Исследователи представили архитектуру Confidence-feedback-weighted graph matching network, предназначенную для автоматического сопоставления данных онлайн-мониторинга и офлайн-эталонов в мощных лазерных установках. Система эффективно отличает реальные повреждения оптики от ложных помех, используя механизм взвешенного графового сопоставления, что критически важно для обеспечения безопасности и долговечности высокоэнергетических оптических систем.
Основная сложность при эксплуатации мощных лазеров заключается в том, что изображения с камер онлайн-контроля часто содержат артефакты, визуально идентичные реальным дефектам. Традиционные методы компьютерного зрения сталкиваются с трудностями при классификации таких объектов из-за ограниченности признаков и геометрических искажений. Предложенный подход позволяет повысить точность верификации повреждений, минимизируя риск пропуска критических дефектов или ложных остановок оборудования.
Алгоритм использует графовое представление для описания структуры повреждений, что позволяет учитывать пространственные взаимосвязи между точками дефектов. Механизм обратной связи по уверенности (confidence-feedback) динамически корректирует веса в процессе сопоставления, позволяя модели адаптироваться к сложным условиям визуальных помех. Это решение демонстрирует потенциал применения глубокого обучения в задачах прецизионного промышленного контроля, где требуется высокая надежность классификации при наличии зашумленных входных данных.
Ключевые факты
- Разработан метод Confidence-feedback-weighted graph matching network для точного сопоставления дефектов оптики.
- Модель решает проблему идентификации «псевдоповреждений», которые имитируют реальные дефекты на снимках высокого разрешения.
- Алгоритм использует графовые нейронные сети для преодоления ограничений локальной геометрии и нехватки дискриминативных признаков.
- Решение предназначено для автоматизации контроля состояния финальной оптики в установках с высокой мощностью лазерного излучения.