CN101672631B - 平面光学元件的面形偏差测量方法 - Google Patents

平面光学元件的面形偏差测量方法 Download PDF

Info

Publication number
CN101672631B
CN101672631B CN2009101967105A CN200910196710A CN101672631B CN 101672631 B CN101672631 B CN 101672631B CN 2009101967105 A CN2009101967105 A CN 2009101967105A CN 200910196710 A CN200910196710 A CN 200910196710A CN 101672631 B CN101672631 B CN 101672631B
Authority
CN
China
Prior art keywords
interference fringe
neural network
dsp
surface form
test zone
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN2009101967105A
Other languages
English (en)
Other versions
CN101672631A (zh
Inventor
江晓军
刘正国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Polytechnic University
Original Assignee
Shanghai Polytechnic University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Polytechnic University filed Critical Shanghai Polytechnic University
Priority to CN2009101967105A priority Critical patent/CN101672631B/zh
Publication of CN101672631A publication Critical patent/CN101672631A/zh
Application granted granted Critical
Publication of CN101672631B publication Critical patent/CN101672631B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Length Measuring Devices By Optical Means (AREA)

Abstract

一种平面光学元件的面形偏差测量方法，首先由摄像头将标准样本图像数据进行采集，通过USB接口将采集到的标准样本图像数据传送给DSP进行数字信号处理；用处理后的图像数据对BP神经网络进行训练，以确定采用的BP神经网络；由摄像头将被测平面光学元件的干涉条纹图像数据进行采集，通过USB接口将采集到的图像数据传送给DSP进行数字信号处理，得到的测量数据送入确定的BP神经网络进行计算；BP神经网络输出面形偏差值，并送入DSP的缓存区；再由DSP将该面形偏差值送入显示装置进行显示。本发明由于操作者能够方便地观察干涉条纹图像并进行光路调节，从而降低检测成本；测量结果不受目视判读者影响，可有效提高测量精度。

