CN117745715B - 基于人工智能的大口径望远镜镜片缺陷检测方法 - Google Patents
基于人工智能的大口径望远镜镜片缺陷检测方法 Download PDFInfo
- Publication number
- CN117745715B CN117745715B CN202410168619.7A CN202410168619A CN117745715B CN 117745715 B CN117745715 B CN 117745715B CN 202410168619 A CN202410168619 A CN 202410168619A CN 117745715 B CN117745715 B CN 117745715B
- Authority
- CN
- China
- Prior art keywords
- lens
- gray
- image
- value
- suspected
- 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 116
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 title abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 abstract description 2
- 230000002950 deficient Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- DYWNLSQWJMTVGJ-DKXTVVGFSA-N (1s,2s)-2-amino-1-phenylpropan-1-ol;hydron;chloride Chemical compound Cl.C[C@H](N)[C@@H](O)C1=CC=CC=C1 DYWNLSQWJMTVGJ-DKXTVVGFSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于人工智能的大口径望远镜镜片缺陷检测方法,包括:获取多个不同拍摄角度下的同一大口径望远镜镜片的镜片灰度图像,将每个镜片灰度图像分割为正常区域和疑似区域,并得到疑似区域内中的疑似连通域,获取每个疑似连通域的亮度综合特征程度,从而得到镜片存在缺陷的可能性,获取增强图像,用以判断大口径望远镜镜片是否合格。本发明通过镜片存在缺陷的可能性对多拍摄角度的图像中缺陷表征最明显的图像进行增强,提高了图像的质量,从而提高了大口径望远镜镜片缺陷检测的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于人工智能的大口径望远镜镜片缺陷检测方法。
背景技术
当前大口径望远镜的生产过程变得更加自动化。人工智能系统被引入生产线,通过视觉识别技术实现对镜片缺陷的自动检测,提高了生产效率和产品质量。但是在对于镜片缺陷检测的过程中,可能存在一些如光影、背景等干扰性因素,会对镜片缺陷的自动检测造成干扰,进而影响检测的精确度。
现有的问题:当采集到受光影、背景干扰的大口径望远镜镜片图像时,图像质量较低,会影响镜片缺陷的识别和分割的可信度,从而降低了大口径望远镜镜片缺陷检测的准确性。
发明内容
本发明提供基于人工智能的大口径望远镜镜片缺陷检测方法,以解决现有的问题。
本发明的基于人工智能的大口径望远镜镜片缺陷检测方法采用如下技术方案:
本发明一个实施例提供了基于人工智能的大口径望远镜镜片缺陷检测方法,该方法包括以下步骤:
获取多个不同拍摄角度下的同一大口径望远镜镜片的镜片灰度图像;对每个镜片灰度图像进行阈值分割,将每个镜片灰度图像分割为正常区域和疑似区域;将疑似区域内连续相邻像素点构成的连通域,记为疑似连通域;
对每个镜片灰度图像进行距离变换,得到每个镜片灰度图像中每个像素点的更新灰度值;根据每个疑似连通域内像素点的更新灰度值之间的差异,得到每个疑似连通域的亮度综合特征程度;
根据所有镜片灰度图像中的所有疑似连通域的亮度综合特征程度之间的差异,得到镜片存在缺陷的可能性;
根据所有镜片灰度图像中的所有疑似连通域的亮度综合特征程度的大小以及镜片存在缺陷的可能性,得到增强图像;根据增强图像,判断大口径望远镜镜片是否合格。
进一步地,所述对每个镜片灰度图像进行阈值分割,将每个镜片灰度图像分割为正常区域和疑似区域,包括的具体步骤如下:
对任意一个镜片灰度图像使用大津阈值分割算法,得到镜片灰度图像的最佳分割阈值;
在镜片灰度图像中,将灰度值小于最佳分割阈值的像素点记为0,将灰度值大于等于最佳分割阈值的像素点记为1,得到镜片灰度图像对应的二值图像;
对二值图像进行形态学闭运算处理,得到新二值图像;所述新二值图像与镜片灰度图像中的像素点一一对应;
将新二值图像中所有为1的像素点对应在镜片灰度图像中的像素点构成的区域,记为镜片灰度图像的疑似区域;
将新二值图像中所有为0的像素点对应在镜片灰度图像中的像素点构成的区域,记为镜片灰度图像的正常区域。
进一步地,所述根据每个疑似连通域内像素点的更新灰度值之间的差异,得到每个疑似连通域的亮度综合特征程度,包括的具体步骤如下:
在第个镜片灰度图像中的第j个疑似连通域/>中,根据相邻像素点的更新灰度值的比值,得到/>的第一亮度特征;
将中最大的更新灰度值对应的像素点,记为/>中的高亮点;
根据中从每个高亮点开始,在各方向上的像素点的更新灰度值的差异,得到的第二亮度特征;
根据的第一亮度特征和第二亮度特征,得到/>的亮度综合特征程度。
进一步地,所述在第个镜片灰度图像中的第j个疑似连通域/>中,根据相邻像素点的更新灰度值的比值,得到/>的第一亮度特征,包括的具体步骤如下:
计算中的第/>个与第/>个像素点的更新灰度值的比值,将所述比值与1的差值的绝对值,记为/>中的第/>个和/>个像素点的比值特征;
将中的所有相邻像素点的比值特征的均值,记为/>的第一亮度特征。
进一步地,所述根据中从每个高亮点开始,在各方向上的像素点的更新灰度值的差异,得到/>的第二亮度特征,包括的具体步骤如下:
以水平向右为0度,逆时针旋转分别以45度、90度、135度以及180度对应的方向,作为第一个、第二个、第三个以及第四个主方向,分别以225度、270度、315度以及360度对应的方向,作为第一个、第二个、第三个以及第四个分方向;
统计中从第/>个高亮点开始分别在第/>个主方向和分方向上的像素点数量中的最小值/>,计算/>中从第/>个高亮点开始在第/>个主方向和分方向上的第/>个像素点的更新灰度值的差值的绝对值,将/>中从第/>个高亮点开始在第/>个主方向和分方向上的前/>个像素点的更新灰度值的差值的绝对值的均值,记为/>中从第/>个高亮点开始在第/>个主方向和分方向上的第一亮度差异;
将中从第/>个高亮点开始在所有主方向和分方向上的第一亮度差异的均值,记为/>中第/>个高亮点的第二亮度差异;
将中所有高亮点的第二亮度差异的均值,记为/>的第二亮度特征。
进一步地,所述根据的第一亮度特征和第二亮度特征,得到/>的亮度综合特征程度,包括的具体步骤如下:
将的第一亮度特征和第二亮度特征的乘积的归一化值,记为/>的亮度综合特征程度。
进一步地,所述根据所有镜片灰度图像中的所有疑似连通域的亮度综合特征程度之间的差异,得到镜片存在缺陷的可能性,包括的具体步骤如下:
将每个镜片灰度图像中的所有疑似连通域的亮度综合特征程度中的最大值,记为每个镜片灰度图像的缺陷特征值;
根据所有镜片灰度图像的缺陷特征值之间的差异,得到镜片存在缺陷的可能性。
进一步地,所述根据所有镜片灰度图像的缺陷特征值之间的差异,得到镜片存在缺陷的可能性,包括的具体步骤如下:
将所有镜片灰度图像的缺陷特征值的均值,记为平均缺陷特征值;
计算每个镜片灰度图像的缺陷特征值与平均缺陷特征值的差值的绝对值,将所有镜片灰度图像的缺陷特征值分别与平均缺陷特征值的差值的绝对值的均值,记为缺陷差异值;
将缺陷差异值的反比例的归一化值,记为镜片存在缺陷的可能性。
进一步地,所述根据所有镜片灰度图像中的所有疑似连通域的亮度综合特征程度的大小以及镜片存在缺陷的可能性,得到增强图像,包括的具体步骤如下:
在所有镜片灰度图像中的所有疑似连通域中,将最大的亮度综合特征程度对应的疑似连通域记为目标连通域;
将目标连通域所处的镜片灰度图像,记为目标图像;
在目标图像中,将目标连通域之外的区域,记为参考区域;
计算1减去镜片存在缺陷的可能性的差值,将参考区域中每个像素点的灰度值与所述差值的乘积,记为参考区域中每个像素点的调整灰度值;
在参考区域中,根据每个像素点的调整灰度值,使用直方图均衡化算法对参考区域进行增强处理,得到参考区域中每个像素点的增强灰度值;
将参考区域中所有像素点的增强灰度值与目标连通域内所有像素点的灰度值构成的图像,记为目标图像的增强图像。
进一步地,所述根据增强图像,判断大口径望远镜镜片是否合格,包括的具体步骤如下:
使用训练后的分割神经网络分割增强图像中的缺陷区域,当存在缺陷区域时,判定大口径望远镜镜片不合格;当不存在缺陷区域时,判定大口径望远镜镜片合格。
本发明的技术方案的有益效果是:
本发明实施例中,获取多个不同拍摄角度下的同一大口径望远镜镜片的镜片灰度图像,将每个镜片灰度图像分割为正常区域和疑似区域,将疑似区域内连续相邻像素点构成的连通域,记为疑似连通域,获取每个疑似连通域的亮度综合特征程度,由此根据亮度综合特征程度多拍摄角度的图像中缺陷表征最明显的图像,后续对该图像进行增强,提高了缺陷检测的准确性。获取镜片存在缺陷的可能性,从而得到增强图像,由此通过镜片存在缺陷的可能性,调整图像中像素点的灰度值后进行图像增强,提高了缺陷和正常区域的灰度对比度,进一步提高了缺陷检测的准确性。根据增强图像,判断大口径望远镜镜片是否合格。至此本发明通过从多拍摄角度的图像中,选取缺陷表征最明显的图像,根据此图像中的疑似连通域进行图像增强,提高了图像的质量,从而提高了大口径望远镜镜片缺陷检测的准确性。
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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于人工智能的大口径望远镜镜片缺陷检测方法的步骤流程图;
图2为本实施例所提供的一张大口径望远镜镜片灰度图像;
图3为本实施例所提供的一个方向示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于人工智能的大口径望远镜镜片缺陷检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于人工智能的大口径望远镜镜片缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的大口径望远镜镜片缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取多个不同拍摄角度下的同一大口径望远镜镜片的镜片灰度图像;对每个镜片灰度图像进行阈值分割,将每个镜片灰度图像分割为正常区域和疑似区域;将疑似区域内连续相邻像素点构成的连通域,记为疑似连通域。
本发明实施例的主要目的是,在不同拍摄角度下的镜片图像中,提高裂纹或划痕等缺陷与拍摄时存在的光晕或背景等干扰之间的差异,准确识别分割出图像中存在的缺陷,提高对于镜片缺陷检测的精准度,减少干扰因素带来的误判。
针对每个大口径望远镜镜片,本实施例使用多个相机分别从不同拍摄角度下,拍摄同一个每个大口径望远镜镜片,且每个相机与大口径望远镜镜片的距离相同,得到多张镜片图像。对每张镜片图像进行灰度化处理,得到每张镜片灰度图像。图2为本实施例所提供的一张大口径望远镜镜片灰度图像。
所需说明的是:本实施例中相机与大口径望远镜镜片的距离为30厘米,相机之间的间隔为45度,使用8个相机围成圆形俯视拍摄同一个每个大口径望远镜镜片,以此为例进行叙述,其它实施方式中可设置其它多角度拍摄方式,本实施例不进行限定。并且为了减少背景干扰,本实施例对每个相机,先采集无大口径望远镜镜片的背景图像,在采集存在大口径望远镜镜片的图像,使用图像差分算法,得到去除背景的镜片图像,即为上述得到的镜片图像。图像灰度化为和图像差分算法均为公知技术,具体方法在此不做介绍。
本实施例中将镜片灰度图像中存在缺陷区域和光晕、背景等造成的干扰区域,统称为疑似区域,除此之外,还存在镜片本身的正常区域。故需要从疑似区域中检测出真正的缺陷区域。已知裂纹或划痕等缺陷与光晕区域中的像素点灰度值较大。
使用大津阈值分割算法,将每个镜片灰度图像分割为正常区域和疑似区域。
所需说明的是:正常区域和疑似区域的获取过程为:使用大津阈值分割算法得到一个镜片灰度图像的最佳分割阈值,在该镜片灰度图像中,将灰度值小于最佳分割阈值的像素点记为0,将灰度值大于等于最佳分割阈值的像素点记为1,得到该镜片灰度图像对应的二值图像。对二值图像进行形态学闭运算处理,得到新二值图像。由于新二值图像与该镜片灰度图像中的像素点一一对应,将新二值图像中所有为1的像素点对应在该镜片灰度图像中的像素点构成的区域,记为该镜片灰度图像的疑似区域。将新二值图像中所有为0的像素点对应在该镜片灰度图像中的像素点构成的区域,记为该镜片灰度图像的正常区域。形态学闭运算处理是为了减小大津阈值分割法后的图像中各区域内的细小空洞的影响。形态学闭运算和大津阈值分割算法均为公知技术,具体方法在此不做介绍。
