麻晓敏, 陈向春, 王珍珠, 谢晨波, 王英俭.  基于CCD的侧向激光雷达系统研制及探测个例 . 红外与激光工程, 2014, 43(10): 3282-3286.
    [14] 蔺辉, 刘立力, 田新锋, 郝芸.  强激光近场分布测量中科学级CCD 的非均匀性校正 . 红外与激光工程, 2014, 43(7): 2108-2111.
    [15] 王士绅, 隋修宝, 陈钱, 顾国华.  高速高清CCD自适应相关双采样技术 . 红外与激光工程, 2014, 43(1): 155-159.
    [16] 周跃, 闫丰, 章明朝.  CCD光电参数测试系统的研制 . 红外与激光工程, 2014, 43(10): 3451-3456.
    [17] 张景超, 闫玺, 朱艳英, 李潮洋, 李贺光, 胡学良.  激光双路对称透射法在线测量平板玻璃厚度 . 红外与激光工程, 2013, 42(10): 2812-2816.
    [18] 杨雨川, 谭碧涛, 龙超, 陈力子, 张己化, 陈军燕.  主动探测回波激光脉冲时域特性 . 红外与激光工程, 2013, 42(12): 3228-3233.
    [19] 邹前进, 陈前荣, 黄振宇, 李华, 黄成功, 亓凤杰, 王彦斌.  激光干扰CCD规律圆形条纹作用机理分析 . 红外与激光工程, 2013, 42(8): 2017-2021.
    [20] 张俊举, 常本康, 张宝辉, 闵超波, 袁轶慧, 姜斌.  远距离红外与微光/可见光融合成像系统 . 红外与激光工程, 2012, 41(1): 20-24.
  • 加载中
图(6) / 表(4)
计量
  • 文章访问数:  151
  • HTML全文浏览量:  40
  • PDF下载量:  36
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-08-01
  • 修回日期:  2022-09-23
  • 刊出日期:  2023-05-25

CCD损伤状态的“猫眼”回波信息评估方法

doi: 10.3788/IRLA20220537
    作者简介:

    俞婷,女,硕士生,主要从事光电对抗方面的研究

    牛春晖,男,教授,博士,主要从事光电对抗方面的研究

    通讯作者: 吕勇,男,教授,博士,主要从事光电对抗方面的研究
  • 中图分类号: TN977

摘要: CCD损伤状态与“猫眼”回波强度和偏振度为复杂非线性关系,无法单独根据强度或偏振度数值正确评估CCD损伤与否。结合多源信息融合技术与机器学习,利用适合非线性数据分类判别的KNN、K-SVM和PNN三种方法对CCD损伤状态评估方法进行研究。分别进行了近、远距离“猫眼”回波探测实验,以回波强度、偏振度信息和CCD实际损伤信息作为输入数据,分别对三种方法进行了训练,对比了训练的三种方法的评估测试结果,包括评估点的错误数量、错误率及评估时间,发现室外复杂环境时通过选择最优平滑因子$ \sigma $的PNN方法错误率最低,在考虑实际评估允许时间范围内,PNN方法最适合用于基于“猫眼”回波信息的CCD损伤状态评估应用。

English Abstract

    • 随着各国军事武装的博弈愈发激烈,光电对抗技术在国防建设中起到至关重要的作用。光电对抗是通过激光以及其他装置,对敌方的光电设备进行干扰、侦察和打击[1]。电荷耦合器件 (Charge Coupled Devices, CCD)是光电对抗中获取图像信息的常用光电传感器件,相当于设备的眼睛,因此,在光电对抗作战中,对敌方CCD器件的主动探测、光学性能分析、损伤状态评估是有效实施光电对抗的前提[2-4]

      现有的研究主要以CCD损伤机理及评估依据为主,孙守红[5]等人介绍了CCD基本工作原理及激光对CCD的干扰损伤机理,为文中评估CCD状态的基础;张明鑫[6]等人建立了“猫眼”回波峰值功率与CCD损伤程度的变化关系,说明由回波峰值表示的回波强度可作为评估依据;秦绪志[7]等人研究了“猫眼”目标在线偏振光探测时回波散射偏振度的理论公式;陈世杰[8]等人验证了实验室环境下“猫眼”目标回波偏振度与目标表面粗糙度的关系,说明回波偏振度可作为评估依据;为实现远距离探测,胡玮娜[9]等人研究了外场环境下利用偏振成像实时探测“猫眼”目标回波的偏振特性,其与偏振度存在正比例关系,说明回波的偏振特性可作为评估依据。

