基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统技术方案

本发明专利技术涉及基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统，通过先对隐形眼镜图像进行降噪预处理，然后对降噪预处理后的图像进行边缘提取，得到镜片边缘图像和镜片边缘图像的几何参数

【技术实现步骤摘要】
基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统


[0001]本专利技术涉及机器视觉
，具体是基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统
。

技术介绍

[0002]隐形眼镜的主要制造方式包含车削
、
铸模等，由于镜片材料的柔韧度不同，使得生产过程中易出现边裂，边缺，毛刺等边缘瑕疵
。
因此，需要对隐形眼镜进行边缘缺陷检测
。
[0003]但是现有的隐形眼镜边缘瑕疵检测方法，如公开专利：一种隐形眼镜边缘缺陷的检测方法
(CN112529876A)。
该方法使用的多次投影的方法极易受到环境噪声的干扰，使得检测精度不高，对成像环境有较高的需求，普适性不高
。

技术实现思路

[0004]有鉴于此，本专利技术的目的是提供基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和系统，以解决现有技术中检测方法容易受到环境噪声的干扰的问题
。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：本专利技术的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法，包括：获取隐形眼镜图像，其中，所述隐形眼镜图像为从相机中读取的图像；对所述隐形眼镜图像进行降噪预处理，得到过程图像；对所述过程图像进行边缘特征提取，得到镜片边缘图像和所述镜片边缘图像的几何参数；基于所述镜片边缘图像的几何参数对所述过程图像
、
所述镜片边缘图像分别执行极坐标变换，得到第一极坐标图像和第二极坐标图像，并对所述第二极坐标图像执行快速傅里叶变换处理和进一步滤波，得到高频特征图像；提取所述高频特征图像中每个目标轮廓的几何特征，并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征；将每个目标轮廓的几何特征
、
灰度特征与预先构建的瑕疵定义进行对比，并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像
。
[0006]在本申请一实施例中，对所述隐形眼镜图像进行降噪预处理，得到过程图像，包括：对所述隐形眼镜图像进行格式转换，得到目标格式图像；对所述目标格式图像进行灰度转换，得到灰度图像；对所述灰度图像进行高斯滤波处理，得到过程图像
。
[0007]在本申请一实施例中，对所述过程图像进行边缘特征提取，得到镜片边缘图像和所述镜片边缘图像的几何参数，包括：基于边缘提取算子对所述过程图像进行边缘提取，得到包含轮廓特征的初步边缘图像和所述初步边缘图像对应的二值化图像；
基于预先配置的镜片尺寸参数对所述二值化图像进行筛选，并在所述二值化图像满足预先配置的镜片尺寸参数时，对所述初步边缘图像的轮廓特征进行拟合，得到拟合轮廓，其中，所述预先配置的镜片尺寸参数包括最长直径区间
、
最短直径区间
、
长短轴差值区间和长宽比；基于预先配置的镜片尺寸参数对所述初步边缘图像进行筛选，在所述拟合轮廓满足预先配置的镜片尺寸参数时，基于所述拟合轮廓构建模板图像；基于所述模板图像对所述初步边缘图像进行裁切，得到镜片边缘图像和所述镜片边缘图像的几何参数
。
[0008]在本申请一实施例中，对所述第二极坐标图像执行快速傅里叶变换处理，得到高频特征图像，包括：对所述第二极坐标图像进行快速傅里叶变换，得到频谱图像；基于预先构建的高通滤波器对所述频谱图像进行滤波，得到滤波后的频谱图像；对所述滤波后的频谱图像进行快速傅里叶逆变换，得到高频特征图像
。
[0009]在本申请一实施例中，对所述过程图像或者所述镜片边缘图像执行极坐标变换的变换公式为：
[0010]式中，为所述过程图像或者所述镜片边缘图像中像素点的横坐标，为所述过程图像或者所述镜片边缘图像中像素点的纵坐标，为所述第一极坐标图像或者所述第二极坐标图像中对应像素点的极径，为所述第一极坐标图像或者所述第二极坐标图像中对应像素点的极角；其中，对所述过程图像或者所述镜片边缘图像执行极坐标变换所需的圆心为所述镜片边缘图像的几何参数中的镜片椭圆轮廓的中心坐标，所需的半径为：，所需的采样角度和插值方式预先配置；为所述镜片边缘图像的几何参数中的镜片椭圆轮廓的长轴，为所述镜片边缘图像的几何参数中的镜片椭圆轮廓的短轴，为平均值运算
。
[0011]在本申请一实施例中，提取所述高频特征图像中每个目标轮廓的几何特征，并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征，包括：基于预先配置的灰度阈值对所述高频特征图像进行二值化处理，得到二值化图像；对所述二值化图像中的所有轮廓进行提取，得到轮廓集合；提取所述轮廓集合中目标轮廓的几何特征和包围盒，其中，所述目标轮廓为面积大于预设面积阈值的轮廓，所述目标轮廓的几何特征包括轮廓尺寸
、
轮廓密度
、
长宽比
、
圆度和圆形率；基于所述目标轮廓的包围盒对所述第一极坐标图像和所述第二极坐标图像进行裁剪，得到第一图块和第二图块；提取所述第一图块的平均灰度值
、
灰度值方差
、
最小灰度值
、
最大灰度值
、
和中心
位置的灰度值，并提取所述第二图块的梯度平均值，得到灰度特征
。
[0012]在本申请一实施例中，所述瑕疵定义包括几何瑕疵定义和灰度瑕疵定义，将每个目标轮廓的几何特征
、
