CN112017157A - 一种光学元件激光损伤阈值测试中损伤点识别方法 - Google Patents

一种光学元件激光损伤阈值测试中损伤点识别方法 Download PDF

Info

Publication number
CN112017157A
CN112017157A CN202010704910.3A CN202010704910A CN112017157A CN 112017157 A CN112017157 A CN 112017157A CN 202010704910 A CN202010704910 A CN 202010704910A CN 112017157 A CN112017157 A CN 112017157A
Authority
CN
China
Prior art keywords
damage
image
point
gray
binarization
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
Application number
CN202010704910.3A
Other languages
English (en)
Other versions
CN112017157B (zh
Inventor
李刚
王伟
弋东驰
魏际同
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.)
XiAn Institute of Optics and Precision Mechanics of CAS
Original Assignee
XiAn Institute of Optics and Precision Mechanics of CAS
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 XiAn Institute of Optics and Precision Mechanics of CAS filed Critical XiAn Institute of Optics and Precision Mechanics of CAS
Priority to CN202010704910.3A priority Critical patent/CN112017157B/zh
Publication of CN112017157A publication Critical patent/CN112017157A/zh
Application granted granted Critical
Publication of CN112017157B publication Critical patent/CN112017157B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种光学元件激光损伤阈值测试中损伤点识别方法，解决现有图像处理方法无法解决由光照不均匀、对比度低、损伤点粘连、像素偏移对损伤点识别准确性影响的问题。该方法包括步骤：1)将损伤前、损伤后图像转换为损伤前、损伤后灰度图像；2)对损伤前、损伤后灰度图像均采用两种局部二值化算法处理并融合，得到二值化后的损伤前融合图像和损伤后融合图像；3)根据相位相关计算出的像素偏移量对损伤前融合图像进行仿射变换，再背景差分运算得到仅存在损伤点的二值化图像；4)对仅存在损伤点的二值化图像进行闭运算再迭代腐蚀，得到核信息；5)生成分水岭分割的种子区域；6)使用分水岭分割算法对损伤后图像进行分割，获取损伤点信息。

