CN110031471A - 大口径光学元件表面缺陷增长分析方法、系统、装置 - Google Patents
大口径光学元件表面缺陷增长分析方法、系统、装置 Download PDFInfo
- Publication number
- CN110031471A CN110031471A CN201910414436.8A CN201910414436A CN110031471A CN 110031471 A CN110031471 A CN 110031471A CN 201910414436 A CN201910414436 A CN 201910414436A CN 110031471 A CN110031471 A CN 110031471A
- Authority
- CN
- China
- Prior art keywords
- defect
- information
- dbc
- moment
- optical elements
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 205
- 230000003287 optical effect Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000012010 growth Effects 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007773 growth pattern Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8806—Specially adapted optical and illumination features
- G01N2021/8822—Dark field detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N2021/9511—Optical elements other than lenses, e.g. mirrors
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于机器视觉表面缺陷检测领域,具体涉及一种大口径光学元件表面缺陷增长分析方法、系统、装置,旨在解决精密光学元件缺陷信息的追溯缺少依据的问题。本系统方法包括获取光学元件t时刻表面缺陷图像及缺陷信息Db和t+1时刻表面缺陷图像及缺陷信息Df;选取光学元件t时刻的基准点O1和角度A1,利用模板匹配获取t+1时刻O1的匹配点O2和角度A2;以匹配点O2为基准,将Db转换为转换缺陷信息Dbc;将转换缺陷信息Dbc和缺陷信息Df进行匹配,若匹配结果大于设定阈值,判定为同一缺陷,否则重新获取缺陷图像;判定为同一缺陷的,根据Dbc和Df中缺陷等效长度变化,获取光学元件缺陷增长情况。本发明准确实现大口径光学元件表面缺陷检测的增长分析,为精密光学元件缺陷信息追溯提供依据。
Description
技术领域
本发明属于机器视觉表面缺陷检测领域,具体涉及一种大口径光学元件表面缺陷增长分析方法、系统、装置。
背景技术
随着现代工业的快速发展,精密光学元件在各个工业领域有着广泛的应用,光学元件作为实现光学功能的载体,为各类光学仪器的开发使用起到了至关重要的作用。因此对光学元件表面质量的要求越来越高,表面任何种类的缺陷都可能对整个元件的工作产生极强的破坏力,光学元件表面缺陷检测技术也受到了广泛重视。
光学元件的缺陷一般包括划痕、麻点等,这些缺陷在使用过程中不仅影响光学元件的长期稳定性,镀膜质量及面形精度,而且直接降低了光学系统的损伤阈值,影响光学元件光束质量和使用寿命。大口径光学元件在光机系统中往往会工作很长时间,因此,在不同时间下需要及时检测其表面缺陷,对表面缺陷增长情况进行分析,为精密光学元件缺陷信息的追溯提供依据,为其表面质量控制提供必要的技术支持。
发明内容
为了解决现有技术中的上述问题,即为了解决精密光学元件缺陷信息的追溯缺少依据的问题,本发明第一方面,提出了一种大口径光学元件表面缺陷增长分析方法,该方法包括:
步骤S10,获取光学元件t时刻表面缺陷图像及缺陷信息Db和t+1时刻表面缺陷图像及缺陷信息Df;
步骤S20,选取光学元件t时刻的基准点O1和角度A1,利用模板匹配获取t+1时刻O1的匹配点O2和角度A2;
步骤S30,以匹配点O2为基准,将缺陷信息Db转换为转换缺陷信息Dbc;
步骤S40,将转换缺陷信息Dbc和缺陷信息Df进行匹配,若匹配结果大于设定阈值,则判定为同一缺陷,执行步骤S50;否则判定不是同一缺陷,令t=t+1,执行步骤S10;
步骤S50,在S40判定为同一缺陷的,根据Dbc和Df中缺陷等效长度L的变化,获取光学元件的缺陷增长情况。
在一些优选的实施方式中,所述表面缺陷图像由成像装置获取的子孔径图像拼接获得。
