一种基于卷积神经网络的光学元件快速暗场检测方法技术

一种基于卷积神经网络的光学元件快速暗场检测方法，涉及光学元件检测技术领域，用以解决现有技术中对于大口径元件表面缺陷识别的准确率和效率较低的问题。本发明专利技术的技术要点包括：在暗场环境下对元件表面进行扫描采集，并调整曝光值，获得对应不同曝光值的暗场图像集；将预处理后的暗场图像集输入基于卷积神经网络的识别模型中进行训练；将待识别图像输入训练好的识别模型中，获得识别结果；其中，应用高曝光值数据进行目标分割及图像截取，应用低曝光值数据进行识别分类，模型训练阶段引入迁移学习，降低了模型训练次数，提高了模型识别准确率。本发明专利技术通过暗场阶段对缺陷区域进行识别，剔除了大量污染物，使光学元件的整个检测周期大大降低。周期大大降低。周期大大降低。

【技术实现步骤摘要】
一种基于卷积神经网络的光学元件快速暗场检测方法


[0001]本专利技术涉及光学元件检测
，具体涉及一种基于卷积神经网络的光学元件快速暗场检测方法。

技术介绍

[0002]大口径熔石英光学元件是高功率固体激光装置的终端光学组件中应用最为普遍的光学元器件，但在高功率固体激光系统中，当元件在强激光的辐照下，易产生微裂纹、微凹坑等烧蚀点微缺陷。研究表明，当微裂纹或烧蚀点等微缺陷产生后，随着激光辐照次数的增加，光学元件的后表面微缺陷尺寸以指数性增长。当微缺陷数量增加到一定程度时，光学元件将报废而不能继续使用。对于大口径熔石英光学元件，其加工时间周期长、成本高，为了延长光学元件的使用寿命，国内外主要采取的解决措施是对已产生的微缺陷进行激光微修复，使其抗损伤能力大幅度提升，从而抑制损伤增长，增加元件使用寿命，降低成本。
[0003]熔石英光学元件在运输、安装及使用的过程中会不可避免的引入大量污染物，这些污染物附着在元件上，形状与损伤相似，会对元件表面损伤检测造成干扰。因此为了获取元件表面的损伤信息，要对损伤及污染物进行区分。目前采用的主要方法是在暗场检测时获得所有缺陷及污染物的位置信息，然后将元件转移到显微相机下进行更为清晰的拍照，确定该点是否为损伤。然而移动显微相机逐个对目标点进行定位并识别要消耗大量的时间，使得检测进程加长。