Description

一种光学元件激光损伤阈值测试中损伤点识别方法
技术领域
本发明涉及光学元件抗激光损伤能力测试技术，具体涉及一种光学元件激光损伤阈值测试中损伤点识别方法。
背景技术
在大型激光装置系统中，光学元件的负载能力往往是制约整个装置性能的关键因素，因此在对装置系统设计时，需要充分考虑所采用的光学元件抗激光损伤能力。目前对光学元件抗激光损伤能力的测试主要是通过损伤阈值测试来完成的。
损伤阈值测试是通过使用不同能量的激光对光学元件进行破坏性的测试，并使用显微成像设备拍摄测试过程中的图像数据。测试完成后，通过对损伤测试前与损伤测试后拍摄的图像进行处理，识别出不同能量段下是否造成了损伤，以及出现损伤时损伤点的大小等信息，通过识别出的损伤信息与测试能量信息，对光学元件的抗激光损伤能力进行评估。
现有损伤阈值测试系统由于外界条件的限制，得到的测试图像数据会出现以下现象：
a)拍摄的损伤图像出现光照不均匀；
b)能量较弱时造成的损伤点目标与背景对比度较差；
c)在测试过程中会出现多个损伤点粘连的情况；
d)损伤前拍摄的图像与损伤后拍摄的图像存在像素的偏移；
以上现象在后期图像处理时，增大了损伤点准确识别的难度。
目前，针对激光损伤图像检测与分析的相关技术，如基于图像分割技术的激光损伤图像检测与分析，基于数字图像处理方法的激光损伤识别等，采用全局阈值二值化方法和背景差分法进行图像数据处理，该方法针对图像质量较好，损伤前和损伤后图像无偏移量或偏移量较小时处理效果较好。实际工程实践中发现，照射光源无法达到理想的均匀状态，且损伤前和损伤后的图像之间存在一定的像素偏移等问题，以上方法均无法很好的消除环境因素带来的影响。
对光照不均匀的图像进行二值化方法处理时，若采用传统的全局阈值二值化方法，如OTSU(最大类间方差法)等，会将部分有效信息作为背景进行处理，如图2所示。由图1和图2可知，采用OTSU对原始图像进行二值化处理，效果较差，无法有效分辨出目标与背景。因此针对于光照不均匀的图像，无法采用传统的二值化算法进行处理。
如图3至图5所示，针对损伤前与损伤后两幅图像存在的偏移现象，如果采用背景差分法进行处理，无法有效的识别出差异内容，且由于光照的变化，直接进行背景差分法会引入其他无效的信息，对后续的处理带来很大的干扰。由图5可看出，前后帧相减不但无法有效的增强目标信息，还引入了由背景差异导致的无效信息。
发明内容
为了克服现有图像处理方法无法解决由于光照不均匀、目标与背景对比度低、损伤点粘连、图像像素偏移现象，对损伤点有效、准确识别而带来影响的技术问题，本发明提供了一种光学元件激光损伤阈值测试中损伤点识别方法。
为实现上述目的，本发明提供的技术方案是：
一种光学元件激光损伤阈值测试中损伤点识别方法，其特殊之处在于，包括以下步骤：
1)图像转换
加载损伤前图像和损伤后图像，并将其转换为损伤前灰度图像和损伤后灰度图像；
2)图像二值化
对损伤前灰度图像分别采用两种局部二值化算法进行处理，并将两种二值化的处理结果进行融合，得到二值化后的损伤前融合图像；对损伤后灰度图像分别采用两种局部二值化算法进行处理，并将两种二值化的处理结果进行融合，得到二值化后的损伤后融合图像；
3)偏移量消除
对损伤前融合图像和损伤后融合图像进行相位相关计算，计算出像素偏移量，使用该像素偏移量对损伤前融合图像进行仿射变换，再将仿射变换后的图像作为背景，使用损伤后融合图像进行背景差分运算，得到仅存在损伤点的二值化图像；
4)对仅存在损伤点的二值化图像进行闭运算，再进行迭代腐蚀，直至连通域数量连续3次不发生变化，得到最小的连通域核信息；
5)将连通域核信息作为输入，生成分水岭分割的种子区域；
6)根据种子区域数据，使用分水岭分割算法对损伤后图像进行分割，根据分割结果识别出损伤点，并获取损伤点信息。
进一步地，步骤2)中，所述两种局部二值化算法包括Sauvola局部阈值二值化算法和Wellner自适应阈值二值化算法。
进一步地，所述Sauvola局部阈值二值化算法步骤如下：
a)计算r*r邻域内像素点(x,y)的灰度均值m(x,y)与标准方差s(x,y)，计算公式如下：
Figure BDA0002594324550000031
式中，r*r为像素窗口，r为窗口宽度，取值为奇数，范围[11,19]；x、y分别为像素点的坐标值，以图像左上角为坐标原点；
g(i,j)为当前坐标点的灰度值；
Figure BDA0002594324550000032
b)计算像素点(x,y)的阈值T(x,y)，计算公式如下：
Figure BDA0002594324550000033
