CN109087290B - 基于光谱估计与电子分光技术的光学元件表面疵病检测方法 - Google Patents

Abstract

一种基于光谱估计与电子分光技术的光学元件表面疵病的检测方法，本发明通过光谱估计与电子分光技术获取疵病图像的单波长分光图像以及彩色分光图像，并对疵病分光图像进行优化处理并自动筛选最佳分光图像。相较于现有技术，本发明解决了现有技术白光照明时不同波长的相互叠加导致的疵病信息被掩盖的问题，通过利用光谱技术选择合适的检测波长识别疵病，解决了物理分光的成本和效率问题，提高了疵病检测的效率和精度、降低了疵病检测成本。

Description

基于光谱估计与电子分光技术的光学元件表面疵病检测方法

技术领域

本发明涉及光学元件表面疵病检测，特别是一种基于光谱估计与电子分光技术的光学元件表面疵病检测方法。

背景技术

光学元件经精密抛光加工后元件表面仍存在有麻点、划痕、破点、开口气泡等疵病。在精密光学系统中，光学元件表面疵病引起衍射而产生噪声光斑，使系统精度降低。同时表面疵病还会吸收光能量，产生热应力，使光学元件表面甚至整个光学系统遭受破坏。因此，光学元件表面疵病的检测是精密光学元件应用的前提。

光学元件表面疵病检测法目前主要有目视法、滤波成像法、暗场成像法等，通常采用基于白光照明和传统光学显微成像术的暗场成像法。该方法采用单色相机作为成像装置和白光作为照明光源，不同强度、不同波长的表面散射光相互叠加，光学元件表面疵病的细节信息容易被掩盖或者忽略，特别是当疵病尺寸达到微米量级时，采用现有白光照明检测技术，已不能准确检测表面疵病尺寸和数量。另外，通过物理分光进行疵病分光图像提取的方式受到滤光片的限制，在检测方便程度以及检测效率上都不足以进行快速的光学元件疵病图像检测。

发明内容

本发明的目的是针对上述现有技术的不足，为了解决采用白光照明时不同波长的表面散射光相互叠加后，光学元件表面疵病的细节信息被掩盖或忽略的问题以及物理分光方法中检测效率低、成本高的缺点，提出一种基于光谱估计与电子分光技术的光学元件表面疵病的检测方法。

本发明的技术解决方案如下：

一种基于光谱估计与电子分光技术的光学元件表面疵病的检测方法，光学元件表面疵病检测系统包括光源单元、显微成像单元、彩色相机、高精度位移台和计算机，其特征在于该方法包括如下步骤：

1)获取光学元件表面疵病的彩色图像：将待测光学元件置于所述的高精度位移台上，采用高精度位移台实现待测光学元件的定位和对焦，光源系统发出的光经过光纤分光器后分成四束对称的平行光斜入射到待测光学元件表面，实现近似环形照明，待测光学元件表面的散射光经过显微成像单元后会聚到彩色相机的成像面成像，获取光学元件表面疵病的彩色图像并输入所述的计算机；

2)所述的计算机将光学元件表面疵病图像按下列步骤进行处理：

①计算光谱估计矩阵G：像素点(x，y)处的输出信号v_i的计算公式如下：

v_i＝∫_visE(λ)S(λ)f_i(λ)L(λ)r(λ，x，y)dλ，i＝{r，g，b}

其中，E(λ)代表光源的光谱辐射分布，S(λ)代表光谱灵敏度，f_i(λ)代表彩色滤波片的光谱传输，L(λ)代表光学镜头的光谱传输率，r(λ，x，y)代表待测光学元件的表面反射率；

将反射光谱r离散化并表示为矩阵形式：

v＝[v_r v_g v_b]^T＝Ar＝A[r(λ₁) r(λ₂)...r(λ_n)]^T

其中，A代表系统矩阵，代表整个检测系统的特性；

估计反射矩阵r′表示为：r′＝Gv，其中G为最小二乘估计法计算得到的估计矩阵，该估计法使得待测光学元件实际反射光谱r和估计得到的反射光谱r′均方差最小化，G的计算表达式如下，

G＝R_rrA^T(AR_rrA^T+R_nn)^-1

＝r·v^T(v·v^T+R_nn)^-1

其中，R_rr及R_nn分别指待测光学元件实际反射光谱r的自相关矩阵和噪声n的自相关矩阵，矩阵r是由分光光度计测得的标准色卡反射光谱率构成，矩阵v是检测系统测得的标准色卡的RGB值，R_nn在实验环境中影响很小略去，由上式可以求出光谱估计矩阵G为：

G＝RrrA^T(ARrrA^T)^-1＝r·v^T(v·v^T)^-1

②计算分光图像P：根据光谱估计矩阵G计算分光图像的公式如下：

P＝FG·v＝M·v

其中，F为滤波矩阵，选取所需波长对应的波长信息进行分光图像计算；

3)对分光图像中的单波长分光图像进行筛选，由于暗场成像光学元件表面疵病图像的背景与疵病的在灰度上的差异，利用疵病图像识别算法来寻找最佳的单波长图像及其波长，包括下列步骤：

①在图像处理前进行平滑滤波，在减少噪声信息的同时保留疵病边缘位置信息；

②使用边缘检测算法对表面疵病的边缘特征进行提取；

③使用边缘细化算法，对疵病二值化图像进行处理得到变换灰度图像；

④对所述的变换灰度图像进行疵病的定位与计数，得到疵病计数n_λ；

⑤统计所有单波长分光图像的疵病计数，得到n_λ＝400，n_λ＝405，…，n_λ＝700，筛选识别疵病数量最多的单波长分光图像，此时的疵病数量为最佳疵病计数nbest，相应的波长为最佳识别疵病的单波长λ_best；

⑥对原图像的变换灰度图重复进行疵病定位和计数，得到原图像的灰度图疵病计数n₀，计算n_beast/n₀得到疵病计数的优化比；

4)对分光图像中的彩色分光图像进行筛选，不同的波长组合可以组合出不同的彩色分光图像，由于不同尺度、不同形状的表面疵病彩色分光图中背景与疵病的差异主要在于亮度与对比度，所以利用亮度与对比度来筛选出识别疵病的最佳波长组合，包括下列步骤：

①计算图像中像素的亮度值I(i，j)，按如下公式计算亮度的对比度：

②计算亮度对比度的分割阈值，并对疵病的彩色分光图像进行分割，产生背景和目标(疵病)；

③当三个波长选择为λ_R，λ_G，λ_B时，对分割后的彩色分光图像中的疵病进行疵病定位和计数，得到所述的三个波长λ_R，λ_G，λ_B的疵病计数为

④筛选识别疵病数量最多的彩色分光图像，此时的疵病数量为最佳疵病计数n_best，该波长组合为最佳识别疵病的波长组合λ_R，λ_G，λ_B；

⑤对原图像重复步骤①至③，得到原图像的彩色图的疵病计数n₀，计算n_beast/n₀，得到疵病计数优化比。

本发明的技术效果如下：

1)本发明基于光谱估计与电子分光技术的光学元件表面疵病的检测方法能获取疵病的单波长和彩色分光图像，解决了现有技术白光照明时不同波长的相互叠加导致的疵病信息被掩盖的问题。

2)本发明对单波长分光图像以及彩色分光图像进行优化处理并筛选，选择最佳单波长以及波长组合进行疵病检测，提高了疵病检测精度，另外，定义了疵病计数优化比，以数值形式衡量基于光谱估计与电子分光的光学元件表面疵病检测方法。

3)本发明分光图像获取是在软件端完成，大大降低了现有采用滤波片的物理分光的成本，并且提高了分光图像提取的效率。

简而言之，本发明具有检查精度高、检测速度快、使用效率高、使用简单的特点，尤其适用于光学元件平面元件在生产过程中或结束后的表面疵病检测。

附图说明

图1是疵病分光图像提取算法流程图

图2是原疵病图像检测结果(10个疵病)与本发明单波长为530nm的疵病分光图像检测结果(19个疵病)

图3是原疵病RGB图像检测结果(7个疵病)与本发明波长组合为(550nm，520nm，490nm)的疵病分光图像合成RGB图像检测结果(19个疵病)

具体实施方式

请参见图1，本发明基于光谱估计与电子分光技术的光学元件表面疵病的检测方法，光学元件表面疵病检测系统包括光源单元、显微成像单元、彩色相机、高精度位移台和计算机，其特征在于该方法包括如下步骤：

