CN107341792A - 一种建立判别镜片疵病类型的模型的方法及装置 - Google Patents

一种建立判别镜片疵病类型的模型的方法及装置 Download PDF

Info

Publication number
CN107341792A
CN107341792A CN201710474916.4A CN201710474916A CN107341792A CN 107341792 A CN107341792 A CN 107341792A CN 201710474916 A CN201710474916 A CN 201710474916A CN 107341792 A CN107341792 A CN 107341792A
Authority
CN
China
Prior art keywords
lens image
detected
defect
image sample
eyeglass
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.)
Pending
Application number
CN201710474916.4A
Other languages
English (en)
Inventor
夏明亮
杨磊
刘瑞雪
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 Supore Instruments Co., Ltd.
Original Assignee
Suzhou Karuizhi Optoelectronics Technology Co Ltd
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 Suzhou Karuizhi Optoelectronics Technology Co Ltd filed Critical Suzhou Karuizhi Optoelectronics Technology Co Ltd
Priority to CN201710474916.4A priority Critical patent/CN107341792A/zh
Publication of CN107341792A publication Critical patent/CN107341792A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Eyeglasses (AREA)
  • Image Analysis (AREA)

Abstract

一种建立判别镜片疵病类型的模型的方法及装置，其中所述建立判定镜片疵病类型的模型的方法，包括：获取待检测镜片图像样本；将所述待检测镜片图像样本进行图像处理，确定所述待检测镜片图像样本中的疵病参数；将多个所述待检测镜片图像样本和所述镜片图像样本的疵病参数作为训练数据，对神经网络模型进行训练，直至所述神经网络对所述镜片图像样本中镜片疵病类型的识别率大于预设阈值，解决了现有镜片疵病类型判别方法漏检率较高且效率低的问题。

