CN112950650B - 适用于高精度形貌测量的深度学习畸变光斑中心提取方法 - Google Patents

Abstract

本发明公开了一种适用于高精度形貌测量的深度学习畸变光斑中心提取方法，包括以下步骤：S1、通过复光束角度传感器采集多光斑图像，进行光斑判别；S2、对经过光斑判别后的多光斑图像进行光斑分割；S3、进行基于DSCNet的光斑校正，使畸变光斑的能量分布近似于高斯光斑；S4、进行高斯拟合法中心提取。本发明能够校正畸变光斑，提高畸变光斑中心的提取精度，自适应能力强，提高复光束角度传感器的测量精度。通过本发明，复光束角度传感器能够准确地测量大曲率工件的三维形貌，能在工业上得到广泛应用。

Description

适用于高精度形貌测量的深度学习畸变光斑中心提取方法

技术领域

本发明涉及激光测量的技术领域，尤其涉及到适用于高精度形貌测量的深度学习畸变光斑中心提取方法。

背景技术

目前，形貌测量机在高精度光学元件检测领域应用广泛，特别是在加工不同曲率的光学元器件的过程中，实时检测的形貌信息可以被反馈到加工系统中，用来指导下一个加工工序，保证光学元器件有很高的精度。复光束角度传感器是一种通过测量工件表面角度差来进行三维重建的形貌测量机，其角度差是通过测量采集到的激光光斑中心距离进行计算的。但是在测量大曲率光学元件时，存在畸变光斑中心无法准确提取的问题，严重影响到了角度差计算的精确度，使得复光束角度传感器无法准确重建出三维形貌，其测量范围也受到了限制。

有许多专家研究激光光斑中心提取的问题。常用的光斑中心提取算法有质心法、亚像素灰度质心提取法、圆拟合法、椭圆拟合法和高斯拟合法。其中质心法实现简单，但是它的精度不够。亚像素灰度质心提取效率高，应用广泛，但是它的精度也很低。为了解决亚像素灰度质心提取精度低的问题，Dong等人提出了一种基于LRSD的图像去噪方法来提高亚像素灰度质心提取算法的精度。圆拟合法和椭圆拟合法是通过对光斑的边缘进行拟合，所以它们的精度受到边缘的影响较大。而高斯拟合法充分利用了光斑的能量分布信息，使其在中心定位方面能获得很高的精度，其适用于高斯分布的光斑点图像，但对于畸变严重的不规则光斑却无能为力。无法精确提取激光光斑中心会导致复光束角度传感器的测量精度降低，限制了其应用范围。因此，开发校正畸变光斑和提高畸变光斑中心的提取精度非常有助于复光束角度传感器的应用和发展。

发明内容

针对畸变光斑中心无法精确提取导致复光束角度传感器精度下降的问题，本发明提供了适用于高精度形貌测量的深度学习畸变光斑中心提取方法，该方法能够校正畸变光斑，提高畸变光斑中心的提取精度，自适应能力强，提高复光束角度传感器的测量精度。通过该方法，复光束角度传感器能够准确地测量大曲率工件的三维形貌，能在工业上得到广泛应用。

为实现上述目的，本发明所提供的技术方案为：

适用于高精度形貌测量的深度学习畸变光斑中心提取方法，包括以下步骤：

S1、通过复光束角度传感器采集多光斑图像，进行光斑判别；

S2、对经过光斑判别后的多光斑图像进行光斑分割；

S3、进行基于DSCNet的光斑校正，使畸变光斑的能量分布近似于高斯光斑；

S4、进行高斯拟合法中心提取。

进一步地，所述步骤S1光斑判别包括以下步骤：

S1-1、利用最大类间方差法求得多光斑图的二值化阈值并对其进行二值化；

S1-2、找出所有的8邻接连通域，统计所有连通域的像素点个数，按像素个数从多到少排序，得到连通域像素数序列{L(Ω₁),L(Ω₂),…,L(Ω_k),…,L(Ω_K)}，L(Ω_k)表示第k个连通域Ω_k的像素个数，总共有K个连通域；

