【技术实现步骤摘要】
本专利技术涉及高精度光学，尤其涉及一种透明光学透镜激光条中心线提取方法及系统。
技术介绍
1、在光学制造领域，透明光学透镜是一种广泛应用于生物医学、光学通信、航空航天等领域的常见光学元件。准确地对光学透镜三维重建对于了解其光学特性、提高其质量和性能、实现质量控制和检测以及进行逆向工程等方面都至关重要。现有的接触式的测量方法可以获得透镜表面的高精度三维坐标信息，但是却极有可能损坏透镜表面。然而使用非侵入式的基于图像的方法来对透明光学透镜进行三维重建是一项极具挑战性的任务，主要由于透明光学透镜表面没有明显的纹理特征可供利用。目前，主要采用激光线扫描方法来创建高照度的纹理特征，并结合多种算法进行激光条中心线提取。最后通过三角测量或立体匹配进行坐标系转化进行三维坐标计算。然而，由于透明光学透镜的光学特性，在激光辐照到透明光学透镜时会受到散射、折射、漫反射和噪声等干扰，从而导致实际相机采集的图片中会产生很多高反光区域、伪光条以及散射区域。因此现有的激光条中心线提取方法几乎都不适用于透明透镜的激光条中心线提取。
技术实现思路
1、为了解决上述技术问题，本专利技术的目的是提供一种透明光学透镜激光条中心线提取方法及系统，能够提高激光条分割的准确性进而提高光学透镜表面激光条中心线的提取准确率。
2、本专利技术所采用的第一技术方案是：一种透明光学透镜激光条中心线提取方法，包括以下步骤：
3、获取光学透镜表面的数据集；
4、构建多尺度注意力机制网络模型并通过光学透镜表
5、通过steger算法对光学透镜表面激光条分割图像进行中心线提取处理，得到光学透镜表面激光条中心线。
6、进一步，所述获取光学透镜表面的数据集这一步骤，其具体包括：
7、通过线激光器将激光投射于光学透镜表面，并通过工业相机获取光学透镜表面的纹理特征图像；
8、对光学透镜表面的纹理特征图像进行格式转化处理，得到hsv格式光学透镜表面的纹理特征图像；
9、获取hsv格式光学透镜表面的纹理特征图像的像素级标签；
10、根据像素级标签对hsv格式光学透镜表面的纹理特征图像进行图像增强处理，得到光学透镜表面的数据集。
11、进一步，所述根据像素级标签对hsv格式光学透镜表面的纹理特征图像进行图像增强处理，得到光学透镜表面的数据集这一步骤，其具体包括：
12、通过像素级标签对hsv格式光学透镜表面的纹理特征图像进行上下像素填充处理，得到填充后的光学透镜表面的纹理特征图像；
13、对填充后的光学透镜表面的纹理特征图像进行尺寸调节处理，得到调节后的光学透镜表面的纹理特征图像；
14、对调节后的光学透镜表面的纹理特征图像进行rgb格式转化处理，得到光学透镜表面的数据集。
15、进一步，所述通过像素级标签对hsv格式光学透镜表面的纹理特征图像进行上下像素填充处理，得到填充后的光学透镜表面的纹理特征图像这一步骤，其具体包括：
16、通过像素级标签对hsv格式光学透镜表面的纹理特征图像进行水平翻转处理，得到水平翻转后的光学透镜表面的纹理特征图像；
17、对水平翻转后的光学透镜表面的纹理特征图像进行随机添加噪声处理，得到填充后的光学透镜表面的纹理特征图像。
18、进一步，所述构建多尺度注意力机制网络模型并通过光学透镜表面的数据集进行训练，得到光学透镜表面激光条分割图像这一步骤，其具体包括：
19、将光学透镜表面的数据集进行划分处理，得到光学透镜表面数据训练集、光学透镜表面数据验证集和光学透镜表面数据测试集；
20、构建多尺度注意力机制网络模型，所述多尺度注意力机制网络模型包括第一子网络、第二子网络和第三子网络；
21、将光学透镜表面数据训练集输入至多尺度注意力机制网络模型进行数据训练，输出训练后的多尺度注意力机制网络模型；
22、基于光学透镜表面数据验证集对训练后的多尺度注意力机制网络模型进行验证处理，得到验证后的多尺度注意力机制网络模型；
23、将光学透镜表面数据测试集输入至验证后的多尺度注意力机制网络模型进行数据测试，输出光学透镜表面激光条分割图像。
24、进一步，所述第一子网络、所述第二子网络和所述第三子网络均包括若干特征提取层、若干通道注意力层、若干空间注意力层和高斯滤波结构，其中：
25、所述特征提取层用于提取光学透镜表面的数据集的表面特征数据：
26、所述通道注意力层用于提取光学透镜表面的数据集的通道特征数据；
27、所述空间注意力层用于提取光学透镜表面的数据集的空间特征数据；
28、所述高斯滤波结构用于对光学透镜表面的数据集进行滤波处理。
29、进一步，所述高斯滤波结构的表达式为：
30、；
31、上式中，表示滤波后的张量在位置处的新值，表示原始张量在位置的值，代表高斯核在处的权重，为权重总和，为高斯核的大小。