在每个镜片灰度图像分割的疑似区域中,将连续相邻的像素点构成的连通域,记为疑似连通域。由此得到若干个疑似连通域。
步骤S002:对每个镜片灰度图像进行距离变换,得到每个镜片灰度图像中每个像素点的更新灰度值;根据每个疑似连通域内像素点的更新灰度值之间的差异,得到每个疑似连通域的亮度综合特征程度。
由此针对疑似区域来说,本实施例通过距离变换算法进行处理。针对处理后的各个疑似连通域来说,如果该连通域属于缺陷区域,那么缺陷区域的亮度表现是极其不均匀的,因为划痕或裂纹缺陷区域其内部并不是完整的缺陷,中间会存在一定的不规则分布的正常镜片区域,那么该缺陷区域的亮度表现是不均匀的;如果该区域为干扰区域的话,即为光晕或背景等造成的,会使区域亮度呈一定的周期分布,亮度表现相对均匀。故本实施例可以针对各个疑似连通域,来确定其亮度综合特征程度。
使用距离变换算法对每个镜片灰度图像进行运算,得到每个镜片灰度图像中每个像素点的更新灰度值。
所需说明的是:该更新灰度值表示每个像素点到最近的背景像素点的欧几里德距离。距离变换算法为公知技术,具体方法在此不做介绍,每个像素点到最近的背景像素点的欧几里德距离为该算法的输出特征值。本实施例中以正常区域内的像素点为背景像素点,即在新二值图像上进行距离变换,将新二值化图像转化为像素点的更新灰度值组成灰度图像,由此可以较好地描述物体之间的关系,并进行更加精确的图像分割。
在所有镜片灰度图像中,以第个镜片灰度图像为例。在第/>个镜片灰度图像中,以第j个疑似连通域/>为例,在/>中,将最大的更新灰度值对应的像素点,记为/>中的高亮点。由此得到若干个高亮点。
本实施例中,以水平向右为0度,逆时针旋转分别以45度、90度、135度以及180度对应的方向,作为第一个、第二个、第三个以及第四个主方向,分别以225度、270度、315度以及360度对应的方向,作为第一个、第二个、第三个以及第四个分方向,以此为例进行叙述,其它实施方式中可设置为其方向,本实施例不进行限定。图3为本实施例所提供的一个方向示意图。
所需说明的是:图3中的1、2、3以及4分别表示第一个、第二个、第三个以及第四个主方向,、/>、/>以及/>分别表示第一个、第二个、第三个以及第四个分方向,其中主方向和分方向一一对应,对应的两方向处于同一直线上。
由此可知的亮度综合特征程度的计算公式为:
;
;
其中为/>的亮度综合特征程度,/>为第/>个镜片灰度图像中的第j个疑似连通域,/>为/>的第一亮度特征,/>为/>中的像素点数量,/>和/>分别为/>中的第/>个和第/>个像素点的更新灰度值,/>为/>中的高亮点数量,/>为主方向的数量,/>也为分方向的数量,/>为/>中从第/>个高亮点开始分别在第/>个主方向和分方向上的像素点数量中的最小值,/>为/>中从第/>个高亮点开始在第/>个主方向上的第/>个像素点的更新灰度值,/>为/>中从第/>个高亮点开始在第/>个分方向上的第/>个像素点的更新灰度值,/>为绝对值函数,/>为线性归一化函数,将数据值归一化至/>区间内。
所需说明的是:表示/>中的第/>个和第/>个像素点的比值特征,越接近于1,说明/>中的相邻像素点的更新灰度值越相似,因此/>越小,说明/>中的像素点的更新灰度值越相似,则/>中的亮度分布越均匀,/>为缺陷区域的可能性越小,对应的亮度综合特征程度也就越小,/>越小,说明/>中从高亮点开始,在对应主方向和分方向的对应位置上的像素点更新灰度值的差异越小,已知高亮点一般处于疑似连通域的中心区域,分别从所有高亮点开始,在所有对应主方向和分方向的所有对应位置上的像素点更新灰度值的差异的均值,即表示/>的第二亮度特征,其中/>表示/>中从第/>个高亮点开始在第/>个主方向和分方向上的第一亮度差异,/>表示/>中第/>个高亮点的第二亮度差异,当第二亮度特征越小时,说明/>中从中心向各对应方向的对应位置上的像素点更新灰度值相似,即/>中的亮度分布越均匀,/>为缺陷区域的可能性越小,对应的亮度综合特征程度也就越小,由此用/>的第一亮度特征和第二亮度特征的归一化值,表示/>的亮度综合特征程度,/>越小,/>为缺陷区域的可能性越小。
按照上述方式,得到每个镜片灰度图像中的每个疑似连通域的亮度综合特征程度。
步骤S003:根据所有镜片灰度图像中的所有疑似连通域的亮度综合特征程度之间的差异,得到镜片存在缺陷的可能性。
