一种光学镜片的瑕疵检测方法技术

本发明专利技术公开了一种光学镜片的瑕疵检测方法，本发明专利技术通过深度学习与计算机视觉技术检测光学镜片划痕，毛边，气泡，缺口，螺纹等瑕疵。本发明专利技术提供了一种高鲁棒性的光学镜片瑕疵检测技术，创新点在于瑕疵检测的高鲁棒性，准确性，并能够应用于不同场景下的瑕疵检测。该方法包括：通过输入单元及数据库采集光学镜片瑕疵数据；分析处理数据：根据已知数据，对数据集进行数据预处理；设计深度学习模型：通过输入训练集，建立端到端的卷积神经网络模型；设计训练策略，增加模型准确率，鲁棒性；将测试集输入训练模型，得到预测结果。得到预测结果。得到预测结果。

【技术实现步骤摘要】
一种光学镜片的瑕疵检测方法


[0001]本专利技术涉及一种计算机视觉深度学习领域的瑕疵检测方法，尤其是一种针对光学镜片瑕疵检测的方法。

技术介绍

[0002]光学玻璃的制作必须经过光学仪器测量，检验纯度、透明度、均匀度、折射率和色散率是否合规格。在加工的过程中，极易形成划痕，毛边，气泡，缺口，螺纹等瑕疵，目前国内大部分企业仍然使用人工检测方法，不仅效率低下，而且检测质量不高,已经不能满足日益增长的工业需求。因此，国内大多数企业需要一种高鲁棒性的瑕疵检测方法。
[0003]虽然先前的研究已经在光学镜片瑕疵检测这一问题提出了许多的解决方案，但是仍没有一个解决方案能够很好地解决该类问题。现有技术中公开了若干解决方案，包括：
[0004]公开日为2015年09月23日，公开号CN204666534U公开了光学镜片检测系统，提供一种自动检测光学镜片瑕疵装置，采用新型的光学镜片检测系统藉由稳定待测镜片位置以及避免过度聚光，达成了提高检测准确性的目的。
[0005]公开日为2018年08月24日，公开号CN207764138U公开了一种自动检测光学镜片瑕疵装置，解决了现有技术的光学镜片瑕疵检测装置容易漏检瑕疵特征不明显的镜片，检测的品质质量不稳定，而且在瑕疵检测过程中不能根据光学镜片的厚度和大小自由调节成像辅助光屏，导致成像不清晰不彻底，间接地影响瑕疵点的检测准确率的技术问题。
[0006]目前基本从检测装置设备结构的创新和改进方面角度进行镜片瑕疵检测，没有通过分析光学镜片瑕疵数据，对瑕疵数据进行数据增广，建立高鲁棒性的油门误踩模型，提高镜片瑕疵检测的准确度。