      目前,针对探测回波信息进行CCD损伤状态和损伤等级评估的研究较少,且实际评估时受复杂环境影响,单纯依靠强度或偏振度信息评估误差较大,部分CCD损伤状态与“猫眼”回波强度和偏振度的关系与上述研究不一致,存在复杂非线性关系。因此,通过多源信息融合的方式进行CCD损伤状态评估是有效的解决方案。多源信息融合技术[10-11]指的是对多种信息或数据源进行组合以得到最优估计的过程。目前,适合非线性关系的常用多源信息融合方法有K近邻、核-支持向量机和概率神经网络。K近邻 (K-Nearest Neighbor,KNN)[12]方法运算速度快,但有维数灾难问题;核-支持向量机(Kernel-Support Vector Machine,K-SVM)[13-14]方法交界处估计准确率高,不存在KNN的维数灾难,但KNN、K-SVM均存在环境复杂时容错性差的问题;概率神经网络(Probabilistic Neural Networks,PNN)[15-16]方法隐含层的径向基非线性映射函数容错性强,鲁棒性好,缺点是由于神经网络的复杂性,运算时间较长,且需要足够多的训练数据。

      文中利用激光主动探测获取的“猫眼”回波强度信息、偏振度信息和已知的CCD损伤状态数据为输入,分别对上述三种方法进行了训练,通过对已训练模型进行测试获取CCD的损伤评价结果,选取准确率更高的方法作为以后的实际评估方法。首先,通过同时偏振成像装置,开展了808 nm连续激光对CCD表面反射回波的近距离、远距离探测实验;其次,结合两次实验数据,对三种方法进行了训练和测试;最后,对比了三种方法的测试效果,得到了一种适合不同场景的最佳评估方法。

      文中正文主要由四部分构成:第一部分介绍了CCD损伤状态的理论评估依据、定义及其与粗糙度的关系,为评估方法提供理论支持;第二部分介绍了实验的硬件系统,近距离、远距离实验环境并分析了实验数据,为评估方法提供输入数据;第三部分介绍了理论的评估方法;第四部分进行了评估方法效果的分析,最终选择了PNN为综合环境的评估方法。

    • “猫眼”回波是根据光路可逆原理,当具有一定反射率的探测目标受到一束强激光照射时,能产生一个相对于其他漫反射目标较强的回波信号[17]。偏振成像技术能对同一被测物体在不同状态下的强度、偏振特性信息进行获取[9]

      回波强度(Echo Intensity,I)是描述回波功率的物理量,通常由“猫眼”回波功率表示强度,而功率计的强度信息需手动记录,利用偏振成像自动采集光斑,以光斑的总灰度值表示强度信息I

      回波偏振度(Echo Degree of Polarization,DOP)是描述回波偏振化程度的物理量,一般线偏振光的偏振度(Linear Degree of Polarization,LDOP)可表示为:

      $$ LDOP = \frac{{{I_{{\text{max}}}} - {I_{\min }}}}{{{I_{{\text{max}}}} + {I_{\min }}}} $$ (1)

      式中:$ {I_{\min }} $$ {I_{{\text{max}}}} $分别表示两个正交分量对应的最大光强和最小光强。假设探测光源为线偏振激光时,存在仅适用琼斯矢量的回波偏振特性参数偏振度(Degree of Polarization,DP)[9],由偏振成像的S回波和P回波的强度和与差的比值表示:

      $$ DP = \frac{{{I_{\text{P}}} - {I_{\text{S}}}}}{{{I_{\text{P}}} + {I_{\text{S}}}}} $$ (2)

      式中:${I_{\rm S}}$${I_{\rm P}}$分别表示垂直方向、水平方向上振动的两正交光波的强度。

      现有研究表明光电探测器表面被损伤后,其表面材料粗糙度增大,回波偏振度减小[9]。故利用“猫眼”回波光斑作为偏振成像的图像输入,输出相应的强度信息和偏振特性作为激光损伤状态评估的依据。

      CCD的基本单元是像素,其基本结构如图1(a)所示,由微透镜层、分色滤色片、遮光铝膜、SiO2绝缘层与硅基底构成。CCD永久失效的条件为损伤至硅基底层,在前期研究中发现[8],CCD损伤过程包括:点损伤、线损伤和面损伤,而只有达到面损伤后CCD的硅基底才能够暴露在表面,此时CCD达到完全损伤,文中把此状态下的CCD标记为“损伤”。CCD表面状态如图1(b)所示,图(b)中虚线区分探测区域;图1(c)中 Non1~6表示六处未损伤区域,依次对应图(b)实线的上半部分;Dam1~6表示六处损伤区域,依次对应图(b)实线的下半部分。