S1-3、计算连通域像素数序列向后差分T_k：

T_k＝L(Ω_k)-L(Ω_k+1)

找到最大差分值T_b＝max{T₁,T₂,…,T_K-1}；

S1-4、计算出光斑连通域的阈值δ：

S1-5、通过光斑判别阈值δ判断某个连通域是否为光斑，像素个数L(Ω_k)大于δ的连通域为光斑连通域，光斑连通域的中心估计值计算公式为

其中，

表示第k个光斑连通域的估计中心坐标，x_n(Ω_k)和y_n(Ω_k)分别表示第k个光斑连通域的第n个像素点的横坐标与纵坐标。

进一步地，所述步骤S3进行光斑校正时，将切割出来的畸变光斑子图集D中所有图片输入到DSCNet，之后输出即为与原光斑有相同中心点的高斯光斑图片，其数学模型表示如下：

上式中，

表示输出的高斯光斑图像，G(·)为隐函数，表示深度卷积神经网络，Ψ为深度卷积神经网路的网络参数；

所述深度卷积神经网络采用一组仿真数据集

进行训练，该数据集由M组畸变及高斯光斑图像组成；D_m为仿真的畸变光斑，S_m为与畸变光斑D_m有相同中心点的高斯光斑；在深度神经网络训练过程中，采用ADAM函数对损失函数L_oss(Ψ)进行优化，损失函数表示如下：

经过训练，得到优化参数

对于由复光束角度传感器采集的多光斑图像，并经过光斑判别与分割得到的子图像集D，通过

得到高斯光斑图像集。

进一步地，所述步骤S4进行高斯拟合法中心提取的具体过程如下：

S4-1、对校正后的光斑图片进行中值滤波，滤除图像的高斯噪声，平滑光斑边缘线；

S4-2、对光斑进行高斯拟合，二维高斯分布的基本模型为：

上式中，E表示光斑的总能量，σ表示高斯函数的均方差，(x₀,y₀)表示光斑的中心坐标；采用最小二乘法求得光斑能量分布二维高斯拟合的最优参数解，最终得到光斑的精确中心(x₀,y₀)。

与现有技术相比，本方案原理及优点如下：

1)利用连通域像素个数的分布规律计算光斑的判别阈值，充分考虑图像本身的信息特征，有很强的自适应能力，能够准确地筛选出光斑区域。

2)采用中心估计与光斑分割的方法，把每一个光斑从多光斑图像中分离出来，将多光斑校正与精确定位的问题转化为单光斑校正与精确定位，降低了该方法的复杂度，大大便利了后续的操作。

3)提出一种深度学习光斑校正方法，可以快速地将大批量的畸变光斑校正为高斯光斑，并且精确地保留光斑的中心信息。

4)采用基于光斑校正的高斯拟合算法提取光斑中心，克服了传统高斯拟合法不能精确提取非高斯光斑的难题，能够提取出畸变程度不同的光斑的中心坐标，精度达到亚像素级别，大大提高了复光束角度传感器的测量精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，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的前提下，还可以根据这些附图获得其他的附图。

图1为实施方式中适用于高精度形貌测量的深度学习畸变光斑中心提取方法的原理流程图；

图2为实施方式中复光束角度传感器的结构及光路示意图；

图3为实施方式中DSCNet的网络架构示意图，(a)为总网络架构，(b)为上采样层的组成结构，(c)为下采样层的组成结构，(d)为过渡层的组成结构，(e)为输出层的组成结构；

图4为实施方式中曲率半径为500mm的平凸棱镜的光斑中心提取效果图；

图5为实施方式中曲率半径为700mm的平凸棱镜的光斑中心提取效果图；

图6为实施方式中曲率半径为1000mm的平凸棱镜的光斑中心提取效果图。

上述附图中的标号说明：

1-半导体激光器，2-聚光透镜，3-针孔，4-准直透镜，5-光圈，6-分束器，7-柱面透镜，8-微透镜阵列，9-CMOS相机，10-工件，①-光斑识别与分割，②-光斑校正，③-光斑中心提取。

