CN112802003B - 基于光弹性的缺陷检测方法、装置、设备及存储介质 - Google Patents
基于光弹性的缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112802003B CN112802003B CN202110170546.1A CN202110170546A CN112802003B CN 112802003 B CN112802003 B CN 112802003B CN 202110170546 A CN202110170546 A CN 202110170546A CN 112802003 B CN112802003 B CN 112802003B
- Authority
- CN
- China
- Prior art keywords
- light beam
- light
- polarized light
- photoelastic
- information
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 105
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000010287 polarization Effects 0.000 claims abstract description 99
- 239000000463 material Substances 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 59
- 230000008569 process Effects 0.000 claims description 40
- 230000004927 fusion Effects 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 31
- 230000009471 action Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000028161 membrane depolarization Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000021615 conjugation Effects 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012634 optical imaging Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000013013 elastic material Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 235000012431 wafers Nutrition 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/24—Measuring force or stress, in general by measuring variations of optical properties of material when it is stressed, e.g. by photoelastic stress analysis using infrared, visible light, ultraviolet
- G01L1/241—Measuring force or stress, in general by measuring variations of optical properties of material when it is stressed, e.g. by photoelastic stress analysis using infrared, visible light, ultraviolet by photoelastic stress analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于光弹性的缺陷检测方法、装置、设备和存储介质，所述方法包括：采用初始偏振光入射待检测材料，并检测初始偏振光经过待检测材料双折射产生的椭圆偏振光的偏振信息，基于偏振信息确定光弹性应力值，并根据光弹性应力值生成应力分布图像，通过深度学习网络，对应力分布图像进行特征提取识别，得到缺陷特征信息，采用本发明可以提高缺陷检测的灵敏度和准确率。
Description
技术领域
本发明涉及元件检测领域，尤其涉及一种基于光弹性的缺陷检测方法、装置、设备及存储介质。
背景技术
在工业制造领域，通常需要对工艺材料的品质进行检测，以保证产品生产良率。尤其在高端制造领域，例如半导体、玻璃、光学镜等，在其制造工艺中，存在于材料表面、内部的微纳米级缺陷，会影响工艺质量和产品性能，甚至带来潜在的失效隐患。因此，对工艺材料进行缺陷检测至关重要，特别是微小缺陷。
在缺陷的检测中，存在破坏方法与非破坏方法，前者是将待检测材料通过化学溶解、物理切削等方式，使缺陷显现于表面后，利用显微镜、电子显微镜等进行观察。但是，利用该方法检查后的待检测材料无法再次作为生产原料。该方法更适用于抽样检测，对于工业批量生产而言，必须采用非破坏的形式进行缺陷在线检测。
在实现本发明的过程中，发明人意识到现有技术中，采用非破坏的形式进行缺陷检测的方式，至少存在如下问题：
基于超声波的缺陷检测是对待测材料施加超声波，利用检测器检测从缺陷反射的超声波的方法。由于超声波的强穿透力，该方法通常用于金属等不透光材料的内部缺陷检测。但因分辨率所限，超声波难以应用于微小缺陷的检测场景，该方法局限性比较大。
基于光学成像的缺陷检测方法通常是以特定光源照射待测材料，再接收来自材料的反射光或散射光进行成像，通过图像分析来检测缺陷。光学成像可以直观表现材料形貌，反映缺陷特征，但其成像分辨率受限于图像传感器、透镜等器件的光学分辨率，高精度光学检测时对光学器件的性能要求会很高。并且由于光学衍射极限的限制，光学成像检测方法对微纳米级缺陷的检测能力也有限。此外，光学检测精度的提升，通常要牺牲检测速度，但检测速度关乎产能，是工业检测中的硬指标。当检测速度需要优先考虑时，使用光学成像方法来检测微小缺陷有很大的难度。
