CN117929393B - 一种镜头缺陷检测方法、系统、处理器及存储介质 - Google Patents
一种镜头缺陷检测方法、系统、处理器及存储介质 Download PDFInfo
- Publication number
- CN117929393B CN117929393B CN202410323043.7A CN202410323043A CN117929393B CN 117929393 B CN117929393 B CN 117929393B CN 202410323043 A CN202410323043 A CN 202410323043A CN 117929393 B CN117929393 B CN 117929393B
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- fusion
- lens
- module
- 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 313
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 131
- 230000003287 optical effect Effects 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000003384 imaging method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 230000001360 synchronised effect Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 8
- 230000008439 repair process Effects 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007796 conventional method Methods 0.000 abstract description 3
- 238000001493 electron microscopy Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007431 microscopic evaluation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000007847 structural defect 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/02—Testing optical properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明属于图像处理技术领域，公开了一种镜头缺陷检测方法、系统、处理器及存储介质，包括：利用光学扫描模块对多层结构镜头的外表面进行全面扫描，快速定位初步的缺陷区域，并使用显微镜模块进行深度扫描和分析，识别缺陷区域内的微观尺度缺陷；通过X射线成像模块，对多层结构镜头整体进行初步扫描，并识别异常区域内的深度层次缺陷；对获取的缺陷信息进行特征提取，并将提取的特征采用多模态融合模型进行数据融合，采用光学面聚类算法进行分组，以获得若干组的缺陷分组；通过整合光学扫描、电子显微以及X射线成像技术，有效覆盖多个层级，能够识别常规方法难以发现的微观和内部缺陷，实现了对多层复杂结构镜头缺陷的全面和深入分析。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种镜头缺陷检测方法、系统、处理器及存储介质。
背景技术
在当代光学行业中，特别是对于那些应用于高端相机、精密光学仪器等领域的镜头，其设计越来越倾向于采用多层复杂结构以达到优异的光学性能。这种设计不仅提升了镜头的成像质量，也极大地增加了镜头的设计和生产难度。同时，任何微小的缺陷，无论是在表面还是内部结构中，都可能导致整个镜头性能的大幅下降。因此，对于多层复杂结构镜头的缺陷检测技术提出了更高的要求，既要保证检测的全面性，也要确保检测的精准度和效率。
现有技术中的镜头缺陷检测方法侧重于检测镜头表面的缺陷，如划痕、沉积物、涂层不均等问题，通过光学显微镜或者高分辨率摄像头对镜头外表进行逐层检查，其采用传统的光学检测方法作为主要手段；这种方式的缺陷在于，在处理多层复杂结构镜头时存在明显的局限性，由于多层复杂结构镜头内部错综复杂，单一的光学检测方法难以穿透各个层级进行全面的内部缺陷检测，而针对每一层的单独检测过程繁琐且时间消耗大，不利于高生产效率的要求；且对于复合缺陷的检测，仅靠光学手段难以精确地识别和分析缺陷的类型和严重程度，尤其在识别微小裂纹、内层空洞等内部结构缺陷方面。
鉴于此，需要对现有技术中的镜头缺陷检测方法加以改进，以解决对多层复杂结构镜头的检测性能较差的技术问题。
发明内容
本发明的目的在于提供一种镜头缺陷检测方法、系统、处理器及存储介质，解决以上的技术问题。
为达此目的，本发明采用以下技术方案：
一种镜头缺陷检测方法，包括：
定位待检测的多层结构镜头，利用光学扫描模块对多层结构镜头的外表面进行全面扫描，快速定位初步的缺陷区域；
对初步的缺陷区域使用显微镜模块进行深度扫描和分析，识别缺陷区域内的微观尺度缺陷；
通过X射线成像模块，对多层结构镜头整体进行初步扫描，快速识别内部大尺寸结构异常，标记为异常区域，增加X射线成像模块的照射强度和成像时间，获取异常区域的高清晰度图像，并识别异常区域内的深度层次缺陷；
对所述光学扫描模块、显微镜模块和X射线成像模块分别获取的缺陷信息进行特征提取，并将提取的特征采用多模态融合模型进行数据融合，获得第一融合数据；
采用光学面聚类算法对第一融合数据中的相似特征进行分组，以获得若干组的缺陷分组。