针对不同角度下图像的各疑似连通域,当前计算出了其亮度综合特征程度,对于缺陷区域来说,它是在不同角度下都存在于图像中的,而对于光晕或背景等干扰因素,其会因为拍摄角度的不同在图像中呈现的形式也会有所不同。这会导致缺陷区域的亮度综合特征程度在不同角度下图像中差异程度小,而光晕或者背景等干扰因素会在不同角度下的图像差异程度大,甚至在某些角度图像下不存在。同时,各角度下疑似连通域中的最大亮度综合程度对应为缺陷区域的可能性大,所以本实施例可以通过对比在不同角度下疑似连通域的最大亮度综合特征程度的一致性程度,来确定各个疑似区域为缺陷的可能性。
故针对各个角度下的图像筛选出最大亮度综合特征程度,分析对比各角度图像的综合特征程度的一致性,来确定镜片存在缺陷的可能性。则镜片存在缺陷的可能性的计算公式为:
;
其中为镜片存在缺陷的可能性,/>为镜片灰度图像的数量,/>为第/>个镜片灰度图像中的所有疑似连通域的亮度综合特征程度中的最大值,/>为以自然常数为底的指数函数,本实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数,/>为绝对值函数。
所需说明的是:也表示第/>个镜片灰度图像的缺陷特征值,/>表示所有镜片灰度图像的平均缺陷特征值,/>表示缺陷差异值,当缺陷差异值越小时,说明所有镜片灰度图像的缺陷特征值越一致,即越可能存在缺陷,而不是光晕或者背景等干扰因素。因此/>越大,越可能存在缺陷。
步骤S004:根据所有镜片灰度图像中的所有疑似连通域的亮度综合特征程度的大小以及镜片存在缺陷的可能性,得到增强图像;根据增强图像,判断大口径望远镜镜片是否合格。
由此通过分析不同角度下的各疑似连通域中的最大亮度综合特征程度,确定了镜片存在缺陷的可能性大小。故可以选取最大亮度综合特征的疑似连通域所处的图像,对该图像进行增强,因为该图像在不同角度图像对应的疑似区域的亮度综合特征程度最高,意味着缺陷的特征表现更为明显。
在所有镜片灰度图像中的所有疑似连通域中,将最大的亮度综合特征程度对应的疑似连通域记为目标连通域,将目标连通域所处的镜片灰度图像,记为目标图像。
在目标图像中,将目标连通域之外的区域,记为参考区域。
计算1减去的差值,在参考区域中,将每个像素点的灰度值与所述差值的乘积,记为每个像素点的调整灰度值。
在参考区域中,根据每个像素点的调整灰度值,使用直方图均衡化算法对参考区域进行增强处理,得到参考区域中每个像素点的增强灰度值。其中直方图均衡化算法为为公知技术,具体方法在此不做介绍。
将参考区域中所有像素点的增强灰度值与目标连通域内所有像素点的灰度值构成的图像,记为目标图像的增强图像。
所需说明的是:因为目标连通域内的像素点本身灰度值相对正常区域就偏高,这是因为目标连通域大概率为缺陷区域,所有本实施例针对参考区域进行反向增强,来间接提高目标连通域与参考区域的灰度对比度,来使图像中参考区域的特征表现更加均衡,即当镜片存在缺陷的可能性越大时,目标连通域越可能为缺陷,则需要将可能为正常区域的参考区域的像素点灰度值调小,提高缺陷和正常区域的灰度对比度。
本发明实施例采用分割神经网络来识别分割增强图像中的缺陷区域。
分割神经网络的相关内容如下:
本实施例使用的分割神经网络为Mask R-CNN神经网络;使用的数据集为增强图像数据集。其中Mask R-CNN为公知技术,具体方法在此不做介绍。Mask R-CNN的中文全称是“掩膜区域卷积神经网络”,英文全称是“Mask Region-based Convolutional NeuralNetwork”。
需要分割的像素点,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素点属于背景区域的标注为0,属于缺陷区域的标注为1。
网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
通过分割神经网络得到增强图像中的缺陷区域,此过程为公知技术,具体方法在此不做介绍。
当存在缺陷区域时,判定大口径望远镜镜片不合格。当不存在缺陷区域时,判定大口径望远镜镜片合格。
至此,本发明完成。
