CN103743750B - 一种大口径光学元件表面损伤分布图的生成方法 - Google Patents
一种大口径光学元件表面损伤分布图的生成方法 Download PDFInfo
- Publication number
- CN103743750B CN103743750B CN201410016315.5A CN201410016315A CN103743750B CN 103743750 B CN103743750 B CN 103743750B CN 201410016315 A CN201410016315 A CN 201410016315A CN 103743750 B CN103743750 B CN 103743750B
- Authority
- CN
- China
- Prior art keywords
- damage
- profile
- point
- damage profile
- coordinate
- 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.)
- Active
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010586 diagram Methods 0.000 title claims abstract description 16
- 239000004429 Calibre Substances 0.000 title claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000007935 neutral effect Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000003086 colorant Substances 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 208000014674 injury Diseases 0.000 claims description 2
- 238000010408 sweeping Methods 0.000 claims description 2
- 230000008733 trauma Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 4
- 239000004744 fabric Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种大口径光学元件表面损伤分布图的生成方法，该方法包括如下步骤：对现有的多张大口径光学元件表面损伤子图像进行损伤轮廓提取，获取所有的损伤轮廓序列；计算得到的损伤轮廓的特征；基于损伤轮廓的特征对损伤轮廓进行分类标记；根据指定要求和分类标记信息，对损伤轮廓进行筛选、处理和显示，生成大口径光学元件表面损伤分布图。本发明可以很大程度上减少人工操作，实现元件表面质量全流程跟踪和闭环控制。
Description
技术领域
本发明属于大口径光学元件表面损伤检测领域，具体涉及一种大口径光学元件表面损伤分布图的生成方法。
背景技术
随着科学研究和装备制造的需要，光学系统的有效口径越来越大，但由于加工过程不可避免的会留下各类损伤，这些损伤会对精密光学系统的性能产生严重影响。这些损伤会对经过它们的光造成不同程度的散射，不但增大了光能量的损耗，同时也可能对元件引起更加严重的损伤，影响整光学系统的运行。
目前对大口径光学元件表面损伤分布初步检测会有一个预判过程，它主要是靠工人目测，用手划线的形式来标记处大致损伤分布，然后依据工人的知识给出光学元件是否合格的初步判定。现有的方法中需要大量的人工干预，同时影响了光学元件的生产效率，而且人的肉眼观测会有误差，所得到的分布图不准确也不精确。
发明内容
本发明针对现有方法的不足，提供了一种大口径光学元件表面损伤分布图的生成方法，减少了人工干预，能基于现有的表面损伤图像自动生成一张完整的表面损伤分布图，为大口径光学元件表面损伤分布的初步检测提供依据。
本发明提出的一种大口径光学元件表面损伤分布图的生成方法包括以下步骤：
步骤1：对现有的多张大口径光学元件表面损伤子图像进行损伤轮廓提取，获取所有的损伤轮廓序列；
步骤2：计算得到的损伤轮廓的特征；
步骤3：基于损伤轮廓的特征对损伤轮廓进行分类标记；
步骤4：根据指定要求和分类标记信息，对损伤轮廓进行筛选、处理和显示，生成大口径光学元件表面损伤分布图。
本发明方法能够快速地得到一张完整的大口径光学元件损伤生分布图，以避免人工标记划线的效率低与不准确。本发明还可以选择适当大小和缩放倍数的来观察损伤分布图，同时以不同颜色标记损伤轮廓，清晰直观。
附图说明
图1是本发明大口径光学元件表面损伤分布图生成方法的流程图。
图2是本发明子图像边界轮廓跟踪示意图。
图3是本发明单个轮廓缩放原理示意图。
图4是根据本发明一实施例生成的大口径光学元件表面损伤分布图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明提出了一种大口径光学元件表面损伤分布图生成方法，能够减少人工干预，基于现有的表面损伤图像自动生成一张完整的表面损伤分布图，为大口径光学元件表面损伤分布的初步检测提供依据，其中本发明所指的大口径光学元件是口径大于810*460mm的光学元件，现有的表面损伤图像容易获得，一般是可指利用CCD设备通过不同的采集方式得到的多幅表面损伤图像子图像。
图1是本发明大口径光学元件表面损伤分布图生成方法的流程图，如图1所示，所述方法包括以下步骤：
步骤1：对现有的多张大口径光学元件表面损伤子图像进行损伤轮廓提取，获取所有的损伤轮廓序列；