1)获取光学元件表面疵病的彩色图像：将待测光学元件置于所述的高精度位移台上，采用高精度位移台实现待测光学元件的定位和对焦，光源系统发出的光经过光纤分光器后分成四束对称的平行光斜入射到待测光学元件表面，实现近似环形照明，待测光学元件表面的散射光经过显微成像单元后会聚到彩色相机的成像面成像，获取光学元件表面疵病的彩色图像并输入所述的计算机；

2)所述的计算机将光学元件表面疵病图像按下列步骤进行处理：

①计算光谱估计矩阵G：像素点(x，y)处的输出信号v_i的计算公式如下：

v_i＝∫_visE(λ)S(λ)f_i(λ)L(λ)r(λ，x，y)dλ，i＝{r，g，b}

其中，E(λ)代表光源的光谱辐射分布，S(λ)代表光谱灵敏度，f_i(λ)代表彩色滤波片的光谱传输，L(λ)代表光学镜头的光谱传输率，r(λ，x，y)代表待测光学元件的表面反射率；

将反射光谱r离散化并表示为矩阵形式：

v＝[v_r v_g v_b]^T＝Ar＝A[r(λ₁) r(λ₂)...r(λ_n)]^T

其中，A代表系统矩阵，代表整个检测系统的特性；

估计反射矩阵r′表示为：r′＝Gv，其中G为最小二乘估计法计算得到的估计矩阵，该估计法使得待测光学元件实际反射光谱r和估计得到的反射光谱r′均方差最小化，G的计算表达式如下，

G＝R_rrA^T(AR_rrA^T+R_nn)^-1

＝r·v^T(v·v^T+R_nn)^-1

其中，R_rr及R_nn分别指待测光学元件实际反射光谱r的自相关矩阵和噪声n的自相关矩阵，矩阵r是由分光光度计测得的标准色卡反射光谱率构成，矩阵v是检测系统测得的标准色卡的RGB值，R_nn在实验环境中影响很小略去，由上式可以求出光谱估计矩阵G为：

G＝RrrA^T(ARrrA^T)^-1＝r·v^T(v·v^T)^-1

②计算分光图像P：根据光谱估计矩阵G计算分光图像的公式如下：

P＝FG·v＝M·v

其中，F为滤波矩阵，选取所需波长对应的波长信息进行分光图像计算；

3)对分光图像中的单波长分光图像进行筛选，由于暗场成像光学元件表面疵病图像的背景与疵病的在灰度上的差异，利用疵病图像识别算法来寻找最佳的单波长图像及其波长，包括下列步骤：

①在图像处理前进行平滑滤波，在减少噪声信息的同时保留疵病边缘位置信息；

②使用边缘检测算法对表面疵病的边缘特征进行提取；

③使用边缘细化算法，对疵病二值化图像进行处理得到变换灰度图像；

④对所述的变换灰度图像进行疵病的定位与计数，得到疵病计数n_λ；

⑤统计所有单波长分光图像的疵病计数，得到n_λ＝400，n_λ＝405，…，n_λ＝700，筛选识别疵病数量最多的单波长分光图像，此时的疵病数量为最佳疵病计数n_best，相应的波长为最佳识别疵病的单波长λ_best；

⑥对原图像的变换灰度图重复进行疵病定位和计数，得到原图像的灰度图疵病计数n₀，计算n_beast/n₀得到疵病计数的优化比；

4)对分光图像中的彩色分光图像进行筛选，不同的波长组合可以组合出不同的彩色分光图像，由于不同尺度、不同形状的表面疵病彩色分光图中背景与疵病的差异主要在于亮度与对比度，所以利用亮度与对比度来筛选出识别疵病的最佳波长组合，包括下列步骤：