可选的，所述对初步的缺陷区域使用显微镜模块进行深度扫描和分析，识别缺陷区域内的微观尺度缺陷；具体包括：
根据初步的缺陷区域的性质和预期的微观尺度缺陷类型，选择显微镜模块中最适合的显微镜类型；
根据选择的显微镜类型，调整显微镜的参数设置；
启动对应类型的显微镜对初步的缺陷区域进行高倍率的逐点深度扫描，捕获微观尺度上的图像；
应用图像处理技术对捕获的微观尺度图像进行处理，并进行分析，以识别和记录缺陷区域内的微观尺度缺陷。
可选的，对所述光学扫描模块、显微镜模块和X射线成像模块分别获取的缺陷信息进行特征提取，并将提取的特征采用多模态融合模型进行数据融合，获得第一融合数据；具体包括：
对从所述光学扫描模块、显微镜模块和X射线成像模块收集到的缺陷信息进行预处理；所述预处理包括去噪、对比度增强和图像尺寸标准化处理；
从所述光学扫描模块获取的初步缺陷信息中，利用边缘检测和形态分析学技术，提取缺陷形状、大小、边界清晰度的特征，获得第一特征数据；
对于所述显微镜模块捕获的微观缺陷信息，运用纹理分析和局部特征匹配算法，提取微观缺陷信息的纹理特征、粒径分布和微裂纹的方向性信息，获得第二特征数据；
从所述X射线成像模块捕获的深度缺陷信息，通过密度分析和结构重建技术，提取深度缺陷信息的位置、大小、形态以及与周围材料的对比度的特征，获得第三特征数据；
对所述第一特征数据、第二特征数据和第三特征数据进行同步处理；其中，同步处理过程依次包括量纲的同化处理，时间戳同步和空间位置对齐。
可选的，对所述第一特征数据、第二特征数据和第三特征数据进行同步处理；之后还包括：
基于卷积神经网络和变分自编码器，建立多模态融合模型；
将同步处理后的第一特征数据、第二特征数据和第三特征数据输入至多模态融合模型中，通过所述多模态融合模型的前向传播进程，以对各特征数据进行整合，获得第一融合数据；
设置缺陷特征标准值，对获得的第一融合数据进行验证，将所述第一融合数据与缺陷特征标准值进行对比，若达到所述缺陷特征标准值，则判断融合合格；若未达到所述缺陷特征标准值，则对多模态融合模型进行重构，并对各特征数据进行重新融合。
可选的，所述采用光学面聚类算法对第一融合数据中的相似特征进行分组，以获得若干组的缺陷分组；具体包括：
对第一融合数据进行标准化处理；
根据第一融合数据的特性，设置所述光学面聚类算法对应的聚类算法参数；所述聚类算法参数包括距离度量、聚类数量以及光学面的形状参数；
通过参数设定的光学面聚类算法对第一融合数据进行处理；
对光学面聚类算法得到的缺陷分析结果进行细分，分析第一融合数据中的各聚类数据中包含的数据点的重合度，以进行缺陷分组的初步划分；
对初步划分的缺陷分组进行结果验证，判断缺陷分组的分组界限和内部差异；当缺陷分组的验证结果不合格时，则对光学面聚类算法的聚类算法参数进行优化，并采用优化后的光学面聚类算法重新对第一融合数据进行处理；
对于验证后的缺陷分组进行分类和命名，并将每组缺陷分组记录。
可选的，所述采用光学面聚类算法对第一融合数据中的相似特征进行分组，以获得若干组的缺陷分组；之后还包括：
对所述光学扫描模块、显微镜模块和X射线成像模块分别获取的图像信息进行特征提取，并将提取的特征采用多模态融合模型进行数据融合，获得第二融合数据；
使用训练后的卷积神经网络对所述第二融合数据进行缺陷评估，获得缺陷评估信息，并对缺陷评估信息进行严重性评分；
根据缺陷评估信息和严重性的评分信息，提出改进措施，汇总形成缺陷修复建议信息。
可选的，所述使用训练后的卷积神经网络对所述第二融合数据进行缺陷评估，获得缺陷评估信息，并对缺陷评估信息进行严重性评分；具体包括：
调用镜头缺陷检测的历史数据库，从历史数据库中提取部分数据建立子集，并对子集的缺陷类型进行标注；
选择合适的卷积神经网络及其架构，采用标注有缺陷类型的子集输入于所述卷积神经网络，以对卷积神经网络进行训练；
通过训练后的卷积神经网络对所述第二融合数据进行缺陷评估，所述卷积神经网络输出缺陷评估信息；
将获得的缺陷评估信息与预设的缺陷参照表进行对比，以对缺陷评估信息进行分级，并根据分级结果建立严重性评分。
本发明还公开了一种镜头缺陷检测系统，其特征在于，用于实现如上所述的镜头缺陷检测方法，所述镜头缺陷检测系统包括：
光学扫描模块，用于对多层结构镜头的外表面进行全面扫描，快速定位初步的缺陷区域；
显微镜模块，用于对初步的缺陷区域进行高倍率的逐点深度扫描，捕获微观尺度上的图像；
X射线成像模块，用于对多层结构镜头整体进行扫描；
数据预处理单元，用于对收集到的缺陷信息进行预处理；
特征提取单元，用于对所述光学扫描模块、显微镜模块和X射线成像模块分别获取的缺陷信息进行特征提取；
多模态数据融合单元，用于对所述特征提取单元提取的特征，获得第一融合数据；
聚类分析单元，用于对第一融合数据中的相似特征进行分组；
处理模块，用于调用卷积神经网络并对图像信息进行缺陷评估；
交互界面，用于供用户操作和设置对应的参数。
本发明还公开了一种处理器，其特征在于，包括存储器和至少一个处理器，所述存储器中存储有指令；
所述处理器调用所述存储器中的所述指令，以使得所述处理器执行如上所述的镜头缺陷检测方法。
本发明还公开了一种存储介质，所述存储介质上存储有指令，所述指令用于实现如上所述的镜头缺陷检测方法。
与现有技术相比，本发明具有以下有益效果：检测时，先定位住待检测的多层结构镜头，利用光学扫描模块对镜头的外表面进行全面扫描，快速定位初步缺陷区域；接着，使用显微镜模块对这些初步识别的缺陷区域进行深入扫描和分析，以识别微观尺度的缺陷；使用X射线成像模块对镜头整体进行扫描，识别内部大尺寸结构异常，同时增强X射线成像以获取异常区域的更详细图像，并识别深度层次缺陷；将光学扫描模块、显微镜模块和X射线成像模块获取的缺陷信息进行特征提取，并采用多模态融合模型对这些特征进行数据融合，获得融合数据；应用光学面聚类算法对融合数据中的相似特征进行分组，从而高效地识别并分类不同类型的缺陷；本方法通过整合光学扫描、电子显微以及X射线成像技术，有效覆盖从外表面到内部深层的多个层级，能够识别常规方法难以发现的微观和内部缺陷，实现了对多层复杂结构镜头缺陷的全面和深入分析；且多模态数据融合和高级的聚类算法，该方法提高了缺陷识别的准确性和效率，有效克服了现有技术在复杂结构镜头检测上的局限性。
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性的前提下，还可以根据这些附图获得其它的附图。
本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本实施例一的镜头缺陷检测方法的流程示意图之一；
图2为本实施例一的镜头缺陷检测方法的流程示意图之二；
图3为本实施例一的镜头缺陷检测方法的流程示意图之三。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。需要说明的是，当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中设置的组件。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例一：
结合图1至图3所示，本发明实施例提供了本发明提供了一种镜头缺陷检测方法，包括：
S1，定位待检测的多层结构镜头，利用光学扫描模块对多层结构镜头的外表面进行全面扫描，快速定位初步的缺陷区域；
通过光学扫描模块对多层结构镜头的外表面进行全面扫描，这个过程快速并且高效地定位了初步的缺陷区域。这一步骤是整个检测过程的基础，能够确保后续深入分析的目标区域得到初步识别，为精确检测奠定基础。这种方法的优势在于能够迅速覆盖镜头全表面，初步识别出潜在的缺陷区域，大大提高了检测的效率。
S2，对初步的缺陷区域使用显微镜模块进行深度扫描和分析，识别缺陷区域内的微观尺度缺陷；
针对S1中识别出的初步缺陷区域，使用显微镜模块进行了深入的扫描与分析。这里，微观尺度上的缺陷得到了精确的识别和记录，包括但不限于微裂痕、颗粒污染等微观缺陷。这种方法能够在微观层面准确识别缺陷，为后续的缺陷类型判断和处理提供了重要的信息依据。
S3，通过X射线成像模块，对多层结构镜头整体进行初步扫描，快速识别内部大尺寸结构异常，标记为异常区域，增加X射线成像模块的照射强度和成像时间，获取异常区域的高清晰度图像，并识别异常区域内的深度层次缺陷；
通过X射线成像模块对镜头的整体结构进行了扫描，注重于内部大尺寸结构异常的识别，特别是对于那些从外观不易直接观测到的内部缺陷。通过增加照射强度和成像时间，能够获得更高清晰度的图像，从而更准确地识别和分析异常区域内的深度层次缺陷。这一步骤是对内部结构异常识别的重要环节，特别对于深层次内部缺陷的识别具有关键作用。
S4，对光学扫描模块、显微镜模块和X射线成像模块分别获取的缺陷信息进行特征提取，并将提取的特征采用多模态融合模型进行数据融合，获得第一融合数据；
将光学扫描、显微镜分析以及X射线成像所获得的缺陷信息通过特征提取方法处理，并采用多模态融合模型对特征进行数据融合，生成了第一融合数据。这一步骤充分利用了每种技术的优势，通过数据融合提高了缺陷检测的准确性和完整性，为后续的缺陷分析提供了更为全面和深入的数据支持。
S5，采用光学面聚类算法对第一融合数据中的相似特征进行分组，以获得若干组的缺陷分组。
采用了光学面聚类算法对第一融合数据中的相似特征进行分组，从而得到了若干组的缺陷分组。这一步骤进一步增强了数据处理的深度，通过聚类算法将相似特征的缺陷有效分组，为后续的细致分析和具体处理提供了方向和依据。这种方法能够在数据层面上更精确地描述和分类缺陷，提高了整个缺陷检测流程的逻辑性和有效性。
S6，对光学扫描模块、显微镜模块和X射线成像模块分别获取的图像信息进行特征提取，并将提取的特征采用多模态融合模型进行数据融合，获得第二融合数据；
需要说明的是，步骤S6继续深化了对镜头缺陷检测方法的多模态数据处理；通过再次从光学扫描模块、显微镜模块和X射线成像模块获取的图像信息中提取特征，并利用多模态融合模型对这些特征进行融合，从而获得第二融合数据。这一步骤的核心在于进一步细化和完善通过前一次融合所得到的数据，使得缺陷描述更为精确和全面。重点在于利用先进的数据融合技术来增强缺陷检测的精确度，使得数据在进入下一步缺陷评估之前达到最优化状态。这一过程的技术优势在于能够从更深层次上挖掘和识别微小或是复杂缺陷的信号，确保缺陷评估的准确性和有效性。
S7，使用训练后的卷积神经网络对第二融合数据进行缺陷评估，获得缺陷评估信息，并对缺陷评估信息进行严重性评分；
使用训练后的卷积神经网络（CNN）对第二融合数据进行深入的缺陷评估，然后根据评估结果对缺陷进行严重性评分；这个过程的核心在于将大量的数据处理和学习能力交给了学习模型，使得整个评估过程自动化且智能化。
通过训练，CNN能够识别各种复杂的缺陷特征，并据此评估缺陷的类型和严重程度；严重性评分部分是基于评估结果按照预定标准进行量化，为后续的修复建议和生产工艺优化提供重要依据。这一步骤的技术优势在于高度自动化和客观化的评估，显著提高了评估过程的效率和准确度。
S8，根据缺陷评估信息和严重性的评分信息，提出改进措施，汇总形成缺陷修复建议信息。
根据前述的缺陷评估信息和严重性的评分信息，综合分析和提出相应的改进措施，汇总形成缺陷修复建议信息。这一步骤的目标是将技术分析转化为实际可操作的修复建议，为实际的生产和质量改进提供指导；通过这样的分析和建议制定，可以帮助生产团队针对性地解决检测到的缺陷问题，优化生产工艺，提升产品质量。最终，形成的缺陷修复建议信息为指导生产活动提供科学依据，是整个缺陷检测方法的落地应用环节。此步骤的技术优势在于将复杂的数据分析结果转换为具体的改进措施，直接指导生产实践，提高了整个检测方法的实际应用价值。
本发明的工作原理为：检测时，先定位住待检测的多层结构镜头，利用光学扫描模块对镜头的外表面进行全面扫描，快速定位初步缺陷区域；接着，使用显微镜模块对这些初步识别的缺陷区域进行深入扫描和分析，以识别微观尺度的缺陷；使用X射线成像模块对镜头整体进行扫描，识别内部大尺寸结构异常，同时增强X射线成像以获取异常区域的更详细图像，并识别深度层次缺陷；将光学扫描模块、显微镜模块和X射线成像模块获取的缺陷信息进行特征提取，并采用多模态融合模型对这些特征进行数据融合，获得融合数据；应用光学面聚类算法对融合数据中的相似特征进行分组，从而高效地识别并分类不同类型的缺陷；相较于现有技术中的检测方法，本方法通过整合光学扫描、电子显微以及X射线成像技术，有效覆盖从外表面到内部深层的多个层级，能够识别常规方法难以发现的微观和内部缺陷，实现了对多层复杂结构镜头缺陷的全面和深入分析；且多模态数据融合和高级的聚类算法，该方法提高了缺陷识别的准确性和效率，有效克服了现有技术在复杂结构镜头检测上的局限性。
在本实施例中，具体说明的是，结合图2所示，步骤S2具体包括：
S21，根据初步的缺陷区域的性质和预期的微观尺度缺陷类型，选择显微镜模块中最适合的显微镜类型；
在S21步骤中，基于初步缺陷区域的性质和预期的微观尺度缺陷类型，选择了最适合的显微镜类型。这一选择依赖于缺陷的具体特点，例如大小、深度、物质组成等。不同类型的显微镜，如电子显微镜、光学显微镜或扫描探针显微镜，有着不同的分辨率和成像特性，适用于不同类型的缺陷分析。此步骤的核心是确保选择的显微镜类型能够最有效地揭示缺陷的微观特征，从而为精确的缺陷识别和分析打下基础。
S22，根据选择的显微镜类型，调整显微镜的参数设置；（参数设置如加速电压、光斑大小、探针电流等），以最大化图像质量并最佳地揭示缺陷特征。
根据选定的显微镜类型，对显微镜的参数进行精确调整，以优化成像质量。设置的参数包括加速电压、光斑大小、探针电流等，它们直接影响图像的清晰度、对比度和分辨率。正确调整这些参数对于获取高质量的微观图像至关重要，能够确保在后续的分析中能够更准确地识别和记录微观尺度上的缺陷。
S23，启动对应类型的显微镜对初步的缺陷区域进行高倍率的逐点深度扫描，捕获微观尺度上的图像；
使用启动的显微镜对初步的缺陷区域进行了高倍率的逐点深度扫描，这个过程包括逐一捕获缺陷区域的微观尺度图像，允许对缺陷的微观结构进行详细的观察和记录。这种高倍率、逐点的扫描方法使得即使是非常微小的缺陷也能被发现和记录，提供了极为详细和深入的缺陷数据。
S24，应用图像处理技术对捕获的微观尺度图像进行处理，并进行分析，以识别和记录缺陷区域内的微观尺度缺陷。
应用图像处理技术对捕获的微观尺度图像进行处理，并进行分析，以识别和记录缺陷区域内的微观尺度缺陷。这包括使用诸如图像增强、边缘检测、图像分割等技术来提高图像质量和突出缺陷特征。经过这样的处理，图像中的缺陷特征更为明显，便于进行后续的详细分析和分类。此步骤是将原始图像转化为有用信息的关键环节，从而有利于准确识别和理解缺陷。
在本实施例中，具体说明的是，步骤S4具体包括：
S41，对从光学扫描模块、显微镜模块和X射线成像模块收集到的缺陷信息进行预处理；预处理包括去噪、对比度增强和图像尺寸标准化处理；
对从不同检测模块收集到的缺陷信息进行预处理，包括去噪、对比度增强和图像尺寸标准化。预处理是数据准备阶段的关键环节，直接影响后续特征提取的效率和准确性。去噪可以去除图像中的随机噪声，保留重要的缺陷特征；对比度增强使得缺陷与背景之间的区别更加明显，便于识别；图像尺寸的标准化则确保了来自不同模块的图像在后续处理中能够被同等对待，无需调整算法参数以适应不同尺寸的图像。
S42，从光学扫描模块获取的初步缺陷信息中，利用边缘检测和形态分析学技术，提取缺陷形状、大小、边界清晰度的特征，获得第一特征数据；
S42步骤专注于从光学扫描模块获取的初步缺陷信息中提取关键特征，即利用边缘检测和形态分析学技术提取缺陷形状、大小、边界清晰度。这些特征直接关系到缺陷的可见属性，有助于初步分类缺陷的类型。边缘检测有助于准确界定缺陷边界，而形态分析则进一步解读缺陷的形状与大小特征，为后续的综合分析奠定基础。
S43，对于显微镜模块捕获的微观缺陷信息，运用纹理分析和局部特征匹配算法，提取微观缺陷信息的纹理特征、粒径分布和微裂纹的方向性信息，获得第二特征数据；
针对显微镜模块捕获的微观缺陷信息，采用纹理分析和局部特征匹配算法提取纹理特征、粒径分布和微裂纹的方向性等信息。纹理分析可以揭示缺陷表面的微观结构特征，而局部特征匹配则有助于识别出具有相似纹理特性的缺陷区域，这些微观级别的特征对于理解缺陷的成因和性质至关重要。
S44，从X射线成像模块捕获的深度缺陷信息，通过密度分析和结构重建技术，提取深度缺陷信息的位置、大小、形态以及与周围材料的对比度的特征，获得第三特征数据；
通过密度分析和结构重建技术从X射线成像模块捕获的深度缺陷信息中提取位置、大小、形态以及与周围材料的对比度等特征。这种深度分析能够揭示缺陷如何在材料内部空间分布，以及其对周围材料结构的影响，为评估缺陷的严重性和确定适当的修复策略提供了基础。
S45，对第一特征数据、第二特征数据和第三特征数据进行同步处理；其中，同步处理过程依次包括量纲的同化处理，时间戳同步和空间位置对齐。将上述提取的特征进行标准化处理，确保不同来源和类型的特征数据在同一量纲下，方便后续的数据融合。
对第一特征数据、第二特征数据和第三特征数据进行了同步处理，包括量纲的同化处理、时间戳同步和空间位置对齐。这一步骤确保了不同来源和类型的特征数据能够在同一框架下被分析和比较，消除了数据之间异构性带来的分析误差，为后续的多模态数据融合和深入分析打好基础。时间戳的同步与空间位置的对齐特别关键，确保了数据的一致性和相关性，使得后续分析更加精准有效。
S46，基于卷积神经网络和变分自编码器，建立多模态融合模型；
通过结合卷积神经网络（CNN）和变分自编码器（VAE），建立了一个多模态融合模型。这种模型的设计目的是充分利用不同模块捕获的特征数据的互补优势，通过学习不同数据类型间的复杂关联，实现对各种特征信息的深度整合。卷积神经网络在图像识别和处理方面的高效表现，加上变分自编码器在数据生成和表示学习方面的强大能力，使得该融合模型具备了高效处理和整合复杂多模态数据的能力。这一步骤为实现高质量的缺陷特征融合奠定了基础。
S47，将同步处理后的第一特征数据、第二特征数据和第三特征数据输入至多模态融合模型中，通过多模态融合模型的前向传播进程，以对各特征数据进行整合，获得第一融合数据；
将通过同步处理的第一特征数据、第二特征数据和第三特征数据输入到多模态融合模型中。通过模型的前向传播过程，这些不同来源的特征数据被有效整合，输出第一融合数据。这个过程通过模型学习到的数据间深层次联系，将不同维度的特征融合为统一的表示，从而为进一步的缺陷评价和分析提供了丰富且综合的信息。这一步骤的关键在于模型如何有效地融合各特征数据，确保最终融合数据的质量和可用性。
S48，设置缺陷特征标准值，对获得的第一融合数据进行验证，将第一融合数据与缺陷特征标准值进行对比，若达到缺陷特征标准值，则判断融合合格；若未达到缺陷特征标准值，则对多模态融合模型进行重构，并对各特征数据进行重新融合。
输入经标准化处理和同步的多模态特征数据到融合模型中，通过模型的前向传播过程，自动学习如何最有效地整合这些数据；
对融合得到的数据进行验证，检查融合结果是否能准确反映缺陷特性，并且与实际缺陷类型相符。若融合效果不佳，则回到模型构建阶段，针对性调整模型参数或结构，直至融合数据能准确描述各类缺陷。
需要说明的是，设定了缺陷特征的标准值，对融合后获取的第一融合数据进行验证。通过将融合数据与缺陷特征标准值进行对比，可以评估融合数据的质量和准确性。若融合数据达到了缺陷特征标准值，说明融合是成功的；反之，若未达到缺陷特征标准值，则需要针对多模态融合模型进行重构，以优化模型结构或参数设置，并对各特征数据进行重新融合，以期获得更准确的融合结果。这一步骤体现了一个迭代优化的过程，通过不断验证和调整，使得融合模型的性能逐步达到最优，确保融合数据的质量满足检测需求。
在本实施例中，具体说明的是，结合图3所示，步骤S5具体包括：
S51，对第一融合数据进行标准化处理；
对第一融合数据进行了标准化处理，目的是消除数据量纲的影响和不同来源数据的尺度差异，从而使数据更适合后续的分析和处理。标准化是数据预处理的一个重要步骤，它能确保不同特征数据在同一尺度上比较和分析，从而提高了算法的稳定性和效率。
S52，根据第一融合数据的特性，设置光学面聚类算法对应的聚类算法参数；聚类算法参数包括距离度量、聚类数量以及光学面的形状参数；
根据第一融合数据的特性，设置适合的光学面聚类算法参数。这些参数包括距离度量、聚类数量以及光学面的形状参数，其直接决定了聚类算法的性能和结果。聚类算法参数的合理设置是实现高效、准确聚类的关键，需要根据具体数据特征和分析需求灵活调整。
S53，通过参数设定的光学面聚类算法对第一融合数据进行处理；
光学面聚类算法对第一融合数据的处理过程为：光学面聚类算法先基于第一融合数据的数据点间的相似度建立连接图，再根据光学面的原理，将数据点分布在光滑的高维曲面上，最终将光学面上相邻而且特征相似的点归入同一聚类。
基于前一步骤设置的参数，利用光学面聚类算法对第一融合数据进行处理。光学面聚类算法通过模拟光学原理进行数据点的聚类，能够在考虑数据点间相似度的同时，也允许聚类形成具有一定结构特性的组织形态，这对于捕捉复杂多维数据中的结构性关联特别有效。
S54，对光学面聚类算法得到的缺陷分析结果进行细分，分析第一融合数据中的各聚类数据中包含的数据点的重合度，以进行缺陷分组的初步划分；
对光学面聚类算法得到的缺陷分析结果进行了进一步的细分；通过分析第一融合数据中各聚类数据包含的数据点重合度，可以对缺陷进行初步划分。这一步骤旨在细化缺陷分类，通过精确分析聚类之间的相关性和内部结构差异，实现更为精细的缺陷分组。
S55，对初步划分的缺陷分组进行结果验证，判断缺陷分组的分组界限和内部差异；当缺陷分组的验证结果不合格时，则对光学面聚类算法的聚类算法参数进行优化，并采用优化后的光学面聚类算法重新对第一融合数据进行处理；
对初步划分的缺陷分组进行了结果验证，判断缺陷分组的界限和内部差异是否合理；如果验证结果表明缺陷分组不合格，那么将对光学面聚类算法的参数进行优化调整，并采用优化后的参数重新对第一融合数据进行处理。这一步是一个迭代优化流程，旨在通过不断调整和验证，达到最佳的缺陷分组效果。
S56，对于验证后的缺陷分组进行分类和命名，并将每组缺陷分组记录。
对经过验证的缺陷分组进行了最终的分类和命名，并将每组缺陷的信息进行记录。这一步骤是整个分析流程的收尾，整合了之前所有步骤的成果，通过分类和命名为缺陷的进一步分析、处理和管理提供了便利。本步骤确保了所有关键的缺陷信息被系统性地组织和记录，为后续的缺陷处理和质量改进提供了详细的依据。
在本实施例中，具体说明的是，步骤S7具体包括：
S71，调用镜头缺陷检测的历史数据库，从历史数据库中提取部分数据建立子集，并对子集的缺陷类型进行标注；
S72，选择合适的卷积神经网络及其架构，采用标注有缺陷类型的子集输入于卷积神经网络，以对卷积神经网络进行训练；
S73，通过训练后的卷积神经网络对第二融合数据进行缺陷评估，卷积神经网络输出缺陷评估信息；
S74，将获得的缺陷评估信息与预设的缺陷参照表进行对比，以对缺陷评估信息进行分级，并根据分级结果建立严重性评分。
实施例二：
本发明还提供了一种镜头缺陷检测系统，用于实现如实施例一的镜头缺陷检测方法，所述镜头缺陷检测系统包括：
光学扫描模块，用于对多层结构镜头的外表面进行全面扫描，快速定位初步的缺陷区域；
显微镜模块，用于对初步的缺陷区域进行高倍率的逐点深度扫描，捕获微观尺度上的图像；
X射线成像模块，用于对多层结构镜头整体进行扫描；
数据预处理单元，用于对收集到的缺陷信息进行预处理；
特征提取单元，用于对所述光学扫描模块、显微镜模块和X射线成像模块分别获取的缺陷信息进行特征提取；
多模态数据融合单元，用于对所述特征提取单元提取的特征，获得第一融合数据；
聚类分析单元，用于对第一融合数据中的相似特征进行分组；
处理模块，用于调用卷积神经网络并对图像信息进行缺陷评估；
交互界面，用于供用户操作和设置对应的参数。
实施例三：
本发明还提供了一种处理器，包括存储器和至少一个处理器，所述存储器中存储有指令；
所述处理器调用所述存储器中的所述指令，以使得所述处理器执行如实施例一所述的镜头缺陷检测方法。
实施例四：
本发明还提供了一种存储介质，所述存储介质上存储有指令，所述指令用于实现如实施例一所述的镜头缺陷检测方法。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (8)
1.一种镜头缺陷检测方法，其特征在于，包括：
定位待检测的多层结构镜头，利用光学扫描模块对多层结构镜头的外表面进行全面扫描，快速定位初步的缺陷区域；
对初步的缺陷区域使用显微镜模块进行深度扫描和分析，识别缺陷区域内的微观尺度缺陷；
通过X射线成像模块，对多层结构镜头整体进行初步扫描，快速识别内部大尺寸结构异常，标记为异常区域，增加X射线成像模块的照射强度和成像时间，获取异常区域的高清晰度图像，并识别异常区域内的深度层次缺陷；
对所述光学扫描模块、显微镜模块和X射线成像模块分别获取的缺陷信息进行特征提取，并将提取的特征采用多模态融合模型进行数据融合，获得第一融合数据；
采用光学面聚类算法对第一融合数据中的相似特征进行分组，以获得若干组的缺陷分组；
对所述光学扫描模块、显微镜模块和X射线成像模块分别获取的缺陷信息进行特征提取，并将提取的特征采用多模态融合模型进行数据融合，获得第一融合数据；具体包括：
对从所述光学扫描模块、显微镜模块和X射线成像模块收集到的缺陷信息进行预处理；所述预处理包括去噪、对比度增强和图像尺寸标准化处理；
从所述光学扫描模块获取的初步缺陷信息中，利用边缘检测和形态分析学技术，提取缺陷形状、大小、边界清晰度的特征，获得第一特征数据；
对于所述显微镜模块捕获的微观缺陷信息，运用纹理分析和局部特征匹配算法，提取微观缺陷信息的纹理特征、粒径分布和微裂纹的方向性信息，获得第二特征数据；
从所述X射线成像模块捕获的深度缺陷信息，通过密度分析和结构重建技术，提取深度缺陷信息的位置、大小、形态以及与周围材料的对比度的特征，获得第三特征数据；
对所述第一特征数据、第二特征数据和第三特征数据进行同步处理；其中，同步处理过程依次包括量纲的同化处理，时间戳同步和空间位置对齐；
基于卷积神经网络和变分自编码器，建立多模态融合模型；
将同步处理后的第一特征数据、第二特征数据和第三特征数据输入至多模态融合模型中，通过所述多模态融合模型的前向传播进程，以对各特征数据进行整合，获得第一融合数据；
设置缺陷特征标准值，对获得的第一融合数据进行验证，将所述第一融合数据与缺陷特征标准值进行对比，若达到所述缺陷特征标准值，则判断融合合格；若未达到所述缺陷特征标准值，则对多模态融合模型进行重构，并对各特征数据进行重新融合。
2.根据权利要求1所述的镜头缺陷检测方法，其特征在于，所述对初步的缺陷区域使用显微镜模块进行深度扫描和分析，识别缺陷区域内的微观尺度缺陷；具体包括：
根据初步的缺陷区域的性质和预期的微观尺度缺陷类型，选择显微镜模块中最适合的显微镜类型；
根据选择的显微镜类型，调整显微镜的参数设置；
启动对应类型的显微镜对初步的缺陷区域进行高倍率的逐点深度扫描，捕获微观尺度上的图像；
应用图像处理技术对捕获的微观尺度图像进行处理，并进行分析，以识别和记录缺陷区域内的微观尺度缺陷。
3.根据权利要求1所述的镜头缺陷检测方法，其特征在于，所述采用光学面聚类算法对第一融合数据中的相似特征进行分组，以获得若干组的缺陷分组；具体包括：
对第一融合数据进行标准化处理；
根据第一融合数据的特性，设置所述光学面聚类算法对应的聚类算法参数；所述聚类算法参数包括距离度量、聚类数量以及光学面的形状参数；
通过参数设定的光学面聚类算法对第一融合数据进行处理；
对光学面聚类算法得到的缺陷分析结果进行细分，分析第一融合数据中的各聚类数据中包含的数据点的重合度，以进行缺陷分组的初步划分；
对初步划分的缺陷分组进行结果验证，判断缺陷分组的分组界限和内部差异；当缺陷分组的验证结果不合格时，则对光学面聚类算法的聚类算法参数进行优化，并采用优化后的光学面聚类算法重新对第一融合数据进行处理；
对于验证后的缺陷分组进行分类和命名，并将每组缺陷分组记录。
4.根据权利要求1所述的镜头缺陷检测方法，其特征在于，所述采用光学面聚类算法对第一融合数据中的相似特征进行分组，以获得若干组的缺陷分组；之后还包括：
对所述光学扫描模块、显微镜模块和X射线成像模块分别获取的图像信息进行特征提取，并将提取的特征采用多模态融合模型进行数据融合，获得第二融合数据；
使用训练后的卷积神经网络对所述第二融合数据进行缺陷评估，获得缺陷评估信息，并对缺陷评估信息进行严重性评分；
根据缺陷评估信息和严重性的评分信息，提出改进措施，汇总形成缺陷修复建议信息。
5.根据权利要求4所述的镜头缺陷检测方法，其特征在于，所述使用训练后的卷积神经网络对所述第二融合数据进行缺陷评估，获得缺陷评估信息，并对缺陷评估信息进行严重性评分；具体包括：
调用镜头缺陷检测的历史数据库，从历史数据库中提取部分数据建立子集，并对子集的缺陷类型进行标注；
选择合适的卷积神经网络及其架构，采用标注有缺陷类型的子集输入于所述卷积神经网络，以对卷积神经网络进行训练；
通过训练后的卷积神经网络对所述第二融合数据进行缺陷评估，所述卷积神经网络输出缺陷评估信息；
将获得的缺陷评估信息与预设的缺陷参照表进行对比，以对缺陷评估信息进行分级，并根据分级结果建立严重性评分。
6.一种镜头缺陷检测系统，其特征在于，用于实现如权利要求1至5任一项所述的镜头缺陷检测方法，所述镜头缺陷检测系统包括：
光学扫描模块，用于对多层结构镜头的外表面进行全面扫描，快速定位初步的缺陷区域；
显微镜模块，用于对初步的缺陷区域进行高倍率的逐点深度扫描，捕获微观尺度上的图像；
X射线成像模块，用于对多层结构镜头整体进行扫描；