技术实现思路

[0007]为了克服上述现有技术的不足，本专利技术通过分析处理海量光学镜片图片，对图片进行数据增广，提取瑕疵特征点，学习到高鲁棒性的瑕疵特征表示。具体的技术方法如下：
[0008]一种光学镜片的瑕疵检测方法，包括以下步骤：
[0009]步骤1：采集训练数据：通过设备及系统采集光学镜片瑕疵数据；
[0010]步骤2：分析处理数据：根据已知数据，对数据集进行数据预处理；
[0011]步骤3：设计深度学习模型：通过输入训练集，建立端到端的最优训练模型；
[0012]步骤4：设计训练策略：增加模型准确率，鲁棒性；
[0013]步骤5：结果检测：将测试集输入训练模型，得到预测结果。
[0014]进一步，所述步骤1的设备包括：
[0015](1)输入单元，其被配置成一个或多个源收集实时数据；
[0016](2)数据库，其被配置成存储实时和离线数据。
[0017]进一步，所述步骤1中的设备为光学传感器。
[0018]进一步，所述步骤2中对数据进行预处理，构造特征向量，具体为：
[0019]a)使用平均值填充方法对缺失值进行处理；
[0020]b)对数据局进行特征编码，将特征向量归一化至0到1之间；
[0021]c)构造特征向量[d,x1,x2,...,x
n
,y],其中d表示数据的维数，x1,x2...,x
n
为数据的特征点信息。
[0022]进一步，所述步骤2中使用数据增广方法对光学镜片图像数据随机的应用各种变换，扩大训练数据。
[0023]进一步，所述步骤3中构造卷积神经网络模型，提取图片瑕疵特征点进行聚类分析，使相同瑕疵特征点的之间的距离减小，不同瑕疵特征点之间的距离加大。
[0024]进一步，所述步骤4中具体包括：
[0025]a)设置Warmup学习率优化方法；
[0026]b)设置Label Smoothing图像标签平滑算法；
[0027]c)设置最后一个卷积层步长为1。
[0028]专利技术有益效果
[0029]有益效果：本专利技术所采用的技术方案是：
[0030](1)对光学镜片数据进行数据增广，使训练模型具有良好的鲁棒性。
[0031](2)采用深度学习技术，对光学镜片瑕疵数据提取瑕疵特征点，对提取后的特征点进行聚类，分类。与现有技术相比，本专利技术具有能够提高光学镜片瑕疵检测的准确性，鲁棒性，能适应工业界不同种类的需求。
附图说明
[0032]图1是本申请实施例提供的方法框架流程图；
[0033]图2是本申请实施例提供的深度神经网络结构图；
[0034]图3是本申请实施例提供的光学镜片数据增广对比图。
具体实施方式
[0035]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术：
[0036]一种光学镜片的瑕疵检测方法，其具体的检测步骤如下：
[0037]步骤S1：采集训练数据，通过光学相机和显微镜采集光学镜片瑕疵图像训练数据。
[0038]步骤S2：分析处理数据，对图像进行实例检测、分割,对分割后的图像，使用数据增广方法对光学镜片图像数据随机的应用各种变换，扩大训练数据，具体的实施方式包括以下步骤：
[0039]在本实施例中，将原始图像统一重新调整为256x256像素；
[0040]在本实施例中，在每个图像外层设置空白层(padding),大小为2px；
[0041]在本实施例中，通过图像增广方法对光学镜片图像进行数据增广，如说明书附图3所示；
[0042]在本实施例中，设置均衡样采样器提取每一类数据，使每一训练批次中每一类的数据数目相同。
[0043]由于本申请实施例涉及大量卷积神经网络的应用，为了便于理解，下面先对本申请实施例涉及的相关术语及卷积神经网络等相关概念进行介绍。
[0044]卷积神经网络是一种带有卷积结构的深度卷积神经网络。卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。该特征抽取器可以看作是滤波器，卷积过程可以看作是使用一个可训练的滤波器对一个输入的图像或者卷积特征平面(feature map)做卷积，输出一个卷积特征平面，卷积特征平面还可以称为特征图。卷积层是指卷积神经网络中对输入信号进行卷积处理的神经元层。在卷积神经网络的卷积层中，一个神经元可以只与部分邻层神经元连接。一个卷积层中，通常包含若干个特征平面，每个特征平面可以由一些矩形排列的神经单元组成。同一特征平面的神经单元共享权重，这里共享的权重对应的权重矩阵就是卷积核。共享权重可以理解为提取图像信息的方式与位置无关。这其中隐含的原理是：图像的某一部分的统计信息与其他部分是一样的，即意味着在某一部分学习的图像信息也能用在另一部分上。所以对于图像上的所有位置，都能使用同样的学习得到的图像信息。在同一卷积层中，可以使用多个卷积核来提取不同的图像信息，一般地，卷积核数量越多，卷积操作反映的图像信息越丰富。卷积核可以以随机大小的矩阵的形式初始化，在卷积神经网络的训练过程中卷积核可以通过学习得到合理的权重。另外，共享权重带来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光学镜片的瑕疵检测方法，其特征在于，包括以下步骤：步骤1：采集训练数据：通过输入单元及数据库采集光学镜片瑕疵数据,输入单元配置成一个或多个源收集实时数据,为光学传感器；数据库配置成存储实时和离线数据；步骤2：分析处理数据：根据已知数据，对数据集进行数据预处理，具体为：a)使用平均值填充方法对缺失值进行处理；b)对数据局进行特征编码，将特征向量归一化至0到1之间；c)构造特征向量[d,x1,x2,...,x
n
,y],其中d表示数据的维数x1,x2,...,x
n
为数据的特征点信息；步骤3：设计深度学习模型：通过输入训练集，建...

【专利技术属性】
技术研发人员：陶春，
申请(专利权)人：南京施密特光学仪器有限公司，
类型：发明
国别省市：