CN117451744A - 红外透镜的缺陷检测方法、装置、设备及存储介质 - Google Patents
红外透镜的缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117451744A CN117451744A CN202311757267.0A CN202311757267A CN117451744A CN 117451744 A CN117451744 A CN 117451744A CN 202311757267 A CN202311757267 A CN 202311757267A CN 117451744 A CN117451744 A CN 117451744A
- Authority
- CN
- China
- Prior art keywords
- target
- lens
- thermal stress
- temperature
- defect detection
- 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 134
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000008646 thermal stress Effects 0.000 claims abstract description 135
- 238000012360 testing method Methods 0.000 claims abstract description 110
- 238000001514 detection method Methods 0.000 claims abstract description 89
- 239000013598 vector Substances 0.000 claims abstract description 86
- 230000035882 stress Effects 0.000 claims abstract description 71
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000000280 densification Methods 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 23
- 239000000463 material Substances 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 25
- 230000004044 response Effects 0.000 description 8
- 230000002950 deficient Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000009662 stress testing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000011438 discrete method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本申请涉及深度学习技术领域，公开了一种红外透镜的缺陷检测方法、装置、设备及存储介质。所述方法包括：对目标红外透镜进行图像采集和几何参数检测，得到几何参数集合；进行异常区域和边缘区域检测，得到目标异常区域及目标边缘区域；构建初始有限元模型并进行网格密集化处理，得到目标有限元模型；根据多个温度测试值进行温度测试和热应力分析，得到热应力评价指标；构建温度‑热应力变化曲线并进行特征提取，得到多个目标曲线特征；进行特征编码和向量转换，得到热应力编码测试向量，并将热应力编码测试向量输入透镜缺陷检测模型进行透镜缺陷检测，得到目标透镜缺陷检测结果，本申请提高了红外透镜的热应力测试准确率。
Description
技术领域
本申请涉及深度学习领域，尤其涉及一种红外透镜的缺陷检测方法、装置、设备及存储介质。
背景技术
红外透镜因其在夜视、热成像、远程感应等多个关键应用中的重要作用而显得尤为关键。随着技术的不断进步，红外透镜的应用范围已经从军事和安防扩展到了医疗成像、工业检测、天文观测等领域。因此，保证红外透镜的质量和性能成为了制造和维护过程中的一个重要课题。红外透镜的任何缺陷，无论大小，都导致成像质量下降，甚至在关键应用中造成严重后果。
传统的红外透镜检测方法依赖于手动检查或简单的机械检测，这些方法不仅效率低下，而且往往无法准确识别微小的缺陷，特别是在复杂的透镜结构中。随着人工智能和机器学习技术的发展，利用这些先进技术进行透镜缺陷检测成为了可能。这些技术能够处理复杂的数据并预测潜在的缺陷，从而提高红外透镜检测的准确性和效率。
发明内容
本申请提供了一种红外透镜的缺陷检测方法、装置、设备及存储介质，提高了红外透镜的热应力测试准确率。
第一方面，本申请提供了一种红外透镜的缺陷检测方法，所述红外透镜的缺陷检测方法包括：
对目标红外透镜进行图像采集，得到多个目标透镜图像，并对所述目标红外透镜进行几何参数检测，得到几何参数集合；
对所述多个目标透镜图像进行异常区域和边缘区域检测，得到目标异常区域及目标边缘区域；
根据所述几何参数集合构建所述目标红外透镜的初始有限元模型，并根据所述目标异常区域及所述目标边缘区域对所述初始有限元模型进行网格密集化处理，得到目标有限元模型；
根据预设温度梯度范围中的多个温度测试值，对所述目标有限元模型进行温度测试和热应力分析，得到每个温度测试值的热应力评价指标；
根据所述多个温度测试值和所述热应力评价指标构建温度-热应力变化曲线，并对所述温度-热应力变化曲线进行特征提取，得到多个目标曲线特征；
对所述多个目标曲线特征进行特征编码和向量转换，得到热应力编码测试向量，并将所述热应力编码测试向量输入预置的透镜缺陷检测模型进行透镜缺陷检测，得到目标透镜缺陷检测结果。
第二方面，本申请提供了一种红外透镜的缺陷检测装置，所述红外透镜的缺陷检测装置包括：
采集模块，用于对目标红外透镜进行图像采集，得到多个目标透镜图像，并对所述目标红外透镜进行几何参数检测，得到几何参数集合；
检测模块，用于对所述多个目标透镜图像进行异常区域和边缘区域检测，得到目标异常区域及目标边缘区域；
构建模块，用于根据所述几何参数集合构建所述目标红外透镜的初始有限元模型，并根据所述目标异常区域及所述目标边缘区域对所述初始有限元模型进行网格密集化处理，得到目标有限元模型；
测试模块，用于根据预设温度梯度范围中的多个温度测试值，对所述目标有限元模型进行温度测试和热应力分析，得到每个温度测试值的热应力评价指标；
提取模块，用于根据所述多个温度测试值和所述热应力评价指标构建温度-热应力变化曲线，并对所述温度-热应力变化曲线进行特征提取，得到多个目标曲线特征；
输出模块，用于对所述多个目标曲线特征进行特征编码和向量转换，得到热应力编码测试向量，并将所述热应力编码测试向量输入预置的透镜缺陷检测模型进行透镜缺陷检测，得到目标透镜缺陷检测结果。
本申请第三方面提供了一种红外透镜的缺陷检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述红外透镜的缺陷检测设备执行上述的红外透镜的缺陷检测方法。