综上，现有公开的缺陷检测方法，对于微小缺陷的检测能力有限，难以适应高端制造业高产能高精度缺陷在线检测的需要。
发明内容
本发明提供一种基于光弹性的缺陷检测方法、装置、计算机设备及存储介质，以提高材料微小缺陷检测的灵敏度和准确率。
一种基于光弹性的缺陷检测方法，包括：
采用初始偏振光入射待检测材料，并检测所述初始偏振光经过所述待检测材料双折射产生的椭圆偏振光的偏振信息；
基于所述偏振信息确定光弹性应力值，并根据所述光弹性应力值生成应力分布图像；
通过深度学习网络，对所述应力分布图像进行特征提取识别，得到缺陷特征信息。
可选地，所述检测所述偏振光经过所述待检测材料双折射产生的椭圆偏振光的偏振信息包括：
将所述椭圆偏振光通过相位共轭镜、半波片和分束镜进行作用，得到至少三束处理光束，并采集每个所述处理光束对应的光强，其中，一束所述处理光束生成过程中包含相位共轭镜作用，另一束所述处理光束生成过程中包含相位共轭镜和半波片的共同作用；
基于每个所述处理光束对应的光强，确定所述椭圆偏振光的偏振信息。
可选地，所述将所述椭圆偏振光通过相位共轭镜、半波片和分束镜进行作用，得到至少三束处理光束，并采集每个所述处理光束对应的光强包括：
采集所述椭圆偏振光L的光强I1；
将所述椭圆偏振光L经过分束镜得到的光束，作为分束光束LH；
将所述分束光束LH经过相位共轭镜得到的光束，作为第一光束L1；
将所述分束光束LH依次经过相位共轭镜和半波片得到的光束，作为第二光束L2；
采用所述第一光束L1与分束光束LH进行光束叠加，得到第三光束L3，并采集所述第三光束L3的光强I2；
采用第二光束L2与所述分束光束LH进行光束叠加，得到第四光束L4，并采集所述第四光束L4的光强I3。
可选地，所述基于所述偏振信息确定光弹性应力值包括：
基于所述偏振信息，计算所述待检测材料的穆勒矩阵；
提取所述穆勒矩阵中应力双折射产生的相位延迟量；
根据所述相位延迟量，确定待测光弹性材料的光弹性应力值。
可选地，基于所述偏振信息，计算所述待检测材料的穆勒矩阵包括：
将初始偏振光的偏振态采用斯托克斯矢量表示，得到初始偏振光的参量信息；
结合所述初始偏振光的参量信息与所述偏振信息，计算得到所述待检测材料的穆勒矩阵。
可选地，所述深度学习网络为深度多分支特征融合网络，所述深度多分支特征融合网络为并行分支网络，所述通过深度多分支特征融合网络，对所述应力分布图像进行特征提取识别，得到缺陷特征信息包括：
将所述应力分布图像输入到所述深度多分支特征融合网络的N个分支网络中，其中，每个分支网络对应不同的膨胀率，N为大于1的正整数；
采用每个所述分支网络对输入其中的应力分布图像进行特征提取，得到N个特征提取结果；
对所述N个特征提取结果进行点卷积处理，得到融合特征；基于所述融合特征，确定待检测材料的缺陷信息。
一种基于光弹性的缺陷检测装置，包括：
偏振测算模块，用于采用初始偏振光入射待检测材料，并检测所述初始偏振光经过所述待检测材料双折射产生的椭圆偏振光的偏振信息；
应力确定模块，用于基于所述偏振信息确定光弹性应力值，并根据所述光弹性应力值生成应力分布图像；
特征提取模块，用于通过深度多分支特征融合网络，对所述应力分布图像进行特征提取识别，得到缺陷特征信息。
可选地，所述偏振测算模块包括：
光束生成单元，用于将所述椭圆偏振光通过相位共轭镜、半波片和分束镜进行作用，得到至少三束处理光束，并采集每个所述处理光束对应的光强，其中，一束所述处理光束生成过程中包含相位共轭镜作用，另一束所述处理光束生成过程中包含相位共轭镜和半波片的共同作用；
偏振信息计算单元，用于基于每个所述处理光束对应的光强，确定所述椭圆偏振光的偏振信息。
可选地，所述光束生成单元包括：第一光强确定子单元，用于采集所述椭圆偏振光L的光强I1；
分束光束生成子单元，用于将所述椭圆偏振光L经过分束镜得到的光束，作为分束光束LH；
第一光束生成子单元，用于将所述分束光束LH经过相位共轭镜得到的光束，作为第一光束L1；
第二光束生成子单元，用于将所述分束光束LH依次经过相位共轭镜和半波片得到的光束，作为第二光束L2；
第二光强确定子单元，用于采用所述第一光束L1与分束光束LH进行光束叠加，得到第三光束L3，并采集所述第三光束L3的光强I2；
第三光强确定子单元，用于采用第二光束L2与所述分束光束LH进行光束叠加，得到第四光束L4，并采集所述第四光束L4的光强I3。
可选地，所述应力确定模块包括：
穆勒矩阵确定单元，用于基于所述偏振信息，计算所述待检测材料的穆勒矩阵；
相位延迟量提取单元，用于提取所述穆勒矩阵中应力双折射产生的相位延迟量；
光弹性应力值计算单元，用于根据所述相位延迟量，确定待测光弹性材料的光弹性应力值。
可选地，所述穆勒矩阵确定单元包括：
初始偏振光的参量信息确定子单元，用于将初始偏振光的偏振态采用斯托克斯矢量表示，得到初始偏振光的参量信息；
穆勒矩阵计算子单元，用于结合所述初始偏振光的参量信息与所述偏振信息，计算得到所述待检测材料的穆勒矩阵。
可选地，特征提取模块包括：
应力分布图像输入单元，用于将所述应力分布图像输入到所述深度多分支特征融合网络的N个分支网络中，其中，每个分支网络对应不同的膨胀率，N为大于1的正整数；
特征信息并行提取单元，用于采用每个所述分支网络对输入其中的应力分布图像进行特征提取，得到N个特征提取结果；
特征信息融合单元，用于对所述N个特征提取结果进行点卷积处理，得到融合特征；
缺陷信息确定单元，用于基于所述融合特征，确定待检测材料的缺陷信息。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于光弹性的缺陷检测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于光弹性的缺陷检测方法的步骤。
上述基于光弹性的缺陷检测方法、装置、计算机设备及存储介质，采用初始偏振光入射待检测材料，并检测初始偏振光经过待检测材料双折射产生的椭圆偏振光的偏振信息，进而基于偏振信息确定光弹性应力值，并根据光弹性应力值生成应力分布图像，实现了缺陷特征的快速定位，提高了缺陷特征定位的效率，再通过深度学习网络，对应力分布图像进行特征提取识别，得到缺陷特征信息，实现了对每个缺陷目标中的特征信息的准确识别，避免遗漏过大或者过小的缺陷目标，提高缺陷检测的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，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基于光弹性的缺陷检测方法的应用环境示意图；