在一些优选的实施方式中,所述缺陷信息包括缺陷外接矩形左上角坐标、缺陷外接矩形右下角坐标、缺陷等效长度、缺陷等效宽度。
在一些优选的实施方式中,步骤S30“以匹配点O2为基准,将缺陷信息Db转换为转换缺陷信息Dbc”,转换公式如下:
其中,Dbc的坐标为(Dbc.x,Dbc.y),Db的坐标为(Db.x,Db.y),Dbc、Db的坐标可以为缺陷外接矩形左上角坐标或者右下角坐标,O1的坐标为(O1.x,O1.y),O2的坐标为(O2.x,O2.y),A为角度A1的矩阵,B为角度A2的矩阵。
在一些优选的实施方式中,所述转换缺陷信息Dbc和缺陷信息Df中同一缺陷进行匹配,其方法为:获取Dbc任一缺陷的外接矩形和Df任一缺陷外接矩形,得到相交面积,将相交面积和自身面积比较。
在一些优选的实施方式中,步骤S40所述设定阈值为0.5。
本发明的第二方面,提出了一种大口径光学元件表面缺陷增长分析系统,该系统包括获取模块、基准点匹配模块、转换对齐模块、缺陷匹配模块、输出模块;
所述的获取模块,配置为获取光学元件t时刻表面缺陷图像及缺陷信息Db和t+1时刻表面缺陷图像及缺陷信息Df;
所述的基准点匹配模块,配置为选取光学元件t时刻的基准点O1和角度A1,利用模板匹配获取t+1时刻O1的匹配点O2和角度A2;
所述的缺陷匹配模块,配置为将转换缺陷信息Dbc和缺陷信息Df进行匹配,若匹配结果大于设定阈值,则判定为同一缺陷,执行输出模块;否则判定不是同一缺陷,令t=t+1,执行获取模块;
所述的输出模块,配置为基于缺陷匹配模块判定为同一缺陷的,根据Dbc和Df中缺陷等效长度L的变化,获取光学元件的缺陷增长情况。
本发明的第三方面,提出了一种存储装置,其中存储有多条程序,所述程序应用由处理器加载并执行以实现上述的大口径光学元件表面缺陷增长分析方法。
本发明的第四方面,提出了一种处理设置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;所述程序适用于由处理器加载并执行以实现上述的大口径光学元件表面缺陷增长分析方法。
本发明的有益效果:
本发明可以准确实现大口径光学元件表面缺陷检测的增长分析,为精密光学元件缺陷信息的追溯提供依据,为其表面质量控制提供必要的技术支持。本发明通过缺陷识别算法获取不同检测时间下大口径光学元件表面缺陷信息,利用模板匹配和仿射变换算法对不同检测时间的表面缺陷信息进行对齐,将前一个检测时间下的表面缺陷信息统一对齐到最后一个时刻的信息下,通过交并比算法对对齐后的缺陷信息进行匹配,最后分析匹配后的结果,得到大口径光学元件表面缺陷在不同检测时间下的缺陷增长情况。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述,本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的大口径光学元件表面缺陷增长分析方法的流程示意图;
图2是本发明一种实施例的上架前选取的特征点的示例图;
图3是本发明一种实施例的下架后匹配到的特征点的示例图;
图4本发明一种实施例的大口径光学元件表面缺陷增长分析系统的框架示意图。
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,下面将结合附图对本发明实施例中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。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的大口径光学元件表面缺陷增长分析方法,如图1所示,包括以下步骤:
步骤S10,获取光学元件t时刻表面缺陷图像及缺陷信息Db和t+1时刻表面缺陷图像及缺陷信息Df;
步骤S20,选取光学元件t时刻的基准点O1和角度A1,利用模板匹配获取t+1时刻O1的匹配点O2和角度A2;
步骤S30,以匹配点O2为基准,将缺陷信息Db转换为转换缺陷信息Dbc;
步骤S40,将转换缺陷信息Dbc和缺陷信息Df进行匹配,若匹配结果大于设定阈值,则判定为同一缺陷,执行步骤S50;否则判定不是同一缺陷,令t=t+1,执行步骤S10;
步骤S50,在S40判定为同一缺陷的,根据Dbc和Df中缺陷等效长度L的变化,获取光学元件的缺陷增长情况。
为了更清晰地对本发明大口径光学元件表面缺陷增长分析方法进行说明,下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
步骤S10,获取光学元件t时刻表面缺陷图像及缺陷信息Db和t+1时刻表面缺陷图像及缺陷信息Df。
本实施例中,通过缺陷识别算法对不同时刻下的光学元件表面缺陷图像进行分析,得到不同时刻下的缺陷信息。步骤如下:
1、图像采集