本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的红外透镜的缺陷检测方法。
本申请提供的技术方案中，通过使用DenseNet和SSD卷积网络进行残差特征提取和多尺度卷积特征图分析，能够更精确地识别透镜中的异常区域和边缘缺陷。这种精确的特征识别有助于提高整个缺陷检测流程的准确性和可靠性。通过对透镜图像进行详细的几何参数分析，包括使用二维卷积运算和法线向量计算来确定透镜的曲率半径、直径和中心厚度，能够确保在后续的有限元分析中使用准确的透镜模型，从而提高模拟的真实性。对初始有限元模型进行网格密集化处理，特别是在检测到的异常区域和边缘区域，有助于提高这些关键区域的分析精度。这种自适应网格密集化技术确保了模型在复杂区域的高分辨率，从而提高了模拟结果的准确性。通过在预设温度梯度范围内进行详细的温度测试和热应力分析，可以更全面地评估透镜在不同温度条件下的性能。有助于识别红外透镜在极端温度条件下出现的缺陷或性能下降。使用温度-热应力变化曲线的特征提取和向量转换，结合使用门限循环网络和全连接层的机器学习模型进行缺陷检测，使得这种方法能够准确预测透镜的缺陷状态，进而提高了红外透镜的热应力测试准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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，还可以基于这些附图获得其他的附图。
图1为本申请实施例中红外透镜的缺陷检测方法的一个实施例示意图；
图2为本申请实施例中红外透镜的缺陷检测装置的一个实施例示意图。
具体实施方式
本申请实施例提供了一种红外透镜的缺陷检测方法、装置、设备及存储介质。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中红外透镜的缺陷检测方法的一个实施例包括：
步骤S101、对目标红外透镜进行图像采集，得到多个目标透镜图像，并对目标红外透镜进行几何参数检测，得到几何参数集合；
可以理解的是，本申请的执行主体可以为红外透镜的缺陷检测装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的，通过高分辨率的红外成像设备对目标透镜进行图像采集，获得初始透镜图像。这些图像包含由环境因素或成像设备特性引入的噪声，因此需要进行噪声去除，以确保图像质量。噪声去除可以通过中值滤波、高斯滤波或基于深度学习的去噪自编码器实现。接下来使用DenseNet网络进行残差特征提取。DenseNet网络的设计特点是通过特征重用和残差连接增强信息流，以提高学习效率和精度。此网络从透镜图像中提取关键的残差特征，这些特征指示透镜的缺陷或结构异常。然后对残差特征图进行特征数据点标注，以识别图像中的关键特征点，如边缘、角点或特定纹理模式。随后，对这些特征数据点进行多角度二维卷积运算，这种卷积运算不仅提取和增强图像局部特征，还从不同角度和尺度分析透镜的微观结构。接着，对像素点输出值进行法线向量的计算，每个像素点的法线向量揭示该点的表面朝向和曲率信息，这有助于理解和评估透镜表面的微观结构。根据法线向量，可以计算出透镜的曲率半径、直径和中心厚度等几何参数。这些参数的计算基于法线向量提供的微观结构信息，采用数学模型和几何算法。最终，这些计算得到的曲率半径、直径和中心厚度等几何参数构成了目标红外透镜的几何参数集合。这一集合不仅包括传统的尺寸数据，还包括反映透镜微观结构和潜在缺陷的细节信息。这种方法的实施能够显著提高红外透镜缺陷检测的准确性和效率。
步骤S102、对多个目标透镜图像进行异常区域和边缘区域检测，得到目标异常区域及目标边缘区域；
具体的，将多个目标透镜图像输入SSD卷积网络，该网络包含多个不同尺度的卷积层。这些不同尺度的卷积层能够捕捉透镜图像中的细节特征，从小尺度到大尺度覆盖了从细微缺陷到整体结构的各个方面。通过这些层，网络对每个目标透镜图像进行卷积特征提取，得到多尺度的卷积特征图。这些特征图揭示了透镜的不同层面特性，包括潜在的异常区域和边缘结构。接着，对这些多尺度卷积特征图进行默认框分布检测。默认框分布检测是指在多尺度特征图中设置不同大小和比例的默认框（或称为锚框），以便捕捉图像中存在的各种目标。这些默认框帮助网络识别不同尺度上的透镜区域，从而为后续的缺陷检测提供基础。最后，对这些不同尺度的透镜区域进行进一步的分析，以检测目标异常区域和边缘区域。在异常区域检测中，网络通过分析特征图和默认框的匹配情况来识别透镜中的异常结构，如裂纹、划痕或气泡。同样地，边缘区域检测专注于识别透镜边缘的完整性和结构特点，如边缘的平滑度或不规则性。这一步骤有助于评估透镜的质量和性能，因为边缘缺陷往往会影响透镜的光学性能。
步骤S103、根据几何参数集合构建目标红外透镜的初始有限元模型，并根据目标异常区域及目标边缘区域对初始有限元模型进行网格密集化处理，得到目标有限元模型；
具体的，根据获得的几何参数集合，服务器定义目标红外透镜的形状、尺寸、材料属性和边界条件，这些参数集合包括透镜的曲率半径、直径和中心厚度等，这些数据为生成对应的初始有限元模型提供了必要的物理和几何信息。这是有限元分析的基础，确保模型准确地反映了透镜的实际结构和材料特性。接下来，服务器利用开源Python软件包gmsh对初始有限元模型进行网格划分。gmsh是一款功能强大的三维有限元网格生成软件，它可以生成高质量的三角形面网格。在这个过程中，使用Delauney三角形面网格离散方法，将连续的透镜模型转化为离散的网格，为后续的有限元分析做准备。然后，服务器采用基于局部网格修正的自适应算法对初次生成的Delauney三角形面网格进行优化。根据目标异常区域及目标边缘区域的具体情况进行网格密集化处理。目标异常区域和边缘区域是透镜缺陷检测中的重点，因此在这些区域需要更密集的网格来提高模型的精确度和分析的细致程度。自适应算法可以确保在这些关键区域实现更高的网格密度，同时保持其他区域的网格相对稀疏，从而有效平衡计算效率和精度。最后，通过Tetgen算法，根据密集化的三角形面网格创建三维四面体网格。Tetgen是一种专门用于生成四面体网格的算法，其可以基于三角形面网格生成高质量的四面体网格。这一步是将二维的面网格转换为三维的体网格，为后续的三维有限元分析提供了基础。通过这种方式，服务器能够输出具有详细网格划分的目标有限元模型，该模型不仅反映了透镜的整体结构，还突出了潜在的异常和边缘区域，为后续的缺陷分析和性能评估提供了强有力的工具。
步骤S104、根据预设温度梯度范围中的多个温度测试值，对目标有限元模型进行温度测试和热应力分析，得到每个温度测试值的热应力评价指标；
