【技术实现步骤摘要】
本申请涉及智能加工，且更为具体地，涉及一种光学玻璃的智能加工方法及其系统。
技术介绍
1、光学玻璃具有高度的透明性，透光率在90％以上，光学玻璃的结构和性能上具有高度均匀性，对光学常数有特定要求，常用于各种望远镜、显微镜、照相机、手表和手机等的透镜、棱镜、反射镜等。
2、随着精密光学仪器、光信息通讯、光电子产品这些领域的飞速发展，对具有优异性能的光学玻璃的需求越来越大，要求也越来越高，在光学涉及和光通信中，折射率在1.9～2.2之间的光学玻璃对简化光学系统、提高成像质量，以及对手机和数码相机进一步小型化、对光通信技术的进步有着深远的意义，所以光学玻璃在加工过程中，保证光学玻璃表面材质均匀，光学玻璃加工前后应力和光学常数保持不变尤为重要。
3、目前的光学玻璃加工工艺包括切割、成型玻璃平面粗糙、cnc修外形以及抛光等工序，由于光学玻璃材质的高脆性，在加工过程中特别是cnc修外形(倒边)工序容易出现崩边、划伤、内裂、凹凸等不良，导致加工后玻璃的良率不高。
4、因此，期待一种光学玻璃的智能加工方法及其系统。
技术实现思路
1、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光学玻璃的智能加工方法及其系统，其通过卷积神经网络模型来挖掘出光学玻璃的表面图像中关于表面质量特征的隐藏关联分布信息，对提取的特征进行分析和分类，以此来准确地对于光学玻璃的表面质量进行检测，从而提高检测效率、减少人工错误，并确保光学玻璃产品的质量和一致性。
2、
3、获取由摄像头采集的光学玻璃的表面图像；
4、对所述光学玻璃的表面图像进行图像块划分以得到图像块序列；
5、将所述图像块序列中各个图像块通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量；
6、将所述多个图像块特征向量通过基于转化器的图像编码器以得到全局图像语义理解特征向量；
7、对所述全局图像语义理解特征向量进行基于插值向量的位移秩序化以得到优化全局图像语义理解特征向量；
8、将所述优化全局图像语义理解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所述光学玻璃的表面质量是否符合预定要求。
9、在上述光学玻璃的智能加工方法中，对所述光学玻璃的表面图像进行图像块划分以得到图像块序列，包括：对所述光学玻璃的表面图像进行均匀图像块划分以得到所述图像块序列，其中，所述图像块序列中各个图像块具有相同的尺寸。
10、在上述光学玻璃的智能加工方法中，将所述图像块序列中各个图像块通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量，包括：基于卷积核对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的第一层的输入为所述图像块序列中各个图像块，所述第一卷积神经网络模型的最后一层的输出为所述多个图像块特征向量中的各个特征向量。
11、在上述光学玻璃的智能加工方法中，作为过滤器的第一卷积神经网络模型为深度残差网络模型。
12、在上述光学玻璃的智能加工方法中，将所述多个图像块特征向量通过基于转化器的图像编码器以得到全局图像语义理解特征向量，包括：将所述多个图像块特征向量输入所述基于转化器的图像编码器以得到多个上下文图像块特征向量；将所述多个上下文图像块特征向量进行级联以得到所述全局图像语义理解特征向量。
13、在上述光学玻璃的智能加工方法中，将所述多个图像块特征向量输入所述基于转化器的图像编码器以得到多个上下文图像块特征向量，包括：使用所述图像编码器的基于转换器的bert模型对所述多个图像块特征向量中各个图像块特征向量进行基于全局的上下文语义编码以得到以所述多个图像块特征向量的整体语义关联为上下文背景的所述多个上下文图像块特征向量。
14、在上述光学玻璃的智能加工方法中，对所述全局图像语义理解特征向量进行基于插值向量的位移秩序化以得到优化全局图像语义理解特征向量，包括：对所述全局图像语义理解特征向量进行向量切分以得到多个分类局部特征向量；将所述多个分类局部特征向量分别通过基于线性差值的上采样模块以得到多个稠密化分类局部特征向量；针对于所述多个稠密化分类局部特征向量中的各个稠密化分类局部特征向量，计算所述各个稠密化分类局部特征向量与其他所有稠密化分类局部特征向量之间的欧式距离以得到多个欧式距离值且并计算所述多个欧式距离值的加和值作为所述各个稠密化分类局部特征向量的位移特征值；将所述各个稠密化分类局部特征向量的位移特征值排列为位移秩序性输入向量后通过包含一维卷积层和sigmoid激活层的位移秩序性特征提取器以得到位移秩序性特征向量；将所述位移秩序性特征向量中各个位置的特征值作为权重，分别对所述各个分类局部特征向量进行加权以得到多个加权后分类局部特征向量；将所述多个加权后分类局部特征向量进行向量拼接以得到所述优化全局图像语义理解特征向量。