具体实施方式

在结合具体实施例对本发明作进一步说明之前，先对针对的复光束角度传感器作详细介绍：

复光束角度传感器的结构及光路如图2所示。

首先半导体激光器1射出的激光光束依次穿过聚光透镜2和针孔3，由准直透镜4进行准直，由光圈5改变大小。然后，光束由分束器6反射并通过柱面透镜7投射到工件10表面。从工件10表面反射出来的光束穿过分束器6到达微透镜阵列8，被微透镜阵列8分为若干光束并聚焦。光斑图像被CMOS相机9记录。通过测量光斑点之间的距离，可以计算并还原出测量工件10的三维形貌。因此光斑中心的定位显得尤为重要，影响着三维形貌测量的范围和精度。

下面结合具体实施例对本发明作进一步说明：

如图1所示，本发明实施例所述的适用于高精度形貌测量的深度学习畸变光斑中心提取方法，包括以下步骤：

S1、用曲率半径为500mm、700mm、1000mm的平凸棱镜作为工件10，通过复光束角度传感器对它们进行圆周扫描，得到一系列多光斑图像后，对该些多光斑图像进行光斑判别，光斑的判别过程如下：

S1-1、利用最大类间方差法求得多光斑图的二值化阈值并对其进行二值化；

S1-2、找出所有的8邻接连通域，统计所有连通域的像素点个数，按像素个数从多到少排序，得到连通域像素数序列{L(Ω₁),L(Ω₂),…,L(Ω_k),…,L(Ω_K)}，L(Ω_k)表示第k个连通域Ω_k的像素个数，总共有K个连通域；

S1-3、计算连通域像素数序列向后差分T_k：

T_k＝L(Ω_k)-L(Ω_k+1)

找到最大差分值T_b＝max{T₁,T₂,…,T_K-1}；

S1-4、计算出光斑连通域的阈值δ：

S1-5、通过光斑判别阈值δ判断某个连通域是否为光斑，像素个数L(Ω_k)大于δ的连通域为光斑连通域，光斑连通域的中心估计值计算公式为

其中，

表示第k个光斑连通域的估计中心坐标，x_n(Ω_k)和y_n(Ω_k)分别表示第k个光斑连通域的第n个像素点的横坐标与纵坐标。

S2、对经过光斑判别后的多光斑图像进行光斑分割；

如图4，5，6所示，光斑分割是以每一个光斑连通域估计中心为中点，切割出大小为128×128的单光斑子图，记为D_i；将多光斑图像中所有的光斑切割出来，得到一个子图集D＝{D₁,D₂,…,D_i,…D_N}，N为多光斑图像中光斑的数量。

S3、进行基于DSCNet的光斑校正；

光斑校正是通过DSCNet实现的，DSCNet的网络架构如图3所示。将切割出来的畸变光斑子图集D中所有图片输入到DSCNet，之后输出即为与原光斑有相同中心点的高斯光斑图片。其数学模型表示如下：

上式中，

表示输出的高斯光斑图像，G(·)为隐函数，表示深度卷积神经网络，Ψ是深度卷积神经网路的网络参数；

该深度卷积神经网络采用了一组仿真数据集

进行训练，该数据集由M为5000组且由MATLAB平台仿真的“畸变光斑—高斯光斑”图像组成。D_m为仿真的畸变光斑，S_m为与畸变光斑D_m有相同中心点的高斯光斑。在深度神经网络训练过程中，采用ADAM函数对损失函数L_oss(Ψ)进行优化，损失函数表示如下：

经过训练，可以得到优化参数

如图4，5，6所示，复光束角度传感器扫描曲率半径为500mm、700mm、1000mm的平凸透镜采集得到的多光斑图像，经过光斑判别与分割得到的子图像集D，不同曲率工件扫描得到的光斑畸变程度不同，但通过