具体的，获取目标红外透镜的温度梯度范围，并基于此范围对测试温度进行划分，以获得一系列温度测试值。这些温度测试值覆盖了透镜在实际使用中遇到的各种温度条件，从而确保热应力分析的全面性和有效性。接下来，根据这些温度测试值，服务器设置目标有限元模型的温度场。通过模拟透镜在不同温度下的物理状态，对有限元模型施加相应的温度条件。随后，对每个温度场下的目标有限元模型进行温度测试，以评估其在各种温度条件下的响应。这些测试涉及将模型暴露在不同的温度条件下，并观察其变化。热应力分析的核心是通过预置的热应力函数计算每个温度测试值下的透镜应力分布数据。热应力函数公式为：σ=EαΔT，其中σ代表热应力，E是材料的弹性模量，α是热膨胀系数，ΔT是温度变化。这个公式将材料属性和温度变化联系起来，以计算由温度变化引起的应力变化。计算得到的透镜应力分布数据随后被转化为分布映射，具体表现为透镜应力分布热图。这些热图直观地显示了在不同温度测试值下透镜各部分的应力分布情况，为深入分析提供了便利。通过这些热图，可以清晰地观察到透镜在不同温度条件下的应力集中区域和分布模式。最后，对透镜应力分布热图进行聚类分析，这一分析能够识别出在不同温度条件下应力分布的相似模式和差异。通过将这些模式进行分类，可以得到每个温度测试值的应力分布聚类结果。进一步地，对这些聚类结果进行应力指标计算，从而得到每个温度测试值的热应力评价指标。这些评价指标提供了关于透镜在不同温度条件下性能的重要信息，有助于评估透镜的稳定性和可靠性。
步骤S105、根据多个温度测试值和热应力评价指标构建温度-热应力变化曲线，并对温度-热应力变化曲线进行特征提取，得到多个目标曲线特征；
具体的，将多个温度测试值作为横坐标，热应力评价指标作为纵坐标，然后对这些数据进行曲线拟合。曲线拟合的目的是为了得到一个表现温度与热应力关系的连续函数，这样的函数能够清晰地展示随着温度变化，透镜热应力如何变化，从而帮助服务器更好地理解材料在不同温度下的性能。接下来，对得到的温度-热应力变化曲线进行标准差计算。标准差是衡量数据分散程度的一个重要指标，通过计算标准差，可以了解热应力评价指标在不同温度下的波动程度。这有助于识别透镜材料在特定温度范围内的稳定性。同时，进行曲线特征点的识别，这些特征点包括曲线的极大值、极小值或拐点，它们代表了热应力变化的关键点，能够揭示透镜材料在特定温度下的应力集中或弱点。随后，对这些候选特征点与目标标准差进行比较，筛选出那些在热应力变化中起到关键作用的特征点。通过这种比较，可以判断哪些特征点代表了热应力变化中的显著波动或关键转折点，从而确定这些点在整个热应力分析中的重要性。最后，根据比较结果，对候选特征点进行筛选，得到多个目标特征点。这些目标特征点是对透镜材料在特定温度条件下热应力反应的关键概括，能够为后续的分析提供重要的信息。然后，基于这些目标特征点生成对应的多个目标曲线特征。这些目标曲线特征不仅反映了透镜材料在不同温度下的热应力响应，还能够为评估材料的热稳定性和预测潜在缺陷提供关键的数据支持。
步骤S106、对多个目标曲线特征进行特征编码和向量转换，得到热应力编码测试向量，并将热应力编码测试向量输入预置的透镜缺陷检测模型进行透镜缺陷检测，得到目标透镜缺陷检测结果。
具体的，对目标曲线特征进行特征编码，将这些特征转换成可以被计算机理解和处理的格式。这一过程中，每个曲线特征被转换成编码值，这些编码值不仅代表了曲线特征的重要信息，还能够被用于后续的机器学习处理。接下来，将这些曲线特征编码值进一步转换为热应力编码测试向量，这些向量是透镜缺陷检测模型输入的核心数据。然后，将热应力编码测试向量输入预置的透镜缺陷检测模型，透镜缺陷检测模型包括两层门限循环网络及两层全连接层。门限循环网络（Gated Recurrent Unit, GRU）是一种高效的循环神经网络，适合处理具有时间序列特征的数据，如热应力编码测试向量。在第一层门限循环网络中，热应力编码测试向量被用于特征提取，输出第一热应力编码特征向量；随后在第二层门限循环网络中，同样的向量被进一步处理，输出第二热应力编码特征向量。这两个热应力编码特征向量随后被输入到两层全连接层中，全连接层是神经网络中用于高层特征学习和模式识别的部分。在这两层全连接层中，第一层采用了ReLU（Rectified Linear Unit）激活函数，而第二层则采用了sigmoid函数。第一层全连接层的计算公式是：D1=tanh(Wd1（gt1+gt2）+bd1)，其中D1表示第一层全连接层的输出结果，tanh表示双曲正切函数，gt1和gt2分别是第一和第二热应力编码特征向量，Wd1和bd1是训练过程中学习到的参数。而第二层全连接层的计算公式为：D2=σ(Wd2D1+bd2)，其中D2表示第二层全连接层的透镜缺陷概率值，σ表示sigmoid函数，Wd2和bd2也是训练参数。D2的输出值范围在0到1之间，代表了透镜存在缺陷的概率。在得到透镜缺陷概率值后，服务器设置一个目标概率阈值，例如0.88，用于判断透镜是否存在热应力缺陷。如果计算得到的透镜缺陷概率值大于0.88，则模型输出的结果是目标红外透镜存在热应力缺陷；如果概率值小于或等于0.88，则输出的结果是目标红外透镜不存在热应力缺陷。这种基于概率的判定方法不仅提高了检测的准确性，还为缺陷的判断提供了定量的依据。
本申请实施例中，通过使用DenseNet和SSD卷积网络进行残差特征提取和多尺度卷积特征图分析，能够更精确地识别透镜中的异常区域和边缘缺陷。这种精确的特征识别有助于提高整个缺陷检测流程的准确性和可靠性。通过对透镜图像进行详细的几何参数分析，包括使用二维卷积运算和法线向量计算来确定透镜的曲率半径、直径和中心厚度，能够确保在后续的有限元分析中使用准确的透镜模型，从而提高模拟的真实性。对初始有限元模型进行网格密集化处理，特别是在检测到的异常区域和边缘区域，有助于提高这些关键区域的分析精度。这种自适应网格密集化技术确保了模型在复杂区域的高分辨率，从而提高了模拟结果的准确性。通过在预设温度梯度范围内进行详细的温度测试和热应力分析，可以更全面地评估透镜在不同温度条件下的性能。有助于识别红外透镜在极端温度条件下出现的缺陷或性能下降。使用温度-热应力变化曲线的特征提取和向量转换，结合使用门限循环网络和全连接层的机器学习模型进行缺陷检测，使得这种方法能够准确预测透镜的缺陷状态，进而提高了红外透镜的热应力测试准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）对目标红外透镜进行图像采集，得到多个初始透镜图像，并对多个初始透镜图像进行噪声去除，得到多个目标透镜图像；
（2）分别将多个目标透镜图像输入预置的DenseNet网络进行残差特征提取，得到多个透镜残差特征图；
（3）对多个透镜残差特征图进行特征数据点标注，得到对应的多个透镜特征数据点，并对多个透镜特征数据点进行多角度二维卷积运算，得到多个像素点输出值；
（4）对多个像素点输出值进行法线向量计算，得到每个像素点对应的法线向量；
（5）根据法线向量计算目标红外透镜对应的曲率半径、直径数据以及中心厚度数据，并根据曲率半径、直径数据以及中心厚度数据生成几何参数集合。