Description

平面光学元件的面形偏差测量方法
技术领域
本发明涉及一种平面光学元件的面形偏差测量方法。
背景技术
处理干涉条纹图像可以获得平面光学元件的面形偏差，该面形偏差值反映了被测平面光学元件的面形加工信息。如何能够准确、方便及低成本检测平面光学元件的面形偏差，对于改善平面光学元件的高精度加工具有重要的作用。目前，人工作图法可以满足光学元件生产车间的低成本检测要求，但过程较为繁琐且测量精度不高。随着人们对平面光学元件的加工要求越来越高，这种方法已经不能满足精度高、适应性强及自动化测量的要求。用目视判读法虽然可获得平面光学元件的面形偏差，但这种方法的缺点是得到的测量结果受不同目视判读者的影响较大，有时不同目视判读者对同一幅干涉条纹图像的判读结果会有较大的差异。这给实际生产过程中光学元件的高精度加工带来困难。
发明内容
为克服上述现有技术的缺陷，本发明公开了一种平面光学元件的面形偏差测量方法。不但可增强处理干涉条纹图像的适应性、提高测量精度及降低检测成本，而且可将处理后的干涉条纹图像及由此得到的被测平面光学元件的面形偏差值显示在显示装置上，使操作者能够方便地观察干涉条纹图像。
本发明的技术解决方案如下：
一种平面光学元件的面形偏差测量方法，其特征在于按照如下方法进行：
A)摄像头将标准样板标准光圈的干涉条纹图像数据进行采集，通过USB接口将采集到的标准样本图像数据传送给DSP进行数字信号处理：
a)建立接收到的干涉条纹图像与显示装置上显示图形的映射关系；
b)按建立的映射关系将干涉条纹图像送到显示装置进行显示；
c)将干涉条纹图像转换为灰度图像；
d)对灰度图像进行滤波及二值化处理；
e)在处理后的干涉条纹图像中，选取与此图像同心的圆形区域作为测试区域，再求取该测试区域中干涉条纹的数据：干涉条纹的弯曲量、干涉条纹间距及干涉条纹弯曲量与干涉条纹间距的比值；
f)判断是否已确定BP神经网络，如果是，则转步骤D)，否则继续步骤g)；
g)将测试区域按比例扩大，对新测试区域，再求取干涉条纹的数据；
h)判断是否得到指定组样本数据，如果是，则转步骤B)否则进入步骤g)；
B)用步骤e)和步骤g)中干涉条纹的数据对BP神经网络进行训练：首先建立三层BP神经网络，将各测试区域中干涉条纹弯曲量、干涉条纹间距和测试区域直径作为输入样本，将各测试区域中干涉条纹弯曲量与干涉条纹间距的比值作为输出样本，对BP神经网络进行训练；训练先从输入层开始正向计算各层神经元的输入和输出，逐层修改BP神经网络的连接权值，直至输出节点的实际输出与输出节点的期望输出的误差平方和不大于给定的误差平方和时，结束对BP神经网络的训练；
C)确定要采用的BP神经网络；
D)摄像头将被测平面光学元件的干涉条纹图像数据进行采集，通过USB接口将采集到的图像数据传送给DSP，DSP按步骤a)～步骤e)进行数字信号处理，得到的测量数据送入由步骤C)所确定的BP神经网络进行计算；
E)BP神经网络输出面形偏差值，并送入DSP的缓存区；
F)DSP将步骤E)中面形偏差值送入显示装置进行显示。
A)e)中所述的测试区域，该区域进行第一次选择时占整个图像区域面积的比例范围是50％～95％。
A)g)中所述的将测试区域按比例扩大，该区域进行扩大的比例范围是0.2％～5％。
A)h)中所述的指定组样本数据不小于40组样本数据。
B)中所述的进行神经网络训练，给定的误差平方和的范围是1×10-4～1×10-6。
与在先技术相比，本发明具有下列技术效果：
1、通过求取多组测试区域中干涉条纹弯曲量、干涉条纹间距及两者的比值作为样本数据，可增强BP神经网络处理干涉条纹图像的适应性、提高测量精度。
2、DSP处理包含平面光学元件面形偏差信息的干涉条纹图像时，得到的测量结果具有一致性高、不受不同目视判读者影响的特点。
3、DSP通过快速、自动地处理干涉条纹图像，可减少人工参与，而且用图形点阵液晶显示屏对处理后的干涉条纹图像进行显示时，使操作者能够方便地观察干涉条纹图像并进行光路调节，从而降低检测成本。
附图说明
图1是采用本发明所述测量方法的面形偏差测量系统的系统框图；
图2是本发明采用的三层BP神经网络的示意图；
图3是本发明获取平面光学元件的面形偏差的流程图。
具体实施方式
以下结合附图和实施例对本发明作进一步详细描述，但本实施例并不用于限制本发明，凡是采用本发明的相似结构、方法及其相似变化，均应列入本发明的保护范围。
图1是采用本发明所述测量方法的面形偏差测量系统的系统框图。由图可见，本发明面形偏差测量系统包括：摄像头、数字信号处理器(DSP)、BP神经网络和显示装置。
所述摄像头的像素为320×240；所述的DSP采用TMS320DM642。所述的显示装置包括彩色图形点阵液晶显示屏和单色图形点阵液晶显示屏，该显示装置用于显示处理后的干涉条纹图像和被测平面光学元件的面形偏差值，本例中显示装置采用图形点阵液晶显示屏ZXM128128A，其像素点阵为：128×128。