在暗场成像条件下,利用成像装置包括CCD相机、环形光源和移动位移平台等对大口径光学元件进行拍摄,由于视野范围的限制,CCD在一定分辨率的情况下只能得到待测大口径光学的局部图像即子孔径图像。因此,要在较大的光学分辨率的前提下获得较大的视场范围,需将所有的子孔径图像进行拼接,获得一张完整的大口径光学元件表面缺陷图像。
其中,子孔径图像拼接主要分为硬拼接和软拼接两种。硬拼接指通过提前设置的相邻子孔径图像之间的重合量,进行固定重合量的拼接。软拼接是指利用相邻子孔径图像特征点或特征区域的匹配,计算得到重合量,利用计算的重合量进行拼接。二中拼接方法择一即可。
2、缺陷检测
利用缺陷检测算法对完整的表面缺陷图像进行分析,得到M时刻下的大口径光学元件表面缺陷信息Dm={d1,d2,...,dn},n代表当前光学元件表面缺陷的数目,其中di={LUi,RBi,Li,Wi},di代表第i个缺陷信息,缺陷信息包括缺陷外接矩形左上角的坐标LUi,缺陷外接矩形右下角的坐标RBi,缺陷的等效长度Li和缺陷的等效宽度Wi。
缺陷检测算法有阈值法、机器学习或者深度学习方法等,阈值法指的二值化算法,例如ostu等,通过设置阈值,将图像灰度值超过阈值的部分判定为表面缺陷,低于阈值的部分判定为背景或非缺陷区域。机器学习方法往往对图像进行分块,提取每一小块图像中的特征,将特征输入分类器中进行分类,分为缺陷类别的小块,即为缺陷区域。获取到缺陷区域后再利用阈值法进行后续处理,进一步提取缺陷轮廓和位置等信息。深度学习方法,通常是训练端到端的卷积神经网络对图像进行分析。输入是原始图像,输出是二值化后的图像。能够直接获得图像二值化结果。可以针对以上描述的三种缺陷检测算法择一选择。
获取不同时刻下的大口径光学元件表面缺陷信息,例如上架前t时刻缺陷信息为Db和下架后t+1时刻的缺陷信息Df。
步骤S20,选取光学元件t时刻的基准点O1和角度A1,利用模板匹配获取t+1时刻O1的匹配点O2和角度A2。
选取上架前光学元件的基准点O1,计算光学元件角度A1,如图2所示,基准点为光学元件缺陷图片上不变的点,角度为光学元件的长轴与水平方向的夹角。
利用模板匹配算法,在下架后光学元件得到上架前基准点的匹配点O2,计算光学元件角度A2,如图3所示,基准点为光学元件缺陷图片上不变的点,角度为光学元件的长轴与水平方向的夹角。
模板匹配是在一幅图像中寻找一个特定目标的方法,遍历图像中的每一个可能的位置,比较各处与模板是否“相似”,当相似度超过相似度预设值时,即匹配成功。模板的相似度包括区域灰度特征、边缘特征信息等,选取上架前光学元件左上角某个矩形区域的图像作为模板,该矩形区域中心点为上架前基准点。利用模板匹配算法,计算下架后光学元件子图像中与模板成功匹配的区域,该匹配区域的中心点,即为匹配点。
步骤S30,以匹配点O2为基准,将缺陷信息Db转换为转换缺陷信息Dbc。
在本实例中,以下架后光学元件的基准点O2为基准,将上架前的缺陷信息Db转换到下架后的基准上,转换后的表面缺陷信息为Dbc。Dbc={dc1,dc2,...,dcn},n代表当前光学元件表面缺陷的数目,其中dci={LUci,RBci,Lci,Wci},dci代表第i个转换后的缺陷信息,缺陷信息包括转换后的缺陷外接矩形左上角的坐标LUci,转换后的缺陷外接矩形右下角的坐标RBci,缺陷的等效长度Lci和缺陷的等效宽度Wci。
转换公式如公式(1)、(2)所示:
其中,LUci的坐标为(LUci.x,LUci.y),LUi的坐标为(LUi.x,LUi.y),RBci的坐标为(RBci.x,RBci.y),RBi的坐标为(RBi.x,RBi.y),O1的坐标为(O1.x,O1.y),O2的坐标为(O2.x,O2.y)。
矩阵A如式(3)所示:
矩阵B如式(4)所示:
步骤S40,将转换缺陷信息Dbc和缺陷信息Df进行匹配,若匹配结果大于设定阈值,则判定为同一缺陷,执行步骤S50;否则判定不是同一缺陷,令t=t+1,执行步骤S10。
将转换后的缺陷信息Dbc和下架后的缺陷信息Df进行匹配,计算Dbc中任意一个缺陷的外接矩形Ri与Df中任意一个缺陷的外接矩形Rj交并比来判断,如果两个矩形缺陷相交的面积与自身面积比值超过一定阈值r,则判断是否为同一个缺陷,匹配成功后设置flag为1。
判断是否为同一缺陷,其计算公式如式(5)所示:
其中,areaRi为外接矩形Ri的面积,areaRj为外接矩形Rj的面积,flag为标记。
步骤S50,在S40判定为同一缺陷的,根据Dbc和Df中缺陷等效长度L的变化,获取光学元件的缺陷增长情况。
在本实例中,根据步骤S40,判定为同一缺陷的,对比上架前Dbc和下架后Df中缺陷等效长度L的变化,基于缺陷等效长度L的变化输出大口径光学元件缺陷增长情况。
本发明第二实施例的一种大口径光学元件表面缺陷增长分析系统,如图4所示,包括:获取模块100、基准点匹配模块200、转换对齐模块300、缺陷匹配模块400、输出模块500;
获取模块100,配置为获取光学元件t时刻表面缺陷图像及缺陷信息Db和t+1时刻表面缺陷图像及缺陷信息Df;