具体的，对目标红外透镜进行图像采集。使用高分辨率的成像设备，如红外相机，以获得清晰、详细的透镜图像。由于各种外部因素，如环境光线、相机振动等，初始透镜图像通常会包含一定的噪声。为了确保分析的准确性，需要对这些图像进行噪声去除处理。噪声去除可以通过多种技术实现，包括数字滤波技术如中值滤波器和高斯滤波器。接下来，分别将多个目标透镜图像输入预置的DenseNet网络进行残差特征提取，得到多个透镜残差特征图。DenseNet网络是一种深度卷积神经网络，它的特点是通过每层之间密集的连接来提高特征的传递效率和重用性，从而使网络能够更有效地学习到图像的细节特征。DenseNet能够准确地识别出透镜的细微缺陷和结构特征，生成的透镜残差特征图揭示了透镜表面和内部的潜在问题。然后，对这些透镜残差特征图进行特征数据点的标注。识别和标记出图像中的关键特征点，如透镜的边缘、裂纹、划痕等。这些特征点是理解和分析透镜结构的关键，因为它们代表了潜在的结构缺陷或重要的结构特征。完成特征点的标注后，对这些特征点进行多角度二维卷积运算。这种卷积运算不仅能提取图像中的局部特征，还能从不同的角度和尺度深入分析这些特征，从而为更加精确的结构分析提供了数据支持。卷积运算的结果是多个像素点的输出值，这些输出值反映了图像中每个像素点的特征信息。接下来，通过对这些输出值进行法线向量的计算，可以得到每个像素点的表面方向和曲率信息。法线向量的计算可以揭示透镜表面的微观几何特性，特别是在透镜的边缘和曲面部分。通过这些法线向量，可以进一步计算出透镜的曲率半径、直径和中心厚度等几何参数。这些几何参数的计算涉及到复杂的数学模型和算法，它们能够从法线向量中提取出透镜的整体几何形状和尺寸信息。最后，根据透镜的曲率半径、直径和中心厚度数据，生成了一整套的几何参数集合。这个几何参数集合不仅包括了透镜的基本尺寸信息，还包括了透镜表面和内部结构的详细信息。例如，通过分析透镜的曲率半径和中心厚度数据，可以评估透镜的光学性能和机械稳定性；而直径数据则可以帮助理解透镜的整体尺寸和适用范围。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）将多个目标透镜图像输入预置的SSD卷积网络，其中，SSD卷积网络包括多个不同尺度的卷积网络；
（2）通过多个不同尺度的卷积网络，分别对多个目标透镜图像进行卷积特征提取，得到多尺度卷积特征图；
（3）对多尺度卷积特征图进行默认框分布检测，得到多个不同尺度的透镜区域；
（4）对多个不同尺度的透镜区域进行异常区域检测，得到目标异常区域，并对多个不同尺度的透镜区域进行边缘区域检测，得到目标边缘区域。
具体的，将多个目标透镜图像输入预置的SSD卷积网络。SSD网络包含多个不同尺度的卷积网络层，这些层能够捕捉图像中从细小到较大范围的特征。在这个过程中，每个卷积层都在其对应的尺度上提取图像特征，从而生成多尺度卷积特征图。这些特征图包含了透镜图像的丰富信息，不仅反映了透镜的整体结构，还揭示了存在的微小缺陷。接下来，对这些多尺度卷积特征图进行默认框分布检测。默认框（或称为锚框）是SSD网络中用于识别图像中潜在目标的一种机制。通过在多尺度特征图上设置不同大小和比例的默认框，网络能够有效地检测到各种尺寸的透镜区域。这种方式适合于处理透镜这种结构复杂且细节丰富的目标，因为它允许网络同时关注透镜的大范围结构和小区域的细节。然后，对这些不同尺度的透镜区域进行异常区域检测。在这个步骤中，网络分析每个默认框内的特征，以识别的缺陷或异常。这些异常区域包括裂纹、划痕、杂质沉积或其他形式的结构损伤。由于SSD网络能够处理多尺度的图像特征，因此它能够有效地识别出这些异常，即使它们在透镜图像中非常微小或隐蔽。同时，网络对这些透镜区域进行边缘区域检测。透镜的边缘是评估其整体质量的关键部分，任何边缘的不规则性或损伤都对透镜的性能产生负面影响。因此，通过检测边缘区域，网络不仅能够评估透镜的完整性，还能够识别那些影响透镜光学性能的缺陷。
在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：
（1）根据几何参数集合定义目标红外透镜的形状、尺寸、材料属性和边界条件，生成对应的初始有限元模型；
（2）通过开源python软件包gmsh对初始有限元模型进行三角形面网格离散，得到初次Delauney三角形面网格；
（3）通过基于局部网格修正的自适应算法，并根据目标异常区域及目标边缘区域对初次Delauney三角形面网格进行网格密集化处理，得到密集化的三角形面网格；
（4）通过Tetgen算法，根据密集化的三角形面网格创建由Delauney三角形构成的三维四面体，输出目标有限元模型。
具体的，根据几何参数集合定义目标红外透镜的形状、尺寸、材料属性和边界条件。这些几何参数集合通常包括透镜的曲率半径、直径、中心厚度等，而材料属性涉及到透镜的折射率、密度、热膨胀系数等。边界条件则定义了透镜在使用过程中遇到的外部力量，如压力、温度等。这些信息共同构成了透镜的物理模型，是生成初始有限元模型的基础。接下来，利用开源Python软件包gmsh，对这个初始有限元模型进行三角形面网格离散化处理。gmsh是一个强大的网格生成工具，它能够基于几何模型生成精细的网格结构。通过这个过程，初始有限元模型被分解成无数个小的三角形单元，这些三角形单元构成了初次Delauney三角形面网格。Delauney三角形面网格的优点在于其能够最大程度地保持原始几何形状的特性，同时保证网格质量。然后，对这个初次Delauney三角形面网格进行网格密集化处理。这一步骤是基于局部网格修正的自适应算法来完成的，特别关注透镜的目标异常区域及目标边缘区域。在透镜的这些关键区域，网格需要更加细致和密集，以便更准确地模拟这些区域的物理特性和响应。例如，如果透镜的某个部分有细微裂纹或划痕，这个区域的网格就需要特别密集，以确保在后续分析中能够准确捕捉到这些缺陷对透镜整体性能的影响。完成网格密集化处理后，使用Tetgen算法，根据密集化的三角形面网格创建三维四面体网格。Tetgen是专门用于生成四面体网格的算法，它能够将二维的三角形网格扩展成三维的四面体网格。这将二维的面网格转换成三维的体网格，从而使得模型能够在三维空间内进行物理分析和模拟。通过这种方式，最终输出的目标有限元模型不仅包含了透镜的整体结构，还反映了透镜的详细微观结构。
在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：
（1）获取目标红外透镜的温度梯度范围，并对温度梯度范围进行测试温度划分，得到对应的多个温度测试值；
（2）根据多个温度测试值设置目标有限元模型的温度场，并根据温度场分别对目标有限元模型进行温度测试，并通过预置的热应力函数计算每个温度测试值的多个透镜应力分布数据，热应力函数为：σ=EαΔT，其中σ是热应力，E是材料的弹性模量，α是热膨胀系数，ΔT是温度变化；
（3）对多个透镜应力分布数据进行分布映射，得到每个温度测试值的透镜应力分布热图；
（4）对透镜应力分布热图进行聚类分析，得到每个温度测试值的应力分布聚类结果，并对应力分布聚类结果进行应力指标计算，得到每个温度测试值的热应力评价指标。