A)摄像头将标准样板标准光圈的干涉条纹图像数据进行采集，通过USB接口将采集到的标准样本图像数据传送给DSP进行数字信号处理：
a)TMS320DM642通过USB接口接收到干涉条纹图像数据后，在内存中建立接收到的干涉条纹图像与显示装置上显示图形的映射关系；
b)按建立的映射关系将干涉条纹图像送到显示装置进行显示；
c)将干涉条纹图像转换为灰度图像；
d)对灰度图像进行滤波及二值化处理；
e)在处理后的干涉条纹图像中，选取与此图像同心的圆形区域作为测试区域，再求取该测试区域中干涉条纹的数据；其中干涉条纹的弯曲量h1与相应条纹间距H1的比值N1′。本例中第一次选择占整个图像区域面积的70％的区域作为测试区域；
f)判断是否已确定BP神经网络，如果是，则转步骤D)，否则继续步骤g)；
g)将测试区域按比例扩大，对新测试区域，再求取干涉条纹的弯曲量h2与相应条纹间距H2的比值N2′，本例中扩大的测试区域按每次0.2％的比例增加。按这种方法在整个图像中可以得到多个比值Nk′。则可得到k组样本数据，即(h1，H1，N1′)，(h2，H2，N2′)，…，(hk，Hk，Nk′)，其中k＝1，2，…，60。
h)判断是否得到指定组样本数据，如果是，则转步骤B)否则进入步骤g)；
B)用步骤e)和步骤g)中干涉条纹图像数据对BP神经网络进行训练；
C)确定要采用的神经网络；
D)摄像头将被测平面光学元件的干涉条纹图像数据进行采集，通过USB接口将采集到的图像数据传送给DSP，DSP按步骤a)～步骤e)进行数字信号处理，得到的测量数据送入由步骤C)所确定的BP神经网络进行计算；
E)BP神经网络输出面形偏差值，并送入DSP的缓存区；
F)DSP将步骤E)中面形偏差值送入显示装置进行显示。
所述的BP神经网络是一种误差反向传播的神经网络模型，该模型是一个包含三个输入和一个输出的三层前馈型神经网络模型，其中由12个S型函数神经元构成隐含层，由一个线性激活函数神经元构成输出层；
图2是本发明采用的三层BP神经网络的示意图。该BP神经网络的三层节点表示为：输入节点Xj，隐节点Zi，输出节点Nk，其中j＝1，2，3，i＝1，2，…，12。网络输入节点与隐节点间的网络权值为Uij，隐节点与输出节点间的网络权值为Vj，隐层的阈值为θi，隐层函数为S型函数，输出节点的期望输出为Nk *。当Nk *与输出层节点的实际输出不一致或误差不满足时，则执行误差前馈传播，逐层修改网络的连接权值，直至输出节点的实际输出与输出节点的期望输出的误差平方和不大于给定的误差平方和。将BP神经网络用于获取平面光学元件的面形偏差前，要对BP神经网络进行训练。在确定BP神经网络的结构后，将A)e)～A)g)中样本数据输入到BP神经网络中，对BP神经网络进行多次循环训练，直至输出节点的实际输出与输出节点的期望输出的误差平方和不大于给定的误差平方和时，确定BP神经网络。本例中，采用60组样本数据，BP神经网络在进行了700次循环训练后，误差平方和不大于7.6317×10-5。
图3是本发明获取平面光学元件的面形偏差的流程图。按照这个流程图，进行操作，具体描述如下：
①摄像头采集标准样板标准光圈的干涉条纹图像；
②摄像头通过USB接口将采集到的干涉条纹图像数据传送给DSP；
③建立接收到的干涉条纹图像与显示装置上显示图形的映射关系，由DSP按该映射关系将干涉条纹图像送到显示装置进行显示；
④DSP对接收到的干涉条纹图像进行预处理，即将之转换为灰度图像，然后对灰度图像进行滤波及二值化；
⑤选择占整个图像区域面积一定比例的同心圆形区域作为测试区域，并求取测试区域中干涉条纹弯曲量、干涉条纹间距及两者的比值；
⑥判断是否已确定BP神经网络，如果是，则转步骤否则继续步骤⑦；
⑦将步骤⑤中测试区域按一定比例扩大后得到的区域作为新的测试区域，并求取该测试区域中干涉条纹弯曲量、干涉条纹间距及两者的比值；
⑧判断是否得到指定组样本数据，如果是，则转步骤⑨否则进入步骤⑦；
⑨将步骤⑤和步骤⑦各测试区域中干涉条纹弯曲量、干涉条纹间距和测试区域直径作为输入样本，而将各测试区域中干涉条纹弯曲量与干涉条纹间距的比值作为输出样本，对建立的三层BP神经网络进行训练；
⑩当输出节点的实际输出与输出节点的期望输出的误差平方和不大于给定的误差平方和时，选定节点间网络权值和隐层阈值，确定BP神经网络；
Figure GSB00000433334100052
摄像头采集被测平面光学元件的干涉条纹图像，并将该图像数据送入DSP，由DSP按步骤③～⑤进行处理，得到的测量数据送入步骤⑩所确定的BP神经网络；
Figure GSB00000433334100053
BP神经网络输出面形偏差值，并送入DSP的缓存区；
DSP将步骤
Figure GSB00000433334100055
的面形偏差值送入显示装置进行显示；
以上所述的实施例仅用于说明本发明的技术思想及特点，其目的在使本领域内的技术人员能够了解本发明的内容并据以实施，当不能仅以本实施例来限定本发明的专利范围，即凡依本发明所揭示的精神所作的同等变化或修饰，仍落在本发明的专利范围内。

