红外光学透镜及其制备方法技术

本申请公开了一种红外光学透镜及其制备方法。其制备方法采用基于机器视觉的人工智能检测技术，以通过对于红外光学透镜的六视图进行隐含特征提取来提取出各个视角图像中关于红外光学透镜的隐含特征分布信息，并在将其进行全局化视角排列后，使用人工智能检测算法来提取出全局视角特征在高维空间中的多尺度隐含关联特征信息，以此来进行所述红外光学透镜的成型质量检测。通过这样的方式，可以准确地对于红外光学透镜的成型质量进行智能检测，以确保监控摄像机的成像质量。确保监控摄像机的成像质量。确保监控摄像机的成像质量。

【技术实现步骤摘要】
红外光学透镜及其制备方法


[0001]本申请涉及智能检测
，且更为具体地，涉及一种红外光学透镜及其制备方法。

技术介绍

[0002]目前用于监控摄像机产品夜间补光的红外线LED光源使用的光学透镜为圆锥形，其中，光线在红外光学透镜的调制后呈现出的光斑形状为圆形。但是，用于监控摄像机的成像芯片(例如，CCD或CMOS)的高宽比为3/4，光线的圆形光斑投影于成像芯片时，在传感器四周会产生较大的暗角。
[0003]针对上述技术问题，中国专利CN 202598378揭露了一种红外LED光学透镜，其具有特殊的结构配置以使得红外LED灯珠的光线从光学透镜的入射面进入透镜折射后从出射面出射形成的光路沿透镜长度方向夹角与宽度方向夹角的比值为4：3，这样当该LED光学透镜应用于监控摄像机，所述LED灯珠的光线从所述入射面进入透镜折射后从出射面出射形成的光路的水平夹角与垂直夹角的比值为4：3，更为贴合传感器的形状，减少暗角区域。
[0004]在实际生产制备中，虽然上述红外光学透镜能够改善成像效果，但是在其生产过程中发现：因红外光学透镜的形状变得复杂，导致其在生产过程的成型精度容易发生偏差，而使得最终成型的光学透镜无法满足设计要求。因此，在红外光学透镜的生产过程中，需要将红外光学透镜进行成型质量检测，但因其形状变得复杂，通过传统的测量工序也变得极为复杂，增加了生产成本。
[0005]因此，期待一种优化的红外光学透镜及其制备方案。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种红外光学透镜及其制备方法。其制备方法采用基于机器视觉的人工智能检测技术，以通过对于红外光学透镜的六视图进行隐含特征提取来提取出各个视角图像中关于红外光学透镜的隐含特征分布信息，并在将其进行全局化视角排列后，使用人工智能检测算法来提取出全局视角特征在高维空间中的多尺度隐含关联特征信息，以此来进行所述红外光学透镜的成型质量检测。通过这样的方式，可以准确地对于红外光学透镜的成型质量进行智能检测，以确保监控摄像机的成像质量。
[0007]根据本申请的一个方面，提供了一种红外光学透镜的制备方法，其包括：
[0008]获取待检测红外光学透镜的六视图，所述待检测红外光学透镜的六视图为第一至第六局部视角图像；
[0009]将所述第一至第六局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到第一至第六局部视角特征向量；
[0010]将所述第一至第六局部视角特征向量进行一维排列以得到全局视角特征向量；
[0011]将所述全局视角特征向量通过使用具有第一尺度的第一卷积核的第二卷积神经
网络模型以得到第一尺度关联特征向量；
[0012]将所述全局视角特征向量通过使用具有第二尺度的第二卷积核的第三卷积神经网络模型以得到第二尺度关联特征向量；
[0013]融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量；以及
[0014]将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测红外光学透镜的成型质量是否满足设计要求。
[0015]在上述的红外光学透镜的制备方法中，所述将所述第一至第六局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到第一至第六局部视角特征向量，包括：
[0016]使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述第一至第六局部视角特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述第一至第六局部视角图像。
[0017]在上述的红外光学透镜的制备方法中，所述将所述全局视角特征向量通过使用具有第一尺度的第一卷积核的第二卷积神经网络模型以得到第一尺度关联特征向量，包括：使用所述具有第一尺度的第一卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
[0018]对所述输入数据进行卷积处理以得到第一尺度卷积特征向量；
[0019]对所述第一尺度卷积特征向量进行池化处理以得到第一尺度池化特征向量；以及
[0020]对所述第一尺度池化特征向量进行非线性激活以得到第一尺度激活特征向量；
[0021]其中，所述具有第一尺度的第一卷积核的第二卷积神经网络模型的最后一层的输出为所述第一尺度关联特征向量，所述具有第一尺度的第一卷积核的第二卷积神经网络模型的第一层的输入为所述全局视角特征向量。
[0022]在上述的红外光学透镜的制备方法中，所述将所述全局视角特征向量通过使用具有第二尺度的第二卷积核的第三卷积神经网络模型以得到第二尺度关联特征向量，包括：使用所述具有第二尺度的第二卷积核的第三卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
[0023]对所述输入数据进行卷积处理以得到第二尺度卷积特征向量；