图2是本发明实施例提供的基于光弹性的缺陷检测方法的实现流程图；
图3是本发明实施例提供的基于光弹性的缺陷检测装置的示意图；
图4是本发明实施例提供的计算机设备的示意图。
图5是本发明实施例提供的检测初始偏振光经过待检测材料双折射产生的椭圆偏振光的偏振信息的一过程示意图。
图6是本发明实施例提供的检测初始偏振光经过待检测材料双折射产生的椭圆偏振光的偏振信息的另一过程示意图。
图7是本发明实施例提供的检测初始偏振光经过待检测材料双折射产生的椭圆偏振光的偏振信息的另一过程示意图。
图8是本发明实施例提供的深度多分支特征融合网络的示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面将结合本发明实施例中的附图，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作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。
请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于光弹性的缺陷检测方法由服务器执行，相应地，基于光弹性的缺陷检测装置设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
请参阅图2，图2示出本发明实施例提供的一种基于光弹性的缺陷检测方法，以该方法应用在图1中的服务端为例进行说明，详述如下：
S201：采用初始偏振光入射待检测材料，并检测初始偏振光经过待检测材料双折射产生的椭圆偏振光的偏振信息。
本实施例中，以光弹性材料中的半导体为例，对本实施例提供的基于光弹性的缺陷检测方法进行说明，考虑到待检测材料中如果存在裂纹、破损等缺陷时，在这些缺陷对应的位置会存在残余应力，由于残余应力会产生双折射光弹性效应，会导致光束经过该缺陷区域时偏振状态发生变化，因而，本实施例通过捕获检测过程中光束偏振信息的变化，来进行光弹性应力值的测定，具体地，采用初始偏振光入射待检测材料，并检测初始偏振光经过待检测材料双折射产生的椭圆偏振光的偏振信息。
其中，偏振信息是指初始偏振光经过待检测材料双折射产生的椭圆偏振光的琼斯矢量或者斯托克斯参量，偏振信息的具体获取过程，可参考后续实施例的描述，为避免重复，此处不再赘述。
S202：基于偏振信息确定光弹性应力值，并根据光弹性应力值生成应力分布图像。
具体地，根据偏振信息确定光弹性应力值，再基于得到的每个光弹性应力值，生成待检测材料的应力分布图像。
其中，光弹性描述了在机械变形下材料的光学性质的变化，它是所有介电介质的特性，通常用于确定材料中的应力分布。
其中，根据偏振信息确定光弹性应力值的具体实现过程，可参考后续实施例的描述，为避免重复，此处不再赘述。
S203：通过深度学习网络，对应力分布图像进行特征提取识别，得到缺陷特征信息。
通常在光弹性材料中，尤其是半导体(硅晶圆、裸芯片等)中，出现缺陷(裂纹、缺损、划痕、颗粒等)的位置，应力也会发生剧烈变化，通过检测应力分布图像中的缺陷应力变化特征，可以实现缺陷的快速检测。并且，由于应力扩散效应，应力分布图像中的缺陷范围通常都比缺陷实际范围大的多，缺陷变得更加明显，更有利于使用低分辨率的图像来检测缺陷，加快检测速度。但同时，应力扩散效应也会放大噪声应力对缺陷检测的影响，小缺陷和噪声应力的缺陷也会增加难度。本实施例采用并行多分支特征融合深度学习网络对应力分布图像进行检测识别，以准确检测不同大小缺陷目标。
本实施例中，采用初始偏振光入射待检测材料，并检测初始偏振光经过待检测材料双折射产生的椭圆偏振光的偏振信息，进而基于偏振信息确定光弹性应力值，并根据光弹性应力值生成应力分布图像，再通过并行多分支特征融合深度学习网络，对应力分布图像进行特征提取识别，得到缺陷特征信息，实现了对每个缺陷目标的准确识别，避免遗漏过大或者过小的缺陷目标，提高了缺陷检测的准确率。
在本实施例的一些可选的实现方式中，步骤S201中，检测初始偏振光经过待检测材料双折射产生的椭圆偏振光的偏振信息包括：
将椭圆偏振光通过相位共轭镜、半波片和分束镜进行作用，得到至少三束处理光束，并采集每个处理光束对应的光强，其中，一束处理光束生成过程中包含相位共轭镜作用，另一束处理光束生成过程中包含相位共轭镜和半波片的共同作用；
基于每个处理光束对应的光强，确定椭圆偏振光的偏振信息。
其中，相位共轭镜是在振幅、相位(即波阵面)及偏振态三个方面互为时间反演的光学仪器，其在四波混频时可产生相位共轭，具体地，相位共轭是指在一个过程中，输出波的相位是输入波相位的复共轭。
其中，半波片(half wave plate)是指一种针对一定厚度的双折射光弹性材料，当法向入射的光透过时，寻常光(o光)和非常光(e光)之间的位相差等于π或其奇数倍，这样的晶片称为二分之一波片，简称半波片。
具体地，通过相位共轭镜、半波片、分束镜三种方式，对椭圆偏振光的原始光束进行必要的分束、合束和偏振态变换，最终处理为至少三个分束光束。采集每个分束光束的光强，根据得到的光强，确定椭圆偏振光对应的斯托克斯参量，并将椭圆偏振光对应的斯托克斯参量作为偏振信息，用于后续光弹性应力值的计算。
需要说明的是，将椭圆偏振光的原始光束处理为至少三个分束光束，可以通过在光路中对相位共轭镜、半波片、分束镜以多种方式组合来实现，至少需要满足：一束所述处理光束生成过程中需要经过一次相位共轭镜作用，另一束处理光束在生成的过程中，需要经过一次相位共轭镜和半波片的共同作用。
将椭圆偏振光的原始光束处理为至少三个分束光束的具体实现过程，可依据上述原理灵活设定，具体也可参考后续实施例提供的具体实现方式的描述，为避免重复，此处不再赘述。
值得说明的是，得到的处理光束至少为三束，是基于后续需要通过处理光束的光强，对公式(8)中的参数进行求解，本实施例中，对椭圆偏振光的原始光束进行处理，目的是为了得到与原始光束关联但偏振态不同的光束，进而根据这些光束的光强，求解出公式(8)中的参数，进而计算出斯托克斯参量信息，并将斯托克斯参量信息作为偏振信息。