所述步骤1中损伤轮廓提取的方法是利用freeman链码跟踪的方法来跟踪得到损伤轮廓信息，即对子图像中的某一个点的上、下、左、右、左上、左下、右上、右下8个方向进行编码，所述步骤1进一步包括以下步骤：
步骤11，确定大口径光学元件表面损伤子图像中一个损伤轮廓的起始点；
步骤12，顺序扫描起始点方向链码八邻域的像素，当扫描到的像素点值与起始点相同时，确定该点为下一个损伤轮廓点，重复损伤轮廓点的扫描跟踪过程，并记录所有损伤轮廓点的链码值和该点的坐标值，当跟踪到的损伤轮廓点为起始点时完成跟踪，这样就形成一个完整的损伤轮廓，并将所有跟踪到的损伤轮廓点的坐标和个数保存在相应的轮廓序列中。需要注意的是，如果跟踪的损伤轮廓点处于子图像的上下左右边界，则通过读取与边界相邻的另外一张子图像进行损伤轮廓点的跟踪，从而避免一个损伤轮廓横跨两个子图像而被误判成两个损伤轮廓的情况，如图2所示，比如，如果跟踪的损伤轮廓点存在于子图像A的右边界，则读取该子图像右边的子图像B的左边界以继续进行损伤轮廓点的跟踪。
步骤2：计算得到的损伤轮廓的特征；
所述损伤轮廓的特征包括但不限于：损伤轮廓的长度和宽度、最小外接矩形的长度和宽度、最小外接圆直径、主轴角度、圆形度、矩形度、偏心度、离心率等特征，其中，所述主轴角度是轮廓主轴方向与水平方向的夹角，当轮廓接近圆形时，主轴角度为90°；圆形度是周长的平方与面积的比；矩形度是轮廓的面积与其最小外界矩形的面积之比；离心率是主轴长度与次轴长度之比；偏心度是质心到主轴的距离与主轴长度之比。
步骤3：基于损伤轮廓的特征对损伤轮廓进行分类标记；
该步骤中，首先对损伤轮廓特征利用PCA（Principal ComponentAnalysis）进行降维，选取覆盖能量超过80%以上的特征为描述损伤轮廓的主要特征，在本发明一实施例中，单个损伤轮廓的特征为1*5的向量，该向量的元素为：长度、宽度、偏心度、主轴角度和矩形度。然后利用RBF(Radical Basis Function)神经网络对损伤轮廓进行分类标记，神经网络的输入节点数取决于PCA降维后的主要特征数，输出节点数为分类的样本数即损伤类别数，隐含层的节点数是通过对主要特征数据进行交叉验证选取得到的，在本发明一实施例中，神经网络的输入节点数取为5，输出节点数为分类的样本数取为3，比如可以分为麻点、划痕和潮解斑三类，隐含层的节点取为20；
步骤4：根据指定要求和分类标记信息，对损伤轮廓进行筛选、处理和显示，生成大口径光学元件表面损伤分布图。
所述指定要求包括损伤轮廓的大小和缩放倍数，所述损伤轮廓的大小包括损伤轮廓的周长和面积，比如可指定损伤轮廓周长的最大值和最小值，损伤轮廓所包围面积的最大值和最小值。所述步骤4还包括根据所述指定要求对损伤轮廓进行筛选，去掉不符合要求的损伤轮廓的步骤；所述步骤4还包括按照指定缩放倍数对单个损伤轮廓以质心为原点进行缩放的步骤，如图3所示，其中缩放原理表示为：
d2.x=(k*(d1.x-g.x))+newg.x+transform.x；
d2.y=(k*(d1.y-g.y))+newg.y+transform.y；
其中，（d1.x，d1.y）是损伤轮廓缩放前的轮廓点的坐标，k为缩放倍数，（g.x，g.y）为损伤轮廓质心的坐标，（d2.x，d2.y）是损伤轮廓缩放后的轮廓点的坐标，（newg.x，newg.y）为缩放后损伤轮廓质心的坐标，（transform.x，transform.y）为将损伤轮廓点投影到设定大小的分布图中的转换坐标。
对于损伤轮廓的缩放具体为：首先计算出损伤轮廓缩放前的轮廓点与损伤轮廓缩放后的轮廓点之间的距离，缩放操作就相当于以原损伤轮廓的质心为原点，重新编码损伤轮廓点，对损伤轮廓进行缩放即是对轮廓点与质心之间的距离进行缩放，这样通过新的轮廓点就很容易求得缩放后损伤轮廓点的坐标；然后，由于缩放前轮廓点的坐标与缩放后轮廓点的坐标存在比例关系，故最终的大口径光学元件表面损伤分布图中轮廓点的坐标需要加上补偿量transform。
所述步骤4还包括按照标记好的损伤类别对损伤轮廓用不同的颜色或线型进行显示的步骤，即将第一种类别损伤轮廓显示为第一种颜色或线型，将第二种类别损伤轮廓显示为第二种颜色或线型，将第n种类别损伤轮廓显示为第n种颜色或线型（n=1,2...）。
把筛选后且标记好的损伤按照指定缩放要求进行显示，就可以得到大口径光学元件表面损伤分布图。
根据本发明一实施例最终生成的大口径光学元件表面损伤分布图如图4所示，图4中，粗实线代表潮解斑，细实线代表麻点，点划线代表划痕。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种大口径光学元件表面损伤分布图的生成方法，其特征在于，该方法包括以下步骤：
步骤1：对现有的多张大口径光学元件表面损伤子图像进行损伤轮廓提取，获取所有的损伤轮廓序列；
步骤2：计算得到的损伤轮廓的特征；
步骤3：基于损伤轮廓的特征对损伤轮廓进行分类标记；
步骤4：根据指定要求和分类标记信息，对损伤轮廓进行筛选、处理和显示，生成大口径光学元件表面损伤分布图，所述指定要求包括损伤轮廓的大小和缩放倍数，所述损伤轮廓的大小包括损伤轮廓的周长和面积；
所述步骤3中，首先对损伤轮廓特征利用PCA进行降维，选取覆盖能量超过80％的特征为描述损伤轮廓的主要特征，然后利用神经网络对损伤轮廓进行分类标记，所述神经网络的输入节点数取决于PCA降维后的主要特征数，输出节点数为分类的样本数即损伤类别数，隐含层的节点数是通过对主要特征数据进行交叉验证选取得到的。
2.根据权利要求1所述的方法，其特征在于，所述步骤1中，利用freeman链码跟踪的方法来跟踪得到损伤轮廓信息。
3.根据权利要求2所述的方法，其特征在于，所述步骤1进一步包括以下步骤：
步骤11，确定大口径光学元件表面损伤子图像中一个损伤轮廓的起始点；
步骤12，顺序扫描起始点方向链码八邻域的像素，当扫描到的像素点值与起始点相同时，确定该点为下一个损伤轮廓点，重复损伤轮廓点的扫描跟踪过程，并记录所有损伤轮廓点的链码值和该点的坐标值，当跟踪到的损伤轮廓点为起始点时完成跟踪，就得到一个完整的损伤轮廓，并将所有跟踪到的损伤轮廓点的坐标和个数保存在相应的轮廓序列中。
4.根据权利要求3所述的方法，其特征在于，所述步骤12中，如果跟踪的损伤轮廓点处于子图像的边界，则通过读取与边界相邻的另外一张子图像进行损伤轮廓点的跟踪。
5.根据权利要求1所述的方法，其特征在于，所述损伤轮廓的特征包括：损伤轮廓的长度和宽度、最小外接矩形的长度和宽度、最小外接圆直径、主轴角度、圆形度、矩形度、偏心度和/或离心率。
6.根据权利要求1所述的方法，其特征在于，所述步骤4还包括根据所述指定要求对损伤轮廓进行筛选，去掉不符合要求的损伤轮廓的步骤，和/或按照指定缩放倍数对单个损伤轮廓以质心为原点进行缩放的步骤，和/或按照标记好的损伤类别对损伤轮廓用不同的颜色进行显示的步骤。
7.根据权利要求6所述的方法，其特征在于，如果所述步骤4包括按照指定缩放倍数对单个损伤轮廓以质心为原点进行缩放的步骤，则所使用的缩放原理为：
d2.x＝(k*(d1.x-g.x))+newg.x+transform.x；
d2.y＝(k*(d1.y-g.y))+newg.y+transform.y；
其中，(d1.x，d1.y)是损伤轮廓缩放前的轮廓点的坐标，k为缩放倍数，(g.x，g.y)为损伤轮廓质心的坐标，(d2.x，d2.y)是损伤轮廓缩放后的轮廓点的坐标，(newg.x，newg.y)为缩放后损伤轮廓质心的坐标，(transform.x，transform.y)为将损伤轮廓点投影到设定大小的分布图中的转换坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410016315.5A CN103743750B (zh) | 2014-01-14 | 2014-01-14 | 一种大口径光学元件表面损伤分布图的生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410016315.5A CN103743750B (zh) | 2014-01-14 | 2014-01-14 | 一种大口径光学元件表面损伤分布图的生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103743750A CN103743750A (zh) | 2014-04-23 |
| CN103743750B true CN103743750B (zh) | 2016-08-17 |
Family
ID=50500788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410016315.5A Active CN103743750B (zh) | 2014-01-14 | 2014-01-14 | 一种大口径光学元件表面损伤分布图的生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103743750B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447512B (zh) * | 2015-11-13 | 2018-09-25 | 中国科学院自动化研究所 | 一种精粗结合的光学表面缺陷的检测方法及装置 |
| CN106501265B (zh) * | 2016-10-13 | 2019-03-15 | 中国科学院自动化研究所 | 大口径光学元件表面划痕暗场图像的二值化方法和系统 |
| CN107145909B (zh) * | 2017-05-08 | 2021-02-02 | 哈尔滨工业大学 | 光学元件损伤所属表面的分类方法 |
| CN108230307B (zh) * | 2017-12-29 | 2022-01-14 | 浙江大学 | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 |
| CN109934811B (zh) * | 2019-03-08 | 2022-12-30 | 中国科学院光电技术研究所 | 一种基于深度学习的光学元件表面缺陷检测方法 |
| CN116660318A (zh) * | 2023-07-25 | 2023-08-29 | 中国科学院长春光学精密机械与物理研究所 | 一种大口径光学元件损伤定位装置及修复方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4043177A (en) * | 1976-04-22 | 1977-08-23 | The United States Of America As Represented By The Secretary Of The Army | Method to observe damage induced in optical elements by intense thermal radiation |
| CN1475796A (zh) * | 2003-06-18 | 2004-02-18 | 中国科学院上海光学精密机械研究所 | 大口径光学元件损伤在线检测装置 |
| CN1563957A (zh) * | 2004-04-09 | 2005-01-12 | 浙江大学 | 光滑表面疵病的自动化检测方法及其系统 |
| CN103389310A (zh) * | 2013-07-31 | 2013-11-13 | 哈尔滨工业大学 | 一种基于辐射标定的亚像素光学元件损伤在线检测方法 |