式中，R为标准方差的动态范围；k为修正参数，取值范围为[0,1]。
进一步地，步骤a)中，r＝15；
步骤b)中，若灰度图像为8位灰度图像，R＝128，k＝0.05。
进一步地，所述Wellner自适应阈值二值化算法步骤如下：
a)计算像素点n之前的s个像素点灰度值之和gs(n)和加入垂直方向信息的灰度平均值h(n)；
Figure BDA0002594324550000041
式中，pn-i为第n-i个像素的灰度值；
Figure BDA0002594324550000042
式中，g(n-width)为像素点n对应的前一行s个像素点的灰度和；
b)判断像素点n的灰度值Pn是否小于H，若Pn小于H，则该处设为白色；若Pn大于等于H，则该处为黑色；
其中，H＝((h(n)*factor)＞＞S)；
factor＝(1＜＜S)*(100-t)/(100*s)，t＝12，S＝15，s＝width>>3；Factor为修正因子，S为加速因子，t为比例阈值。
进一步地，步骤2)中，融合为二值化融合，具体算法如下：
两种二值化处理后的两个图像对应的像素相加，将相加后的结果映射到灰度值范围在[0,255]，生成融合图像。
进一步地，步骤4)中，迭代腐蚀具体为：腐蚀核选用4*4和8*8十字结构进行交替腐蚀；每次腐蚀完成，根据腐蚀前和腐蚀后的连通域变换，复原因腐蚀消失的连通域，将复原后的图像作为下次腐蚀的输入图像进行腐蚀。
与现有技术相比，本发明的优点是：
1、本发明识别方法采用两种局部二值化算法分别对损伤前灰度图像和损伤后灰度图像处理，并将两种局部二值化算法处理结果进行融合，可有效的消除光照不均匀对二值化处理的影响。
2、在对图像偏移处理时，本发明采用了将二值化图像作为相位相关计算的输入，避免了由于损伤前后光照变化等因素对计算结果的影响，大幅提高了计算结果的准确度，实测结果满足高准确性的要求。
3、对粘连目标的处理，本发明采用迭代腐蚀和分水岭分割的方法，解决了常规使用分水岭分割无法对粘连目标进行很好分割的问题。本发明采用迭代腐蚀可以有效的将粘连目标进行分离，获取最小核信息，并通过使用最小核信息指导分水岭算法进行粘连点的分割，提高分割的效果。
4、本发明两种局部二值化算法采用Sauvola局部阈值二值化算法和Wellner自适应阈值二值化算法，可对大尺寸目标和小尺寸目标以及弱对比度目标均能进行兼顾，消除了局部二值化算法由于分割块选取大小对结果的影响。
附图说明
图1是原始图像；
图2是对图1采用传统的全局阈值二值化方法处理后的结果图像；
图3是损伤前的图像；
图4是损伤后的图像；
图5是现有对图3和图4采用背景差分法处理后的结果图像；
图6是本发明光学元件激光损伤阈值测试中损伤点识别方法的流程图；
图7是本发明光学元件激光损伤阈值测试中损伤点识别方法中步骤4)至步骤6)的流程图；
图8是本发明方法中处理前的损伤前图像；
图9是本发明方法中处理前的损伤后图像；
图10是本发明方法中采用Sauvola局部阈值二值化算法对损伤前图像处理后的图像；
图11是本发明方法中采用Wellner自适应阈值二值化算法对损伤前图像处理后的图像；
图12是本发明方法中对Sauvola局部阈值二值化算法处理的损伤前图像和Wellner自适应阈值二值化算法处理后的损伤前图像进行融合后的损伤前融合图像；
图13是本发明方法中采用Sauvola局部阈值二值化算法对损伤后图像处理后的图像；
图14是本发明方法中采用Wellner自适应阈值二值化算法对损伤后图像处理后的图像；
图15是本发明方法中对Sauvola局部阈值二值化算法处理的损伤后图像和Wellner自适应阈值二值化算法处理后的损伤后图像进行融合后的损伤后融合图像；
图16是本发明方法中消除像素偏移后的二值化图像；
图17是本发明方法中闭运算后的图像；
图18是本发明方法中迭代腐蚀的结果图像；
图19是本发明方法中生成分水岭分割的种子区域，带有标记信息的图像；
图20是本发明方法中使用分水岭分割算法对损伤后图像进行分割，获得损伤点标记图像。
具体实施方式
以下结合附图和具体实施例对本发明的内容作进一步详细描述。
如图6所示，一种光学元件激光损伤阈值测试中损伤点识别方法，包括以下步骤：
1)图像转换
加载损伤前图像和损伤后图像，并将两幅图像均转换成损伤前灰度图像(灰度图格式，见图8所示)和损伤后灰度图像(灰度图格式，见图9所示)；
2)图像二值化
对损伤前灰度图像(图8)和损伤后灰度图像(图9)均进行局部二值化处理，并将两种二值化的处理图像进行融合，得到二值化后的融合图像；具体为：
对损伤前灰度图像(图8)分别采用两种局部二值化算法进行处理，并将两种二值化的处理图像(图10和图11)进行融合，得到二值化后的损伤前融合图像(图12)；
对损伤后灰度图像(图9)分别采用两种局部二值化算法进行处理，并将两种二值化的处理图像(图13和图14)进行融合，得到二值化后的损伤后融合图像(图15)；
本实施例中，两种局部二值化算法包括Sauvola局部阈值二值化算法和Wellner自适应阈值二值化算法；
其中，Sauvola局部阈值二值化算法具体如下：
a)计算r*r邻域内像素点(x,y)的灰度均值m(x,y)与标准方差s(x,y)，计算公式如下：
Figure BDA0002594324550000071
式中，r*r为像素窗口，r为窗口宽度，r＝15；x、y分别为像素点的坐标值，以图像的左上角为坐标原点；
g(i,j)为图像坐标(i,j)的灰度值；
Figure BDA0002594324550000072
b)计算像素点(x,y)的阈值T(x,y)，计算公式如下：
Figure BDA0002594324550000073
式中，R为标准方差的动态范围，当前为8位灰度图像，R＝128；k为修正参数，取值范围为[0,1]，本实施例中k＝0.05。
Wellner自适应阈值二值化算法步骤如下：
a)计算像素点n之前的s个像素点灰度值的和gs(n)和加入垂直方向信息的灰度平均值h(n)；
Figure BDA0002594324550000074
式中，pn-i为第n-i个像素的灰度值；
Figure BDA0002594324550000075
式中，g(n-width)为像素点n对应的前一行s个像素点的灰度和；
b)判断像素点n的灰度值Pn是否小于其前s个像素点的灰度平均值的t倍，若小于，则该处为白色(255)，否则为黑色(0)，具体如下：
Figure BDA0002594324550000081
fctor＝(1＜＜S)*(100-t)/(100*s)，Factor为修正因子，S为加速因子，t为比例阈值；本实施例中t＝12，S＝15，s＝width>>3。
融合为二值化融合，具体算法如下：两种二值化处理后的两个图像对应的像素相加，将相加后的结果映射到[0,255]，生成融合图像。在其它实施例中，二值化融合算法也可为：
Binary_image＝Bianry_image_Sauvola+Bianry_image_Wellern。
3)偏移量消除
对损伤前融合图像(图12)和损伤后融合图像(图15)进行相位相关计算，计算出像素偏移量，用于后续的偏差较正，本实施例中像素偏移量为(2.2,-0.05)。使用该像素偏移量对损伤前融合图像进行仿射变换，变换完成后，再将仿射变换后的图像作为背景，使用损伤后融合图像进行背景差分运算(将仿射变换后的图像与损伤后融合图像数据相减)，得到仅存在损伤点的二值化图像，如图16所示，即：rel_image＝Binary_image_after-Binary_image_before；
4)如图7所示，对仅存在损伤点的二值化图像进行闭运算(形态学闭操作)，闭运算后的图像见图17所示，再进行迭代腐蚀，得到最小的连通域核信息。具体为：
a)闭运算后的图像进行连通域标记；
b)本实施例中使用的腐蚀核选用4*4和8*8十字进行交替腐蚀，迭代腐蚀时需要将前一次腐蚀时消失的核信息进行复原，以保证每次迭代腐蚀不会丢失掉较小的目标点，直至连续腐蚀后核信息不发生变化为止。迭代腐蚀过程为：每次腐蚀完成，根据腐蚀前和腐蚀后的连通域变换，复原因腐蚀消失的连通域，将复原后的图像作为下次腐蚀的输入图像，继续进行腐蚀。连通域数量连续3次不发生变化，则停止腐蚀，得到最小的连通域核信息(连通域标记)，迭代腐蚀的结果如图18所示。
5)将连通域核信息作为输入，生成分水岭分割的种子区域，如图19所示；
6)读取损伤后图像以及种子区域数据(图19)，使用分水岭分割算法对原始损伤后图像进行分割，根据分割结果识别出损伤点，并获取损伤点信息(坐标、尺寸等)，获得损伤点标记图像，如图20所示；
7)根据分割后的标记信号计算出各个分割区域的大小等信息。
从图20可看出，损伤前的区域被完全排除，通过人工对图像中损伤点数据的确认，其损伤点数为117，本实施例识别方法识别出的损伤点个数为115，识别率为98.2％，本实施例测试造成的损伤信息能够完整的被标记，识别率较高，能满足工程实际要求。
以上仅是对本发明的优选实施方式进行了描述，并不将本发明的技术方案限制于此，本领域技术人员在本发明主要技术构思的基础上所作的任何公知变形都属于本发明所要保护的技术范畴。