本实施例中，通过将椭圆偏振光通过相位共轭镜、半波片和分束镜进行作用，得到至少三束处理光束，并采集每个处理光束对应的光强，基于每个处理光束对应的光强，快速确定椭圆偏振光的偏振信息，提高偏振信息确定的速度和准确率。
在本实施例的一些可选的实现方式中，请参阅图5，将椭圆偏振光通过相位共轭镜、半波片和分束镜进行作用，得到至少三束处理光束，并采集每个处理光束对应的光强包括：
采集椭圆偏振光L的光强I1；
将椭圆偏振光L经过分束镜得到的光束，作为分束光束LH；
将分束光束LH经过相位共轭镜得到的光束，作为第一光束L1；
将分束光束LH依次经过相位共轭镜和半波片得到的光束，作为第二光束L2；
采用第一光束L1与分束光束LH进行光束叠加，得到第三光束L3，并采集第三光束L3的光强I2；
采用第二光束L2与分束光束LH进行光束叠加，得到第四光束L4，并采集第四光束L4的光强I3。
需要说明的是，分束光束LH的偏振态与椭圆偏振光L光束相同，光强为椭圆偏振光L光束的光强I1一半。
应理解，上述通过确定椭圆偏振光L的斯托克斯参量信息，并将椭圆偏振光L的斯托克斯参量信息作为偏振信息，只是本实施例的一种具体实施方式，在本实施例中，还可以采用琼斯矢量，来表示椭圆偏振光L的偏振信息，具体过程如下：
请继续参阅图5，建立光电场坐标系，可将任一偏振光的光电场矢量分解为两个正交轴上的分量，并以一列矩阵，即琼斯矢量，来表示E＝[Ex,Ey]T，相应的斯托克斯参量为S＝[S0，S1，S2，S3]T，它们之间的关系如下述算式(1)所示：
当用琼斯矢量描述偏振光时，偏振态的叠加，只需将对应的琼斯矢量相加即可。假设第一光束L1的琼斯矢量为E1＝[Ex1,Ey1]T，第二光束L2的琼斯矢量为E2＝[Ex2,Ey2]T，则叠加光束的琼斯矢量为E＝E1+E2＝[Ex1+Ex2,Ey1+Ey2]T。
在图5中，假设椭圆偏振光L(左旋，右旋推导类似)的琼斯矢量可采用公式(2)进行表示为：
其中，A>0,C>0,对应斯托克斯参量为SL＝[A2+B2+C2,A2-(B2+C2),2AB,2AC]T。
因而，仅需确定式中A、B、C的值，即可计算得到椭圆偏振光的斯托克斯参量。
分束光束LH由椭圆偏振光L分束得到，偏振态与椭圆偏振光L相同，光强为椭圆偏振光L的光强I1的一半，因而，根据公式(2),分束光束LH对应的琼斯矢量可采用算式(3)进行表示：
相位共轭镜的入射光和出射光在振幅、相位和偏振态方面互为时间反演，分束光束LH入射相位共轭镜，得到第一光束L1的琼斯矢量可采用算式(4)进行表示：
图5光路中半波片的快轴为x方向，对应琼斯矩阵为
根据琼斯运算，结合算式(4)，第一光束L1入射半波片，得到的第二光束L2的琼斯矢量为可采用算式(5)进行表示：
第三光束L3第一光束L1与分束光束LH进行光束叠加，根据算式(3)和算式(4)，其对应的琼斯矢量采用算式(6)进行表示：
第三光束L3对应的斯托克斯参量为SL3＝[A2+B2,A2-B2,2AB,0]T。
第四光束L4为第二光束L2与分束光束LH进行光束叠加得到，根据算式(3)和算式(5)，可将第四光束L4的琼斯矢量采用算式(7)表示：
第四光束L4对应的斯托克斯参量为SL4＝[A2+C2,A2-C2,0,2AC]T。
对于斯托克斯参量S＝[S0,S1,S2,S3]T,S0＝|Ex|2+|Ey|2,S0即为相应偏振光的总光强，可通过相机直接采集。那么，采集第三光束L3的光强I2,椭圆偏振光L的光强I1,采集第四光束L4的光强I3,可得到如下算式(8)：
对算式(8)中的三个等式联立即可得到A、B、C的值，然后可以得到椭圆偏振光L的斯托克斯参量
图5中，若第一光束L1和第二光束L2光束叠加，则得到的琼斯矢量为：
相应的斯托克斯参量为SL12＝[A2,A2,0,0]T，若采集光强为I4，有A2＝I4,那么通过I1、I2、I4也可实现A、B、C的测量。
在本实施例的一些可选的实现方式中，请参阅图6，图6为本发明实施例提供的，检测初始偏振光经过待检测材料双折射产生的椭圆偏振光的偏振信息的另一过程示意图，如图6所示，对椭圆偏振光L的光强进行采集得到光强I1；椭圆偏振光L光束通过分束镜，得到两束分束光束LH，将第一束分束光束LH经过相位共轭透射镜作用，得到第一光束L1，并将第一光束L1与第一分束光束LH叠加，得到第三光束L3，对第三光束L3的光强进行采集得到光强I2；将第二束分束光束LH经过相位共轭透射镜和半波片共同作用，得到第二光束L2，并将第二光束L2与经过相位共轭透射镜作用得到的第一光束L1叠加，得到第四光束L4，对第四光束L4的光强进行采集得到光强I3，进而通过下述公式(17)，可实现通过光强图像数值计算得到出射光束的斯托克斯矢量，即偏振信息。
公式(17)具体为：
A2+B2+C2＝I1
A2+B2＝I2 (17)
A2＝I3
图6对应的出射光束的斯托克斯矢量的具体计算过程，与图5对应的实施方式类似，为避免重复，此处不再赘述。
在本实施例的一些可选的实现方式中，图7为本发明实施例提供的，检测初始偏振光经过待检测材料双折射产生的椭圆偏振光的偏振信息的另一过程示意图，如图7所示，椭圆偏振光L光束通过分束镜作用，得到两束分束光束LH，将第一束分束光束LH经过相位共轭透射镜作用，得到第一光束L1，并将第一光束L1与第一分束光束LH叠加，得到第三光束L3，对第三光束L3的光强进行采集得到光强I2；将第二束分束光束LH经过相位共轭透射镜和半波片共同作用，得到第二光束L2，并将第二光束L2与第二分束光束LH叠加，得到第四光束L4，对第四光束L4的光强进行采集得到光强I3；将第三光束L3与第四光束L4进行叠加，得到第五光束L5，对第五光束L5的光强进行采集得到光强I1，进而通过下述公式(18)，可实现通过光强图像数值计算得到出射光束的斯托克斯矢量，即偏振信息。
公式(18)具体为：
图7对应的出射光束的斯托克斯矢量的具体计算过程，与图5对应的实施方式类似，为避免重复，此处不再赘述。
类推其他不同的组合计算方式，即可以通过不同的光束叠加方式实现A、B、C的测量，并不仅限于图5和/或图6和/或图7提到的组合，具体也可以是采用更多基于上述原理衍生出的其他方式，此处不应理解为对其的限制。
本实施例中，通过对椭圆偏振光进行处理得到三种光束的光强，并根据得到的三种光束的光强，快速确定待检测材料双折射产生的椭圆偏振光的偏振信息，提高偏振信息确定的效率。
在本实施例的一些可选的实现方式中，步骤S202中，基于偏振信息确定光弹性应力值包括：
