【技术实现步骤摘要】
本专利技术涉及光学测量，尤其涉及一种光学镜头表面粗糙度的检测方法及系统。
技术介绍
1、光学元件通常需要精密加工得到，而其表面的粗糙度对光学元件的性能有着重要影响。常见的表面粗糙度检测方法有光切显微镜测量、传统干涉测量等。光切显微镜测量中由光源发出的光经过聚光镜，穿过狭缝形成带状光束。光束再经物镜，以45度角射向工件，在凹凸不平的表面上呈现出曲折光带，再以45度角反射经物镜到达分划板上。从目镜看到的曲折亮带有两个边界，光带影像边界的曲折程度表示影像的峰谷高度，以此来测量表面粗糙度，干涉测量则是通过测量两束光的干涉条纹间距，从而计算出表面的粗糙度。然而上述方法对于设备要求较高，且由于步骤繁琐，在检测过程中容易受到干扰，从而影响检测精度。
2、随着人工智能技术的发展，目前已有研究将光散射与人工智能模型结合从而进行粗糙度的测量。例如通过建立散斑图像特征参数与表面粗糙度评定参数之间的关系，实现对工件表面粗糙度的高效和无损测量。然而，这种方法在进行图像特征提取时，由于特征过多过于复杂，导致训练模型时往往需要花费大量时间，且模型的检测效率并不理想。
技术实现思路
1、为了解决上述提出的至少一个技术问题，本专利技术提供一种光学镜头表面粗糙度的检测方法及系统。
2、第一方面，本专利技术提供了一种光学镜头表面粗糙度的检测方法，所述方法包括：
3、将激光装置发射的激光辐照在待测光学镜头的表面上形成信号光，利用分光装置将信号光分离成波长不同的第一散射光和第二散射光；基
4、对第一散斑图像和第二散斑图像进行图像增强，所述图像增强包括图像增强和归一化处理；
5、对增强后的第一散斑图像进行纹理特征以及灰度均值特征提取，对增强后的第二散斑图像进行纹理特征、灰度标准差以及灰度均方根特征提取，将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测，得到第一检测值和第二检测值；
6、计算第一检测值和第二检测值的平均值，得到光学镜头表面粗糙度。
7、优选地，所述对第一散斑图像和第二散斑图像进行图像增强，包括：
8、分别将第一散斑图像和第二散斑图像均匀分成若干个子图像，计算每个子图像的平整度：
9、βf＝γcot-1(δf)+ε,f＝1,2,...,n
10、式中，βf表示子图像f的平整度指数；γ、ε表示控制平整度指数的范围因子；δf表示子图像f的标准偏差；
11、基于子图像f的平整度指数计算滤波器的最优尺度参数：
12、
13、式中，μf表示子图像f的对应的滤波器的最优尺度参数，μmax和μmin分别是最优尺度参数的最大值和最小值，max(βf)和min(βf)分别是平整度指数的最大值和最小值；
14、计算各个子图像的权重：
15、bf,i＝|μf-μi|,i＝1,2,3
16、
17、式中，μ1、μ2和μ3分别是平整度指数的最小值、中间值和最大值；bf,1、bf,2，bf,3表示子图像f的三个不同尺度；wf,c是子图像f在尺度c上的权重；i和c是尺度索引；
18、进行图像增强和亮度归一化处理，得到增强图像：
19、
20、
21、je(x,y)＝we(x,y)m(x,y)+le(x,y)(1-m(x,y))
22、式中，je(x,y)是散斑图像的增强图像，m(x,y)是散斑图像的经过亮度归一化处理后的图像；we(x,y)是散斑图像r、g和b颜色通道的增强效果；δcf是补偿因子；le(x,y)是光学镜头表面图像的第e个颜色通道的亮度值；e是颜色通道索引；是卷积运算符；ge(x,y)是光学镜头表面图像的第e个颜色通道经过滤波器处理后的效果，h是归一化因子；x和y分别是光学镜头表面图像的横坐标索引和纵坐标索引。
23、优选地，对增强后的第一散斑图像或第二散斑图像进行纹理特征时，包括：
24、利用灰度共生矩阵法提取第一散斑图像或第二散斑图像的纹理特征：
25、
26、
27、
28、
29、
30、式中，e是能量；s是熵；i是惯性矩；l是相关性；h是逆差矩，gg是灰度级数；是增强后的灰度共生矩阵；μx、μy是均值；δx、δy是方差；x和y分别是光学镜头表面图像的横坐标索引和纵坐标索引。
31、优选地，在所述将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测之前，还包括：
32、利用斯皮尔曼相关系数对提取的纹理特征进行相关性分析，根据分析结果将逆差矩特征进行剔除；
33、利用皮尔逊相关系数对提取的灰度均值、灰度标准差以及灰度均方根进行相关性分析，根据分析结果将灰度标准差特征进行剔除。
34、优选地，所述支持向量机模型的表达式为：