灰度特征与预先构建的瑕疵定义进行对比，并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像，包括：将每个目标轮廓的几何特征与预先构建的几何瑕疵定义进行对比，将符合几何瑕疵定义的目标轮廓与灰度瑕疵定义进行对比，得到符合几何瑕疵定义和灰度瑕疵定义的瑕疵轮廓；其中，所述几何瑕疵定义为同时满足：所述轮廓尺寸大于预设的最短检出尺寸，所述轮廓密度在预设的检出密度区间内，所述长宽比在预设的检出长宽比区间内，所述圆度在预设的检出圆度区间内，所述圆形率在预设的检出圆形率区间内；所述灰度瑕疵定义为同时满足：所述平均灰度值大于预设的检出灰度值区间内，所述灰度值方差在预设的检出方差区间内，所述梯度平均值在预设的检出梯度区间内，所述最小灰度值大于预设的最小检出灰度值，所述最大灰度值小于预设的最大检出灰度值，所述中心位置的灰度值大于预设的中心检出灰度值；在瑕疵轮廓的数量大于0时，判定所述隐形眼镜图像为瑕疵图像，否则判定所述隐形眼镜图像不为瑕疵图像
。
[0013]在本申请一实施例中，对所述二值化图像中的所有轮廓进行提取，得到轮廓集合之后，还包括：提取所述轮廓集合中目标轮廓的最小外接矩形
。
[0014]在本申请一实施例中，还包括：获取每个瑕疵轮廓的最小外接矩形的四个顶点；对所述四个顶点进行极坐标逆变换，得到图像坐标系中的四个顶点，其中，极坐标逆变换的数学表达式为：式中，为极坐标中镜片椭圆轮廓的中心坐标，为极坐标中镜片椭圆轮廓的半径，为极坐标转换时的采样数，为顶点的坐标，为顶点的坐标；基于所述四个顶点构建标注框，并基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法，其特征在于，包括步骤：获取隐形眼镜图像，其中，所述隐形眼镜图像为从相机中读取的图像；对所述隐形眼镜图像进行降噪预处理，得到过程图像；对所述过程图像进行边缘特征提取，得到镜片边缘图像和所述镜片边缘图像的几何参数；基于所述镜片边缘图像的几何参数对所述过程图像
、
所述镜片边缘图像分别执行极坐标变换，得到第一极坐标图像和第二极坐标图像，并对所述第二极坐标图像执行快速傅里叶变换处理和进一步滤波，得到高频特征图像；提取所述高频特征图像中每个目标轮廓的几何特征，并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征；将每个目标轮廓的几何特征
、
灰度特征与预先构建的瑕疵定义进行对比，并基于每个目标轮廓的对比结果判断所述隐形眼镜图像是否为瑕疵图像
。2.
根据权利要求 1 所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法，其特征在于，对所述隐形眼镜图像进行降噪预处理，得到过程图像，包括：对所述隐形眼镜图像进行格式转换，得到目标格式图像；对所述目标格式图像进行灰度转换，得到灰度图像；对所述灰度图像进行高斯滤波处理，得到过程图像
。3.
根据权利要求 1 所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法，其特征在于，对所述过程图像进行边缘特征提取，得到镜片边缘图像和所述镜片边缘图像的几何参数，包括：基于边缘提取算子对所述过程图像进行边缘提取，得到包含轮廓特征的初步边缘图像和所述初步边缘图像对应的二值化图像；基于预先配置的镜片尺寸参数对所述二值化图像进行筛选，并在所述二值化图像满足预先配置的镜片尺寸参数时，对所述初步边缘图像的轮廓特征进行拟合，得到拟合轮廓，其中，所述预先配置的镜片尺寸参数包括最长直径区间
、
最短直径区间
、
长短轴差值区间和长宽比；基于预先配置的镜片尺寸参数对所述初步边缘图像进行筛选，在所述拟合轮廓满足预先配置的镜片尺寸参数时，基于所述拟合轮廓构建模板图像；基于所述模板图像对所述初步边缘图像进行裁切，得到镜片边缘图像和所述镜片边缘图像的几何参数
。4.
根据权利要求 1 所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法，其特征在于，对所述第二极坐标图像执行快速傅里叶变换处理和进一步滤波，得到高频特征图像，包括：对所述第二极坐标图像进行快速傅里叶变换，得到频谱图像；基于预先构建的高通滤波器对所述频谱图像进行滤波，得到滤波后的频谱图像；对所述滤波后的频谱图像进行快速傅里叶逆变换，得到高频特征图像
。5.
根据权利要求 1 所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法，其特征在于，对所述过程图像或者所述镜片边缘图像执行极坐标变换的变换公式为：
式中，为所述过程图像或者所述镜片边缘图像中像素点的横坐标，为所述过程图像或者所述镜片边缘图像中像素点的纵坐标，为所述第一极坐标图像或者所述第二极坐标图像中对应像素点的极径，为所述第一极坐标图像或者所述第二极坐标图像中对应像素点的极角；其中，对所述过程图像或者所述镜片边缘图像执行极坐标变换所需的圆心为所述镜片边缘图像的几何参数中的镜片椭圆轮廓的中心坐标，所需的半径为：，所需的采样角度和插值方式预先配置；为所述镜片边缘图像的几何参数中的镜片椭圆轮廓的长轴，为所述镜片边缘图像的几何参数中的镜片椭圆轮廓的短轴，为平均值运算
。6.
根据权利要求 1 所述的基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法，其特征在于，提取所述高频特征图像中每个目标轮廓的几何特征，并基于所述高频特征图像提取第一极坐标图像和第二极坐标图像中每个目标轮廓的灰度特征，包括：基于预先配置的灰度阈值对所述高频特征图像进行二值化处理，得到二值化图像；对所述二值化图像中的所有轮廓进行提取，得到轮廓集合；提取所述轮廓集合中目标轮廓的几何特征...

【专利技术属性】
技术研发人员：蔡仲伦，苏庆丰，杨淼，杨海生，
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：