基于偏振信息，计算待检测材料的穆勒矩阵；
提取穆勒矩阵中应力双折射产生的相位延迟量；
根据相位延迟量，确定待测光弹性材料的光弹性应力值。
具体地，在得到椭圆偏振光的偏振信息后，通过偏振信息计算待检测材料的穆勒矩阵，进而对穆勒矩阵进行分解，提取穆勒矩阵中，由应力双折射产生的相位延迟量，进而根据该相位延迟量，确定待测光弹性材料的光弹性应力值。
需要说明的是，目前通用的存在两种不同的方式来描述电磁波与待检测样本之间的作用，一为琼斯矩阵，一为穆勒矩阵。在琼斯矩阵表示法，电磁波在作用前与作用后以具有两个复数值的琼斯矢量来描述，而其间的转换则是以一具复数值的2乘2矩阵(即琼斯矩阵)表现。在穆勒矩阵表示法，作用前、后的电磁波则以具四实数项的斯托克斯矢量表示，作用之转换描述矩阵则是4乘4共16实数项的穆勒矩阵。当没有偏振或退偏振化发生时，两种型式完全相符，因此对于非退偏振化样品，通常使用琼斯矩阵的型式就足够了。但若样品会退偏振化，则为了取得退偏振化的量，必须要使用穆勒矩阵型式。本实施例中，考虑到存在缺陷时，可能导致厚度不一致，这会造成退偏振化，因而，本实施例采用穆勒矩阵来进行光弹性应力值的确定，准确度更高。
进一步地，穆勒矩阵M可分解为三个矩阵相乘的形式：
M＝MΔMRMD
其中MR是双折射相位延迟矩阵，MΔ是退偏矩阵，MD是二向衰减矩阵。在MR矩阵中，由应力产生的线性双折射相位延迟量δ可以通过算式(9)计算得到：
δ＝cos-1({[MR(2,2)+MR(3,3)]2+[MR(3,2)+MR(2,3)]2}1/2-1) (9)
穆勒矩阵中包含物体对于入射光的相位延迟信息，如果已知物体的穆勒矩阵，通过适当的数值计算即可求得算式(9)中的相位延迟量δ。
其中，基于偏振信息，计算待检测材料的穆勒矩阵的具体实现过程，可参考后续实施例的描述，为避免重复，此处不再赘述。
其中，根据相位延迟量，确定待测光弹性材料的光弹性应力值的具体实现过程，可参考后续实施例的描述，为避免重复，此处不再赘述。
本实施例中，偏振信息快速准确地确定光弹性应力值，进而在后续根据应力值生成应力分布图，有利于提高根据应力分布图进行缺陷检测的准确性。
在本实施例的一些可选的实现方式中，基于偏振信息，计算待检测材料的穆勒矩阵包括：
将初始偏振光的偏振态采用斯托克斯矢量表示，得到初始偏振光的参量信息；
结合初始偏振光的参量信息与偏振信息，计算得到待检测材料的穆勒矩阵。
具体地，采用斯托克斯矢量对初始偏振光的偏振态进行表示，得到椭圆偏振光的参量信息，初始偏振光在入射到待检测材料后，经过待检测材料双折射产生的椭圆偏振光的偏振信息也可以采用斯托克斯矢量表示，作为椭圆偏振光的参量信息，应力理论中，光在入射到物体后出射光偏振态的斯托克斯矢量等于穆勒系数矩阵与入射光的斯托克斯矢量的乘积，也即，本实施例中，椭圆偏振光的参量信息等于穆勒系数矩阵与初始偏振光的参量信息的乘积。如下述算式(10)或者算式(11)：
S′＝MS (10)
式中：S表示初始偏振光的参量信息，S′表示椭圆偏振光的参量信息，M为待检测材料的穆勒矩阵。S和S′都是一组4×1的向量，穆勒矩阵M是一组4×4的系数矩阵。穆勒矩阵的16个元素中，m00体现出待检测材料对初始偏振光的传输散射、反射光强的能力；m01,m02,m03分别体现出待检测材料对初始偏振光的水平、垂直和圆性双向衰减能力；m10,m20,m30体现出待检测材料对入射非偏振光的偏振能力；其余九个元素体现出待检测材料对于初始偏振光的退偏振和相位延迟能力。
本实施例中，通过初始偏振光的参量信息与偏振信息，快速确定待检测材料的穆勒矩阵，在后续通过穆勒矩阵确定光弹性应力值，有利于提升确定光弹性应力值的速度，提高效率。
在本实施例的一些可选的实现方式中，根据相位延迟量，确定待测光弹性材料的光弹性应力值包括：
采用公式(12)计算待测光弹性材料的光弹性应力值ΔF：
ΔF＝δλ/2πCt (12)
其中，C为待检测的应力光学常数，λ为入射偏振光的波长。因此，可以通过求偏振光经过物体后的相位延迟量δ来求光弹性应力值。
具体地，根据应力-光学定律，当一偏振光垂直入射厚度为t存在应力作用的光弹性材料物体时，由于双折射效应，沿两主应力方向的偏振分量通过物体后产生的光程差D与物体的厚度t及主应力差ΔF＝(F1-F2)的关系为
ΔF＝D/Ct (13)
考虑到本实施例中，通过穆勒矩阵可提取应力双折射产生的相位延迟量，因而，将光程差换算为相应的相位延迟量δ，则可通过公式(13)快速计算出光弹性应力值。
本实施例中，通过已经获取到的相位延迟量，快速进行光弹性应力值的确定，提高获取光弹性应力值的效率。
在本实施例的一些可选的实现方式中，步骤S203中，深度学习网络为深度多分支特征融合网络，深度多分支特征融合网络为并行分支网络，通过深度多分支特征融合网络，对应力分布图像进行特征提取识别，得到缺陷特征信息包括：
将应力分布图像输入到深度多分支特征融合网络的N个分支网络中，其中，每个分支网络对应不同的膨胀率，N为大于1的正整数；
采用每个分支网络对输入其中的应力分布图像进行特征提取，得到N个特征提取结果；
对N个特征提取结果进行点卷积处理，得到融合特征；
基于融合特征，确定待检测材料的缺陷信息。
具体地，由于应力扩散效应，应力分布图像中的缺陷范围通常都比缺陷实际范围大的多，缺陷变得更加明显，更有利于使用低分辨率的图像来检测缺陷，加快检测速度，同时，应力扩散效应也会放大噪声应力对缺陷检测的影响，增加微小缺陷检测的难度，基于此，请参阅图8，图8示出了本实施例采用深度多分支特征融合网络，对应力分布图像进行特征提取识别的过程，本实施例采用不同膨胀率的分支网络进行特征提取，确保空洞卷积在不使用池化操作造成损失信息的情况下增加感受野，使得每个卷积输出都可以保留特征图的空间信息，实现精确的像素级预测和目标分割，同时，考虑到前向传播过程中会造成不同膨胀率的空洞卷积所接受的信息不平衡问题，本实施例构造并行的多分支网络结构，在每个分支上采用不同膨胀率的卷积核，使不同大小感受野的特征层具有统一的表示能力，互不影响，进而每一个分支上特征图进行空间像素点激活，实现特征增强；最后将每个分支提取的特征信息进行特征融合，实现对各类不同大小的缺陷目标进行精准检测。
其中，分支网络的数量N，具体可以根据实际需求进行设定，此处不作限制，作为一种优选方式，本实施例中N设置为3，即采用三个分支网络，三个分支网络分别采用1、2、4倍的膨胀率，产生不同的感受野，实现对不同细粒度的特征信息的提取。