数据预处理单元，用于对收集到的缺陷信息进行预处理；
特征提取单元，用于对所述光学扫描模块、显微镜模块和X射线成像模块分别获取的缺陷信息进行特征提取；
多模态数据融合单元，用于对所述特征提取单元提取的特征，获得第一融合数据；
聚类分析单元，用于对第一融合数据中的相似特征进行分组；
处理模块，用于调用卷积神经网络并对图像信息进行缺陷评估；
交互界面，用于供用户操作和设置对应的参数。
7.一种处理器，其特征在于，包括存储器和至少一个处理器，所述存储器中存储有指令；
所述处理器调用所述存储器中的所述指令，以使得所述处理器执行如权利要求1至5中任一项所述的镜头缺陷检测方法。
8.一种存储介质，其特征在于，所述存储介质上存储有指令，所述指令用于实现如权利要求1至5中任一项所述的镜头缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410323043.7A CN117929393B (zh) | 2024-03-21 | 2024-03-21 | 一种镜头缺陷检测方法、系统、处理器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410323043.7A CN117929393B (zh) | 2024-03-21 | 2024-03-21 | 一种镜头缺陷检测方法、系统、处理器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117929393A CN117929393A (zh) | 2024-04-26 |
| CN117929393B true CN117929393B (zh) | 2024-06-07 |
Family
ID=90770628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410323043.7A Active CN117929393B (zh) | 2024-03-21 | 2024-03-21 | 一种镜头缺陷检测方法、系统、处理器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117929393B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118376690B (zh) * | 2024-06-24 | 2024-08-20 | 常州润来科技有限公司 | 一种外方内圆无氧铜管内外壁缺陷检测方法及系统 |
| CN118379292B (zh) * | 2024-06-25 | 2024-08-20 | 菏泽市产品检验检测研究院 | 植、介入性管状器械的外壁质量检测方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10135288A (ja) * | 1996-11-01 | 1998-05-22 | Jeol Ltd | 部品検査システム |
| CN105115874A (zh) * | 2015-08-18 | 2015-12-02 | 中国石油天然气股份有限公司 | 多源信息融合的多组分三维数字岩心构建方法 |
| CN111292228A (zh) * | 2020-01-16 | 2020-06-16 | 宁波舜宇仪器有限公司 | 镜头缺陷检测方法 |
| CN211626406U (zh) * | 2020-03-30 | 2020-10-02 | 阳宇春 | 计量级3d超景深干涉显微系统 |
| CN114677677A (zh) * | 2022-05-30 | 2022-06-28 | 南京友一智能科技有限公司 | 一种质子交换膜燃料电池气体扩散层材料比例预测方法 |
| CN117110297A (zh) * | 2023-08-29 | 2023-11-24 | 合肥市商巨智能装备有限公司 | 基于虚像的vr光学镜片细小缺陷检测方法及设备 |
| CN117452026A (zh) * | 2023-10-25 | 2024-01-26 | 哈尔滨工业大学 | 一种基于光学-afm融合的光学元件表面微纳级目标点高效检测方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19859877A1 (de) * | 1998-12-23 | 2000-06-29 | Robert Magerle | Nanotomographie |
| JP4610798B2 (ja) * | 2001-06-19 | 2011-01-12 | エスアイアイ・ナノテクノロジー株式会社 | レーザ欠陥検出機能を備えた走査型電子顕微鏡とそのオートフォーカス方法 |
| US10115040B2 (en) * | 2016-09-14 | 2018-10-30 | Kla-Tencor Corporation | Convolutional neural network-based mode selection and defect classification for image fusion |
| US11341635B2 (en) * | 2019-10-31 | 2022-05-24 | Tencent America LLC | Computer aided diagnosis system for detecting tissue lesion on microscopy images based on multi-resolution feature fusion |
| US12020417B2 (en) * | 2020-04-24 | 2024-06-25 | Camtek Ltd. | Method and system for classifying defects in wafer using wafer-defect images, based on deep learning |