综上所述,在本发明实施例中,获取多个不同拍摄角度下的同一大口径望远镜镜片的镜片灰度图像,将每个镜片灰度图像分割为正常区域和疑似区域,将疑似区域内连续相邻像素点构成的连通域,记为疑似连通域,对每个镜片灰度图像进行距离变换,得到每个像素点的更新灰度值;根据每个疑似连通域内像素点的更新灰度值之间的差异,得到每个疑似连通域的亮度综合特征程度,根据所有镜片灰度图像中的所有疑似连通域的亮度综合特征程度之间的差异,得到镜片存在缺陷的可能性,根据所有镜片灰度图像中的所有疑似连通域的亮度综合特征程度的大小以及镜片存在缺陷的可能性,得到增强图像,用以判断大口径望远镜镜片是否合格。本发明通过从多拍摄角度的图像中选取缺陷表征最明显的图像,根据此图像中的疑似连通域进行图像增强,提高了图像的质量,从而提高了大口径望远镜镜片缺陷检测的准确性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于人工智能的大口径望远镜镜片缺陷检测方法,其特征在于,该方法包括以下步骤:
获取多个不同拍摄角度下的同一大口径望远镜镜片的镜片灰度图像;对每个镜片灰度图像进行阈值分割,将每个镜片灰度图像分割为正常区域和疑似区域;将疑似区域内连续相邻像素点构成的连通域,记为疑似连通域;
对每个镜片灰度图像进行距离变换,得到每个镜片灰度图像中每个像素点的更新灰度值;根据每个疑似连通域内像素点的更新灰度值之间的差异,得到每个疑似连通域的亮度综合特征程度;
根据所有镜片灰度图像中的所有疑似连通域的亮度综合特征程度之间的差异,得到镜片存在缺陷的可能性;
根据所有镜片灰度图像中的所有疑似连通域的亮度综合特征程度的大小以及镜片存在缺陷的可能性,得到增强图像;根据增强图像,判断大口径望远镜镜片是否合格;
所述根据每个疑似连通域内像素点的更新灰度值之间的差异,得到每个疑似连通域的亮度综合特征程度,包括的具体步骤如下:
在第 个镜片灰度图像中的第j个疑似连通域/>中,根据相邻像素点的更新灰度值的比值,得到/>的第一亮度特征;
将中最大的更新灰度值对应的像素点,记为/>中的高亮点;
根据中从每个高亮点开始,在各方向上的像素点的更新灰度值的差异,得到/>的第二亮度特征;
根据的第一亮度特征和第二亮度特征,得到/>的亮度综合特征程度;
所述在第个镜片灰度图像中的第j个疑似连通域/>中,根据相邻像素点的更新灰度值的比值,得到/>的第一亮度特征,包括的具体步骤如下:
计算中的第/>个与第/>个像素点的更新灰度值的比值,将所述比值与1的差值的绝对值,记为/>中的第/>个和/>个像素点的比值特征;
将中的所有相邻像素点的比值特征的均值,记为/>的第一亮度特征;
所述根据中从每个高亮点开始,在各方向上的像素点的更新灰度值的差异,得到的第二亮度特征,包括的具体步骤如下:
以水平向右为0度,逆时针旋转分别以45度、90度、135度以及180度对应的方向,作为第一个、第二个、第三个以及第四个主方向,分别以225度、270度、315度以及360度对应的方向,作为第一个、第二个、第三个以及第四个分方向;
统计中从第/>个高亮点开始分别在第/>个主方向和分方向上的像素点数量中的最小值/>,计算/>中从第/>个高亮点开始在第/>个主方向和分方向上的第/>个像素点的更新灰度值的差值的绝对值,将/>中从第/>个高亮点开始在第/>个主方向和分方向上的前/>个像素点的更新灰度值的差值的绝对值的均值,记为/>中从第/>个高亮点开始在第/>个主方向和分方向上的第一亮度差异;
将中从第/>个高亮点开始在所有主方向和分方向上的第一亮度差异的均值,记为中第/>个高亮点的第二亮度差异;
将中所有高亮点的第二亮度差异的均值,记为/>的第二亮度特征;
所述根据的第一亮度特征和第二亮度特征,得到/>的亮度综合特征程度,包括的具体步骤如下:
将的第一亮度特征和第二亮度特征的乘积的归一化值,记为/>的亮度综合特征程度。
2.根据权利要求1所述基于人工智能的大口径望远镜镜片缺陷检测方法,其特征在于,所述对每个镜片灰度图像进行阈值分割,将每个镜片灰度图像分割为正常区域和疑似区域,包括的具体步骤如下:
对任意一个镜片灰度图像使用大津阈值分割算法,得到镜片灰度图像的最佳分割阈值;
在镜片灰度图像中,将灰度值小于最佳分割阈值的像素点记为0,将灰度值大于等于最佳分割阈值的像素点记为1,得到镜片灰度图像对应的二值图像;
对二值图像进行形态学闭运算处理,得到新二值图像;所述新二值图像与镜片灰度图像中的像素点一一对应;
将新二值图像中所有为1的像素点对应在镜片灰度图像中的像素点构成的区域,记为镜片灰度图像的疑似区域;
将新二值图像中所有为0的像素点对应在镜片灰度图像中的像素点构成的区域,记为镜片灰度图像的正常区域。
3.根据权利要求1所述基于人工智能的大口径望远镜镜片缺陷检测方法,其特征在于,所述根据所有镜片灰度图像中的所有疑似连通域的亮度综合特征程度之间的差异,得到镜片存在缺陷的可能性,包括的具体步骤如下:
将每个镜片灰度图像中的所有疑似连通域的亮度综合特征程度中的最大值,记为每个镜片灰度图像的缺陷特征值;