具体的，首先确定透镜在实际使用条件下遇到的温度梯度范围，这个范围应该涵盖从最低工作温度到最高工作温度的整个区间。然后，对这个范围进行测试温度的划分。将整个温度梯度范围分解成一系列的具体温度点，这些温度点将被用于后续的有限元模型测试。这些温度点的选择应该能够代表整个温度范围内的各种条件。接下来，根据这些温度测试值，设置目标有限元模型的温度场。在这个过程中，每个测试温度值被应用到有限元模型上，模拟透镜在这些特定温度条件下的物理状态。然后，利用热应力函数计算每个温度测试值下透镜的应力分布。热应力函数的公式为：σ=EαΔT，其中σ代表热应力，E是材料的弹性模量，α是热膨胀系数，ΔT是温度变化。这个公式将材料属性和温度变化联系起来，以计算由温度变化引起的应力变化。随后，对这些透镜应力分布数据进行分布映射，以生成每个温度测试值的透镜应力分布热图。这些热图提供了一种直观的方式来观察和分析透镜在不同温度下的应力分布情况。例如，热图显示，在高温条件下，透镜的某些区域出现了较高的应力集中，而在低温条件下，应力分布更为均匀。进一步地，对这些透镜应力分布热图进行聚类分析。聚类分析是一种统计方法，用于将数据分组成若干个类别或“簇”，以便于分析和解释。在这个过程中，通过分析热图中的应力分布模式，可以将相似的应力分布分组到一起，从而得到每个温度测试值的应力分布聚类结果。这些聚类结果帮助识别出透镜在不同温度条件下的典型应力分布模式。最后，基于这些应力分布聚类结果，进行应力指标的计算。这些应力指标是对透镜在不同温度条件下应力响应的量化描述，它们可以用于评估透镜的热稳定性和结构完整性。例如，如果在某个特定温度下的应力指标显著高于其他温度，这表明透镜在这个温度下更容易受到损伤或出现性能下降。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）将多个温度测试值作为横坐标，并将热应力评价指标作为纵坐标，对多个温度测试值和热应力评价指标进行曲线拟合，得到温度-热应力变化曲线；
（2）对温度-热应力变化曲线进行标准差计算，得到目标标准差，并对温度-热应力变化曲线进行曲线特征点识别，得到多个候选特征点；
（3）分别对多个候选特征点与目标标准差进行比较，得到每个候选特征点的比较结果；
（4）根据比较结果，对多个候选特征点进行特征点筛选，得到多个目标特征点，并根据多个目标特征点生成对应的多个目标曲线特征。
具体的，将多个温度测试值作为横坐标，热应力评价指标作为纵坐标，使用数学方法对这些数据点进行曲线拟合。曲线拟合的目的是找到一个数学模型，它能够最好地描述这些温度点和相应的热应力评价指标之间的关系。例如，可以使用多项式拟合、指数拟合或其他类型的曲线拟合方法，来生成一个能够准确表示这些数据关系的温度-热应力变化曲线。然后，对温度-热应力变化曲线进行标准差计算，得到目标标准差。标准差是衡量数据点相对于其平均值的离散程度的统计量度。计算标准差有助于服务器理解热应力评价指标在不同温度下的波动性。这可以揭示出透镜材料在特定温度范围内的稳定性。例如，如果在某个特定温度区间内标准差较高，这意味着透镜在这个温度范围内的性能不稳定。然后，进行温度-热应力变化曲线的特征点识别。使用数据分析技术，如导数计算或峰值检测算法，来识别曲线上的关键特征点。这些特征点包括局部最大值、最小值或拐点，它们代表了透镜热应力响应中的重要变化。例如，曲线上的一个局部最大值表示透镜在某个特定温度下承受的最大热应力。接着，将这些候选特征点与目标标准差进行比较，评估这些特征点是否显著，即是否足够突出以代表透镜的热应力响应。对于那些与标准差差异显著的特征点，可以认为它们在曲线上代表了重要的趋势或变化。例如，如果一个特征点的热应力值远高于其他点的标准差，这意味着透镜在该温度下存在潜在的结构问题。最后，基于这些比较结果，进行候选特征点的筛选。目标是确定哪些特征点足够重要，可以作为温度-热应力变化的关键指标。筛选出的目标特征点是对透镜在特定温度条件下性能的重要总结，它们可以用来评估透镜的热稳定性和结构完整性。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）对多个目标曲线特征进行特征编码，得到多个曲线特征编码值，并对多个曲线特征编码值进行向量转换，得到热应力编码测试向量；
（2）将热应力编码测试向量输入预置的透镜缺陷检测模型，透镜缺陷检测模型包括两层门限循环网络及两层全连接层；
（3）通过两层门限循环网络中的第一层门限循环网络，对热应力编码测试向量进行特征提取，得到第一热应力编码特征向量，并通过两层门限循环网络中的第二层门限循环网络，对热应力编码测试向量进行特征提取，得到第二热应力编码特征向量；
（4）将第一热应力编码特征向量以及第二热应力编码特征向量输入两层全连接层，两层全连接层中的第一层全连接层采用ReLU函数和第二层全连接层采用sigmiod函数，第一层全连接层的计算公式为:D1=tanh(Wd1（gt1+gt2）+bd1)，D1表示第一层全连接层的输出结果，tanh表示双曲正切函数，gt1为第一热应力编码特征向量，gt2为第二热应力编码特征向量，Wd1、bd1为训练参数；第二层全连接层采用的计算公式为：D2=σ(Wd2D1+bd2)，D2表示第二层全连接层的透镜缺陷概率值，σ表示sigmoid函数，Wd2、bd2为训练参数，D2的输出值范围为(0，1)；
（5）设置目标概率阈值为0.88，对透镜缺陷概率值与目标概率阈值进行比较，得到概率比较结果，若透镜缺陷概率值＞0.88，则输出目标透镜缺陷检测结果为目标红外透镜存在热应力缺陷；若透镜缺陷概率值≤0.88，则输出目标透镜缺陷检测结果为目标红外透镜不存在热应力缺陷。
具体的，对多个目标曲线特征的特征编码开始，每一个目标曲线特征都代表了透镜在不同温度条件下的热应力响应，这些响应被转换为数值化的编码值。例如，透镜在不同温度点的热应力评价指标，如应力大小、分布模式等，被量化为一系列的数值。这将复杂的物理特性转换为可以被计算机处理的数据格式。接下来，将这些曲线特征编码值进行向量转换，得到热应力编码测试向量。将编码值排列成一维或多维数组的形式，以便于后续的机器学习处理。这些热应力编码测试向量包含了透镜在不同测试条件下的关键信息，是后续分析的基础。然后，将热应力编码测试向量输入预置的透镜缺陷检测模型。这个模型包括两层门限循环网络（Gated Recurrent Unit, GRU）和两层全连接层。门限循环网络是一种有效的循环神经网络结构，适合于处理具有序列特性的数据。在透镜缺陷检测模型中，第一层门限循环网络对输入的热应力编码测试向量进行初步的特征提取，生成第一热应力编码特征向量。这个向量包含了经过初步处理的关键信息，为深入分析奠定了基础。紧接着，第二层门限循环网络进一步提取特征，生成第二热应力编码特征向量。这个向量代表了经过更深层次处理的数据，包含了更加细致的信息。随后，这两个热应力编码特征向量被输入到两层全连接层中。全连接层是神经网络中用于模式识别和决策的关键部分。在这两层全连接层中，第一层采用了ReLU（Rectified Linear Unit）激活函数，而第二层则采用了sigmoid函数。ReLU函数用于增加网络的非线性，有助于捕获更复杂的特征。而sigmoid函数则用于将输出值压缩到0和1之间，便于进行概率解释。具体来说，第一层全连接层的计算公式为D1=tanh(Wd1（gt1+gt2）+bd1)，其中D1表示第一层全连接层的输出结果，tanh表示双曲正切函数，gt1为第一热应力编码特征向量，gt2为第二热应力编码特征向量，Wd1、bd1为训练参数。第二层全连接层的计算公式为D2=σ(Wd2D1+bd2)，其中D2表示第二层全连接层的透镜缺陷概率值，σ表示sigmoid函数，Wd2、bd2为训练参数。在模型完成所有计算后，服务器得到了透镜缺陷概率值D2。这个值是一个介于0到1之间的数，代表了透镜存在热应力缺陷的性。为了确定透镜是否真的存在缺陷，需要设置一个目标概率阈值，比如0.88。这个阈值是基于经验或实验数据确定的，旨在区分缺陷和非缺陷的透镜。如果计算得到的透镜缺陷概率值大于0.88，模型则判定目标红外透镜存在热应力缺陷；相反，如果概率值小于或等于0.88，模型则判定目标红外透镜不存在热应力缺陷。例如，通过模型的处理，服务器得到了每个温度点下透镜存在缺陷的概率值。假设在60°C时，计算得到的透镜缺陷概率值为0.90，这说明在这个温度下，透镜很存在热应力缺陷。相反，在20°C时，如果概率值仅为0.30，则表明在这个温度下透镜不太存在缺陷。