32、进一步，所述将光学透镜表面数据训练集输入至多尺度注意力机制网络模型进行数据训练，输出训练后的多尺度注意力机制网络模型这一步骤，其具体包括：
33、将光学透镜表面数据训练集输入至多尺度注意力机制网络模型；
34、基于多尺度注意力机制网络模型的第一子网络，对光学透镜表面数据训练集进行特征提取处理，得到第一光学透镜表面激光条分割特征图像；
35、基于多尺度注意力机制网络模型的第二子网络，对光学透镜表面数据训练集进行特征提取处理，得到第二光学透镜表面激光条分割特征图像；
36、基于多尺度注意力机制网络模型的第三子网络，对光学透镜表面数据训练集进行特征提取处理，得到第三光学透镜表面激光条分割特征图像；
37、将第一光学透镜表面激光条分割特征图像、第二光学透镜表面激光条分割特征图像和第三光学透镜表面激光条分割特征图像进行特征融合处理，得到光学透镜表面激光条分割特征图像并输出训练后的多尺度注意力机制网络模型。
38、本专利技术所采用的第二技术方案是：一种透明光学透镜激光条中心线提取系统，包括：
39、获取模块，用于获取光学透镜表面的数据集；
40、训练模块，用于构建多尺度注意力机制网络模型并通过光学透镜表面的数据集进行训练，得到光学透镜表面激光条分割图像；
41、提取模块，用于通过steger算法对光学透镜表面激光条分割图像进行中心线提取处理，得到光学透镜表面激光条中心线。
42、本专利技术方法及系统的有益效果是：本专利技术通过获取光学透镜表面的数据集，进一步构建多尺度注意力机制网络模型并通过光学透镜表面的数据集进行训练，得到光学透镜表面激光条分割图像，提高了激光条分割的准确性和连续性，最后通过steger算法对光学透镜表面激光条分割图像进行中心线提取处理，避免激光本文档来自技高网...
【技术保护点】
1.一种透明光学透镜激光条中心线提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种透明光学透镜激光条中心线提取方法，其特征在于，所述获取光学透镜表面的数据集这一步骤，其具体包括：
3.根据权利要求2所述一种透明光学透镜激光条中心线提取方法，其特征在于，所述根据像素级标签对HSV格式光学透镜表面的纹理特征图像进行图像增强处理，得到光学透镜表面的数据集这一步骤，其具体包括：
4.根据权利要求3所述一种透明光学透镜激光条中心线提取方法，其特征在于，所述通过像素级标签对HSV格式光学透镜表面的纹理特征图像进行上下像素填充处理，得到填充后的光学透镜表面的纹理特征图像这一步骤，其具体包括：
5.根据权利要求4所述一种透明光学透镜激光条中心线提取方法，其特征在于，所述构建多尺度注意力机制网络模型并通过光学透镜表面的数据集进行训练，得到光学透镜表面激光条分割图像这一步骤，其具体包括：
6.根据权利要求5所述一种透明光学透镜激光条中心线提取方法，其特征在于，所述第一子网络、所述第二子网络和所述第三子网络均包括若干特征提取层、
7.根据权利要求6所述一种透明光学透镜激光条中心线提取方法，其特征在于，所述高斯滤波结构的表达式为：
8.根据权利要求5所述一种透明光学透镜激光条中心线提取方法，其特征在于，所述将光学透镜表面数据训练集输入至多尺度注意力机制网络模型进行数据训练，输出训练后的多尺度注意力机制网络模型这一步骤，其具体包括：
9.一种透明光学透镜激光条中心线提取系统，其特征在于，包括以下模块：
...【技术特征摘要】
1.一种透明光学透镜激光条中心线提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种透明光学透镜激光条中心线提取方法，其特征在于，所述获取光学透镜表面的数据集这一步骤，其具体包括：
3.根据权利要求2所述一种透明光学透镜激光条中心线提取方法，其特征在于，所述根据像素级标签对hsv格式光学透镜表面的纹理特征图像进行图像增强处理，得到光学透镜表面的数据集这一步骤，其具体包括：
4.根据权利要求3所述一种透明光学透镜激光条中心线提取方法，其特征在于，所述通过像素级标签对hsv格式光学透镜表面的纹理特征图像进行上下像素填充处理，得到填充后的光学透镜表面的纹理特征图像这一步骤，其具体包括：
5.根据权利要求4所述一种透明光学透镜激光条中心线提取方法，其特征在于，所述构建多尺...
【专利技术属性】
技术研发人员：付为杰，姜浩，张心明，宁连爽，
申请(专利权)人：佛山科学技术学院，
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。