Claims (7)

1.一种光学元件激光损伤阈值测试中损伤点识别方法，其特征在于，包括以下步骤：
1)图像转换
加载损伤前图像和损伤后图像，并将其转换为损伤前灰度图像和损伤后灰度图像；
2)图像二值化
对损伤前灰度图像分别采用两种局部二值化算法进行处理，并将两种二值化的处理结果进行融合，得到二值化后的损伤前融合图像；对损伤后灰度图像分别采用两种局部二值化算法进行处理，并将两种二值化的处理结果进行融合，得到二值化后的损伤后融合图像；
3)偏移量消除
对损伤前融合图像和损伤后融合图像进行相位相关计算，计算出像素偏移量，使用该像素偏移量对损伤前融合图像进行仿射变换，再将仿射变换后的图像作为背景，使用损伤后融合图像进行背景差分运算，得到仅存在损伤点的二值化图像；
4)对仅存在损伤点的二值化图像进行闭运算，再进行迭代腐蚀，直至连通域数量连续3次不发生变化，得到最小的连通域核信息；
5)将连通域核信息作为输入，生成分水岭分割的种子区域；
6)根据种子区域数据，使用分水岭分割算法对损伤后图像进行分割，根据分割结果识别出损伤点，并获取损伤点信息。
2.根据权利要求1所述光学元件激光损伤阈值测试中损伤点识别方法，其特征在于：步骤2)中，所述两种局部二值化算法包括Sauvola局部阈值二值化算法和Wellner自适应阈值二值化算法。
3.根据权利要求2所述光学元件激光损伤阈值测试中损伤点识别方法，其特征在于，所述Sauvola局部阈值二值化算法步骤如下：
a)计算r*r邻域内像素点(x,y)的灰度均值m(x,y)与标准方差s(x,y)，计算公式如下：
Figure FDA0002594324540000021
式中，r*r为像素窗口，r为窗口宽度，取值为奇数，范围[11,19]；x、y分别为像素点的坐标值，以图像左上角为坐标原点；
g(i,j)为当前坐标点的灰度值；
Figure FDA0002594324540000022
b)计算像素点(x,y)的阈值T(x,y)，计算公式如下：
Figure FDA0002594324540000023
式中，R为标准方差的动态范围；k为修正参数，取值范围为[0,1]。
4.根据权利要求3所述光学元件激光损伤阈值测试中损伤点识别方法，其特征在于：步骤a)中，r＝15；
步骤b)中，若灰度图像为8位灰度图像，R＝128，k＝0.05。
5.根据权利要求2所述光学元件激光损伤阈值测试中损伤点识别方法，其特征在于，所述Wellner自适应阈值二值化算法步骤如下：
a)计算像素点n之前的s个像素点灰度值之和gs(n)和加入垂直方向信息的灰度平均值h(n)；
Figure FDA0002594324540000024
式中，pn-i为第n-i个像素的灰度值；
Figure FDA0002594324540000025
式中，g(n-width)为像素点n对应的前一行s个像素点的灰度和；
b)判断像素点n的灰度值Pn是否小于H，若Pn小于H，则该处设为白色；若Pn大于等于H，则该处为黑色；
其中，H＝((h(n)*factor)＞＞)；
factor＝(1＜＜S)*(100-t)/(100*s)，t＝12，S＝15，s＝width>>3；
Factor为修正因子，S为加速因子，t为比例阈值。
6.根据权利要求1所述光学元件激光损伤阈值测试中损伤点识别方法，其特征在于，步骤2)中，融合为二值化融合，具体算法如下：
两种二值化处理后的两个图像对应的像素相加，将相加后的结果映射到灰度值范围在[0,255]，生成融合图像。
7.根据权利要求1所述光学元件激光损伤阈值测试中损伤点识别方法，其特征在于，步骤4)中，迭代腐蚀具体为：腐蚀核选用4*4和8*8十字结构进行交替腐蚀；每次腐蚀完成，根据腐蚀前和腐蚀后的连通域变换，复原因腐蚀消失的连通域，将复原后的图像作为下次腐蚀的输入图像进行腐蚀。
CN202010704910.3A 2020-07-21 2020-07-21 一种光学元件激光损伤阈值测试中损伤点识别方法 Active CN112017157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010704910.3A CN112017157B (zh) 2020-07-21 2020-07-21 一种光学元件激光损伤阈值测试中损伤点识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010704910.3A CN112017157B (zh) 2020-07-21 2020-07-21 一种光学元件激光损伤阈值测试中损伤点识别方法

Publications (2)

Publication Number Publication Date
CN112017157A true CN112017157A (zh) 2020-12-01
CN112017157B CN112017157B (zh) 2023-04-11

Family

ID=73498631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010704910.3A Active CN112017157B (zh) 2020-07-21 2020-07-21 一种光学元件激光损伤阈值测试中损伤点识别方法

Country Status (1)