上面对本申请实施例中红外透镜的缺陷检测方法进行了描述，下面对本申请实施例中红外透镜的缺陷检测装置进行描述，请参阅图2，本申请实施例中红外透镜的缺陷检测装置一个实施例包括：
采集模块201，用于对目标红外透镜进行图像采集，得到多个目标透镜图像，并对所述目标红外透镜进行几何参数检测，得到几何参数集合；
检测模块202，用于对所述多个目标透镜图像进行异常区域和边缘区域检测，得到目标异常区域及目标边缘区域；
构建模块203，用于根据所述几何参数集合构建所述目标红外透镜的初始有限元模型，并根据所述目标异常区域及所述目标边缘区域对所述初始有限元模型进行网格密集化处理，得到目标有限元模型；
测试模块204，用于根据预设温度梯度范围中的多个温度测试值，对所述目标有限元模型进行温度测试和热应力分析，得到每个温度测试值的热应力评价指标；
提取模块205，用于根据所述多个温度测试值和所述热应力评价指标构建温度-热应力变化曲线，并对所述温度-热应力变化曲线进行特征提取，得到多个目标曲线特征；
输出模块206，用于对所述多个目标曲线特征进行特征编码和向量转换，得到热应力编码测试向量，并将所述热应力编码测试向量输入预置的透镜缺陷检测模型进行透镜缺陷检测，得到目标透镜缺陷检测结果。
通过上述各个组成部分的协同合作，通过使用DenseNet和SSD卷积网络进行残差特征提取和多尺度卷积特征图分析，能够更精确地识别透镜中的异常区域和边缘缺陷。这种精确的特征识别有助于提高整个缺陷检测流程的准确性和可靠性。通过对透镜图像进行详细的几何参数分析，包括使用二维卷积运算和法线向量计算来确定透镜的曲率半径、直径和中心厚度，能够确保在后续的有限元分析中使用准确的透镜模型，从而提高模拟的真实性。对初始有限元模型进行网格密集化处理，特别是在检测到的异常区域和边缘区域，有助于提高这些关键区域的分析精度。这种自适应网格密集化技术确保了模型在复杂区域的高分辨率，从而提高了模拟结果的准确性。通过在预设温度梯度范围内进行详细的温度测试和热应力分析，可以更全面地评估透镜在不同温度条件下的性能。有助于识别红外透镜在极端温度条件下出现的缺陷或性能下降。使用温度-热应力变化曲线的特征提取和向量转换，结合使用门限循环网络和全连接层的机器学习模型进行缺陷检测，使得这种方法能够准确预测透镜的缺陷状态，进而提高了红外透镜的热应力测试准确率。
本申请还提供一种红外透镜的缺陷检测设备，所述红外透镜的缺陷检测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述红外透镜的缺陷检测方法的步骤。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述红外透镜的缺陷检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种红外透镜的缺陷检测方法，其特征在于，所述红外透镜的缺陷检测方法包括：
对目标红外透镜进行图像采集，得到多个目标透镜图像，并对所述目标红外透镜进行几何参数检测，得到几何参数集合；
对所述多个目标透镜图像进行异常区域和边缘区域检测，得到目标异常区域及目标边缘区域；
根据所述几何参数集合构建所述目标红外透镜的初始有限元模型，并根据所述目标异常区域及所述目标边缘区域对所述初始有限元模型进行网格密集化处理，得到目标有限元模型；
根据预设温度梯度范围中的多个温度测试值，对所述目标有限元模型进行温度测试和热应力分析，得到每个温度测试值的热应力评价指标；
根据所述多个温度测试值和所述热应力评价指标构建温度-热应力变化曲线，并对所述温度-热应力变化曲线进行特征提取，得到多个目标曲线特征；
对所述多个目标曲线特征进行特征编码和向量转换，得到热应力编码测试向量，并将所述热应力编码测试向量输入预置的透镜缺陷检测模型进行透镜缺陷检测，得到目标透镜缺陷检测结果。
2.根据权利要求1所述的红外透镜的缺陷检测方法，其特征在于，所述对目标红外透镜进行图像采集，得到多个目标透镜图像，并对所述目标红外透镜进行几何参数检测，得到几何参数集合，包括：
对目标红外透镜进行图像采集，得到多个初始透镜图像，并对所述多个初始透镜图像进行噪声去除，得到多个目标透镜图像；
分别将所述多个目标透镜图像输入预置的DenseNet网络进行残差特征提取，得到多个透镜残差特征图；
对所述多个透镜残差特征图进行特征数据点标注，得到对应的多个透镜特征数据点，并对所述多个透镜特征数据点进行多角度二维卷积运算，得到多个像素点输出值；
对所述多个像素点输出值进行法线向量计算，得到每个像素点对应的法线向量；
根据所述法线向量计算所述目标红外透镜对应的曲率半径、直径数据以及中心厚度数据，并根据所述曲率半径、所述直径数据以及所述中心厚度数据生成几何参数集合。
3.根据权利要求1所述的红外透镜的缺陷检测方法，其特征在于，所述对所述多个目标透镜图像进行异常区域和边缘区域检测，得到目标异常区域及目标边缘区域，包括：
将所述多个目标透镜图像输入预置的SSD卷积网络，其中，所述SSD卷积网络包括多个不同尺度的卷积网络；
通过所述多个不同尺度的卷积网络，分别对所述多个目标透镜图像进行卷积特征提取，得到多尺度卷积特征图；
对所述多尺度卷积特征图进行默认框分布检测，得到多个不同尺度的透镜区域；
对所述多个不同尺度的透镜区域进行异常区域检测，得到目标异常区域，并对所述多个不同尺度的透镜区域进行边缘区域检测，得到目标边缘区域。
4.根据权利要求1所述的红外透镜的缺陷检测方法，其特征在于，所述根据所述几何参数集合构建所述目标红外透镜的初始有限元模型，并根据所述目标异常区域及所述目标边缘区域对所述初始有限元模型进行网格密集化处理，得到目标有限元模型，包括：
根据所述几何参数集合定义所述目标红外透镜的形状、尺寸、材料属性和边界条件，生成对应的初始有限元模型；
通过开源python软件包gmsh对所述初始有限元模型进行三角形面网格离散，得到初次Delauney三角形面网格；
通过基于局部网格修正的自适应算法，并根据所述目标异常区域及所述目标边缘区域对所述初次Delauney三角形面网格进行网格密集化处理，得到密集化的三角形面网格；
通过Tetgen算法，根据所述密集化的三角形面网格创建由Delauney三角形构成的三维四面体，输出目标有限元模型。
5.根据权利要求4所述的红外透镜的缺陷检测方法，其特征在于，所述根据预设温度梯度范围中的多个温度测试值，对所述目标有限元模型进行温度测试和热应力分析，得到每个温度测试值的热应力评价指标，包括：
获取所述目标红外透镜的温度梯度范围，并对所述温度梯度范围进行测试温度划分，得到对应的多个温度测试值；
根据所述多个温度测试值设置所述目标有限元模型的温度场，并根据所述温度场分别对所述目标有限元模型进行温度测试，并通过预置的热应力函数计算每个温度测试值的多个透镜应力分布数据，所述热应力函数为：σ=EαΔT，其中σ是热应力，E是材料的弹性模量，α是热膨胀系数，ΔT是温度变化；
对所述多个透镜应力分布数据进行分布映射，得到每个温度测试值的透镜应力分布热图；