都能得到一个高斯光斑图像集。

S4、进行高斯拟合法中心提取；

经过DSCNet的校正，畸变光斑的能量分布近似于高斯光斑。对校正后的光斑图片进行中值滤波，滤除图像的高斯噪声，使得光斑边缘线比较平滑。然后对光斑进行高斯拟合，二维高斯分布的基本模型为：

上式中，E表示光斑的总能量，σ表示高斯函数的均方差，(x₀,y₀)表示光斑的中心坐标。采用最小二乘法求得光斑能量分布二维高斯拟合的最优参数解。如图4，5，6所示，扫描曲率半径为500mm、700mm、1000mm的平凸棱镜得到的光斑图像的中心位置都能被精确地提取出来。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (3)

1.适用于高精度形貌测量的深度学习畸变光斑中心提取方法，其特征在于，包括以下步骤：

S1、通过复光束角度传感器采集多光斑图像，进行光斑判别；

S2、对经过光斑判别后的多光斑图像进行光斑分割；

S3、进行基于DSCNet的光斑校正，使畸变光斑的能量分布近似于高斯光斑；

S4、进行高斯拟合法中心提取；

所述步骤S3进行光斑校正时，将切割出来的畸变光斑子图集D中所有图片输入到DSCNet，之后输出即为与原光斑有相同中心点的高斯光斑图片，其数学模型表示如下：

上式中，

表示输出的高斯光斑图像，G(·)为隐函数，表示深度卷积神经网络，Ψ为深度卷积神经网路的网络参数；

所述深度卷积神经网络采用一组仿真数据集

进行训练，该数据集由M组畸变及高斯光斑图像组成；D_m表示第m个仿真的畸变光斑，S_m表示与第m个畸变光斑D_m有相同中心点的高斯光斑；在深度神经网络训练过程中，采用ADAM函数对损失函数L_oss(Ψ)进行优化，损失函数表示如下：

经过训练，得到优化参数

对于由复光束角度传感器采集的多光斑图像，并经过光斑判别与分割得到的子图像集D，通过

得到高斯光斑图像集。

2.根据权利要求1所述的适用于高精度形貌测量的深度学习畸变光斑中心提取方法，其特征在于，所述步骤S1光斑判别包括以下步骤：

S1-1、利用最大类间方差法求得多光斑图的二值化阈值并对其进行二值化；

S1-2、找出所有的8邻接连通域，统计所有连通域的像素点个数，按像素个数从多到少排序，得到连通域像素数序列{L(Ω₁)，L(Ω₂)，…，L(Ω_k)，…，L(Ω_K))L(Ω_k)表示第k个连通域Ω_k的像素个数，总共有K个连通域；

S1-3、计算连通域像素数序列向后差分T_k：

T_k＝L(Ω_k)-L(Ω_k+1)

找到最大差分值T_b＝max{T₁,T₂,…,T_K-1}；

S1-4、计算出光斑连通域的阈值δ：

S1-5、通过光斑判别阈值δ判断某个连通域是否为光斑，像素个数L(Ω_k)大于δ的连通域为光斑连通域，光斑连通域的中心估计值计算公式为

其中，

表示第k个光斑连通域的估计中心坐标，x_n(Ω_k)和y_n(Ω_k)分别表示第k个光斑连通域的第n个像素点的横坐标与纵坐标。

3.根据权利要求1所述的适用于高精度形貌测量的深度学习畸变光斑中心提取方法，其特征在于，所述步骤S4进行高斯拟合法中心提取的具体过程如下：

S4-1、对校正后的光斑图片进行中值滤波，滤除图像的高斯噪声，平滑光斑边缘线；

S4-2、对光斑进行高斯拟合，二维高斯分布的基本模型为：

上式中，E表示光斑的总能量，σ表示高斯函数的均方差，(x₀,y₀)表示光斑的中心坐标；采用最小二乘法求得光斑能量分布二维高斯拟合的最优参数解，最终得到光斑的精确中心(x₀,y₀)。

Images