一种基于VGG16的激光光束质量因子测量方法

技术领域

本发明涉及一种激光光束测量方法，特别是一种基于VGG16的激光光束质量因子测量方法。

背景技术

激光的光束质量是评估激光器的重要指标，M

发明内容

为了克服现有技术的不足，本发明提供一种操作简单便捷、准确性高、稳定性好的基于VGG16的激光光束质量因子测量方法。

本发明解决其技术问题所采用的技术方案是：

一种基于VGG16的激光光束质量因子测量方法，包括以下步骤：

(1)、基于VGG16构建质量因子神经网络；

(2)、制作质量因子神经网络的数据集，该数据集包括训练集和测试集；

(3)、对训练集作数据预处理后得到预处理训练集；

(4)、通过训练集以及预处理训练集训练质量因子神经网络，将质量因子神经网络训练收敛为质量因子识别模型；

(5)、将测试集导入质量因子识别模型，获取以测试集为数据源的光束质量因子M

所述步骤1的质量因子神经网络由依次相连的十三个卷积层和三个全连接层构成，且最后一全连接层的神经元数量为1，并去除该层的激活函数。

所述步骤2的训练集与所述测试集训的数据种类相同，所述数据种类包括光场图以及与光场图对应的实际M

所述步骤3的数据预处理是通过光场图翻转后进行归一化处理，通过对光场图旋转后进行归一化处理。

本发明的有益效果是：本发明是基于VGG16构建质量因子神经网络，并制作质量因子神经网络的数据集，对训练集作数据预处理后得到预处理训练集，再通过训练集以及预处理训练集训练质量因子神经网络，将质量因子神经网络训练收敛为质量因子识别模型，经过训练测试形成的质量因子识别模型，可根据光场图直接输出光束质量因子M

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的方法流程图。

具体实施方式

参照图1，一种基于VGG16的激光光束质量因子测量方法，包括以下步骤：

(1)、基于VGG16构建质量因子神经网络；质量因子神经网络由依次相连的十三个卷积层和三个全连接层构成，第一和第二卷积层尺寸为224*224*64，第三和第四卷积层尺寸为122*122*128，第五至第七卷积层尺寸为56*56*256，第八至第十卷积层尺寸为28*28*512，第十一至第十三卷积层尺寸为14*14*512，第一和第二连接层的尺寸为1*1*4096，最后一全连接层的尺寸为1*1*1，且最后一全连接层的神经元数量为1，并去除该层的激活函数，质量因子神经网络的激活函数为relu，优化器为SGD。

(2)、制作质量因子神经网络的数据集，该数据集包括训练集和测试集，所述步骤2的训练集与所述测试集训的数据种类相同，所述数据种类包括光场图以及与光场图对应的实际M

(3)、对训练集作数据预处理后得到预处理训练集，数据预处理是通过光场图翻转后进行归一化处理，通过对光场图旋转后进行归一化处理，旋转角度包括30°、45°、90°和180°，因此，训练集作数据增强的数据预处理后得到的预处理训练集包括翻转后的光场图以及各角度旋转后的光场图，因此，在步骤4中，训练集以及预处理训练集共同训练质量因子神经网络，使得收敛训练后的质量因子识别模型能适应多情况的光场图输入。

(4)、通过训练集以及预处理训练集训练质量因子神经网络，将训练集的光场图以及预处理训练集旋转和翻转后的光场图缩放至224*224，导入至质量因子神经网络，依次经过每层卷积层和全连接的收敛以及优化器的影响计算和更新，将质量因子神经网络训练收敛为质量因子识别模型，而质量因子神经网络训练输出的光束质量因子M2与训练集的实际M

(5)、将测试集导入质量因子识别模型，获取以测试集为数据源的光束质量因子M

经过训练测试形成的质量因子识别模型，可根据光场图直接输出光束质量因子M

以上的实施方式不能限定本发明创造的保护范围，专业技术领域的人员在不脱离本发明创造整体构思的情况下，所做的均等修饰与变化，均仍属于本发明创造涵盖的范围之内。