      用白光干涉仪评估物体表面的粗糙度以验证文中的损伤评估,图1(d)、(e)为CCD的 三维形貌图像,图(d)为未损伤状态,图(e)为损伤状态,其中均方根偏差Sq是指被测物表面粗糙度偏离参考基准面的均方根。每种状态随机选择6个点测试均方根偏差,如表1所示,未损伤状态Sq值均小于损伤状态,说明了损伤的CCD表面粗糙度更高,而表面粗糙度会影响激光主动探测中“猫眼”回波的强度和偏振度数值,进而可根据“猫眼”回波信息对CCD是否被损伤进行评估[9]

      图  1  (a) CCD的基本结构; (b) CCD的损伤状态; (c) 标记区域,CCD的三维形貌图像;(d) 未损伤区域; (e) 损伤区域

      Figure 1.  (a) Basic structure of CCD; (b) Damage status of CCD; (c) Marked area, 3D topography image of CCD; (d) Undamaged area; (e) Damaged area

      表 1  CCD表面的均方根参数Sq

      Table 1.  RMS parameter Sq of CCD surface

      GroupUndamaged area Sq/μmDamaged area Sq/μm
      13.9316.357
      24.1146.522
      34.1155.705
      44.0745.191
      54.0996.033
      64.1425.643
    • 搭建了同时偏振成像光学系统平台,由发射系统和接收系统组成,其示意图如图2(a)所示。发射系统由808 nm连续激光器、衰减片、单透镜(直径为25.4 mm、焦距为35 mm)、和探测目标CCD芯片组成;接收系统由CMOS相机、镜头(焦距为70~300 mm)、宽带偏振分光棱镜(波长为620~1000 nm)以及计算机组成。

      图  2  (a)同时偏振成像光学系统平台示意图;(b)实验场景、 系统装置;(c) 发射、接收系统;(d) 探测目标

      Figure 2.  (a) Schematic diagram of optical system platform for simultaneous polariztion imaging; (b) Experimental scene, system device (c) Transmitting and receiving system; (d) Detection system

      激光器为属于线偏振光的808 nm连续激光器,其光束发散角小于3 mrad;相机为黑白COMS面阵相机,其探测器像素大小为 4.8 μm× 4.8 μm。附属设备为角锥棱镜;单透镜为猫眼回波光学成像系统的一部分,类似于猫眼的晶状体,入射光利用单透镜会聚至探测器;808 nm滤光片负责只接收808 nm的激光,避免环境光的干扰;探测目标为行间转移型硅基底面阵CCD芯片,其像元尺寸为9.8 μm (H)×6.3 μm (V),提前拆除了CCD封装玻璃以达到更好的实验效果。

    • 实验环境由室内与室外两部分构成,如图2(b)所示,其中为避免接收端与探测目标之间受路人、车辆等影响,室内实验位于楼A一层楼道、室外实验位于近似等高且高于中间楼D的楼B、楼C楼层。实验距离分别为20 m近距离和140 m远距离,图2(b)为实验2的系统装置实物图,(c)为发射、接收系统,(d)为探测目标。

    • 以远距离实验为例,共有945组数据,其中585组损伤点,360组未损伤点,如图3(a)所示,方形为未损伤点Non,圆形为损伤点Dam,X轴为归一化后的强度信息,Y轴为偏振度信息,由于CCD表面均匀的未损伤区域的强度信息应相近,部分未损伤点归一化强度在0.7~1之间 ,大于平均水平0.5,经分析其属于探测非CCD表面区域的情况,剔除该未损伤点的强度和偏振度信息,故未损伤点数据为315组。

      图  3  CCD强度和偏振度。(a) 原始数据; (b) 处理数据

      Figure 3.  I and DP of CCD. (a) Raw data; (b) Processed data

      因未损伤点与损伤点的数量一致,从上述的315组未损伤点任意选择270组以评估所有的损伤点,故共有1170组数据,其强度和偏振度分布如图3(b)所示,未损伤点的归一化强度为0.6~1,偏振度为0.3~0.5,损伤点的强度、偏振度分散。由于损伤点表面不均匀与实验环境复杂性,损伤点的强度信息存在较大差异,部分损伤点强度、偏振度与未损伤点接近。