Claims (4)

1.一种平面光学元件的面形偏差测量方法，其特征在于按照如下方法进行：
A)摄像头将标准样板标准光圈的干涉条纹图像数据进行采集，通过USB接口将采集到的标准样本图像数据传送给DSP进行数字信号处理：
a)建立接收到的干涉条纹图像与显示装置上显示图形的映射关系；
b)按建立的映射关系将干涉条纹图像送到显示装置进行显示；
c)将干涉条纹图像转换为灰度图像；
d)对灰度图像进行滤波及二值化处理；
e)在处理后的干涉条纹图像中，选取与此图像同心的圆形区域作为测试区域，再求取该测试区域中干涉条纹的数据：干涉条纹的弯曲量、干涉条纹间距及干涉条纹弯曲量与干涉条纹间距的比值；
f)判断是否已确定BP神经网络，如果是，则转步骤D)，否则继续步骤g)；
g)将测试区域按比例扩大，对新测试区域，再求取干涉条纹的数据；
h)判断是否得到指定组样本数据，如果是，则转步骤B)否则进入步骤g)；
B)用步骤e)和步骤g)中干涉条纹的数据对BP神经网络进行训练：首先建立三层BP神经网络，将各测试区域中干涉条纹弯曲量、干涉条纹间距和测试区域直径作为输入样本，将各测试区域中干涉条纹弯曲量与干涉条纹间距的比值作为输出样本，对BP神经网络进行训练；训练先从输入层开始正向计算各层神经元的输入和输出，逐层修改BP神经网络的连接权值，直至输出节点的实际输出与输出节点的期望输出的误差平方和不大于给定的误差平方和时，结束对BP神经网络的训练；
C)确定要采用的BP神经网络；
D)摄像头将被测平面光学元件的干涉条纹图像数据进行采集，通过USB接口将采集到的图像数据传送给DSP，DSP按步骤a)～步骤e)进行数字信号处理，得到的测量数据送入由步骤C)所确定的BP神经网络进行计算；
E)BP神经网络输出面形偏差值，并送入DSP的缓存区；
F)DSP将步骤E)中面形偏差值送入显示装置进行显示。
2.根据权利要求1所述的一种平面光学元件的面形偏差测量方法，其特征在于：A)e)中所述的测试区域，该区域进行第一次选择时占整个图像区域面积的比例范围是50％～95％。
3.根据权利要求1所述的一种平面光学元件的面形偏差测量方法，其特征在于：A)g)中所述的将测试区域按比例扩大，该区域进行扩大的比例范围是0.2％～5％。
4.根据权利要求1所述的一种平面光学元件的面形偏差测量方法，其特征在于：A)h)中所述的指定组样本数据不小于40组样本数据。
CN2009101967105A 2009-09-29 2009-09-29 平面光学元件的面形偏差测量方法 Expired - Fee Related CN101672631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2009101967105A CN101672631B (zh) 2009-09-29 2009-09-29 平面光学元件的面形偏差测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2009101967105A CN101672631B (zh) 2009-09-29 2009-09-29 平面光学元件的面形偏差测量方法