35、
36、k(xi,x*)＝exp(-g‖xi-x*‖2)
37、式中，α1、α2表示拉格朗日乘子；xi为输入样本；g为核函数参数，k(xi,x*)为高斯径向基核函数；b为偏置值，f(x*)表示支持向量机的回归函数值。
38、优选地，所述方法还包括利用均绝对百分比误差和均方根误差作为支持向量机模型的评价指标。
39、第二方面，本专利技术还提供了一种光学镜头表面粗糙度的检测系统，所述系统包括：
40、图像获取单元，用于将激光装置发射的激光辐照在待测光学镜头的表面上形成信号光，利用分光装置将信号光分离成波长不同的第一散射光和第二散射光；基于第一散射光和第二散射光，分别获取成像后的第一散斑图像和第二散斑图像；
41、图像增强单元，用于对第一散斑图像和第二散斑图像进行图像增强，所述图像增强包括图像增强和归一化处理；
42、特征提取单元，用于对增强后的第一散斑图像进行纹理特征以及灰度均值特征提取，对增强后的第二散斑图像进行纹理特征、灰度标准差以及灰度均方根特征提取，将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测，得到第一检测值和第二检测值；
43、粗糙度检测单元，用于计算第一检测值和第二检测值的平均值，得到光学镜头表面粗糙度。
44、优选地，所述特征提取单元，还用于：
45、利用斯皮尔曼相关系数对提取的纹理特征进行相关性分析，根据分析结果将逆差矩特征进行剔除；
46、利用皮尔逊相关系数对提取的灰度均值、灰度标准差以及灰度均方根进行相关性分析，根据分析结果将灰度标准差特征进行剔除。
47、第三方面，本专利技术还提供了一种电子设备，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行本文档来自技高网...
【技术保护点】
1.一种光学镜头表面粗糙度的检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，所述对第一散斑图像和第二散斑图像进行图像增强，包括：
3.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，对增强后的第一散斑图像或第二散斑图像进行纹理特征时，包括：
4.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，在所述将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测之前，还包括：
5.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，所述支持向量机模型的表达式为：
6.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，所述方法还包括利用均绝对百分比误差和均方根误差作为支持向量机模型的评价指标。
7.一种光学镜头表面粗糙度的检测系统，其特征在于，所述系统包括：
8.根据权利要求7所述的光学镜头表面粗糙度的检测系统，其特征在于，所述特征提取单元，还用于：
9.一种电子
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行权利要求1至7任一项所述的光学镜头表面粗糙度的检测方法。
...【技术特征摘要】
1.一种光学镜头表面粗糙度的检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，所述对第一散斑图像和第二散斑图像进行图像增强，包括：
3.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，对增强后的第一散斑图像或第二散斑图像进行纹理特征时，包括：
4.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，在所述将提取的第一散斑图像的特征、第二散斑图像的特征分别输入至支持向量机模型进行粗糙度检测之前，还包括：
5.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，所述支持向量机模型的表达式为：
6.根据权利要求1所述的光学镜头表面粗糙度的检测方法，其特征在于，所述方法还包括利...
【专利技术属性】
技术研发人员：刘明，刘雪芬，黄德城，吴毅明，
申请(专利权)人：惠州市双诚鑫科技有限公司，
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。