      综上所述,受实际激光对探测目标损伤状态的特征因素影响[17],如激光功率密度、探测目标材料、探测距离与环境等因素,无法单纯依靠强度或偏振度信息评估CCD的损伤状态,且同时依靠两者信息评估时与CCD损伤状态存在复杂非线性关系,故下面将对这一问题进行研究。

    • 针对部分损伤点的强度或偏振度信息接近未损伤点,研究了三种适合非线性关系的机器学习方法对CCD表面状态进行评估,分别为KNN、K-SVM、PNN。

    • 利用邻近点的类别预测类别。从训练集中找到和测试点最接近的K条记录,根据分类决策规则确定预测类别,本质为利用距离计算相似度,以距离度量、K值的选择及分类决策规则为基本因素构成方法。

      特征空间中的两个实例点的距离是两个实例点相似程度的反映,常用的距离度量是欧氏距离。设特征空间Xn维实数的向量空间$ {R_n} $$ {{{x}}_i},{x_j} \in X $${{x}}_{i}=({{x}}_{i}{}^{(1)}, {{x}}_{i}{}^{(2)},\cdots ,{{x}}_{i}{}^{(n)}{)}^{{\rm{T}}}$${{x}}_{j}=({{x}}_{j}{}^{(1)}, {{x}}_{j}{}^{(2)},\cdots ,{{x}}_{j}{}^{(n)}{)}^{{\rm{T}}}$$ {{{x}}_i} $$ {{{x}}_j} $的闵可夫斯基距离为:

      $$ {L_p}({{{x}}_i},{x_j}) = {\left(\sum\limits_{l = 1}^n {{{\left| {{{{x}}_i}^{\left( l \right)} - {{{x}}_j}^{\left( l \right)}} \right|}^p}} \right)^{1/p}} $$ (3)

      p=2为欧几里得距离:

      $$ {L_2}({{{x}}_i},{x_j}) = {\left(\sum\limits_{l = 1}^n {{{\left| {{{{x}}_i}^{\left( l \right)} - {{{x}}_j}^{\left( l \right)}} \right|}^2}} \right)^{1/2}} $$ (4)

      根据“猫眼”回波强度、偏振度信息构成二维空间,计算测试点和训练点之间的直线距离,一般K值为一个比较小的数值,分类决策规则为多数投票法。

    • 利用超平面预测类别,通过变换将原空间的数据映射到新空间,进而在新空间用线性分类器从训练数据中学习分类方法,以间隔最大化为原则对样本进行分割求得超平面,本质为求解凸二次规划问题,以核函数为基本因素构成方法。

      特征空间中,令$ \phi (x) $表示将x映射后的特征向量,由公式(5)表示划分超平面所对应的模型:

      $$ f(x) = {w^{\rm T}}\phi (x) + b $$ (5)

      利用最小化函数求得超平面:

      $$ \begin{gathered} \mathop {\min }\limits_{w,b} \frac{1}{2}{\left\| w \right\|^2}, \\ {\rm s.t.}\;{y_i}({w^{\rm T}}\phi ({x_i}) + b) \geqslant 1(i = 1,2, \cdots ,m) \\ \end{gathered} $$ (6)

      其对偶问题为:

      $$ \begin{gathered} \mathop {\max }\limits_\alpha \sum\limits_{i = 1}^m {{\alpha _i} - \frac{1}{2}\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^m {{\alpha _i}{\alpha _j}} } } {y_i}{y_j}\phi {({x_i})^{\rm T}}\phi ({x_j}) \\ {\rm s.t.}\;\sum\limits_{i = 1}^m {{\alpha _i}} {y_i} = 0,{\alpha _i} \geqslant 0,i = 1,2,\cdots,m \\ \end{gathered} $$ (7)

      式中:$\phi {({x_i})^{\rm T}}\phi ({x_j})$为样本$ {x_i} $$ {x_j} $映射到特征空间之后的内积,直接计算$\phi {({x_i})^{\rm T}}\phi ({x_j})$通常是困难的,故利用公式(8):

      $$ k({x_i},{x_j}) = \left\langle {\phi ({x_i}),\phi ({x_j})} \right\rangle = \phi {({x_i})^{\rm T}}\phi ({x_j}) $$ (8)

      $ {x_i} $$ {x_j} $在特征空间中的内积等于其在原始样本空间中通过$ k({x_i},{x_j}) $计算的函数值,故将公式(7)写成如下形式:

      $$ \begin{gathered} \mathop {\max }\limits_\alpha \sum\limits_{i = 1}^m {{\alpha _i} - \frac{1}{2}\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^m {{\alpha _i}{\alpha _j}} } } {y_i}{y_j}k({x_i},{x_j}) \\ {\rm s.t.}\;\sum\limits_{i = 1}^m {{\alpha _i}} {y_i} = 0,{\alpha _i} \geqslant 0,i = 1,2,\cdots,m \\ \end{gathered} $$ (9)

      求解后得到:

      $$ \begin{split} f(x) = & {w^{\rm T}}\phi (x) + b = \sum\limits_{i = 1}^m {{\alpha _i}{y_i}\phi {{({x_i})}^{\rm T}}\phi ({x_j}) + b} =\\ & \sum\limits_{i = 1}^m {{\alpha _i}{y_i}k({x_i},{x_j}) + b} \\ \end{split} $$ (10)

      利用“猫眼”回波强度、偏振度信息,其特征向量为$ x = [{x_1},{x_2}] $,选择$ k({x_i},{x_j}) $为高斯核($ \sigma > 0 $)的核函数:

      $$ k({x_i},{x_j}) = \exp \left( - \frac{{{{\left\| {{x_i} - {x_j}} \right\|}^2}}}{{2{\sigma ^2}}}\right) $$ (11)
    • 利用后验概率密度预测类别,以贝叶斯最小风险准则为基础,本质为最大后验概率,以径向基函数为基本因素构成方法。

      概率神经网络由输入层、隐含层、求和层和输出层构成。其中,输入层为将特征向量$ x = [{x_1},{x_2}, \cdots ,{x_n}] $传入网络,n表示特征的个数;隐含层通过连接权值与输入层连接,计算测试点与训练集中各点的相似度,并输出高斯函数值${\phi _{ij}}(x)$,由公式(12)定义:

      $$ {\phi _{ij}}(x) = \frac{1}{{{{(2\pi )}^{1/2}}{\sigma ^d}}}\exp \left( - \frac{{(x - {x_{ij}}){{(x - {x_{ij}})}^{\rm T}}}}{{{\sigma ^2}}}\right) $$ (12)

      式中:i=1,2,···,MM为训练样本中的总类数;d为样本空间数据的维数;$ {x_{ij}} $为第i类样本的第j个中心。求和层连接各类的隐含层单元,对同类隐含层单元的输出做加权平均,即当i固定时,

      $$ {v_i} = {{\left(\sum\limits_{j = 1}^L {{\phi _{ij}}} \right)} \mathord{\left/ {\vphantom {{(\sum\limits_{j = 1}^L {{\varphi _{ij}}} )} L}} \right. } L} $$ (13)

      式中:$ {v_i} $为第i类类别的输出;L为第i类的神经元个数。根据贝叶斯最小风险准则中判定期望风险小的类别为输出类别,输出层为输出求和层中数值最大的类别:

      $$ y = \arg \max ({v_i}) $$ (14)

      利用“猫眼”回波强度、偏振度信息,其特征向量为$ x = [{x_1},{x_2}] $,选择高斯函数为径向基函数,其平滑因子$ \sigma $影响PNN性能,可根据不同场景选择错误率最低的$ \sigma $

    • 以前期数据存储为.txt文件为评估方法的输入,如表2所示,每行为一组数据,第1列为强度信息,第2列为偏振度信息,第3列为类别标签,其中1为损伤,2为未损伤。将随机选择数据的75%为训练集、25%为测试集分别输入KNN、K-SVM、PNN方法,并设置五个随机数,比较不同训练集和测试集对各方法的影响。

      表 2  方法的输入数据格式

      Table 2.  Input data format of model

      IDPCategory label
      3090980.1128961
      3208100.1022601
      2840510.0957121
      2966610.1457721
      2917960.0840861
      3879320.3783912
      370 9130.3165622
      392 9110.3852402
      3965140.3362552
      3961260.3878062
    • 利用KNN、K-SVM及PNN方法分别对近距离、远距离以及混合数据进行评估,其中KNN的K为3,K-SVM的核为高斯核,PNN的平滑因子$ \sigma $为以固定步长寻找使得最低错误率在0~1数值之间,混合数据为近、远距离实验数据的组合以评估近、远距离环境的适应性。