Description

一种建立判别镜片疵病类型的模型的方法及装置
技术领域
本发明涉及检测领域，具体涉及一种建立判别镜片疵病类型的模型的方法及装置。
背景技术
眼镜是为校正视力或保护眼睛而制作的简单光学器件，眼镜镜片制造工艺复杂，精度要求高，在制造过程中往往会产生一些缺陷，例如气泡、羽毛、划痕等，这些缺陷严重影响镜片品质，因此在生产过程中，必须对镜片可能产生的各种疵病进行判别，便于及时对相应镜片进行恰当处理。
目前国内镜片疵病判别技术还不成熟，主要以人工检测、判别为主，结果容易受工作经验等主观因素的影响，漏检率较高且效率低。
发明内容
因此，本发明要解决的技术问题在于现有镜片疵病类型判别方法漏检率较高且效率低。
有鉴于此，本发明提供一种建立判别镜片疵病类型的模型的方法，包括：
获取待检测镜片图像样本；
将所述待检测镜片图像样本进行图像处理，确定所述待检测镜片图像样本中的疵病参数；
将多个所述待检测镜片图像样本和所述镜片图像样本的疵病参数作为训练数据，对神经网络模型进行训练，直至所述神经网络对所述镜片图像样本中镜片疵病类型的识别率大于预设阈值。
优选地，所述将所述待检测镜片图像样本进行图像处理的步骤，包括：
将所述待检测镜片图像转为数字信息图像；
根据所述数字信息图像中数字信息，得到所述待检测镜片图像样本中的疵病参数。
优选地，所述神经网络模型为卷积神经网络模型。
优选地，所述疵病参数包括：疵病的面积、周长、直径中至少一种。
相应地，本发明还提供一种建立判别镜片疵病类型的模型的装置，包括：
获取单元，用于获取待检测镜片图像样本；
确定单元，用于将所述待检测镜片图像样本进行图像处理，确定所述待检测镜片图像样本中的疵病参数；
训练单元，用于将多个所述待检测镜片图像样本和所述镜片图像样本的疵病参数作为训练数据，对神经网络模型进行训练，直至所述神经网络对所述镜片图像样本中镜片疵病类型的识别率大于预设阈值。
优选地，所述确定单元，包括：
处理单元，用于将所述待检测镜片图像转为数字信息图像；
第一确定单元，用于根据所述数字信息图像中数字信息，得到所述待检测镜片图像样本中的疵病参数。
优选地，所述神经网络模型为卷积神经网络模型。
优选地，所述疵病参数包括：疵病的面积、周长、直径中至少一种。
本发明提供的一种建立判别镜片疵病类型的模型的方法及装置，通过获取待检测镜片图像样本，将待检测镜片图像样本进行图像处理，确定待检测镜片图像样本中的疵病参数，将多个待检测镜片图像样本和镜片图像样本的疵病参数作为训练数据，对神经网络模型进行训练，直至所述神经网络对所述镜片图像样本中镜片疵病类型的识别率大于预设阈值，解决了现有镜片疵病类型判别方法漏检率较高且效率低的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种建立判别镜片疵病类型的模型的方法的流程图；
图2是本发明另一实施例提供的一种建立判别镜片疵病类型的模型的装置的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种建立判别镜片疵病类型的模型的方法，如图1所示，包括：
S11，获取待检测镜片图像样本。
S12，将所述待检测镜片图像样本进行图像处理，确定所述待检测镜片图像样本中的疵病参数。所述疵病参数包括：疵病的面积、周长、直径中至少一种。
S13，将多个所述待检测镜片图像样本和所述镜片图像样本的疵病参数作为训练数据，对神经网络模型进行训练，直至所述神经网络对所述镜片图像样本中镜片疵病类型的识别率大于预设阈值。其中所述神经网络模型是利用多个镜片图像样本和所述镜片图像样本中的疵病参数作为训练数据训练得到的，所述神经网络模型优选卷积神经网络模型，为了提高神经网络模型对疵病类型识别的准确性，训练的神经网络模型的镜片图像样本在保证满足训练数量的情况下，需满足疵病样本的多样性，即镜片图像样本中可以是通过摄像机等照相设备得到的不同角度、不同光照得到的多种包含疵病的样本信息，为了便于神经网络模型进行学习，镜片图像样本中还包括无疵病的正常样本，并对经过图像处理后的有疵病的镜片图像样本疵病参数预先通过人工对多个样本中的各种疵病预先进行标记，输入到神经网络模型中进行训练，直至神经网络对镜片图像样本中镜片疵病类型的识别率大于预设阈值。
优选地，所述将所述待检测镜片图像样本进行图像处理的步骤，包括：
首先，将所述待检测镜片图像转为数字信息图像；