进一步地，每个分支网络对输入其中的应力分布图像进行特征提取，得到特征提取结果的具体实现过程包括如下步骤：
步骤A)通过分支网络的卷积核对应力分布图像进行卷积处理，得到初始特征图；
步骤B)将各个通道上的维度为H×W×C的初始特征图，沿通道轴方向进行最大值池化操作；
步骤C)将池化结果利用sigmoid激活函数进行非线性的全连接操作，生成初始特征图中各个像素点对应的权重值；
步骤D)基于各个像素点对应的权重值，对初始特征图进行重校准，得到校准特征图，将校准特征图中的特征，作为特征提取结果。
其中，沿通道轴方向的最大值池化操作利用以下公式(14)表示：
αh,w＝Max(D(c)) (14)
其中D(c)表示深度为C的因式分解卷积层所有初始特征图上在同一位置上的像素点灰度值，αh,w表示因式分解卷积校准特征图的第h行第w列的特征元素在所有C个通道上的最大值。
进一步地，对当前沿通道轴方向的最大值池化值进行一次非线性的全连接操作，根据以下公式(15)表示：
σ表示sigmoid激活函数，γ为relu激活函数对应的权重，W1为全连接层对应的权重，βh,w表示多维特征激活层的第h行第w列的特征元素在所有C个通道上的所述当前最大池化值αh,w对应的权重值。
进一步地，对每个分支上各个通道的初始特征图进行点卷积处理，得到融合特征，可通过以下公式(16)表示：
其中，
表示各个分支上卷积层的第c个通道对应的特征提取结果，Vc表示第c个通道对应的卷积核，C表示卷积层的通道总数，P表示利用点卷积将各个通道上的特征提取结果进行特征融合后的融合特征。
本实施例中，采用不同膨胀率的分支网络进行特征提取，确保空洞卷积在不使用池化操作造成损失信息的情况下增加感受野，使得每个卷积输出都可以保留特征图的空间信息，实现精确的像素级预测和目标分割，同时，考虑到前向传播过程中会造成不同膨胀率的空洞卷积所接受的信息不平衡问题，本实施例构造并行的多分支网络结构，在每个分支上采用不同膨胀率的卷积核，使不同大小感受野的特征层具有统一的表示能力，互不影响，进而每一个分支上特征图进行空间像素点激活，实现特征增强；最后将每个分支提取的特征信息进行特征融合，实现对各类不同大小的缺陷目标进行精准检测，避免遗漏过大或者过小的缺陷目标，提高对缺陷目标检测的精准程度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种基于光弹性的缺陷检测装置，该基于光弹性的缺陷检测装置与上述实施例中基于光弹性的缺陷检测方法一一对应。如图3所示，该基于光弹性的缺陷检测装置包括偏振测算模块31、应力确定模块32和特征提取模块33。各功能模块详细说明如下：
偏振测算模块31，用于采用初始偏振光入射待检测材料，并检测初始偏振光经过待检测材料双折射产生的椭圆偏振光的偏振信息；
应力确定模块32，用于基于偏振信息确定光弹性应力值，并根据光弹性应力值生成应力分布图像；
特征提取模块33，用于通过深度学习网络，对应力分布图像进行特征提取识别，得到缺陷特征信息。
偏振测算模块31包括：
光束生成单元，用于将椭圆偏振光通过相位共轭镜、半波片和分束镜进行作用，得到至少三束处理光束，并采集每个处理光束对应的光强，其中，一束所述处理光束生成过程中包含相位共轭镜作用，另一束处理光束生成过程中包含相位共轭镜和半波片的共同作用；
偏振信息计算单元，用于基于每个处理光束对应的光强，确定椭圆偏振光的偏振信息。
可选地，光束生成单元包括：
第一光强确定子单元，用于采集椭圆偏振光L的光强I1；
分束光束生成子单元，用于将椭圆偏振光L经过分束镜得到的光束，作为分束光束LH；
第一光束生成子单元，用于将分束光束LH经过相位共轭镜得到的光束，作为第一光束L1；
第二光束生成子单元，用于将分束光束LH依次经过相位共轭镜和半波片得到的光束，作为第二光束L2；
第二光强确定子单元，用于采用第一光束L1与分束光束LH进行光束叠加，得到第三光束L3，并采集第三光束L3的光强I2；
第三光强确定子单元，用于采用第二光束L2与分束光束LH进行光束叠加，得到第四光束L4，并采集第四光束L4的光强I3。
可选地，应力确定模块32包括：
穆勒矩阵确定单元，用于基于偏振信息，计算待检测材料的穆勒矩阵；
相位延迟量提取单元，用于提取穆勒矩阵中应力双折射产生的相位延迟量；
光弹性应力值计算单元，用于根据相位延迟量，确定待测光弹性材料的光弹性应力值。
可选地，穆勒矩阵确定单元包括：
初始偏振光的参量信息确定子单元，用于将初始偏振光的偏振态采用斯托克斯矢量表示，得到初始偏振光的参量信息；
穆勒矩阵计算子单元，用于结合初始偏振光的参量信息与偏振信息，计算得到待检测材料的穆勒矩阵。
可选地，光弹性应力值计算单元包括：
光弹性应力值计算子单元，用于采用如下公式计算待测光弹性材料的光弹性应力值ΔF：
ΔF＝δλ/2πCt
其中，C为待检测的应力光学常数，λ为入射偏振光的波长。因此，可以通过求偏振光经过物体后的相位延迟量δ来求光弹性应力值。
可选地，特征提取模块33包括：
应力分布图像输入单元，用于将应力分布图像输入到深度多分支特征融合网络的N个分支网络中，其中，每个分支网络对应不同的膨胀率，N为大于1的正整数；
特征信息并行提取单元，用于采用每个分支网络对输入其中的应力分布图像进行特征提取，得到N个特征提取结果；
特征信息融合单元，用于对N个特征提取结果进行点卷积处理，得到融合特征；
缺陷信息确定单元，用于基于融合特征，确定待检测材料的缺陷信息。
关于基于光弹性的缺陷检测装置的具体限定可以参见上文中对于基于光弹性的缺陷检测方法的限定，在此不再赘述。上述基于光弹性的缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的缓存清理方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (8)
1.一种基于光弹性的缺陷检测方法，其特征在于，包括：
采用初始偏振光入射待检测材料，并检测所述初始偏振光经过所述待检测材料双折射产生的椭圆偏振光的偏振信息；
基于所述偏振信息确定光弹性应力值，并根据所述光弹性应力值生成应力分布图像；
通过深度学习网络，对所述应力分布图像进行特征提取识别，得到缺陷特征信息；
其中，所述检测所述偏振光经过所述待检测材料双折射产生的椭圆偏振光的偏振信息包括：
将所述椭圆偏振光通过相位共轭镜、半波片和分束镜进行作用，得到至少三束处理光束，并采集每个所述处理光束对应的光强，其中，一束所述处理光束生成过程中包含相位共轭镜作用，另一束所述处理光束生成过程中包含相位共轭镜和半波片的共同作用，所述处理光束受到所述相位共轭镜作用前，已至少经历一次所述分束镜作用；
基于每个所述处理光束对应的光强，确定所述椭圆偏振光的偏振信息；
其中，所述将所述椭圆偏振光通过相位共轭镜、半波片和分束镜进行作用，得到至少三束处理光束，并采集每个所述处理光束对应的光强包括：
采集所述椭圆偏振光L的光强I1；
将所述椭圆偏振光L经过分束镜得到的光束，作为分束光束LH；
将所述分束光束LH经过相位共轭镜得到的光束，作为第一光束L1；
将所述分束光束LH依次经过相位共轭镜和半波片得到的光束，作为第二光束L2；
采用所述第一光束L1与分束光束LH进行光束叠加，得到第三光束L3，并采集所述第三光束L3的光强I2；
采用第二光束L2与所述分束光束LH进行光束叠加，得到第四光束L4，并采集所述第四光束L4的光强I3。
2.如权利要求1所述的基于光弹性的缺陷检测方法，其特征在于，所述基于所述偏振信息确定光弹性应力值包括：
基于所述偏振信息，计算所述待检测材料的穆勒矩阵；
提取所述穆勒矩阵中应力双折射产生的相位延迟量；
根据所述相位延迟量，确定待测光弹性材料的光弹性应力值。
3.如权利要求2所述的基于光弹性的缺陷检测方法，其特征在于，基于所述偏振信息，计算所述待检测材料的穆勒矩阵包括：
将初始偏振光的偏振态采用斯托克斯矢量表示，得到初始偏振光的参量信息；
结合所述初始偏振光的参量信息与所述偏振信息，计算得到所述待检测材料的穆勒矩阵。
4.如权利要求1所述的基于光弹性的缺陷检测方法，其特征在于，所述深度学习网络为深度多分支特征融合网络，所述深度多分支特征融合网络为并行分支网络，所述通过深度学习网络，对所述应力分布图像进行特征提取识别，得到缺陷特征信息包括：
将所述应力分布图像输入到所述深度多分支特征融合网络的N个分支网络中，其中，每个分支网络对应不同的膨胀率，N为大于1的正整数；
采用每个所述分支网络对输入其中的应力分布图像进行特征提取，得到N个特征提取结果；
对所述N个特征提取结果进行点卷积处理，得到融合特征；
基于所述融合特征，确定待检测材料的缺陷信息。
5.一种基于光弹性的缺陷检测装置，其特征在于，所述基于光弹性的缺陷检测装置包括：
偏振测算模块，用于采用初始偏振光入射待检测材料，并检测所述初始偏振光经过所述待检测材料双折射产生的椭圆偏振光的偏振信息；
应力确定模块，用于基于所述偏振信息确定光弹性应力值，并根据所述光弹性应力值生成应力分布图像；
特征提取模块，用于通过深度多分支特征融合网络，对所述应力分布图像进行特征提取识别，得到缺陷特征信息；
所述偏振测算模块包括：
光束生成单元，用于将所述椭圆偏振光通过相位共轭镜、半波片和分束镜进行作用，得到至少三束处理光束，并采集每个所述处理光束对应的光强，其中，一束所述处理光束生成过程中包含相位共轭镜作用，另一束所述处理光束生成过程中包含相位共轭镜和半波片的共同作用，所述处理光束受到所述相位共轭镜作用前，已至少经历一次所述分束镜作用；
偏振信息计算单元，用于基于每个所述处理光束对应的光强，确定所述椭圆偏振光的偏振信息；
其中，光束生成单元包括：
第一光强确定子单元，用于采集椭圆偏振光L的光强I1；
分束光束生成子单元，用于将所述椭圆偏振光L经过分束镜得到的光束，作为分束光束LH；
第一光束生成子单元，用于将所述分束光束LH经过相位共轭镜得到的光束，作为第一光束L1；
第二光束生成子单元，用于将所述分束光束LH依次经过相位共轭镜和半波片得到的光束，作为第二光束L2；
第二光强确定子单元，用于采用所述第一光束L1与所述分束光束LH进行光束叠加，得到第三光束L3，并采集所述第三光束L3的光强I2；
第三光强确定子单元，用于采用所述第二光束L2与所述分束光束LH进行光束叠加，得到第四光束L4，并采集所述第四光束L4的光强I3。
6.如权利要求5所述的基于光弹性的缺陷检测装置，其特征在于，所述应力确定模块包括：
穆勒矩阵确定单元，用于基于所述偏振信息，计算所述待检测材料的穆勒矩阵；
相位延迟量提取单元，用于提取所述穆勒矩阵中应力双折射产生的相位延迟量；
光弹性应力值计算单元，用于根据所述相位延迟量，确定待测光弹性材料的光弹性应力值。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于光弹性的缺陷检测方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于光弹性的缺陷检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110170546.1A CN112802003B (zh) | 2021-02-08 | 2021-02-08 | 基于光弹性的缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110170546.1A CN112802003B (zh) | 2021-02-08 | 2021-02-08 | 基于光弹性的缺陷检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112802003A CN112802003A (zh) | 2021-05-14 |
| CN112802003B true CN112802003B (zh) | 2022-05-06 |
Family
ID=75814713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110170546.1A Active CN112802003B (zh) | 2021-02-08 | 2021-02-08 | 基于光弹性的缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112802003B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116205918B (zh) * | 2023-04-28 | 2023-07-21 | 锋睿领创(珠海)科技有限公司 | 基于图卷积的多模态融合半导体检测方法、装置及介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2348482A1 (fr) * | 1976-04-14 | 1977-11-10 | Tech Ind Mecaniquesi Fr Centre | Procede et dispositif de photoelasticimetrie |
