最近，期刊《Science China Technological Sciences》发表了题为“Surface roughness classification using light scattering matrix and deep learning”的论文。博士生孙浩为论文第一作者，白龙副研究员为论文通讯作者。

高功率激光器中的光学元件需要高质量的表面，而表面粗糙度是评价表面质量的关键指标。典型的表面粗糙度评估方法包括以测针法为代表的接触式测量、以干涉测量法为代表的非接触式测量方法。接触式测量耗时长，而且需要与样品表面接触，有损坏样品的风险。干涉测量法通常需要人工参与整个测量过程，因此不适合对样品表面进行实时在线监测。相比之下，散射测量可实现在线、高效、大规模和高灵敏度检测，因此具有合理的应用前景。针对光学元件表面的粗糙度，作者基于FDTD仿真手段，获得表面粗糙度散射光强的远场分布，并提出了一种光散射矩阵（LSM）方法，可以获得丰富的表面粗糙度信息。基于ResNet-50深度学习网络，比较了LSM与单入射散射分布（single-incidence scattering distribution, SISD）的分类效果。结果显示，使用LSM数据集训练的模型的分类准确率为95.74%，比使用SISD数据集训练的模型高出23.40%。此外，还分析了不同噪声类型和滤波方法对分类性能的影响，结果表明，LSM还提高了训练的表面粗糙度分类器的鲁棒性和泛化能力。LSM方法在表面粗糙度及亚波长缺陷的检测方面具有良好的应用前景。

光散射矩阵方法研究

本研究得到了国家重点研发项目(2020YFB1710400)和湖北省重点研发项目(2023BAB067)的资助。

论文信息：SUN Hao, TAN Wei, RUAN YiXiao, BAI Long* & XU JianFeng. Surface roughness classification using light scattering matrix and deep learning. Science China Technological Sciences, 2024, 67:  520-535.

论文链接：https://doi.org/10.1007/s11431-023-2545-8