对所述透镜应力分布热图进行聚类分析，得到每个温度测试值的应力分布聚类结果，并对所述应力分布聚类结果进行应力指标计算，得到每个温度测试值的热应力评价指标。
6.根据权利要求1所述的红外透镜的缺陷检测方法，其特征在于，所述根据所述多个温度测试值和所述热应力评价指标构建温度-热应力变化曲线，并对所述温度-热应力变化曲线进行特征提取，得到多个目标曲线特征，包括：
将所述多个温度测试值作为横坐标，并将所述热应力评价指标作为纵坐标，对所述多个温度测试值和所述热应力评价指标进行曲线拟合，得到温度-热应力变化曲线；
对所述温度-热应力变化曲线进行标准差计算，得到目标标准差，并对所述温度-热应力变化曲线进行曲线特征点识别，得到多个候选特征点；
分别对所述多个候选特征点与所述目标标准差进行比较，得到每个候选特征点的比较结果；
根据所述比较结果，对所述多个候选特征点进行特征点筛选，得到多个目标特征点，并根据所述多个目标特征点生成对应的多个目标曲线特征。
7.根据权利要求6所述的红外透镜的缺陷检测方法，其特征在于，所述对所述多个目标曲线特征进行特征编码和向量转换，得到热应力编码测试向量，并将所述热应力编码测试向量输入预置的透镜缺陷检测模型进行透镜缺陷检测，得到目标透镜缺陷检测结果，包括：
对所述多个目标曲线特征进行特征编码，得到多个曲线特征编码值，并对所述多个曲线特征编码值进行向量转换，得到热应力编码测试向量；
将所述热应力编码测试向量输入预置的透镜缺陷检测模型，所述透镜缺陷检测模型包括两层门限循环网络及两层全连接层；
通过所述两层门限循环网络中的第一层门限循环网络，对所述热应力编码测试向量进行特征提取，得到第一热应力编码特征向量，并通过所述两层门限循环网络中的第二层门限循环网络，对所述热应力编码测试向量进行特征提取，得到第二热应力编码特征向量；
将所述第一热应力编码特征向量以及所述第二热应力编码特征向量输入所述两层全连接层，所述两层全连接层中的第一层全连接层采用ReLU函数和第二层全连接层采用sigmiod函数，第一层全连接层的计算公式为:D1=tanh(Wd1（gt1+gt2）+bd1)，D1表示第一层全连接层的输出结果，tanh表示双曲正切函数，gt1为第一热应力编码特征向量，gt2为第二热应力编码特征向量，Wd1、bd1为训练参数；第二层全连接层采用的计算公式为：D2=σ(Wd2D1+bd2)，D2表示第二层全连接层的透镜缺陷概率值，σ表示sigmoid函数，Wd2、bd2为训练参数，D2的输出值范围为(0，1)；
设置目标概率阈值为0.88，对所述透镜缺陷概率值与所述目标概率阈值进行比较，得到概率比较结果，若所述透镜缺陷概率值＞0.88，则输出目标透镜缺陷检测结果为目标红外透镜存在热应力缺陷；若所述透镜缺陷概率值≤0.88，则输出目标透镜缺陷检测结果为目标红外透镜不存在热应力缺陷。
8.一种红外透镜的缺陷检测装置，其特征在于，所述红外透镜的缺陷检测装置包括：
采集模块，用于对目标红外透镜进行图像采集，得到多个目标透镜图像，并对所述目标红外透镜进行几何参数检测，得到几何参数集合；
检测模块，用于对所述多个目标透镜图像进行异常区域和边缘区域检测，得到目标异常区域及目标边缘区域；
构建模块，用于根据所述几何参数集合构建所述目标红外透镜的初始有限元模型，并根据所述目标异常区域及所述目标边缘区域对所述初始有限元模型进行网格密集化处理，得到目标有限元模型；
测试模块，用于根据预设温度梯度范围中的多个温度测试值，对所述目标有限元模型进行温度测试和热应力分析，得到每个温度测试值的热应力评价指标；
提取模块，用于根据所述多个温度测试值和所述热应力评价指标构建温度-热应力变化曲线，并对所述温度-热应力变化曲线进行特征提取，得到多个目标曲线特征；
输出模块，用于对所述多个目标曲线特征进行特征编码和向量转换，得到热应力编码测试向量，并将所述热应力编码测试向量输入预置的透镜缺陷检测模型进行透镜缺陷检测，得到目标透镜缺陷检测结果。
9.一种红外透镜的缺陷检测设备，其特征在于，所述红外透镜的缺陷检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述红外透镜的缺陷检测设备执行如权利要求1-7中任一项所述的红外透镜的缺陷检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的红外透镜的缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311757267.0A CN117451744B (zh) | 2023-12-20 | 2023-12-20 | 红外透镜的缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311757267.0A CN117451744B (zh) | 2023-12-20 | 2023-12-20 | 红外透镜的缺陷检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117451744A true CN117451744A (zh) | 2024-01-26 |
| CN117451744B CN117451744B (zh) | 2024-03-19 |
Family
ID=89582111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311757267.0A Active CN117451744B (zh) | 2023-12-20 | 2023-12-20 | 红外透镜的缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117451744B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118014988A (zh) * | 2024-03-28 | 2024-05-10 | 浙江康鹏半导体有限公司 | 一种砷化镓衬底晶片缺陷智能检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288622A (zh) * | 2011-04-29 | 2011-12-21 | 浙江师范大学 | 光学元件内部缺陷的检测方法及装置 |
| CN205028016U (zh) * | 2015-09-28 | 2016-02-10 | 东莞市钜欣电子有限公司 | 闪光红外二合一透镜 |
| CN114549997A (zh) * | 2022-04-27 | 2022-05-27 | 清华大学 | 一种基于区域特征提取的x光图像缺陷检测方法和装置 |
| CN116167968A (zh) * | 2022-12-12 | 2023-05-26 | 天津大学 | H型钢表面缺陷检测方法及系统 |
| CN116453438A (zh) * | 2023-06-19 | 2023-07-18 | 深圳市瑞桔电子有限公司 | 一种显示屏参数检测方法、装置、设备及存储介质 |
| CN116468714A (zh) * | 2023-04-19 | 2023-07-21 | 深圳供电局有限公司 | 绝缘子缺陷检测方法、系统和计算机可读存储介质 |