基准点匹配模块200,配置为选取光学元件t时刻的基准点O1和角度A1,利用模板匹配获取t+1时刻O1的匹配点O2和角度A2;
转换对齐模块300,配置为以匹配点O2为基准,将缺陷信息Db转换为转换缺陷信息Dbc;
缺陷匹配模块400,配置为将转换缺陷信息Dbc和缺陷信息Df进行匹配,若匹配结果大于设定阈值,则判定为同一缺陷,执行输出模块500;否则判定不是同一缺陷,令t=t+1,执行获取模块100;
输出模块500,配置为基于缺陷匹配模块400判定为同一缺陷的,根据Dbc和Df中缺陷等效长度L的变化,获取光学元件的缺陷增长情况。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的系统的具体的工作过程及有关说明,可以参考签署方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的大口径光学元件表面缺陷增长分析系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种存储装置,其中存储有多条程序,所述程序适用于由处理器加载并实现上述的大口径光学元件表面缺陷增长分析方法。
本发明第四实施例的一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的大口径光学元件表面缺陷增长分析方法。
所述技术领域的技术人员可以清楚的了解到,未描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考签署方法实例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种大口径光学元件表面缺陷增长分析方法,其特征在于,该方法包括:
步骤S10,获取光学元件t时刻表面缺陷图像及缺陷信息Db和t+1时刻表面缺陷图像及缺陷信息Df;
步骤S20,选取光学元件t时刻的基准点O1和角度A1,利用模板匹配获取t+1时刻O1的匹配点O2和角度A2;
步骤S30,以匹配点O2为基准,将缺陷信息Db转换为转换缺陷信息Dbc;
步骤S40,将转换缺陷信息Dbc和缺陷信息Df进行匹配,若匹配结果大于设定阈值,则判定为同一缺陷,执行步骤S50;否则判定不是同一缺陷,令t=t+1,执行步骤S10;
步骤S50,在S40判定为同一缺陷的,根据Dbc和Df中缺陷等效长度L的变化,获取光学元件的缺陷增长情况。
2.根据权利要求1所述的大口径光学元件表面缺陷增长分析方法,其特征在于,所述表面缺陷图像由成像装置获取的子孔径图像拼接获得。
3.根据权利要求1所述的大口径光学元件表面缺陷增长分析方法,其特征在于,所述缺陷信息包括缺陷外接矩形左上角坐标、缺陷外接矩形右下角坐标、缺陷等效长度、缺陷等效宽度。
4.根据权利要求1-3任一项所述的大口径光学元件表面缺陷增长分析方法,其特征在于,步骤S30“以匹配点O2为基准,将缺陷信息Db转换为转换缺陷信息Dbc”,转换公式如下:
其中,Dbc的坐标为(Dbc.x,Dbc.y),Db的坐标为(Db.x,Db.y),Dbc、Db的坐标可以为缺陷外接矩形左上角坐标或者右下角坐标,O1的坐标为(O1.x,O1.y),O2的坐标为(O2.x,O2.y),A为角度A1的矩阵,B为角度A2的矩阵。
5.根据权利要求1-3任一项所述的大口径光学元件表面缺陷增长分析方法,其特征在于,“转换缺陷信息Dbc和缺陷信息Df进行匹配”,其方法为:获取Dbc任一缺陷的外接矩形和Df任一缺陷外接矩形,得到相交面积,将相交面积和自身面积比较。
6.根据权利要求1-3任一项所述的大口径光学元件表面缺陷增长分析方法,其特征在于,步骤S40所述设定阈值为0.5。
7.一种大口径光学元件表面缺陷增长分析系统,其特征在于,该系统包括获取模块、基准点匹配模块、转换对齐模块、缺陷匹配模块、输出模块;
所述的获取模块,配置为获取光学元件t时刻表面缺陷图像及缺陷信息Db和t+1时刻表面缺陷图像及缺陷信息Df;
所述的基准点匹配模块,配置为选取光学元件t时刻的基准点O1和角度A1,利用模板匹配获取t+1时刻O1的匹配点O2和角度A2;
所述的转换对齐模块,配置为以匹配点O2为基准,将缺陷信息Db转换为转换缺陷信息Dbc;
所述的缺陷匹配模块,配置为将转换缺陷信息Dbc和缺陷信息Df进行匹配,若匹配结果大于设定阈值,则判定为同一缺陷,执行输出模块;否则判定不是同一缺陷,令t=t+1,执行获取模块;
所述的输出模块,配置为基于缺陷匹配模块判定为同一缺陷的,根据Dbc和Df中缺陷等效长度L的变化,获取光学元件的缺陷增长情况。
8.一种存储装置,其中存储有多条程序,其特征在于,所述程序应用由处理器加载并执行以实现权利要求1-6任一项所述的大口径光学元件表面缺陷增长分析方法。