①计算图像中像素的亮度值I(i，j)，按如下公式计算亮度的对比度：

②计算亮度对比度的分割阈值，并对疵病的彩色分光图像进行分割，产生背景和目标(疵病)；

③当三个波长选择为λ_R，λ_G，λ_B时，对分割后的彩色分光图像中的疵病进行疵病定位和计数，得到所述的三个波长λ_R，λ_G，λ_B的疵病计数为

④筛选识别疵病数量最多的彩色分光图像，此时的疵病数量为最佳疵病计数n_best，该波长组合为最佳识别疵病的波长组合λ_B，λ_G，λ_B；

⑤对原图像重复步骤①至③，得到原图像的彩色图的疵病计数n₀，计算n_beast/n₀，得到疵病计数优化比。

实施例

实施例反射光谱r离散化表示为矩阵形式，按5nm波长间隔进行离散：

v＝[v_r v_g v_b]^T＝Ar＝A[r(λ₁) r(λ₂)...r(λ_n)]^T

＝A[r(400) r(405)...r(700)]^T

其中，A代表系统矩阵，代表整个检测系统的特性。

具体的程序实现流程如图1所示(图1中利用V和R构建G为步骤一的(1)，利用F、G构建M并计算滤波图像为步骤二(2))，

其中彩色疵病图像是使用彩色相机CCD拍摄光学元件表面获得；色块矩阵V由标准色卡值构建，实施例采用24色的色卡，V为3x24维的矩阵(3为RGB三个分量)；针对24个色卡，每个颜色对400-700nm的反射率不同，构建出来的反射率矩阵为61x24维(61为每隔5nm离散化后需要的反射率值)；

滤波矩阵为3x61维度的矩阵，3代表RGB三个选择分量，其中每行选定波长位置为1，其余位置为0；若选择单波长，则将三个波长设置为同一个波长；若要获取彩色分光图像，则选择三个不同波长即可；由滤波矩阵和光谱估计矩阵相乘得到M矩阵，最后对输入图像进行运算得到分光图像。

步骤三.对分光图像中的单波长分光图像进行筛选，由于暗场成像光学元件表面疵病图像的背景与疵病的在灰度上的差异，利用疵病图像识别算法来寻找最佳的单波长图像以及其波长，具体的程序实现流程如图1步骤三所示，包括：

(1)平滑滤波：使用各向异性扩散滤波算法来减小图像中的噪声，该算法能够在减少噪声信息的同时保留疵病边缘位置信息；

(2)使用边缘检测算法对表面疵病的边缘特征进行提取，实施例使用Sobel算子；

(3)边缘细化处理，使用形态学对疵病二值化图像进行处理，实施例采用canny边缘细化算法。

(4)对经优化处理过后的灰度图像进行疵病的定位与计数，得到疵病计数n_λ；

(5)统计所有单波长分光图像的疵病计数，得到n_λ＝400，n_λ＝405，…，n_λ＝700，选择识别疵病数量最多的单波长分光图像，并给出最佳识别疵病的波长λ以及最佳疵病计数n_best。

(6)对原图像的变换灰度图进行重复进行(1)-(4)，得到原图像的灰度图疵病计数n₀，计算n_beast/n₀得到疵病计数优化比。

结果展示如图2所示，上图为原疵病图像检测出的疵病数量与位置，下图为最优波长λ＝530nm时，疵病分光图像检测出的疵病数量与位置。计算可得，

步骤四.对分光图像中的彩色分光图像进行筛选，不同的波长组合可以组合出不同的彩色分光图像，并且不同尺度、不同形状的表面疵病彩色分光图中背景与疵病的差异主要在于亮度与对比度，所以利用亮度与对比度来筛选出识别疵病的最佳波长组合，具体的程序实现流程如图1中步骤四所示，包括：

(1)计算图像中像素的亮度值I(i，j)，根据如下公式计算亮度对比度：

(2)采用最大类间方差方法计算亮度对比度的分割阈值，并对疵病的彩色分光图像进行分割，产生背景和目标(疵病)；

(3)对分割后的彩色分光图像中的疵病进行计数，得到疵病计数

(当三个波长选择为λ_R，λ_G，λ_B时的疵病检出数量)；

(4)对经过优化处理彩色分光图像进行计数和定位的统计，得到不同波长组合的彩色波长分光图像的疵病检测数量

筛选识别疵病数量最多的彩色分光图像，此时的疵病数量为最佳疵病计数n_best并且该波长组合为最佳识别疵病的波长组合λ_R，λ_G，λ_B。

(5)对原图像进行重复进行(1)-(3)，得到原图像的彩色图的疵病计数n₀，计算n_beast/n₀得到疵病计数优化比。

结果展示如图3所示，上图为原疵病RGB图像检测出的疵病数量与位置，下图为最优波长λ₁＝550，λ₂＝520，λ₂＝490时，疵病分光图像检测出的疵病数量与位置。计算可得，

Claims (1)

1.一种基于光谱估计与电子分光技术的光学元件表面疵病的检测方法，光学元件表面疵病检测系统包括光源单元、显微成像单元、彩色相机、高精度位移台和计算机，其特征在于该方法包括如下步骤：