| CN116977239A (zh) * | 2022-04-13 | 2023-10-31 | 武汉Tcl集团工业研究院有限公司 | 缺陷检测方法、装置、计算机设备及存储介质 |
| CN117191821A (zh) * | 2023-11-03 | 2023-12-08 | 山东宇影光学仪器有限公司 | 一种基于Deformable-DAB-DETR的高透光菲涅尔透镜实时检测方法 |
| CN117237353A (zh) * | 2023-11-14 | 2023-12-15 | 深圳市捷牛智能装备有限公司 | 手机外观的瑕疵检测方法、装置、设备及存储介质 |
-
2023
- 2023-12-20 CN CN202311757267.0A patent/CN117451744B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288622A (zh) * | 2011-04-29 | 2011-12-21 | 浙江师范大学 | 光学元件内部缺陷的检测方法及装置 |
| CN205028016U (zh) * | 2015-09-28 | 2016-02-10 | 东莞市钜欣电子有限公司 | 闪光红外二合一透镜 |
| CN116977239A (zh) * | 2022-04-13 | 2023-10-31 | 武汉Tcl集团工业研究院有限公司 | 缺陷检测方法、装置、计算机设备及存储介质 |
| CN114549997A (zh) * | 2022-04-27 | 2022-05-27 | 清华大学 | 一种基于区域特征提取的x光图像缺陷检测方法和装置 |
| CN116167968A (zh) * | 2022-12-12 | 2023-05-26 | 天津大学 | H型钢表面缺陷检测方法及系统 |
| CN116468714A (zh) * | 2023-04-19 | 2023-07-21 | 深圳供电局有限公司 | 绝缘子缺陷检测方法、系统和计算机可读存储介质 |
| CN116453438A (zh) * | 2023-06-19 | 2023-07-18 | 深圳市瑞桔电子有限公司 | 一种显示屏参数检测方法、装置、设备及存储介质 |
| CN117191821A (zh) * | 2023-11-03 | 2023-12-08 | 山东宇影光学仪器有限公司 | 一种基于Deformable-DAB-DETR的高透光菲涅尔透镜实时检测方法 |
| CN117237353A (zh) * | 2023-11-14 | 2023-12-15 | 深圳市捷牛智能装备有限公司 | 手机外观的瑕疵检测方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118014988A (zh) * | 2024-03-28 | 2024-05-10 | 浙江康鹏半导体有限公司 | 一种砷化镓衬底晶片缺陷智能检测方法 |
| CN118014988B (zh) * | 2024-03-28 | 2024-06-07 | 浙江康鹏半导体有限公司 | 一种砷化镓衬底晶片缺陷智能检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117451744B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117451744B (zh) | 红外透镜的缺陷检测方法、装置、设备及存储介质 | |
| CN113378988B (zh) | 基于粒子群算法的深度学习系统鲁棒性增强方法及装置 | |
| CN111256594A (zh) | 一种飞机蒙皮表面状态物理特征的测量方法 | |
| CN112837294B (zh) | 基于卷积自编码器图像扩增的热成像缺陷检测方法 | |
| Savino et al. | Automated classification of civil structure defects based on convolutional neural network | |
| CN115035081B (zh) | 一种基于工业ct的金属内部缺陷危险源定位方法及系统 | |
| Avola et al. | Real-time deep learning method for automated detection and localization of structural defects in manufactured products | |
| Devereux et al. | A new approach for crack detection and sizing in nuclear reactor cores | |
| CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
| CN115170520A (zh) | 一种基于结构对比信息叠层的金属网栅缺陷检测方法 | |
| CN113793332A (zh) | 一种实验仪器缺陷识别分类方法及系统 | |
| CN113762151A (zh) | 一种故障数据处理方法、系统及故障预测方法 | |
| CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
| CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 | |
| CN116486231A (zh) | 一种基于改进YOLOv5的混凝土裂缝检测方法 | |
| CN116030056A (zh) | 一种钢表面裂缝的检测方法及系统 | |
| Kirthiga et al. | A survey on crack detection in concrete surface using image processing and machine learning | |
| CN112767365A (zh) | 一种探伤方法 | |
| CN117557574B (zh) | 基于图像处理的材料参数检测方法及系统 | |
| CN117237353B (zh) | 手机外观的瑕疵检测方法、装置、设备及存储介质 | |
| KR102494829B1 (ko) | 컨볼루션 신경망을 이용한 건물 손상 평가 방법 및 상기 방법을 수행하는 컴퓨팅 장치 | |
| Tripicchio et al. | Welding Defect Detection with Deep Learning Architectures | |
| CN116030038B (zh) | 基于缺陷生成的无监督oled缺陷检测方法 | |
| CN115452957B (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
| CN117853494B (zh) | 一种药物颗粒生产过程视觉检测方法 |
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 |