9.一种处理设置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;其特征在于,所述程序适用于由处理器加载并执行以实现权利要求1-6任一项所述的大口径光学元件表面缺陷增长分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910414436.8A CN110031471B (zh) | 2019-05-17 | 2019-05-17 | 大口径光学元件表面缺陷增长分析方法、系统、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910414436.8A CN110031471B (zh) | 2019-05-17 | 2019-05-17 | 大口径光学元件表面缺陷增长分析方法、系统、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110031471A true CN110031471A (zh) | 2019-07-19 |
CN110031471B CN110031471B (zh) | 2020-06-16 |
Family
ID=67242606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910414436.8A Active CN110031471B (zh) | 2019-05-17 | 2019-05-17 | 大口径光学元件表面缺陷增长分析方法、系统、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110031471B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429422A (zh) * | 2020-03-19 | 2020-07-17 | 中国工程物理研究院激光聚变研究中心 | 基于深度学习的激光近场状态分析方法及装置 |
CN114119557A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于卷积神经网络的光学元件快速暗场检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070230770A1 (en) * | 2005-11-18 | 2007-10-04 | Ashok Kulkarni | Methods and systems for determining a position of inspection data in design data space |
CN103954625A (zh) * | 2014-02-13 | 2014-07-30 | 同济大学 | 一种面向激光薄膜内部缺陷的溯源性损伤阈值测量技术 |
CN105387809A (zh) * | 2014-08-28 | 2016-03-09 | 波音公司 | 用于检测裂纹增长的系统和方法 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
CN107167379A (zh) * | 2017-06-24 | 2017-09-15 | 天津大学 | 一种原位双轴裂纹扩展路径自动跟踪测量系统及测量方法 |
CN108871185A (zh) * | 2018-05-10 | 2018-11-23 | 苏州大学 | 零件检测的方法、装置、设备以及计算机可读存储介质 |
-
2019
- 2019-05-17 CN CN201910414436.8A patent/CN110031471B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070230770A1 (en) * | 2005-11-18 | 2007-10-04 | Ashok Kulkarni | Methods and systems for determining a position of inspection data in design data space |
CN103954625A (zh) * | 2014-02-13 | 2014-07-30 | 同济大学 | 一种面向激光薄膜内部缺陷的溯源性损伤阈值测量技术 |
CN105387809A (zh) * | 2014-08-28 | 2016-03-09 | 波音公司 | 用于检测裂纹增长的系统和方法 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
CN107167379A (zh) * | 2017-06-24 | 2017-09-15 | 天津大学 | 一种原位双轴裂纹扩展路径自动跟踪测量系统及测量方法 |
CN108871185A (zh) * | 2018-05-10 | 2018-11-23 | 苏州大学 | 零件检测的方法、装置、设备以及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