根据所有镜片灰度图像的缺陷特征值之间的差异,得到镜片存在缺陷的可能性。
4.根据权利要求3所述基于人工智能的大口径望远镜镜片缺陷检测方法,其特征在于,所述根据所有镜片灰度图像的缺陷特征值之间的差异,得到镜片存在缺陷的可能性,包括的具体步骤如下:
将所有镜片灰度图像的缺陷特征值的均值,记为平均缺陷特征值;
计算每个镜片灰度图像的缺陷特征值与平均缺陷特征值的差值的绝对值,将所有镜片灰度图像的缺陷特征值分别与平均缺陷特征值的差值的绝对值的均值,记为缺陷差异值;
将缺陷差异值的反比例的归一化值,记为镜片存在缺陷的可能性。
5.根据权利要求1所述基于人工智能的大口径望远镜镜片缺陷检测方法,其特征在于,所述根据所有镜片灰度图像中的所有疑似连通域的亮度综合特征程度的大小以及镜片存在缺陷的可能性,得到增强图像,包括的具体步骤如下:
在所有镜片灰度图像中的所有疑似连通域中,将最大的亮度综合特征程度对应的疑似连通域记为目标连通域;
将目标连通域所处的镜片灰度图像,记为目标图像;
在目标图像中,将目标连通域之外的区域,记为参考区域;
计算1减去镜片存在缺陷的可能性的差值,将参考区域中每个像素点的灰度值与所述差值的乘积,记为参考区域中每个像素点的调整灰度值;
在参考区域中,根据每个像素点的调整灰度值,使用直方图均衡化算法对参考区域进行增强处理,得到参考区域中每个像素点的增强灰度值;
将参考区域中所有像素点的增强灰度值与目标连通域内所有像素点的灰度值构成的图像,记为目标图像的增强图像。
6.根据权利要求1所述基于人工智能的大口径望远镜镜片缺陷检测方法,其特征在于,所述根据增强图像,判断大口径望远镜镜片是否合格,包括的具体步骤如下:
使用训练后的分割神经网络分割增强图像中的缺陷区域,当存在缺陷区域时,判定大口径望远镜镜片不合格;当不存在缺陷区域时,判定大口径望远镜镜片合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410168619.7A CN117745715B (zh) | 2024-02-06 | 2024-02-06 | 基于人工智能的大口径望远镜镜片缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410168619.7A CN117745715B (zh) | 2024-02-06 | 2024-02-06 | 基于人工智能的大口径望远镜镜片缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117745715A CN117745715A (zh) | 2024-03-22 |
CN117745715B true CN117745715B (zh) | 2024-04-23 |
Family
ID=90283550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410168619.7A Active CN117745715B (zh) | 2024-02-06 | 2024-02-06 | 基于人工智能的大口径望远镜镜片缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117745715B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974646B (zh) * | 2024-03-29 | 2024-06-14 | 山东太平洋光纤光缆有限公司 | 一种光纤表面涂覆质量视觉检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109187551A (zh) * | 2018-08-27 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种对玻璃绝缘子的玻璃件裂缝进行检测的方法及系统 |
CN112326685A (zh) * | 2020-10-26 | 2021-02-05 | 浙江大学 | 一种光学元件激光诱导损伤在线检测装置和检测方法 |
CN113596420A (zh) * | 2021-07-28 | 2021-11-02 | 歌尔科技有限公司 | 投影仪镜片的检测方法、装置、投影仪及可读存储介质 |