其次，根据所述数字信息图像中数字信息，得到待检测镜片图像样本中的疵病参数。将得到的待检测镜片图像转为对应的数字信息，通过该数字信息可以计算得到疵病参数中疵病的面积、周长、直径，由于不同的疵病(例如出点、划痕、气泡等)外形特征不同，结合最小外接圆参数以及预先划定的数字阈值区分疵病类别。
本发明实施例提供的建立判别镜片疵病类型的模型的方法，通过获取待检测镜片图像样本，将待检测镜片图像样本进行图像处理，确定待检测镜片图像样本中的疵病参数，将多个待检测镜片图像样本和镜片图像样本的疵病参数作为训练数据，对神经网络模型进行训练，直至神经网络对所述镜片图像样本中镜片疵病类型的识别率大于预设阈值，解决了现有镜片疵病类型判别方法漏检率较高且效率低的问题。
相应地，本发明还提供一种建立判别镜片疵病类型的模型的装置，如图2所示，包括：
获取单元，用于获取待检测镜片图像样本；
确定单元，用于将所述待检测镜片图像样本进行图像处理，确定所述待检测镜片图像样本中的疵病参数；
训练单元，用于将多个所述待检测镜片图像样本和所述镜片图像样本的疵病参数作为训练数据，对神经网络模型进行训练，直至所述神经网络对所述镜片图像样本中镜片疵病类型的识别率大于预设阈值。
优选地，所述确定单元，包括：
处理单元，用于将所述待检测镜片图像转为数字信息图像；
第一确定单元，用于根据所述数字信息图像中数字信息，得到所述待检测镜片图像样本中的疵病参数。
优选地，所述神经网络模型为卷积神经网络模型。
优选地，所述疵病参数包括：疵病的面积、周长、直径中至少一种。
本发明实施例提供的建立判别镜片疵病类型的模型的装置，通过获取待检测镜片图像样本，将待检测镜片图像样本进行图像处理，确定待检测镜片图像样本中的疵病参数，将多个待检测镜片图像样本和镜片图像样本的疵病参数作为训练数据，对神经网络模型进行训练，直至神经网络对所述镜片图像样本中镜片疵病类型的识别率大于预设阈值，解决了现有镜片疵病类型判别方法漏检率较高且效率低的问题。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种建立判别镜片疵病类型的模型的方法，其特征在于，包括：
获取待检测镜片图像样本；
将所述待检测镜片图像样本进行图像处理，确定所述待检测镜片图像样本中的疵病参数；
将多个所述待检测镜片图像样本和所述镜片图像样本的疵病参数作为训练数据，对神经网络模型进行训练，直至所述神经网络对所述镜片图像样本中镜片疵病类型的识别率大于预设阈值。
2.根据权利要求1所述的方法，其特征在于，所述将所述待检测镜片图像样本进行图像处理的步骤，包括：
将所述待检测镜片图像转为数字信息图像；
根据所述数字信息图像中数字信息，得到所述待检测镜片图像样本中的疵病参数。
3.根据权利要求1所述的方法，其特征在于，所述神经网络模型为卷积神经网络模型。
4.根据权利要求1所述的方法，其特征在于，所述疵病参数包括：疵病的面积、周长、直径中至少一种。
5.一种建立判别镜片疵病类型的模型的装置，其特征在于，包括：
获取单元，用于获取待检测镜片图像样本；
确定单元，用于将所述待检测镜片图像样本进行图像处理，确定所述待检测镜片图像样本中的疵病参数；
训练单元，用于将多个所述待检测镜片图像样本和所述镜片图像样本的疵病参数作为训练数据，对神经网络模型进行训练，直至所述神经网络对所述镜片图像样本中镜片疵病类型的识别率大于预设阈值。
6.根据权利要求5所述的装置，其特征在于，所述确定单元，包括：
处理单元，用于将所述待检测镜片图像转为数字信息图像；
第一确定单元，用于根据所述数字信息图像中数字信息，得到所述待检测镜片图像样本中的疵病参数。
7.根据权利要求5所述的装置，其特征在于，所述神经网络模型为卷积神经网络模型。
8.根据权利要求5所述的装置，其特征在于，所述疵病参数包括：疵病的面积、周长、直径中至少一种。
CN201710474916.4A 2017-06-21 2017-06-21 一种建立判别镜片疵病类型的模型的方法及装置 Pending CN107341792A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710474916.4A CN107341792A (zh) 2017-06-21 2017-06-21 一种建立判别镜片疵病类型的模型的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710474916.4A CN107341792A (zh) 2017-06-21 2017-06-21 一种建立判别镜片疵病类型的模型的方法及装置