技术实现思路

[0004]鉴于以上问题，本专利技术提出一种基于卷积神经网络的光学元件快速暗场检测方法，用以解决现有技术中对于大口径元件表面缺陷识别的准确率和效率较低的问题。<br/>[0005]一种基于卷积神经网络的光学元件快速暗场检测方法，包括以下步骤：
[0006]步骤一、在暗场环境下对元件表面进行扫描采集，并调整曝光值，获得对应不同曝光值的暗场图像集；
[0007]步骤二、对所述暗场图像集进行预处理；
[0008]步骤三、将预处理后的暗场图像集输入基于卷积神经网络的识别模型中进行训练，获得训练好的识别模型；
[0009]步骤四、将包含元件表面缺陷区域的待识别图像输入训练好的识别模型中，获得识别结果；所述识别结果包括所述缺陷区域是否为伪缺陷区域。
[0010]进一步地，步骤一的具体步骤包括：
[0011]步骤一一、采用环形光源低角度照射元件表面形成暗场环境，在暗场环境下对元件表面进行逐行逐列移动扫描，采集获取多个预设拍照位置的多个子图；其中，每个预设拍照位置对应采集多个不同曝光值的子图，多个不同曝光值分为高曝光值和低曝光值两类；
[0012]步骤一二、对多个子图进行处理，获得多个元件表面缺陷区域图像；
[0013]步骤一三、对元件表面缺陷区域进行吹尘处理，根据吹尘处理结果对多个元件表
面缺陷区域图像对应标注，以获取正样本和负样本图像数据。
[0014]进一步地，步骤一二的具体过程包括：对每个预设拍照位置的高曝光值对应的子图进行二值化处理，提取缺陷区域轮廓，并计算轮廓的最小外接正方形，以最小外接正方形的中心位置和尺寸分别在高曝光值和低曝光值对应的子图中截图，分别获得高曝光值和低曝光值对应的缺陷区域图像。
[0015]进一步地，步骤二中所述预处理包括对图像数据进行翻转、旋转、噪声扰动的数据增强。
[0016]进一步地，步骤三的具体步骤包括：
[0017]步骤三一、以二值化处理后包络缺陷区域轮廓的最小外接圆直径作为缺陷区域的像素尺寸，基于所述像素尺寸，将预处理后的暗场图像集按照尺寸范围进行划分；
[0018]步骤三二、将多个尺寸范围对应的暗场图像数据按照比例划分为训练集和验证集；
[0019]步骤三三、将训练集中低曝光值对应的缺陷区域图像输入基于卷积神经网络ResNet的识别模型中进行训练；
[0020]步骤三四、将验证集输入每次训练后的模型中调整模型参数，直到模型识别准确率不再提升后停止训练，获得训练好的识别模型。
[0021]进一步地，步骤三三中使用下述交叉熵函数作为损失函数计算预测值与真实值之间的误差：
[0022][0023]式中，y
i
表示样本标签，正样本为1，负样本为0；p
i
表示样本i预测为正样本的概率；N表示样本总数。
[0024]进一步地，步骤三四中利用下述公式计算模型识别准确率：
[0025][0026]式中，TP、FP、FN、TN分别表示识别结果中真阳性、假阳性、真阴性、假阴性的数目。
[0027]进一步地，步骤三三中使用残差结构搭建ResNet网络模型，并在训练初始阶段迁移载入在ImageNet数据集下预训练得到的ResNet网络模型的节点权重。
[0028]进一步地，步骤三三中在训练过程中对迁移载入的节点权重对应的部分卷积层进行冻结，对未冻结的卷积层进行误差反向传播。
[0029]本专利技术的有益技术效果是：
[0030]本专利技术提出了应用高曝光值数据进行目标分割及图像截取，提高了目标识别及图像截取的效率及准确率；应用低曝光值数据进行分类，增加了模型识别准确率；应用目标识别的方法自动将暗场图片中的目标点提取出来并得到目标点的位置及尺寸信息，加快了数据集获取的进程；通过对不同尺寸范围的数据集进行训练，获取了模型分类的最佳尺寸范围，在该范围下模型识别准确率高且耗时较短；在暗场检测阶段引入迁移学习，降低了模型需要训练的次数并提高了模型识别准确率；通过暗场阶段对目标点进行识别，剔除了大量污染物，大大降低了显微工位需要识别的目标点数量，使光学元件的整个检测周期大大降低。
附图说明
[0031]本专利技术可以通过参考下文中结合附图所给出的描述而得到更好的理解，所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本专利技术的优选实施例和解释本专利技术的原理和优点。
[0032]图1是本专利技术实施例中光学元件快速暗场检测方法整体流程示意图；
[0033]图2是本专利技术实施例中暗场数据采集装置结构示意图；
[0034]图3是本专利技术实施例中残差结构示意图；
[0035]图4是本专利技术实施例中两种具体地残差结构示例图；
[0036]图5是本专利技术实施例中两种具体残差结构搭建ResNet网络的过程示例图；其中，图(a)为18层及34层网络；图(b)为50、101及152层网络；
[0037]图6是本专利技术实施例中卷积神经网络正反向传递示意图；
[0038]图7是本专利技术实施例中迁移学习训练模型示意图；
[0039]图8是本专利技术实施例中不同变量组合示意图；
[0040]图9是本专利技术实施例中混淆矩阵示意图；
[0041]图10是本专利技术实施例中暗场图像目标识别结果示例图；
[0042]图11是本专利技术实施例中不同曝光值下同一目标识别结果对比图；
[0043]图12是本专利技术实施例中数据集扩充示意图；其中，图(a)是原图；图(b)是水平镜像后的图；图(c)是垂直镜像后的图；图(d)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的光学元件快速暗场检测方法，其特征在于，包括以下步骤：步骤一、在暗场环境下对元件表面进行扫描采集，并调整曝光值，获得对应不同曝光值的暗场图像集；步骤二、对所述暗场图像集进行预处理；步骤三、将预处理后的暗场图像集输入基于卷积神经网络的识别模型中进行训练，获得训练好的识别模型；步骤四、将包含元件表面缺陷区域的待识别图像输入训练好的识别模型中，获得识别结果；所述识别结果包括所述缺陷区域是否为伪缺陷区域。2.根据权利要求1所述的一种基于卷积神经网络的光学元件快速暗场检测方法，其特征在于，步骤一的具体步骤包括：步骤一一、采用环形光源低角度照射元件表面形成暗场环境，在暗场环境下对元件表面进行逐行逐列移动扫描，采集获取多个预设拍照位置的多个子图；其中，每个预设拍照位置对应采集多个不同曝光值的子图，多个不同曝光值分为高曝光值和低曝光值两类；步骤一二、对多个子图进行处理，获得多个元件表面缺陷区域图像；步骤一三、对元件表面缺陷区域进行吹尘处理，根据吹尘处理结果对多个元件表面缺陷区域图像对应标注，以获取正样本和负样本图像数据。3.根据权利要求2所述的一种基于卷积神经网络的光学元件快速暗场检测方法，其特征在于，步骤一二的具体过程包括：对每个预设拍照位置的高曝光值对应的子图进行二值化处理，提取缺陷区域轮廓，并计算轮廓的最小外接正方形，以最小外接正方形的中心位置和尺寸分别在高曝光值和低曝光值对应的子图中截图，分别获得高曝光值和低曝光值对应的缺陷区域图像。4.根据权利要求3所述的一种基于卷积神经网络的光学元件快速暗场检测方法，其特征在于，步骤二中所述预处理包括对图像数据进行翻转、旋转、噪声扰动的数据增强。5.根据权利要求4所述的一种基于卷...

【专利技术属性】
技术研发人员：陈明君，李小涛，尹朝阳，赵林杰，程健，袁晓东，郑万国，廖威，王海军，张传超，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：