      以远距离实验为例,共有五个随机选择的294组的测试集,其中第一个测试集的PNN的$ \sigma $选择0.096,其过程如下:首先在0~1之间以0.1为间隔改变$ \sigma $,由表3可知,0~0.2之间存在更低错误率,进而在0~0.2之间依次以0.01、0.001为间隔继续寻找更低的错误率,当错误率无法降低时,选择当前的$ \sigma $,如图4所示,此时最低错误率为9.1837%,选择$ \sigma $为0.094。

      表 3  不同平滑因子$ \sigma $的错误率

      Table 3.  Error rates for different smoothing fators $ \sigma $

      Smoothing fatorError rate
      0.19.8639%
      0.223.1293%
      0.342.8571%
      0.444.5578%
      0.544.5578%

      图  4  平滑因子$ \sigma $与错误率的关系

      Figure 4.  Relationship between smoothing fator $ \sigma $ and error rate

      各方法的效果如图5所示,X轴为归一化的强度信息,Y轴为偏振度信息,正方形表示判断正确的未损伤状态位置,圆点表示判断正确的损伤状态位置,叉形表示判断错误的位置,叉形越多表示错误率越高,KNN、K-SVM、PNN依次有39、29、26个叉形,KNN中叉形最多,判断错误的数量最多,主要是将损伤区域判定为未损伤,K-SVM中判断错误的数量较少,交界处可较好评估,PNN中判断错误的数量最少,重叠部分可较好评估。

      图  5  远距离各方法的预测效果。(a) KNN; (b) K-SVM;(c) PNN

      Figure 5.  Predition effect of long-distance outdoor models. (a) KNN; (b) K-SVM; (c) PNN

      图6(a)、(b)分别为五个随机测试集的错误率、预测时间,X轴为随机数,星形为KNN,方形为K-SVM,圆形为PNN,KNN、K-SVM错误率波动范围均在4%,PNN错误率波动幅度为2%,测试集的选择对KNN、K-SVM影响较大,但不影响PNN的效果,其错误率较稳定。

      图  6  不同随机数的远距离预测效果。(a)错误率; (b)预测时间

      Figure 6.  Long-distance predition effect of different random numbers. (a) Error rate; (b) Predition time

      利用五次随机测试集结果的平均值比较不同场景的评估效果,近距离、远距离及混合数据的评估点错误数量、错误率、预测时间如表4所示。表4中各方法的近距离评估效果接近,错误率为2%~3%;远距离评估平均错误率为7%~12%,K-SVM平均错误率最低,预测时间短,但稳定性不好;混合数据评估平均错误率为10%~14%,PNN平均错误率最低,稳定性好,但预测时间约为其他方法的两倍。

      表 4  不同数据的五次随机数平均值

      Table 4.  Average of five random numbers in different data

      Different dataMehodNumber of errors/PSCError ratePredition time/ms
      Near-distance experimentKNN52.13678%0.081
      K-SVM62.73506%0.101
      PNN52.13678%0.169
      Long-distance experimentKNN3511.9728%0.044
      K-SVM217.27888%0.067
      PNN289.65986%0.161
      Mixed dataKNN6612.42424%3.377
      K-SVM7313.86364%4.273
      PNN5710.7197%7.751

      随着距离增加和环境变复杂,各方法的错误率不断增加,PNN比KNN、K-SVM的错误率低,鲁棒性好,缺点是由于神经网络的复杂性,运算时间较长,且需要足够多的训练数据;KNN的优点是运算时间短,缺点是环境复杂时容错性差;K-SVM的优点是交界处预测效果好,缺点是环境复杂时容错性差,且不稳定,故最终选择了PNN为评估方法。

    • 利用同时偏振成像装置获取了CCD表面的“猫眼”回波强度信息、偏振度信息,实现了对强度和偏振度信息融合的三种适合非线性关系的方法,依次为KNN、K-SVM、PNN,对比了近、远距离实验的方法效果。研究结果表明,PNN方法综合评估效果优于其他两种方法,且在综合环境中稳定性最好。在应用中,PNN的参数平滑因子的最优值不容易选择,未来可考虑自适应方法进行优化。该研究成果是对激光损伤状态评估的一种探索,有利于提高对探测目标的评估能力以及系统的智能化程度,为非接触式的激光主动探测评估技术和提升武器系统的防御、打击能力提供新思路。

参考文献 (17)

目录

    /

    返回文章
    返回