CN116843678A (zh) * | 2023-08-28 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 一种硬碳电极生产质量检测方法 |
WO2024002187A1 (zh) * | 2022-06-30 | 2024-01-04 | 中兴通讯股份有限公司 | 缺陷检测方法、缺陷检测设备及存储介质 |
-
2024
- 2024-02-06 CN CN202410168619.7A patent/CN117745715B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109187551A (zh) * | 2018-08-27 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种对玻璃绝缘子的玻璃件裂缝进行检测的方法及系统 |
CN112326685A (zh) * | 2020-10-26 | 2021-02-05 | 浙江大学 | 一种光学元件激光诱导损伤在线检测装置和检测方法 |
CN113596420A (zh) * | 2021-07-28 | 2021-11-02 | 歌尔科技有限公司 | 投影仪镜片的检测方法、装置、投影仪及可读存储介质 |
WO2024002187A1 (zh) * | 2022-06-30 | 2024-01-04 | 中兴通讯股份有限公司 | 缺陷检测方法、缺陷检测设备及存储介质 |
CN116843678A (zh) * | 2023-08-28 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 一种硬碳电极生产质量检测方法 |
Non-Patent Citations (1)
Title |
---|
基于数字图像处理技术的树脂眼镜镜片缺陷检测研究;姚红兵;李良湾;平洁;顾寄南;马桂殿;曾祥波;郑学良;;应用光学;20130515(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117745715A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN117745715B (zh) | 基于人工智能的大口径望远镜镜片缺陷检测方法 | |
CN116758083B (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN116109644B (zh) | 用于铜铝转接排的表面缺陷检测方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115272347A (zh) | 一种轴承缺陷识别方法 | |
CN111611907A (zh) | 一种图像增强的红外目标检测方法 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及系统 | |
CN117392136B (zh) | 基于图像处理的玻璃盖板透光异常检测方法 | |
CN117388263B (zh) | 用于充电枪的五金端子质量检测方法 | |
CN116309599A (zh) | 基于污水前置处理的水质视觉监测方法 | |
Kapoor et al. | Capturing banding in images: Database construction and objective assessment | |
CN115254674B (zh) | 一种轴承缺陷分选方法 | |
CN115984283B (zh) | 一种钢筋笼焊接质量智能检测方法 | |
CN114936992B (zh) | 一种遥感影像可用域的建立方法 | |
CN115620121A (zh) | 一种基于数字孪生的光电目标高精度检测方法 | |
CN114998346A (zh) | 一种防水布质量数据处理、识别方法 | |
CN117974657B (zh) | 一种基于计算机视觉的电缆表面缺陷检测方法 | |
CN110796019A (zh) | 一种识别和跟踪运动中的球形物体的方法及装置 | |
CN117689637B (zh) | 一种新能源电池五金件加工质量视觉检测方法 |
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 |