Country Link
CN (1) CN112017157B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419296A (zh) * 2020-12-03 2021-02-26 嘉兴驭光光电科技有限公司 微纳光学元件表面缺陷检测方法及图像分割方法
CN112881407A (zh) * 2021-01-14 2021-06-01 广州大学 一种led芯片的焊接质量检测方法、系统、装置及介质
CN114067122A (zh) * 2022-01-18 2022-02-18 深圳市绿洲光生物技术有限公司 一种两级式二值化图像处理方法
CN114627113A (zh) * 2022-05-12 2022-06-14 成都数之联科技股份有限公司 一种印制电路板缺陷检测方法及系统及装置及介质
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7200259B1 (en) * 1999-07-25 2007-04-03 Orbotech Ltd. Optical inspection system
CN102676633A (zh) * 2012-03-08 2012-09-19 天津大学 一种菌落自动计数方法
WO2017020045A1 (en) * 2015-07-30 2017-02-02 VisionQuest Biomedical LLC System and methods for malarial retinopathy screening
CN107085707A (zh) * 2017-04-14 2017-08-22 河海大学 一种基于交通监控视频的车牌定位方法
CN107133922A (zh) * 2016-02-29 2017-09-05 孙智权 一种基于机器视觉和图像处理的硅片计数方法
CN110544261A (zh) * 2019-09-04 2019-12-06 东北大学 一种基于图像处理的高炉风口喷煤状态检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7200259B1 (en) * 1999-07-25 2007-04-03 Orbotech Ltd. Optical inspection system
CN102676633A (zh) * 2012-03-08 2012-09-19 天津大学 一种菌落自动计数方法
WO2017020045A1 (en) * 2015-07-30 2017-02-02 VisionQuest Biomedical LLC System and methods for malarial retinopathy screening
CN107133922A (zh) * 2016-02-29 2017-09-05 孙智权 一种基于机器视觉和图像处理的硅片计数方法
CN107085707A (zh) * 2017-04-14 2017-08-22 河海大学 一种基于交通监控视频的车牌定位方法
CN110544261A (zh) * 2019-09-04 2019-12-06 东北大学 一种基于图像处理的高炉风口喷煤状态检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PARAPE CD ET AL: "《Optimization of structure elements for morphological hit-or-miss transform for building extraction from VHR airborne imagery in natural hazard areas》", 《SPRINGERLINK》 *
王建: "《基于图像处理的颗粒度测量方法研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419296A (zh) * 2020-12-03 2021-02-26 嘉兴驭光光电科技有限公司 微纳光学元件表面缺陷检测方法及图像分割方法
CN112881407A (zh) * 2021-01-14 2021-06-01 广州大学 一种led芯片的焊接质量检测方法、系统、装置及介质
CN114067122A (zh) * 2022-01-18 2022-02-18 深圳市绿洲光生物技术有限公司 一种两级式二值化图像处理方法
CN114627113A (zh) * 2022-05-12 2022-06-14 成都数之联科技股份有限公司 一种印制电路板缺陷检测方法及系统及装置及介质
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

Also Published As

Publication number Publication date
CN112017157B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN112017157B (zh) 一种光学元件激光损伤阈值测试中损伤点识别方法
Kim et al. Image‐based concrete crack assessment using mask and region‐based convolutional neural network
CN109242791B (zh) 一种针对破损植物叶片的批量修复方法
JP6099479B2 (ja) ひび割れ検出方法
CN115345885A (zh) 一种金属健身器材外观质量检测方法
CN108229475B (zh) 车辆跟踪方法、系统、计算机设备及可读存储介质
Li et al. A robust instance segmentation framework for underground sewer defect detection
CN110648349A (zh) 基于背景减除和连通区域算法的焊缝缺陷分割方法
JP5852919B2 (ja) ひび割れ検出方法
CN111667470B (zh) 一种基于数字图像的工业管道探伤内壁检测方法
JP2012002531A (ja) ひび割れ検出方法
CN116258722B (zh) 基于图像处理的桥梁建筑智能检测方法
CN111738256A (zh) 基于改进分水岭算法的复合材料ct图像分割方法
CN115272336A (zh) 基于梯度向量的金属零件缺陷精准检测方法
CN111369570B (zh) 一种视频图像的多目标检测跟踪方法
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN112508913A (zh) 基于图像检测的电缆截面边沿检测方法
CN115601379A (zh) 一种基于数字图像处理的表面裂纹精确检测技术
CN116630323A (zh) 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备
CN111311515B (zh) 一种错误区域自动检测的深度图像快速迭代修复方法
CN115880683B (zh) 一种基于深度学习的城市内涝积水智能水位检测方法
CN115841449B (zh) 排水管道结构性缺陷纵向定位的单目测距方法及存储介质
Wang et al. Fast Blur Detection Algorithm for UAV Crack Image Sets
CN111582124A (zh) 红外热像仪的人脸识别及测温方法
CN113888563A (zh) 基于紫外成像的光斑区域分割方法、系统和计算机设备

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