CHRISTIAN KOCH等: "A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure", 《ADVANCED ENGINEERING INFORMATICS》 * |
XIAN TAO等: "A Novel and Effective Surface Flaw Inspection Instrument for Large-Aperture Optical Elements", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429422A (zh) * | 2020-03-19 | 2020-07-17 | 中国工程物理研究院激光聚变研究中心 | 基于深度学习的激光近场状态分析方法及装置 |
CN114119557A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于卷积神经网络的光学元件快速暗场检测方法 |
CN114119557B (zh) * | 2021-11-29 | 2024-04-26 | 哈尔滨工业大学 | 一种基于卷积神经网络的光学元件快速暗场检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110031471B (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111899334B (zh) | 一种基于点线特征的视觉同步定位与地图构建方法及装置 | |
CN109919934B (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN109785385B (zh) | 视觉目标跟踪方法及系统 | |
US5371690A (en) | Method and apparatus for inspection of surface mounted devices | |
CN101213440B (zh) | 创建用于检查凹凸图形的主数据的方法 | |
EP3474191A1 (en) | Method and device for constructing a table including information on a pooling type and testing method and testing device using the same | |
CN104867137B (zh) | 一种基于改进ransac算法的图像配准方法 | |
CN109253722A (zh) | 融合语义分割的单目测距系统、方法、设备及存储介质 | |
CN114140679A (zh) | 一种缺陷融合方法、装置、识别系统及存储介质 | |
CN113538574B (zh) | 位姿定位方法、装置、设备及计算机可读存储介质 | |
CN111738036B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110031471A (zh) | 大口径光学元件表面缺陷增长分析方法、系统、装置 | |
CN105783786A (zh) | 一种基于结构光视觉的零件倒角测量方法与装置 | |
CN110473221A (zh) | 一种目标物体自动扫描系统及方法 | |
CN109034160A (zh) | 一种基于卷积神经网络的带小数点数字仪表自动识别方法 | |
CN111861966B (zh) | 模型训练方法、装置及缺陷检测方法、装置 | |
CN110288612B (zh) | 铭牌定位与校正方法及设备 | |
EP2523162B1 (en) | Learning device, identification device, learning identification system and learning identification device | |
CN113237633A (zh) | 一种基于图像处理的光电平台稳定精度检测的方法 | |
CN112418187A (zh) | 车道线识别方法及装置、存储介质、电子设备 | |
CN106645168A (zh) | 一种起重机臂筒表面凹凸缺陷的检测方法 | |
CN110017998A (zh) | 车辆检测方法、装置和设备 | |
Maestro-Watson et al. | Deflectometric data segmentation based on fully convolutional neural networks | |
CN113884025B (zh) | 增材制造结构光回环检测方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |