CN113554608A - 一种有效提高mpo表面复原精度的检测系统 - Google Patents
一种有效提高mpo表面复原精度的检测系统 Download PDFInfo
- Publication number
- CN113554608A CN113554608A CN202110809632.2A CN202110809632A CN113554608A CN 113554608 A CN113554608 A CN 113554608A CN 202110809632 A CN202110809632 A CN 202110809632A CN 113554608 A CN113554608 A CN 113554608A
- Authority
- CN
- China
- Prior art keywords
- data
- interference
- algorithm
- mpo
- white light
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title abstract description 25
- 230000003287 optical effect Effects 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 239000012535 impurity Substances 0.000 claims abstract description 13
- 238000013434 data augmentation Methods 0.000 claims 1
- 239000013307 optical fiber Substances 0.000 abstract description 40
- 238000000034 method Methods 0.000 abstract description 22
- 239000011159 matrix material Substances 0.000 description 24
- 239000000835 fiber Substances 0.000 description 14
- 238000012549 training Methods 0.000 description 14
- 238000005259 measurement Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000002699 waste material Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20081—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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明的目的在于提供一种有效提高MPO表面复原精度的检测系统,本系统分为硬件系统和软件系统:硬件系统应用白光干涉原理,PZT控制仪驱动载有MPO光纤连接器的工作平台从左至右以固定的步距移动,满足白光干涉条件时发生干涉,工作平台移动的同时CCD相机拍摄干涉条纹图像,储存在硬盘中。软件系统使用MATLAB对移动硬盘的图像数据进行读取,利用GRNN神经网络方法对像素点类型进行判别,对于正常像素点:使用聚类算法找到发生白光干涉的数据峰值点,对聚类得到的数据点进行扩充,采用镜像法算法获取零光程差位置,获得正常像素点的实际高度值。对于杂质噪声点:以正常像素点的高度值替换噪声像素点的高度值,利用MATLAB软件绘图,获得复原图像。
Description
技术领域:
本发明涉及一种有效提高MPO表面复原精度的检测系统,本系统是基于Michelson型干涉仪研发出的MPO光纤连接器检测系统,利用GRNN神经网络判别MPO光纤连接器表面某区域属于噪声点或是正常点,使用kmeans聚类算法选择正常点白光干涉的发生白光干涉的数据,采用镜像法算法寻找正常点白光干涉曲线的零光程差位置,并获取正常像素点的高度值,使用“四向法”均值滤波用周围正常点高度值的均值替换噪声点的高度值。属于3D表面形貌测量、白光干涉、深度学习和光学工程领域。
背景技术:
白光垂直扫描干涉技术相对于传统的检测方法,采用非接触测量的方式,具有测量精度高、检测速度快等特点,被广泛应用于3D测量领域。目前多数MPO光纤连接器检测系统被投入到工厂环境下使用,由于工厂环境的特殊性,会对检测系统的检测结果造成干扰,下面列举三种工厂环境下可能发生的情况:
情况一:空气中一些灰尘或其它的杂质会落在MPO光纤连接器表面,降低MPO光纤连接器检测系统对MPO光纤连接器的3D表面复原精度,使得MPO光纤连接器检测系统在对MPO光纤连接器进行检测时出现误判行为,将正常的MPO光纤连接器判定为非正常,或将非正常的MPO光纤连接器判定为正常,提高运营成本,造成资源浪费。
情况二:PZT控制仪在驱动工作平台使工作平台以固定的步距移动同时CCD相机拍摄干涉图片,长时间的工作会使PZT控制仪发热,导致工作平台的移动步距发生变化,使得检测系统用内置算法对MPO光纤连接器进行3D表面复原时,内置算法提取出白光干涉曲线的包络线会呈现非对称性,使得检测系统对白光干涉的零光程差位置判读出现较大的误差。
情况三:检测系统在工作过程中,检测系统外部存在环境光强,环境光强会对MPO光纤连接器表面的干涉产生影响,若环境光强发生变化,导致光强减弱或增强,会使系统内置算法提取出白光干涉曲线的包络线出现尖刺,使得检测系统对白光干涉的零光程差位置的判读出现较大的误差。
为了解决上述问题,本发明提供一种有效提高MPO表面复原精度的检测系统,能够定位杂质噪声位置并去除杂质噪声;可以准确提取白光干涉曲线非对称包络线的零光程差位置;可以消除白光干涉曲线包络线的尖刺影响;可以有效提高MPO光纤连接器检测系统的测量精度和抗干扰能力。
发明内容:
本发明提供一种有效提高MPO表面复原精度的检测系统,本系统分为硬件系统和软件系统。
硬件系统:硬件系统由计算机、CCD摄像机、PZT控制仪、工作平台、白光干涉系统组成,工作平台上载有MPO光纤连接器,白光干涉系统由成像物镜、参考镜、准直器、分光棱镜和光源组成,PZT控制仪驱动工作平台以60um的步距向前移动。工作平台上载有MPO光纤连接器,随着工作平台的移动,当MPO光纤连接器的表面某区域的位置满足白光干涉的条件时,会发生白光干涉,产生明暗相间的白光干涉条纹。工作平台移动的同时CCD相机拍摄图像并储存在电脑的移动硬盘中,图像的储存格式为bmp,工作平台移动的总次数与图像的总数量相等。
所述测量系统基于白光干涉的测量原理如下:
随着工作平台沿着扫描方向进行从左到右的移动,系统的分光镜到MPO光纤连接器表面的距离不断发生变化,对应的光程差变化为先减小至0后增大。白光光源包括多种不同波长的光,当白光发生干涉时,每一个波长的光波均会生成一组不同间距的干涉条纹,横轴为工作平台移动的次数,纵轴为干涉的光强。只有当光程差为0时,各波长的零级干涉条纹才能完全重合,产生最大的光强输出,故零光程差位置为最佳干涉位置。
设载有MPO光纤连接器的工作平台移动到最佳干涉位置时移动的距离为x,x即为MPO光纤连接器的相对高度,设工作平台未发生移动时的高度为0,Δx为每次工作平台移动的步距,n为工作平台移动的次数。
x=Δx×n (1)
软件系统:软件系统分为读取干涉图像数据、判断像素点类型、获取发生白光干涉的数据、获取零光程差位置坐标、噪声点去噪五个部分。
(1)所述的读取干涉图像数据的实现过程如下:
正向数据指使用MATLAB软件按照CCD相机存储图像的顺序以像素点的形式读取并储存干涉图像的灰度值数据,镜像数据指使用MATLAB软件按照CCD相机存储图像的相反顺序以像素点的形式读取并储存干涉图像的灰度值数据。
以正向数据为例,将每张图像的灰度值数据以矩阵的形式储存在MATLAB中。图像的灰度值数据代表MPO光纤连接器表面发生干涉时的光强变化情况,图像的长宽乘积决定了图像像素点的总个数,每个矩阵中数据的总个数等于图像像素点的总个数,图像的总数量与矩阵的总数量相同。创建一个空矩阵,像素点的总个数为空矩阵行的总数,图像的总数量为空矩阵列的总数,将上述储存图像数据矩阵的值赋值到新建的空矩阵中,即可得到MPO光纤连接器表面区域的干涉数据矩阵。MPO光纤连接器的每个区域用一个像素点来表示,所有的像素点的集合代表了整个MPO光纤连接器的表面区域,干涉数据矩阵单行的数据代表MPO光纤连接器某个区域发生白光干涉的光强变化情况。
(2)所述的判断像素点类型的实现过程如下:
以正向数据实现对像素点类型的判别,当杂质落在MPO光纤连接器表面上时,CCD相机拍摄的图像会显示杂质的位置和形状。通过对杂质区域像素点的干涉数据进行绘图,发现杂质像素点的灰度值数据在整个干涉过程中变化幅度较小,没有最大值点的出现,我们将这些像素点定义为噪声点,其余的像素点定义为正常点。
分别将噪声点的干涉数据和正常点的干涉数据作为GRNN神经网络的训练样本,将训练样本随机分为数目相等的10个组。分组完成后对训练数据做10次10折的交叉验证。所谓10次10折交叉验证就是轮流将其中9组数据作为真正的训练数据,1组数据作为测试数据,进行试验。每次试验都会建立GRNN神经网络进行推断和验证数据,评估每次训练的精度,并且记录有效的参数和效果比较好的学习率。重复以上操作10次,获取最佳学习率和最佳训练的输入输出数据组。
将交叉验证过程中得到的最佳训练输入输出数据和最佳学习率用于建立一个新的GRNN网络。通过新建立的GRNN网络,对像素点干涉过程中灰度值的变化数据进行判别。
最后将会得到一个新的矩阵,矩阵中只有1和-1两个值,1代表该点干涉过程正常,为正常点,-1代表该点干涉不正常,认定为噪声点。通过以上操作能够在训练数据量较小的情况下对于像素点干涉过程中灰度值的变化数据进行快速有效的判别,精确判断噪声点所在位置。
(3)所述的获取发生白光干涉数据的实现过程如下:
分别找到正向数据和镜像数据的像素点干涉数据曲线各个局部峰值点的光强值和对应的横坐标,横坐标的值与工作平台移动的步距的乘积即为MPO光纤连接器的相对表面高度。将正向数据储存在一个新的矩阵Nij中,镜像数据储存在一个新的矩阵Mij中,i表示矩阵的行数,矩阵总行数等于像素点的总个数,j表示矩阵的列数,矩阵总列数表示单个像素点干涉数据曲线局部峰值点的总个数。
在检测系统工作时,环境光强的改变会使干涉数据曲线出现尖刺,这些尖刺的光强值接近甚至大于发生白光干涉时的光强值,这些尖刺存在是非常短暂的,利用kmeans聚类算法可以消除这种尖刺影响,将正向数据和镜像数据分别做kmeans聚类。
以正向数据为例,kmeans聚类算法基于欧式距离将每个像素点的白光干涉局部峰值点数据分为两类,A类为发生白光干涉的连续数据,A类数据即为我们需要进行下一步处理的发生白光干涉的数据,B类为两侧未发生白光干涉的数据,B类即为我们所说的可能含有尖刺的数据。
A类数据不一定会包含所有发生白光干涉的局部峰值点数据,但A类数据一定包括光强局部峰值点的数据,且A类数据的横坐标为连续的,故以A类干涉数据为中心,向左右两边进行数据扩充,以单个像素点为例,若满足前提条件:数据A中横坐标的最小值min(A)对应的局部峰值点灰度值大于数据A中横坐标为min(A)-1对应的局部峰值点灰度值或数据A中横坐标的最大值max(A)对应的局部峰值点灰度值大于数据A横坐标为max(A)+1对应的局部峰值点灰度值,则将数据B中横坐标为min(A)-1或max(A)+1的数据更新到数据A中,直到满足条件min(A)-1<0或max(A)+1>N(N为局部峰值点的总个数)时停止更新数据A。最终获得完整的白光干涉数据,并对数据进行三次样条插值进行数据扩充。
所述的kmeans聚类算法原理如下:
从Ni(i=0,1,...M)组局部峰值点数据中随机取k(k=2)个元素,作为k个簇的各自的重心,分别计算剩下的元素到k个簇中心的欧式距离dist(X,Y),距离越小,证明越相似,越容易被归为一类。
根据聚类结果,重新计算k个簇各自的中心,将Ni(i=0,1,...M)中全部元素按照新的中心重新聚类,直到聚类结果不在发生变化,并将结果输出。
(4)所述的局部峰值点的具体定义如下:
局部峰值点包括极大值点和鞍点,在单个像素点的连续干涉数据[yi](i=1,2,3...,M)中,M为像素点干涉数据的总个数,若存在n(n=2,3,4...,M-1)个连续的干涉数据yi+1,yi+2...,yi+n,满足yi+n≥yi+n+1且yi+n≤yi则称yi+1,yi+2...,yi+n为极大值点;若yi+1,yi+2...,yi+n满足yi+n≤yi+n+1且yi+n≥yi,则称yi+1,yi+2...,yi+n为鞍点。
(5)所述的获取零光程差位置坐标的实现过程如下:
检测系统长时间工作导致内部发热,使工作平台移动步距发生变化,使得每个像素点的白光干涉数据曲线的包络线呈现非对称性,包络线即为Nij数据矩阵中每行数据的函数拟合曲线。
在未受到热干扰时,正向数据和镜像数据的包络线的最大值位置对应的横坐标即为发生白光干涉的零光程差位置,发生热干扰时,正向数据和镜像数据包络线数据的最大值点横坐标位置会与白光干涉的零光程差位置发生偏差,且偏差距离相等,设偏差距离为Δxi,设零光程差位置坐标为x。
包络线的非对称性有两种情形,情形一为实际零光程位置左端包络线与x轴围成的面积小于右端的面积,此时正向数据的包络线最大值点横坐标位于零光程位置的左端,镜像数据的包络线最大值点横坐标位于零光程位置的右端;情形二为实际零光程位置左端包络线与x轴围成的面积大于右端的面积,此时正向数据的包络线最大值点横坐标位于零光程位置的右端,镜像数据的包络线最大值点横坐标位于零光程位置的左端;
对于情形一:设正向数据包络线最大值点的横坐标为x1,反向数据的最大值点的横坐标为x2,可建立以下关系,并求出零光程差位置坐标。
x1+Δx=x (3)
x2-Δx=x (4)
对于情形二:设正向数据包络线最大值的横坐标为x1,反向数据的最大值的横坐标为x2,可建立以下关系,并求出零光程差位置坐标。
x1+Δx=x (6)
x2-Δx=x (7)
零光程差位置坐标的值即为工作平台的移动次数n,与工作平台的移动步距Δx做乘积运算,即可得到正常像素点的相对高度矩阵L1。
(6)所述噪声点去噪的实现过程如下:
以正向数据为例,对经过GRNN神经网络判别为噪声点的像素点进行处理,假设有Q个噪声点,[xi,yi](i=0,1,2...Q-1),[xi+a,yi+a](a=1,2,3,4,5)为噪声点上方的五个正常数据点,记为数组Qa,[xi+b,yi+b](b=1,2,3,4,5)为噪声点下方的五个正常数据点,记为数组Qb,[xi+c,yi+c](c=1,2,3,4,5)为噪声点左方的五个正常数据点,记为数组Qc,[xi+d,yi+d](d=1,2,3,4,5)为噪声点右方的五个正常数据点,记为数组Qd。
将所有处理后的噪声像素点的数据储存在高度值矩阵L2中,将矩阵L1与矩阵L2合并,即可得到MPO光纤连接器表面的相对高度值矩阵,用MATLAB软件进行绘图,即可得到MPO光纤连接器的3D表面复原的三维图像。
附图说明:
图1为本发明专利的MPO光纤连接器的实物结构图。
图2为本发明专利的CCD相机拍摄的灰度值图像。
图3为工厂测量过程中的不合理白光干涉的光强曲线图像。
图4为本发明专利的MPO光纤连接器测量系统的原理示意图。
图5为本发明专利的MPO光纤连接器测量系统的实物结构图。
图6为本发明专利的GRNN神经网络训练样本干涉数据的曲线图。
图7为本发明专利的GRNN神经网络算法的算法流程图。
图8为本发明专利的K-means聚类算法的算法流程图。
图9为本发明专利的白光干涉数据获取算法的算法流程图。
图10为本发明专利的镜像法求零光程差位置的算法流程图。
图11为本发明专利的“四向法”均值滤波的算法流程图。
图12为应用本发明专利前后的MPO光纤连接器表面的3D复原对比图。
图13为本发明专利提出的MPO光纤连接器检测系统的整体算法流程图。
具体实施方式:
结合附图对本发明专利进一步说明。
本发明专利提供一种有效提高MPO光纤连接器3D表面形貌复原精度的检测系统,本系统是基于Michelson型干涉仪研发出的MPO光纤连接器检测系统,利用GRNN神经网络判别MPO光纤连接器表面某区域属于噪声点或是正常点,使用kmeans聚类算法选择正常点白光干涉的发生白光干涉的数据,采用镜像法算法寻找正常点白光干涉曲线的零光程差位置,并获取正常像素点的高度值,使用“四向法”均值滤波用周围正常点高度值的均值替换噪声点的高度值。
图1为MPO光纤连接器的实物结构图,工厂操作环境下会使MPO光纤连接器表面被杂质污染,影响MPO光纤连接器3D复原的准确度。
图2为本发明专利的CCD相机拍摄的灰度值图像,图中的黑点即为MPO光纤连接器表面的杂质,会对MPO光纤连接器的3D复原造成影响。
图3为工厂测量过程中的不合理白光干涉的光强曲线图像,图3-1的右边有明显的凸起,表明在实际应用过程中系统外部的环境光强发生了改变;图3-2白光干涉部分的右侧数据与x轴围成的面积小于左侧数据的与x轴围成的面积;图3-3的白光干涉部分的左侧数据与x轴围成的面积小于右侧数据的与x轴围成的面积。表明系统长时间的工作导致工作平台的移动步距发生了变化。
图4为基于Michelson型干涉仪测量系统的原理示意图,光源经过准直器后照射到光纤连接器上,光纤连接器插在工作平台上,通过PZT控制仪驱动工作平台向前移动,移动步距为60nm。光束被分光镜一分为二,其中一束光照射到光纤连接器上,作为目标光束,而另一束光被引导照射到参考镜上。参考光束和目标光束反射后,当它们之间的光程差处于光源相干范围内时,就会在空间发生干涉。通过成像物镜后干涉条纹图像被CCD摄像机记录下来,储存在移动硬盘中。
图5为本发明专利基于Michelson型干涉仪测量系统的实物结构图,结构1为白光光源发生器,用于为干涉提供光源;结构2为MPO光纤连接器插口,作为承载光纤连接器的工作平台;结构3为PZT控制仪,用于驱动工作平台向前移动;结构4为参考镜,用于与目标光束发生白光干涉;结构5为分光棱镜,用于将光束一分为二,分给输送到参考镜和光纤连接器;结构6为CCD相机,用于记录干涉条纹的图像;结构7为移动硬盘,用于存储CCD摄像机的扫描图像。
图6为本发明专利的GRNN神经网络学习样本数据图,6-1为噪声像素点的干涉数据曲线,6-2为正常像素点的干涉数据曲线。像素点的灰度值数据即为白光干涉的光强值,噪声像素点的灰度值数据变化特征为灰度值在一个区间内震荡,没有显著的峰值出现。正常像素点的灰度值变化数据特征为灰度值具有显著的高峰值(区间220-255内)和显著的低峰值(区间60-80内)。根据这一特征,将其作为GRNN神经网络训练样本进行训练,使GRNN神经网络可以对像素点数据实现精准判别。
图7为本发明专利的GRNN神经网络算法的算法流程图,首先通过阈值法,设置一个阈值,将CCD拍摄的干涉图片的黑点位置定位,这些黑点位置的干涉数据大多数为杂质的干涉数据,黑点以外的位置大多数为正常的干涉数据,可以快速筛选出训练数据,然后对训练数据进行分组,通过交叉验证的方法找到最优的训练数据。最后通过搜寻得到的最佳样本建立GRNN网络。
图8为本发明专利的K-means聚类算法的算法流程图,首先读取要聚类的数据,随机初始化两个聚类中心,依据欧式距离对数据进行聚类,计算两簇的均值作为新的聚类中心,直到聚类结果不在发生变化,并将结果输出。
图9为本发明专利白光干涉数据获取的算法流程图,依据K-means聚类算法分出的两类数据的横坐标特征,提取出白光干涉一部分的数据。以提取出的白光干涉数据为初始数据,向左右两边检索,当左右两边数据值小于白光干涉数据两端的边缘数据时,进行白光干涉数据的扩充,最终获得完整的白光干涉数据。
图10为本发明专利的镜像法求零光程差位置的算法流程图,找到正向数据和反向数据的最大值的位置,对其求和取均值,即可得到正确的零光程差位置。
图11为本发明专利的“四向法”均值滤波的算法流程图,利用GRRN神经网络对噪声像素点进行定位获得位置坐标,噪声点[xi,yi](i=0,1,2,...A-1),A为噪声点的个数,取噪声点上、下、左、右各五个正常数据点高度值的和求均值对噪声点高度值进行替换,即可降低噪声点对整体3D复原图像的影响,提高MPO光纤连接器3D形貌复原的精确度。
图12为应用本发明专利前后的MPO光纤连接器表面的3D复原对比图,可见表面凸起噪声明显减弱,去除噪声效果较好,MPO光纤连接器3D形貌复原效果得到明显改善。
图13为本发明专利提出的MPO光纤连接器检测系统的整体算法流程图,本系统分为硬件系统和软件系统:硬件系统应用白光干涉原理,PZT控制仪驱动载有MPO光纤连接器的工作平台从左至右以固定的步距移动,满足白光干涉条件时发生干涉,工作平台移动的同时CCD相机拍摄干涉条纹图像,储存在移动硬盘中。软件系统使用MATLAB对移动硬盘的图像数据进行读取,利用GRNN神经网络方法对像素点类型进行判别,对于正常像素点:使用K-means聚类算法找到发生白光干涉的数据局部峰值点,对聚类得到的数据点进行扩充,采用镜像法算法获取零光程差位置,获得正常像素点的实际高度值。对于杂质噪声点:以正常像素点的高度值替换噪声像素点的高度值,利用MATLAB软件进行绘图,获得MPO光纤连接器表面的3D复原图像。
Claims (5)
1.一种有效提高MPO表面复原精度的检测系统,其特征在于:通过构建GRNN神经网络(广义神经网络)对像素点类型进行判别;使用聚类算法寻找中心干涉数据;利用特定算法扩充中心干涉数据;采用镜像法算法求零光程差位置。
2.根据权利1所述的对像素点类型进行判别的GRNN神经网络算法,其特征在于:通过构建GRNN神经网络,能够获得具有特定参数的神经网络,能够对杂质位置实现准确定位,区分正常像素点和噪声像素点。
3.根据权利1所述的寻找中心干涉数据的聚类算法,其特征在于:对于像素点的干涉数据,进行均值聚类,确定中心(零光程差位置)附近的干涉数据。
4.根据权利1所述的中心干涉数据扩充算法,其特征在于:以中心干涉数据为初始数据,向左右两边检索,当左右两边数据小于中心干涉数据两端的边缘数据时,进行中心干涉数据的扩充,最终获得完整的中心干涉数据。
5.根据权利1所述的镜像法求峰值点算法,其特征在于:对正向数据和反向数据的最大值点的位置坐标,取其均值,作为零光程差位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110809632.2A CN113554608A (zh) | 2021-07-16 | 2021-07-16 | 一种有效提高mpo表面复原精度的检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110809632.2A CN113554608A (zh) | 2021-07-16 | 2021-07-16 | 一种有效提高mpo表面复原精度的检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113554608A true CN113554608A (zh) | 2021-10-26 |
Family
ID=78103314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110809632.2A Pending CN113554608A (zh) | 2021-07-16 | 2021-07-16 | 一种有效提高mpo表面复原精度的检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554608A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114664216A (zh) * | 2022-02-21 | 2022-06-24 | 北京富通亚讯网络信息技术有限公司 | 基于双域锁模技术的分集信号产生系统及方法 |
CN116242278A (zh) * | 2023-05-11 | 2023-06-09 | 山东高速工程检测有限公司 | 一种用于沥青路面纹理三维测量的正交光纤干涉条纹投射器 |
-
2021
- 2021-07-16 CN CN202110809632.2A patent/CN113554608A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114664216A (zh) * | 2022-02-21 | 2022-06-24 | 北京富通亚讯网络信息技术有限公司 | 基于双域锁模技术的分集信号产生系统及方法 |
CN114664216B (zh) * | 2022-02-21 | 2022-10-18 | 北京富通亚讯网络信息技术有限公司 | 一种带mpo光纤功能的显示系统 |
CN116242278A (zh) * | 2023-05-11 | 2023-06-09 | 山东高速工程检测有限公司 | 一种用于沥青路面纹理三维测量的正交光纤干涉条纹投射器 |
CN116242278B (zh) * | 2023-05-11 | 2023-07-11 | 山东高速工程检测有限公司 | 一种用于沥青路面纹理三维测量的正交光纤干涉条纹投射器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3788403B1 (en) | Field calibration of a structured light range-sensor | |
CN110555889B (zh) | 一种基于CALTag和点云信息的深度相机手眼标定方法 | |
Baqersad et al. | Photogrammetry and optical methods in structural dynamics–A review | |
CN113554608A (zh) | 一种有效提高mpo表面复原精度的检测系统 | |
CN109269438A (zh) | 一种用于多层复杂微纳结构检测的结构光照明显微测量方法 | |
CN110766669B (zh) | 一种基于多目视觉的管线测量方法 | |
CN115330958B (zh) | 基于激光雷达的实时三维重建方法及装置 | |
CN110906875B (zh) | 一种孔径测量的视觉处理方法 | |
CN107798698B (zh) | 基于灰度修正与自适应阈值的结构光条纹中心提取方法 | |
CN112950650B (zh) | 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 | |
CN101881603A (zh) | 横向扫描干涉量测方法与系统 | |
CA3126592A1 (fr) | Method and system for high-speed dual-view band-limited illumination profilometry | |
TWI388797B (zh) | Three - dimensional model reconstruction method and its system | |
CN112906095B (zh) | 基于激光条纹中心追踪的桥梁模态识别方法及其系统 | |
CN111156921A (zh) | 一种基于滑动窗口均值滤波的轮廓数据处理方法 | |
CN108844469B (zh) | 一种基于激光测试工件台阶高度的方法及系统 | |
CN113409226A (zh) | 一种基于优化bp神经网络的mpo表面复原系统 | |
CN113804122B (zh) | 利用平移旋转绝对检测法测包含离焦像差的平面镜面型的方法 | |
Lim et al. | A novel one-body dual laser profile based vibration compensation in 3D scanning | |
CN112539711A (zh) | 一种基于改进均值滤波法的mpo光纤连接器检测系统 | |
JP2020197495A (ja) | 情報処理装置、計測装置、情報処理方法、プログラム、システム及び物品の製造方法 | |
JP5359477B2 (ja) | 道路領域推定装置及びプログラム | |
CN114018177B (zh) | 一种基于散斑图案的镜面物体三维测量方法 | |
TWI436033B (zh) | Autofocus method for interference system | |
Li | Superfast 3D shape measurement with application to flapping wing mechanics analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |