隐形眼镜瑕疵检测方法及系统、电子设备、存储介质技术方案

本申请涉及器视觉算法技术领域，隐形眼镜瑕疵检测方法，所述方法包括：获取无瑕疵隐形眼镜图像；对无瑕疵隐形眼镜图像进行预处理；识别出无瑕疵隐形眼镜图像中的花纹区域，花纹区域为隐形眼镜图像产生瑕疵的区域；生成多个随机瑕疵块；重复多次执行将所述N个随机瑕疵块随机放入无瑕疵隐形眼镜图像的花纹区域，训练出隐形眼镜瑕疵检测的神经网络模型；对待测隐形眼镜进行瑕疵检测。所述方法在数据集整合阶段，通过正常数据来生成瑕疵块扩充数据集，然后训练整合好的数据集，获取到神经网络算法模型，最后通过神经网络算法模型识别出图像中的瑕疵块，该方法能够有效的提升隐形眼镜瑕疵检测的精准性。本申请公开一种隐形眼镜瑕疵检测方法及系统、电子设备、存储介质。存储介质。存储介质。

【技术实现步骤摘要】
隐形眼镜瑕疵检测方法及系统、电子设备、存储介质


[0001]本申请属于工业视觉质检
，涉及一种隐形眼镜瑕疵检测方法及系统、电子设备、存储介质。

技术介绍

[0002]近年来，隐形眼镜已成为人们生活中不可或缺的日常用品之一，而为了因应庞大的需求，相关制造厂商必须藉由机器大量地生产隐形眼镜。
[0003]在制造隐形眼镜的过程中，上述机器在进行一些例如成形、修边，或者是脱模等步骤时，常常有可能损害隐形眼镜的镜片，因而造成镜片瑕疵。
[0004]现有隐形眼镜的生产过程大多采用人工检测的方式，人工首先将镜片通过镊子夹取至光学影像放大仪下的载具中，然后通过光学放大投影检测镜片上的瑕疵与缺陷。但是人工检测不可避免的存在视觉疲劳问题，从而造成误检和漏检。因此，现有技术中存在着隐形眼镜瑕疵检测的准确低的问题。