15、在上述光学玻璃的智能加工方法中，将所述优化全局图像语义理解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所述光学玻璃的表面质量是否符合预定要求，包括：使用所述分类器的全连接层对所述优化全局图像语义理解特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述分类器的softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值，所述分类标签包括所述光学玻璃的表面质量符合预定要求和所述光学玻璃的表面质量不符合预定要求；将所述概率值中最大者对应的分类标签确定为所述分类结果。
16、根据本申请的另一方面，提供了一种光学玻璃的智能加工系统，其包括：
17、图像采集模块，用于获取由摄像头采集的光学玻璃的表面图像；
18、图像块划分模块，用于对所述光学玻璃的表面图像进行图像块划分以得到图像块序列；
19、卷积编码模块，用于将所述图像块序列中各个图像块通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量；
20、图像编码模块，用于将所述多个图像块特征向量通过基于转化器的图像编码器以得到全局图像语义理解特征向量；
21、优化模块，用于对所述全局图像语义理解特征向量进行基于插值向量的位移秩序化以得到优化全局图像语义理解特征向量；
22、分类结果模块，用于将所述全局图像语义理解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所述光学玻璃的表面质量是否符合预定要求。
23、在上述光学玻璃的智能加工系统中，所述卷积编码模块，包括：卷积单元，用于基于卷积核对所述输入数据进行卷积处理以得到卷积特征图；池化单元，用于对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图；激活单元，用于对所述池化特征图进行非线性激活以得到激活特征本文档来自技高网...
【技术保护点】
1.一种光学玻璃的智能加工方法，其特征在于，包括：
2.根据权利要求1所述的光学玻璃的智能加工方法，其特征在于，对所述光学玻璃的表面图像进行图像块划分以得到图像块序列，包括：
3.根据权利要求2所述的光学玻璃的智能加工方法，其特征在于，将所述图像块序列中各个图像块通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量，包括：
4.根据权利要求3所述的光学玻璃的智能加工方法，其特征在于，作为过滤器的第一卷积神经网络模型为深度残差网络模型。
5.根据权利要求4所述的光学玻璃的智能加工方法，其特征在于，将所述多个图像块特征向量通过基于转化器的图像编码器以得到全局图像语义理解特征向量，包括：
6.根据权利要求5所述的光学玻璃的智能加工方法，其特征在于，将所述多个图像块特征向量输入所述基于转化器的图像编码器以得到多个上下文图像块特征向量，包括：
7.根据权利要求6所述的光学玻璃的智能加工方法，其特征在于，对所述全局图像语义理解特征向量进行基于插值向量的位移秩序化以得到优化全局图像语义理解特征向量，包括：
<...【技术特征摘要】
1.一种光学玻璃的智能加工方法，其特征在于，包括：
2.根据权利要求1所述的光学玻璃的智能加工方法，其特征在于，对所述光学玻璃的表面图像进行图像块划分以得到图像块序列，包括：
3.根据权利要求2所述的光学玻璃的智能加工方法，其特征在于，将所述图像块序列中各个图像块通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量，包括：
4.根据权利要求3所述的光学玻璃的智能加工方法，其特征在于，作为过滤器的第一卷积神经网络模型为深度残差网络模型。
5.根据权利要求4所述的光学玻璃的智能加工方法，其特征在于，将所述多个图像块特征向量通过基于转化器的图像编码器以得到全局图像语义理解特征向量，包括：
6.根据权利要求...
【专利技术属性】
技术研发人员：张清旭，刘凯耀，钱文元，
申请(专利权)人：安徽峰领光学玻璃有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。