-
2014
- 2014-01-14 CN CN201410016315.5A patent/CN103743750B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4043177A (en) * | 1976-04-22 | 1977-08-23 | The United States Of America As Represented By The Secretary Of The Army | Method to observe damage induced in optical elements by intense thermal radiation |
| CN1475796A (zh) * | 2003-06-18 | 2004-02-18 | 中国科学院上海光学精密机械研究所 | 大口径光学元件损伤在线检测装置 |
| CN1563957A (zh) * | 2004-04-09 | 2005-01-12 | 浙江大学 | 光滑表面疵病的自动化检测方法及其系统 |
| CN103389310A (zh) * | 2013-07-31 | 2013-11-13 | 哈尔滨工业大学 | 一种基于辐射标定的亚像素光学元件损伤在线检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于Freeman链码二维图像轮廓的提取与匹配;姚文君;《宁波职业技术学院学报》;20061031;第10卷(第5期);第24页右栏第2段-第25页左栏第1段及图2 * |
| 大口径光学元件面形检测中重叠激光光斑的分离;王利等;《计算机测量与控制》;20121231;第20卷(第3期);第621-623页及第626页 * |
| 大口径精密光学元件表面疵病快速检测方法;杨程等;《计算机工程与设计》;20120630;第33卷(第6期);同上 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103743750A (zh) | 2014-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103743750B (zh) | 一种大口径光学元件表面损伤分布图的生成方法 | |
| US11830246B2 (en) | Systems and methods for extracting and vectorizing features of satellite imagery | |
| CN106485275B (zh) | 一种实现盖板玻璃与液晶屏定位贴合的方法 | |
| CN109816012A (zh) | 一种融合上下文信息的多尺度目标检测方法 | |
| CN110738207A (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
| CN101394573B (zh) | 一种基于特征匹配的全景图生成方法及系统 | |
| CN105069843A (zh) | 一种面向城市三维建模的密集点云的快速提取方法 | |
| CN106127204A (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
| CN106846344A (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
| CN105574524B (zh) | 基于对白和分镜联合识别的漫画图像版面识别方法和系统 | |
| CN110097536A (zh) | 基于深度学习和霍夫变换的六边形螺栓松动检测方法 | |
| CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
| CN103295239A (zh) | 一种基于平面基准影像的激光点云数据的自动配准方法 | |
| CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
| CN102509304A (zh) | 基于智能优化的摄像机标定方法 | |
| CN105389774A (zh) | 对齐图像的方法和装置 | |
| CN101246595A (zh) | 光学三维扫描系统中多视点云数据拼合方法 | |
| CN112819066A (zh) | 一种Res-UNet单木树种分类技术 | |
| CN106097433A (zh) | 物体工业与影像模型的叠加方法及系统 | |
| CN106204554A (zh) | 基于多聚焦图像的景深信息获取方法、系统及拍摄终端 | |
| CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
| CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
| CN111368637B (zh) | 一种基于多掩模卷积神经网络的搬运机器人识别目标方法 | |
| CN112819096A (zh) | 一种基于复合卷积神经网络的化石图像分类模型的构建方法 | |
| Liu et al. | Image edge recognition of virtual reality scene based on multi-operator dynamic weight detection |
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 |