[0024]对所述第二尺度卷积特征向量进行池化处理以得到第二尺度池化特征向量；以及
[0025]对所述第二尺度池化特征向量进行非线性激活以得到第二尺度激活特征向量；
[0026]其中，所述具有第二尺度的第二卷积核的第三卷积神经网络模型的最后一层的输出为所述第二尺度关联特征向量，所述具有第二尺度的第二卷积核的第三卷积神经网络模型的第一层的输入为所述全局视角特征向量。
[0027]在上述的红外光学透镜的制备方法中，所述融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量，包括：以如下公式来融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量；
[0028]其中，所述公式为：
[0029]V
c
＝Concat[V1，V2][0030]其中，V1，V2表示所述第一尺度关联特征向量和所述第二尺度关联特征向量，Concat[
·
]表示级联函数，V
c
表示所述分类特征向量。
[0031]在上述的红外光学透镜的制备方法中，所述将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测红外光学透镜的成型质量是否满足设计要求，包括：
[0032]使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
[0033]将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
[0034]在上述的红外光学透镜的制备方法中，还包括训练步骤：用于对所述作为过滤器的第一卷积神经网络模型、所述使用具有第一尺度的第一卷积核的第二卷积神经网络模型、所述使用具有第二尺度的第二卷积核的第三卷积神经网络模型和所述分类器进行训练。
[0035]在上述的红外光学透镜的制备方法中，所述训练步骤，包括：
[0036]获取训练数据，所述训练数据包括待检测红外光学透镜的训练六视图，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种红外光学透镜的制备方法，其特征在于，包括：获取待检测红外光学透镜的六视图，所述待检测红外光学透镜的六视图为第一至第六局部视角图像；将所述第一至第六局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到第一至第六局部视角特征向量；将所述第一至第六局部视角特征向量进行一维排列以得到全局视角特征向量；将所述全局视角特征向量通过使用具有第一尺度的第一卷积核的第二卷积神经网络模型以得到第一尺度关联特征向量；将所述全局视角特征向量通过使用具有第二尺度的第二卷积核的第三卷积神经网络模型以得到第二尺度关联特征向量；融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测红外光学透镜的成型质量是否满足设计要求。2.根据权利要求1所述的红外光学透镜的制备方法，其特征在于，所述将所述第一至第六局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到第一至第六局部视角特征向量，包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述第一至第六局部视角特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述第一至第六局部视角图像。3.根据权利要求2所述的红外光学透镜的制备方法，其特征在于，所述将所述全局视角特征向量通过使用具有第一尺度的第一卷积核的第二卷积神经网络模型以得到第一尺度关联特征向量，包括：使用所述具有第一尺度的第一卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到第一尺度卷积特征向量；对所述第一尺度卷积特征向量进行池化处理以得到第一尺度池化特征向量；以及对所述第一尺度池化特征向量进行非线性激活以得到第一尺度激活特征向量；其中，所述具有第一尺度的第一卷积核的第二卷积神经网络模型的最后一层的输出为所述第一尺度关联特征向量，所述具有第一尺度的第一卷积核的第二卷积神经网络模型的第一层的输入为所述全局视角特征向量。4.根据权利要求3所述的红外光学透镜的制备方法，其特征在于，所述将所述全局视角特征向量通过使用具有第二尺度的第二卷积核的第三卷积神经网络模型以得到第二尺度关联特征向量，包括：使用所述具有第二尺度的第二卷积核的第三卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到第二尺度卷积特征向量；对所述第二尺度卷积特征向量进行池化处理以得到第二尺度池化特征向量；以及对所述第二尺度池化特征向量进行非线性激活以得到第二尺度激活特征向量；
其中，所述具有第二尺度的第二卷积核的第三卷积神经网络模型的最后一层的输出为所述第二尺度关联特征向量，所述具有第二尺度的第二卷积核的第三卷积神经网络模型的第一层的输入为所述全局视角特征向量。5.根据权利要求4所述的红外光学透镜的制备方法，其特征在于，所述融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量，包括：以如下公式来融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量；其中，所述公式为：...

【专利技术属性】
技术研发人员：李少飞，
申请(专利权)人：广东省旭晟半导体股份有限公司，
类型：发明
国别省市：