技术实现思路

[0005]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
[0006]为了解决相关技术中存在的问题，本公开实施例提供了隐形眼镜瑕疵检测方法及系统、电子设备、存储介质。通过采集目标能见度的视频和目标能见度的算法模型，训练出识别目标能见度的卷积神经网络算法模型，然后基于训练后的卷积神经网络算法模型，分析待测视频的能见度。
[0007]在一些实施例中，提供了一种隐形眼镜瑕疵检测方法，方法包括：
[0008]获取无瑕疵隐形眼镜图像；<br/>[0009]对无瑕疵隐形眼镜图像进行预处理；
[0010]识别出无瑕疵隐形眼镜图像中的花纹区域，所述花纹区域为隐形眼镜图像产生瑕疵的区域；
[0011]生成多个随机瑕疵块；
[0012]重复多次执行将所述N个随机瑕疵块随机放入无瑕疵隐形眼镜图像的花纹区域，获取多个有瑕疵隐形眼镜图像，其中，N≥1且N为随机的整数；
[0013]根据多个有瑕疵隐形眼镜图像，训练出隐形眼镜瑕疵检测的神经网络模型；
[0014]基于训练后的神经网络模型，对待测隐形眼镜进行瑕疵检测。
[0015]在一些实施例中，公开了一种隐形眼镜瑕疵检测系统，包括：获取无瑕疵图像模块，被配置为获取无瑕疵隐形眼镜图像；
[0016]预处理模块，被配置为对无瑕疵隐形眼镜图像进行预处理；
[0017]识别瑕疵区域模块，被配置为识别出无瑕疵隐形眼镜图像中的花纹区域，所述花
纹区域为隐形眼镜图像产生瑕疵的区域；
[0018]生成瑕疵块模块，被配置为生成多个随机瑕疵块；
[0019]生成有瑕疵图像模块，被配置为重复多次执行将所述N个随机瑕疵块随机放入无瑕疵隐形眼镜图像的花纹区域，获取多个有瑕疵隐形眼镜图像，其中，N≥1且N为随机的整数；
[0020]训练神经网络模型模块，被配置为根据多个有瑕疵隐形眼镜图像，训练出隐形眼镜瑕疵检测的神经网络模型；
[0021]图像瑕疵检测模块，被配置为基于训练后的神经网络模型，对待测隐形眼镜进行瑕疵检测。
[0022]在一些实施例中，公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，执行如上述的隐形眼镜瑕疵检测方法。
[0023]在一些实施例中，公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行如上述的隐形眼镜瑕疵检测方法。
[0024]本公开实施例提供的一种隐形眼镜瑕疵检测方法及系统、电子设备、存储介质，可以实现以下技术效果：
[0025]本公开实施例首先获取无瑕疵隐形眼镜图像，识别出能够瑕疵的区域，即花纹区域。然后，将生成的随机瑕疵块放入无瑕疵隐形眼镜图像，从而制造出大量的有瑕疵隐形眼镜图像。将有瑕疵隐形眼镜图像作为样本，通过神经网络训练，得到可以识别隐形眼镜瑕疵的神经网络模型。最后基于训练后的神经网络模型，对待测隐形眼镜进行瑕疵检测。本公开实施例生成大量的有瑕疵隐形眼镜图像作为训练样本，训练出具有更高准确性的隐形眼镜瑕疵的神经网络模型。同时，基于训练后的神经网络模型，对待测隐形眼镜进行瑕疵检测。因此，本公开实施例能够提高隐形眼镜瑕疵检测的准确性。
[0026]以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
[0027]一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
[0028]图1是本公开实施例提供的一种隐形眼镜瑕疵检测方法流程图；
[0029]图2是本公开实施例提供的一种二值化后的隐形眼镜图；
[0030]图3是本公开实施例提供的一种隐形眼镜瑕疵检测系统应用的示意图；
[0031]图4是本公开实施例提供的一种图像阈值分割后的无瑕疵隐形眼镜图；
[0032]图5是本公开实施例提供的一种具有花纹区域轮廓的无瑕疵隐形眼镜图；
[0033]图6是本公开实施例提供的一个随机瑕疵块示意图；
[0034]图7是本公开实施例提供的一种对待测隐形眼镜的瑕疵检测输出的示意图；
[0035]图8是本公开实施例提供的一种隐形眼镜瑕疵检测系统示意图；
[0036]图9是本公开实施例提供的另一种隐形眼镜瑕疵检测电子设备示意图。
具体实施方式
[0037]为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和系统可以简化展示。
[0038]以下描述和附图充分地示出本专利技术的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本专利技术的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“专利技术”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的专利技术，不是要自动地限制该应用的范围为任何单个专利技术或专利技术构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来，而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者电子设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种隐形眼镜瑕疵检测方法，其特征在于，所述方法包括：获取无瑕疵隐形眼镜图像；对无瑕疵隐形眼镜图像进行预处理；识别出无瑕疵隐形眼镜图像中的花纹区域，所述花纹区域为隐形眼镜图像产生瑕疵的区域；生成多个随机瑕疵块；重复多次执行将所述N个随机瑕疵块随机放入无瑕疵隐形眼镜图像的花纹区域，获得多个有瑕疵隐形眼镜图像，其中，N≥1且N为随机的整数；根据多个有瑕疵隐形眼镜图像，训练出隐形眼镜瑕疵检测的神经网络模型；基于训练后的神经网络模型，对待测隐形眼镜进行瑕疵检测。2.根据权利要求1所述的方法，其特征在于，对无瑕疵隐形眼镜图像进行预处理，包括：对无瑕疵隐形眼镜图像进行二值化处理和滤波降噪处理；计算无瑕疵隐形眼镜图的图像均值；根据图像均值，对进行无瑕疵隐形眼镜图进行图像阈值分割。3.根据权利要求1所述的方法，其特征在于，生成多个随机瑕疵块，包括：获取一个瑕疵图案集合，所述瑕疵图案集合包括多个基础瑕疵图案，其中，每一个基础瑕疵图案之间的形状均不相同，且面积均不相同；随机选取基础瑕疵图案；将基础瑕疵图案旋转随机角度；将基础瑕疵图案随机进行镜像操作，y为随机数由系统随机生成，y＝1或者y＝2，如果y＝1则表示进行镜像操作，如果y＝2则表示不进行镜像操作；将基础瑕疵图案进行缩放；重复多次执行，从随机选取一个基础瑕疵图案到将基础瑕疵图案进行缩放，获得多个随机瑕疵块。4.根据权利要求3所述的方法，其特征在于，将基础瑕疵图案进行缩放，包括：随机生成宽度缩放系数和长度缩放系数；将瑕疵图案依据宽度缩放系数和长度缩放系数进行缩放。5.根据权利要求1所述的方法，其特征在于，根据多个有瑕疵隐形眼镜图像，训练出隐形眼镜瑕疵检测的神经网络模型，包括：对有瑕疵隐形眼镜图像中的瑕疵进行标注；对瑕疵隐形眼镜图像进行预处理；训练出隐形眼镜瑕疵检测的神经网络模型。6.根据权利要求5所述的方法，其特征在于，对瑕疵隐形眼镜图像进行预处理，包括：对瑕疵隐形眼镜图像进行归一化处理和进行mosic数据增强。7.根据权利要求5所述的方法，其特征在于，训练出隐形眼镜瑕疵检测的神经网络模型，包括：进行训练yolov5网络；其中，yolov5损失函数的定义如下所示：
公式(1)中A表示预测框，B表示真实框，IOU用来表示预测和真实框之间的重合程度；公式(2)中v用来衡量预测框和真实框长宽比之间的一致性，w1,h1分...

【专利技术属性】
技术研发人员：蔡仲伦，雷海涛，李恰伟，
申请(专利权)人：平方和北京科技有限公司，
类型：发明
国别省市：