Publications (1)

Publication Number Publication Date
CN107341792A true CN107341792A (zh) 2017-11-10

Family

ID=60220039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710474916.4A Pending CN107341792A (zh) 2017-06-21 2017-06-21 一种建立判别镜片疵病类型的模型的方法及装置

Country Status (1)

Country Link
CN (1) CN107341792A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062961A (zh) * 2019-12-30 2020-04-24 天津大学 一种基于深度学习的隐形眼镜边缘缺陷检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278511A (zh) * 2013-05-17 2013-09-04 南京大学 基于多尺度角点特征提取的晶片缺陷检测方法
CN104359925A (zh) * 2014-11-17 2015-02-18 上海埃蒙特自动化系统有限公司 实现电子玻璃缺陷自动检测的系统
CN106841212A (zh) * 2016-12-30 2017-06-13 湖南大学 一种基于局部pca和bp神经网络的瓶口缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278511A (zh) * 2013-05-17 2013-09-04 南京大学 基于多尺度角点特征提取的晶片缺陷检测方法
CN104359925A (zh) * 2014-11-17 2015-02-18 上海埃蒙特自动化系统有限公司 实现电子玻璃缺陷自动检测的系统
CN106841212A (zh) * 2016-12-30 2017-06-13 湖南大学 一种基于局部pca和bp神经网络的瓶口缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
常亮等: "图像理解中的卷积神经网络", 《自动化学报》 *
李彦冬等: "卷积神经网络研究综述", 《计算机应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062961A (zh) * 2019-12-30 2020-04-24 天津大学 一种基于深度学习的隐形眼镜边缘缺陷检测方法

Similar Documents

Publication Publication Date Title
CN107123111B (zh) 一种用于手机屏幕缺陷检测的深度残差网络构造方法
CN105139386B (zh) 一种快速自动检测电气接插件焊点不合格品的图像处理方法
CN109662686B (zh) 一种眼底黄斑定位方法、装置、系统及存储介质
CN108288027A (zh) 一种图像质量的检测方法、装置及设备
CN104331710B (zh) 开关状态识别系统
CN108896278A (zh) 一种滤光片丝印缺陷检测方法、装置及终端设备
CN104394377B (zh) 一种监控图像的模糊异常的识别方法及装置
CN107133969A (zh) 一种基于背景反投影的移动平台运动目标检测方法
CN111062961A (zh) 一种基于深度学习的隐形眼镜边缘缺陷检测方法
CN110070526A (zh) 基于深度神经网络热度图预测的缺陷检测方法
CN107895362A (zh) 一种微型接线端子质量检测的机器视觉方法
CN112418124A (zh) 基于视频图像的鱼类智能监测方法
CN107665348A (zh) 一种变电站数字仪表的数字识别方法和装置
CN111832398A (zh) 一种无人机影像的配电线路杆塔导地线断股图像检测方法
CN107153072A (zh) 一种镜片疵病检测方法及装置
CN110020691A (zh) 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法
CN113034476A (zh) 皮革瑕疵检测方法、系统、储存介质及计算机设备
CN104048966B (zh) 一种基于大律法的布面疵点检测及分类方法
CN116612123B (zh) 一种花生油加工质量视觉检测方法
CN113627435A (zh) 一种瓷砖的瑕疵检测与识别方法及系统
CN107341792A (zh) 一种建立判别镜片疵病类型的模型的方法及装置
CN112669302B (zh) 吊弦缺陷检测方法、装置、电子设备及存储介质
CN102799861A (zh) 一种利用颜色快速识别仪表读数的方法
CN107256549A (zh) 一种基于机器视觉的竹条缺陷检测方法
CN102938052A (zh) 一种基于计算机视觉的甘蔗分割与识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20190123

Address after: 215000 room 504-1, Arts crafts emporium, 689 Binhe Road, hi tech Zone, Suzhou, Jiangsu.

Applicant after: SUZHOU KARUIZHI OPTOELECTRONICS TECHNOLOGY CO., LTD.

Applicant after: Shanghai Supore Instruments Co., Ltd.

Address before: 215000 room 504-1, Arts crafts emporium, 689 Binhe Road, hi tech Zone, Suzhou, Jiangsu.

Applicant before: SUZHOU KARUIZHI OPTOELECTRONICS TECHNOLOGY CO., LTD.

TA01 Transfer of patent application right
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171110

WD01 Invention patent application deemed withdrawn after publication