| JP2023547792A (ja) * | 2020-10-08 | 2023-11-14 | バテル メモリアル インスティチュート | 人工知能（ａｉ）により支援された電子顕微鏡データの解析 |
-
2024
- 2024-03-21 CN CN202410323043.7A patent/CN117929393B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10135288A (ja) * | 1996-11-01 | 1998-05-22 | Jeol Ltd | 部品検査システム |
| CN105115874A (zh) * | 2015-08-18 | 2015-12-02 | 中国石油天然气股份有限公司 | 多源信息融合的多组分三维数字岩心构建方法 |
| CN111292228A (zh) * | 2020-01-16 | 2020-06-16 | 宁波舜宇仪器有限公司 | 镜头缺陷检测方法 |
| CN211626406U (zh) * | 2020-03-30 | 2020-10-02 | 阳宇春 | 计量级3d超景深干涉显微系统 |
| CN114677677A (zh) * | 2022-05-30 | 2022-06-28 | 南京友一智能科技有限公司 | 一种质子交换膜燃料电池气体扩散层材料比例预测方法 |
| CN117110297A (zh) * | 2023-08-29 | 2023-11-24 | 合肥市商巨智能装备有限公司 | 基于虚像的vr光学镜片细小缺陷检测方法及设备 |
| CN117452026A (zh) * | 2023-10-25 | 2024-01-26 | 哈尔滨工业大学 | 一种基于光学-afm融合的光学元件表面微纳级目标点高效检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 制造辅助的光学相干层析成像方法研究;王玲;郝健;王中昆;徐铭恩;;光学学报;20200602;40(第11期);105-115 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117929393A (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117929393B (zh) | 一种镜头缺陷检测方法、系统、处理器及存储介质 | |
| CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
| US7873202B2 (en) | Method and apparatus for reviewing defects of semiconductor device | |
| CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
| CN111223093A (zh) | 一种aoi缺陷检测方法 | |
| CN1313821C (zh) | 光滑表面疵病的自动化检测方法及其系统 | |
| JP5543872B2 (ja) | パターン検査方法およびパターン検査装置 | |
| JP6791245B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
| KR20140039075A (ko) | 영역 결정 장치, 관찰 장치 또는 검사 장치, 영역 결정 방법 및 영역 결정 방법을 사용한 관찰 방법 또는 검사 방법 | |
| CN114881987B (zh) | 基于改进YOLOv5的热压导光板缺陷可视化检测方法 | |
| JP2011158373A (ja) | 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置 | |
| CN115601359A (zh) | 一种焊缝检测方法及装置 | |
| CN113781458A (zh) | 一种基于人工智能的识别方法 | |
| CN113298797A (zh) | 太阳能电池表面缺陷检测方法 | |
| CN109816627A (zh) | 平面玻璃元件油墨区弱小缺陷目标检测方法 | |
| Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
| CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
| CN117218041B (zh) | 一种基于线扫描的金属轴表面图像采集方法 | |
| JP5530126B2 (ja) | 三次元細胞画像解析システム及びそれに用いる三次元細胞画像解析装置 | |
| CN114120318B (zh) | 一种基于集成决策树的暗场图像目标点精确提取方法 | |
| KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 | |
| CN112858341B (zh) | 一种检测方法、拍摄系统及检测系统 | |
| US11961221B2 (en) | Defect examination on a semiconductor specimen | |
| TWI777307B (zh) | 在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法、電腦程式及電腦可讀取媒體 | |
| CN112581424B (zh) | 一种光学元件表面与亚表面缺陷的分类提取方法 |
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 |