Publications (2)

Publication Number Publication Date
CN101672631A CN101672631A (zh) 2010-03-17
CN101672631B true CN101672631B (zh) 2011-06-22

Family

ID=42019961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009101967105A Expired - Fee Related CN101672631B (zh) 2009-09-29 2009-09-29 平面光学元件的面形偏差测量方法

Country Status (1)

Country Link
CN (1) CN101672631B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288129B (zh) * 2011-06-22 2013-09-04 科纳技术(苏州)有限公司 双折射晶体光学元件面形偏差测试系统
CN113310438B (zh) * 2020-02-26 2023-04-07 广东博智林机器人有限公司 平整度测量方法、装置、计算机设备和存储介质
CN112985300B (zh) * 2021-02-24 2022-03-25 中国科学院长春光学精密机械与物理研究所 基于条纹追踪的光学元件轮廓检测方法、设备及存储介质
CN114593693B (zh) * 2022-02-16 2022-11-01 苏州英示测量科技有限公司 光学偏折检测方法、电子设备及光学偏折检测系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520413A (zh) * 2009-02-18 2009-09-02 深圳大学 一种外差干涉椭偏测量非线性误差补偿方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520413A (zh) * 2009-02-18 2009-09-02 深圳大学 一种外差干涉椭偏测量非线性误差补偿方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JP特开2005-156334A 2005.06.16
JP特开平5-250348A 1993.09.28
JP特开平6-235619A 1994.08.23
戴妍峰等."空间望远镜主镜面形静态控制方法".《系统仿真学报》.2009,第21卷(第6期),1693-1696.

Also Published As

Publication number Publication date
CN101672631A (zh) 2010-03-17

Similar Documents

Publication Publication Date Title
CN108960135B (zh) 基于高分辨遥感图像的密集舰船目标精确检测方法
CN109472822A (zh) 基于深度图像处理的物体尺寸测量方法
CN110879982B (zh) 一种人群计数系统及方法
CN104977313A (zh) 一种焊缝x射线图像缺陷检测与识别方法和装置
CN108629369A (zh) 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法
CN108875794A (zh) 一种基于迁移学习的图像能见度检测方法
CN110751644B (zh) 道路表面裂纹检测方法
CN101672631B (zh) 平面光学元件的面形偏差测量方法
CN104457627A (zh) 一种利用Photoshop精准测量不规则物体平面面积的方法
WO2022088096A1 (zh) 缺陷实际面积的检测方法、显示面板的检测方法及装置
Ye et al. High-resolution optical inspection system for fast detection and classification of surface defects
CN107392929A (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
CN109191386B (zh) 一种基于BPNN的快速Gamma校正方法及装置
CN116128839A (zh) 晶圆缺陷识别方法、装置、电子设备以及存储介质
CN104252056A (zh) 一种基板的检测方法及装置
CN117422699B (zh) 公路检测方法、装置、计算机设备及存储介质
CN112132803A (zh) 一种基于卷积神经网络的鸡蛋新鲜度检测方法
CN109035230B (zh) 一种圆孔直径视觉测量方法
CN112258495A (zh) 一种基于卷积神经网络的建筑木材裂缝识别方法
KR102189951B1 (ko) 이미지 분석을 이용한 선박 도장상태 검사 시스템 및 방법
CN118469933A (zh) 一种针对混凝土结构表观缺陷和病害的识别与量化方法
CN113762020B (zh) 一种基于矩阵结构深度神经网络的公路路面裂缝检测系统
Yin et al. Promoting Automatic Detection of Road Damage: A High-Resolution Dataset, a New Approach, and a New Evaluation Criterion
CN108428247A (zh) 焊锡点方向的检测方法和系统
TW200842339A (en) Mura detection method and system

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20110622

Termination date: 20130929