1)获取光学元件表面疵病的彩色图像：将待测光学元件置于所述的高精度位移台上，采用高精度位移台实现待测光学元件的定位和对焦，光源系统发出的光经过光纤分光器后分成四束对称的平行光斜入射到待测光学元件表面，实现近似环形照明，待测光学元件表面的散射光经过显微成像单元后会聚到彩色相机的成像面成像，获取光学元件表面疵病的彩色图像并输入所述的计算机；

2)所述的计算机将光学元件表面疵病图像按下列步骤进行处理：

①计算光谱估计矩阵G：像素点(x，y)处的输出信号v_i的计算公式如下：

v_∫＝∫_visE(λ)S(λ)f_i(λ)L(λ)r(λ，x，y)dλ，i＝{r，g，b}

其中，E(λ)代表光源的光谱辐射分布，S(λ)代表光谱灵敏度，f_i(λ)代表彩色滤波片的光谱传输率，L(λ)代表光学镜头的光谱传输率，r(λ，x，y)代表待测光学元件的表面反射率；

将反射光谱r离散化并表示为矩阵形式：

v＝[v_r v_g v_b]^T＝Ar＝A[r(λ₁) r(λ₂) ... r(λ_n)]^T

其中，A代表系统矩阵，代表整个检测系统的特性；

估计反射矩阵r′表示为：r′＝Gv，其中G为最小二乘估计法计算得到的估计矩阵，该估计法使得待测光学元件实际反射光谱r和估计得到的反射光谱r′均方差最小化，G的计算表达式如下，

G＝R_rrA^T(AR_rrA^T+R_nn)^-1

r·v^T(v·v^T+R_nn)^-1

其中，R_rr及R_nn分别指待测光学元件实际反射光谱r的自相关矩阵和噪声n的自相关矩阵，矩阵r是由分光光度计测得的标准色卡反射光谱率构成，矩阵v是检测系统测得的标准色卡的RGB值，R_nn在实验环境中影响很小略去，由上式可以求出光谱估计矩阵G为：

G＝RrrA^T(ARrrA^T)^-1＝r·v^T(v·v^T)^-1

②计算分光图像P：根据光谱估计矩阵G计算分光图像的公式如下：

P＝FG·v＝M·v

其中，F为滤波矩阵，选取所需波长对应的波长信息进行分光图像计算；

3)对分光图像中的单波长分光图像进行筛选，由于暗场成像光学元件表面疵病图像的背景与疵病的在灰度上的差异，利用疵病图像识别算法来寻找最佳的单波长图像及其波长，包括下列步骤：

①在图像处理前进行平滑滤波，在减少噪声信息的同时保留疵病边缘位置信息；

②使用边缘检测算法对表面疵病的边缘特征进行提取；

③使用边缘细化算法，对疵病二值化图像进行处理得到变换灰度图像；

④对所述的变换灰度图像进行疵病的定位与计数，得到疵病计数n_λ；

⑤统计所有单波长分光图像的疵病计数，得到n_λ＝400，n_λ＝405，…，n_λ＝700，筛选识别疵病数量最多的单波长分光图像，此时的疵病数量为最佳疵病计数n_best，相应的波长为最佳识别疵病的单波长λ_best；

⑥对原图像的变换灰度图重复进行疵病定位和计数，得到原图像的灰度图疵病计数n₀，计算n_beast/n₀得到疵病计数的优化比；

4)对分光图像中的彩色分光图像进行筛选，不同的波长组合可以组合出不同的彩色分光图像，由于不同尺度、不同形状的表面疵病彩色分光图中背景与疵病的差异主要在于亮度与对比度，所以利用亮度与对比度来筛选出识别疵病的最佳波长组合，包括下列步骤：

①计算图像中像素的亮度值I(i，j)，按如下公式计算亮度的对比度：

②计算亮度对比度的分割阈值，并对疵病的彩色分光图像进行分割，产生背景和目标(疵病)；

③当三个波长选择为λ_R，λ_G，λ_B时，对分割后的彩色分光图像中的疵病进行疵病定位和计数，得到所述的三个波长λ_R，λ_G，λ_B的疵病计数为

④筛选识别疵病数量最多的彩色分光图像，此时的疵病数量为最佳疵病计数n_best，该波长组合为最佳识别疵病的波长组合λ_R，λ_G，λ_B；

⑤对原图像重复步骤①至③，得到原图像的彩色图的疵病计数n₀，计算n_beast/n₀，得到疵病计数优化比。

Images