| US7714997B2 (en) * | 2006-11-07 | 2010-05-11 | Hitachi High-Technologies Corporation | Apparatus for inspecting defects |
| CN111386449B (zh) * | 2019-03-22 | 2022-03-25 | 合刃科技（深圳）有限公司 | 曲面检材的应力分析系统 |
| CN111414931B (zh) * | 2019-12-31 | 2023-04-25 | 杭州电子科技大学 | 一种基于图像深度的多分支多尺度小目标检测方法 |
-
2021
- 2021-02-08 CN CN202110170546.1A patent/CN112802003B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112802003A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rossi et al. | Effect of DIC spatial resolution, noise and interpolation error on identification results with the VFM | |
| JP2012202989A (ja) | 試験紙読み取り分析システムおよび方法 | |
| Terrier et al. | Segmentation of rough surfaces using a polarization imaging system | |
| Méité et al. | Characterization of mixed-mode fracture based on a complementary analysis by means of full-field optical and finite element approaches | |
| CN112802003B (zh) | 基于光弹性的缺陷检测方法、装置、设备及存储介质 | |
| CN110763706A (zh) | 分析晶体缺陷的系统和方法 | |
| Sun et al. | Non-contact optical sensing of asphalt mixture deformation using 3D stereo vision | |
| KR20210036319A (ko) | 텍스트 콘텐츠의 식별 방법, 장치 및 전자 기기 | |
| KR20160025865A (ko) | 박막 두께 측정 장치, 이를 포함하는 시스템 및 박막 두께 측정 방법 | |
| Guan et al. | Defect detection method for specular surfaces based on deflectometry and deep learning | |
| CN111492198A (zh) | 物体形状测量装置和方法以及程序 | |
| Long et al. | A deep learning-based fatigue crack growth rate measurement method using mobile phones | |
| Pagnotta | Recent progress in identification methods for the elastic characterization of materials | |
| Su et al. | Genetic algorithms for defect detection of flip chips | |
| CN116205918B (zh) | 基于图卷积的多模态融合半导体检测方法、装置及介质 | |
| US11846498B2 (en) | Displacement amount measuring device, displacement amount measuring method, and recording medium | |
| KR20210102458A (ko) | 정보를 취득하는 방법 및 장치 | |
| Wang et al. | A nondestructive raman spectra stress 2D analysis for the pressure sensor sensitive silicon membrane | |
| KR102434442B1 (ko) | 검사 대상의 결함 검사를 고속으로 수행하는 방법 및 이를 수행하는 장치들 | |
| JP2022508111A (ja) | 複屈折欠陥に関してガラス系基板の自動化された評価を行うためのシステムおよび方法 | |
| Duan et al. | Video Motion Magnification and Subpixel Edge Detection‐Based Full‐Field Dynamic Displacement Measurement | |
| CN117115568B (zh) | 数据筛选方法、装置、设备及存储介质 | |
| JP7499337B2 (ja) | 検査システム、学習方法、検査方法、及び記憶媒体 | |
| Jian et al. | Application of machine learning for defect detection in FRP-bonded systems with different defect sizes | |
| CN114370962A (zh) | 光学元件表面应力的测量方法以及装置 |
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 |