熔石英损伤修复流程基准标识定位及损伤评定研究.pdf

摘要

熔石英表面损伤修复是延长元件生命周期，提高惯性约束核聚变装置负载能

力的重要举措。损伤修复流程主要实现对已损伤元件的检测、修复、评价，最终

获得近理想元件。本文针对现有的损伤修复流程存在的问题：基准标识不统一问

题、损伤人工评定效率低的问题及系统信息交互性差的问题，旨在提出相应的解

决措施并通过开发数据分析软件具体实现，以便提高系统效率，实现信息交互。

本文主要研究工作如下：

熔石英表面损伤修复流程由损伤检测系统、损伤修复系统、显微观测系统、

应力测量系统和调制测量系统五个子系统组成，各子系统物理上分布并不集中，

相互独立，信息交互困难。通过对流程内各子系统的工作原理、工作流程及数据

变化的详细分析，绘制损伤修复流程的数据流程图（DFD）并构建子系统间连接

的整体网络框架，以便实现信息交互。

针对损伤定位基准不统一的问题，提出为熔石英元件设计统一的圆形基准标

识，通过图像处理识别标识中心，建立损伤点与标识中心的坐标关联，实现以基

准标识为坐标原点的损伤定位方案。为了准确识别标识中心，对预处理后的标识

区域采用质心法粗定位标识中心，然后利用粗定位中心及先验半径约束Canny算

子边缘获得近理想边缘，采用最小二乘法拟合近理想边缘获得理想边缘，最终计

算得出了圆形标识精定位中心。实验表明该算法中心定位精度及稳定性能够满足

系统定位需求。

针对人工评定损伤效率低的问题，采用基于CART分类树模型的随机森林

（RF）集成分类机器学习算法，实现了对熔石英表面损伤图像中损伤点的自动分

类。该算法首先采用旋转卡壳法寻找损伤点的最小面积外接矩形，提取损伤点的

形状信息及灰度信息，构建损伤特征样本集。其次，以Bagging集成学习框架为基

础，CART分类树为弱分类器，Bagging系列RF算法为强分类器，组成基于CART

分类树的RF集成分类模型。最后将损伤特征样本集输入该模型进行分类训练，确

定最优参数。实验表明，该模型的分类性能提高了系统的运行效率。

在前文研究的基础上开发了损伤修复流程数据分析软件，该软件包含了信息

交互、标识中心定位及损伤评定分类功能，并通过综合实验验证该软件分析得出

的标识定位、损伤定位及损伤评定的精度。

关键词：熔石英；损伤修复流程；基准标识定位；RF；数据分析

Abstract

Damagerepairoffusedsilicasurfaceisveryimportanttoextendthelifecycleof

opticsandachievethehighfluenceoutputoftheInertialConfinementFusionsystem.

Thedamagerepairprocessincludesthedetection,repair,evaluationofthedamaged

optics,whichfinallyoutputsnear-idealoptics.Somequestionsintheexisteddamage

repairsystemarediscussed,whichincludesdifficultiesinfiducialidentification,

human-induceddamageidentificationerrorandpoorinformationinteraction.The

solutionsareproposedandspecificallyimplementedbydevelopingdataanalysis

softwaretoimprovethesystemefficiencyandachievethedatasharing.Inthispaper,

themainresearchesareasfollows:

Theprocess