[论文解读] Applications of object detection networks at high-power laser systems and experiments

Jinpu Lin, Florian Haberstroh+2 more|arXiv (Cornell University)|Oct 5, 2022

Laser-induced spectroscopy and plasma被引用 8

一句话总结

该论文表明，微调后的基于YOLO的目标检测网络可在仅使用少量标注数据的情况下，实现对高功率激光实验中图像数据的鲁棒、实时分析。该方法在1,000次激光脉冲中实现了99.5%的mAP，并对离子束波、电子束峰值和光学损伤实现了100%的一致性检测，证明其在在线诊断和系统保护中的有效性。

ABSTRACT

The recent advent of deep artificial neural networks has resulted in a dramatic increase in performance for object classification and detection. While pre-trained with everyday objects, we find that a state-of-the-art object detection architecture can very efficiently be fine-tuned to work on a variety of object detection tasks in a high-power laser laboratory. In this manuscript, three exemplary applications are presented. We show that the plasma waves in a laser-plasma accelerator can be detected and located on the optical shadowgrams. The plasma wavelength and plasma density are estimated accordingly. Furthermore, we present the detection of all the peaks in an electron energy spectrum of the accelerated electron beam, and the beam charge of each peak is estimated accordingly. Lastly, we demonstrate the detection of optical damage in a high-power laser system. The reliability of the object detector is demonstrated over one thousand laser shots in each application. Our study shows that deep object detection networks are suitable to assist online and offline experiment analysis, even with small training sets. We believe that the presented methodology is adaptable yet robust, and we encourage further applications in high-power laser facilities regarding the control and diagnostic tools, especially for those involving image data.

研究动机与目标

• 通过深度学习实现高功率激光实验中复杂图像数据的自动化、实时分析。
• 解决在训练数据有限的情况下，检测离子束动力学和束流诊断中瞬态、可变且对比度低的特征的挑战。
• 开发一种鲁棒、可适应的检测方法，支持激光设施中的在线与离线诊断。
• 证明在光学损伤检测等关键应用中，使用小样本数据进行迁移学习的可行性。
• 为需要对数千次脉冲进行统计分析的高重复率激光实验，提供可靠、快速的推理流水线。

提出的方法

• 在高功率激光实验的少量特定领域数据集上微调预训练的YOLO5s目标检测模型。
• 通过数据增强（亮度和曝光调整）将有限的50张图像训练集扩展至114张。
• 从通用目标检测模型（YOLO5s.pt）迁移学习，以适应激光相关的图像模式。
• 在推理中采用40%的置信度阈值，以在精确率与召回率之间取得平衡。
• 在每项应用的独立推理集（各1,000张图像）上验证模型，涵盖正常和损坏状态。
• 使用交并比（IoU）阈值为0.5评估检测精度，并报告平均精度均值（mAP）。

实验结果

研究问题

• RQ1 预训练的目标检测网络是否能通过极少标注数据，有效微调以检测少周期阴影摄影中的瞬态离子束结构？
• RQ2 目标检测能否可靠识别激光等离子体加速器中多个电子束峰值并估算其电荷量？
• RQ3 通过杂散光成像，目标检测能否检测到高功率激光光路中早期阶段的光学损伤？其在重复脉冲中的表现一致性如何？
• RQ4 在不同实验条件下，微调模型在准确率和推理速度方面与人工检查相比表现如何？
• RQ5 在高功率激光诊断中，使用小样本数据（如~50张图像）进行迁移学习，能在多大程度上生成鲁棒且可泛化的检测模型？

主要发现

• 目标检测模型在IoU阈值为0.5时，平均精度均值（mAP）达到0.995，表明检测精度极高。
• 在1,000次无光学损伤的脉冲中，模型未检测到任何误报，证实其在损伤检测中具有高特异性。
• 在1,000次光学元件损坏的脉冲中，模型在衍射图样中检测到所有损伤点，召回率达到100%。
• 模型在不同实验日期及变化的激光等离子体参数下均表现出一致性能，显示出良好的鲁棒性。
• 训练后每张图像的推理时间小于1毫秒，支持实验过程中的实时应用。
• 该方法每项应用仅需约50张人工标注图像，且在Tesla T4 GPU上训练时间不足30分钟，表明计算成本极低。