基于深度学习的球面镜表面缺陷自动识别与分类方法与流程

摘要: 本发明涉及光学检测,具体为基于深度学习的球面镜表面缺陷自动识别与分类方法。背景技术:1、球面镜作为光学系统中的核心元件,其表面质量直接影响光学系统的成像性能。传...
基于深度学习的球面镜表面缺陷自动识别与分类方法与流程

本发明涉及光学检测,具体为基于深度学习的球面镜表面缺陷自动识别与分类方法。

背景技术:

1、球面镜作为光学系统中的核心元件,其表面质量直接影响光学系统的成像性能。传统球面镜表面缺陷检测主要依赖人工目视检查或基于机器视觉的二维图像分析方法。人工检查效率低、主观性强,难以满足现代精密光学制造的高通量检测需求。

2、现有基于机器视觉的方法多采用固定光源配合面阵相机采集球面镜表面图像,再利用传统图像处理算法进行缺陷分割与识别。然而,球面镜的曲面特性导致光照反射分布不均,固定角度照明下,镜面不同区域的缺陷对比度差异显著,单一视角图像难以完整呈现各类缺陷的形态特征。部分已有专利尝试采用多角度光源或深度学习模型解决上述问题,例如采用多模态光学检测获取曲率、表面缺陷等多维信息进行综合评分,但此类方法采用“先成像后校正”的策略,未能从根本上解决球面曲率引起的光学畸变对缺陷形态的干扰,曲面成像固有的几何失真降低了深度学习模型的分类准确率。此外,现有方法未充分利用球面镜的几何参数先验信息来引导网络模型的特征提取过程,导致模型对曲率变化的适应性不足,因此,亟待一种改进的技术来解决现有技术中所存在的这一问题。

技术实现思路

1、本发明的目的在于提供基于深度学习的球面镜表面缺陷自动识别与分类方法,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:基于深度学习的球面镜表面缺陷自动识别与分类方法,包括以下步骤:构建多角度环形光源与线阵相机组合的图像采集装置,所述环形光源由独立控制亮度的n个扇形分区构成,n≥8;

3、采集球面镜表面图像时,按预置角度序列依次点亮各扇形分区,同步触发线阵相机获取对应角度的子孔径图像,生成角度-强度编码图像序列;

4、构建双分支深度学习网络模型,第一分支为残差注意力特征提取网络,第二分支为可变形卷积曲率补偿网络,所述第二分支依据球面镜曲率参数对第一分支输出的特征图进行像素级空间变换,输出曲率归一化特征图;

5、将所述曲率归一化特征图输入缺陷分类网络,输出缺陷类别标签。

6、优选的,所述预置角度序列为环形光源各扇形分区的点亮顺序与点亮时长组合,所述点亮时长依据球面镜曲率半径动态调整。

7、优选的,所述可变形卷积曲率补偿网络包含曲率参数编码层与空间变换层,所述曲率参数编码层将球面镜曲率半径r与口径d编码为曲率嵌入向量,所述空间变换层依据所述曲率嵌入向量生成各像素位置的偏移量矩阵。

8、优选的,所述残差注意力特征提取网络包含通道注意力模块与空间注意力模块,所述通道注意力模块对输入特征图进行全局平均池化与全局最大池化的双路并行压缩。

9、优选的,所述缺陷分类网络为多尺度特征融合分类网络,包含三个并行的不同空洞率的空洞卷积分支。

10、优选的,所述角度-强度编码图像序列中每帧图像对应唯一的光源点亮角度编码,所述角度编码与子孔径图像同步存储。

11、优选的,所述图像采集装置还包含位于球面镜曲率中心位置的辅助点光源,用于在采集图像前执行暗场校正。

12、优选的,所述双分支深度学习网络模型的训练损失函数为分类损失与曲率一致性损失的加权和,所述曲率一致性损失依据球面镜曲率参数计算特征图变换前后的结构相似度。

13、优选的,所述缺陷类别标签至少包括:划痕、麻点、气泡、脱膜、污染。

14、与现有技术相比,本发明的有益效果是:

15、(1)采用n≥8的扇形分区数量,确保角度分辨率足以覆盖各类缺陷的最佳照明方向,该图像采集装置通过独立控制各扇形分区的点亮角度与时长,可在无需机械旋转光源的情况下快速获取多角度照明图像序列,避免机械运动引入的定位误差与时间开销;

16、(2)网络模型的训练方法引入曲率一致性损失约束可变形卷积曲率补偿网络的变换程度与曲率参数物理匹配,避免网络为降低分类损失而过度扭曲特征空间,同时使曲率补偿过程在结构层面保持特征可逆性;

17、(3)本发明采用n≥8扇形分区独立控制亮度的环形光源配合线阵相机同步采集角度-强度编码图像序列,替代了传统固定光源单一视角成像方式,通过多角度序列化照明有效解决了曲面光照不均导致的缺陷对比度差异问题,同时避免了机械旋转光源引入的定位误差,双分支深度学习网络架构,引入了可变形卷积曲率补偿网络作为独立分支,利用球面镜曲率半径r与口径d作为先验参数驱动特征图的像素级空间变换,在深度学习特征提取阶段即主动补偿曲面几何畸变,使后续分类网络接收曲率归一化的特征分布,解决了球面镜曲率变化对缺陷形态特征的干扰问题,使模型对不同曲率规格球面镜具有良好的适配能力,同时,曲率一致性损失函数的设计确保了特征变换过程的物理合理性,本发明从照明方式、图像采集策略到深度学习网络架构形成了完整的技术闭环,有效克服了球面镜表面缺陷自动检测中的曲面光照与几何畸变双重技术难题,显著提升了识别准确率与工业适用性。

1.基于深度学习的球面镜表面缺陷自动识别与分类方法,其特征在于:包括以下步骤:构建多角度环形光源与线阵相机组合的图像采集装置,所述环形光源由独立控制亮度的n个扇形分区构成,n≥8;

2.根据权利要求1所述的基于深度学习的球面镜表面缺陷自动识别与分类方法,其特征在于:所述预置角度序列为环形光源各扇形分区的点亮顺序与点亮时长组合,所述点亮时长依据球面镜曲率半径动态调整。

3.根据权利要求1所述的基于深度学习的球面镜表面缺陷自动识别与分类方法,其特征在于:所述可变形卷积曲率补偿网络包含曲率参数编码层与空间变换层,所述曲率参数编码层将球面镜曲率半径r与口径d编码为曲率嵌入向量,所述空间变换层依据所述曲率嵌入向量生成各像素位置的偏移量矩阵。

4.根据权利要求1所述的基于深度学习的球面镜表面缺陷自动识别与分类方法,其特征在于:所述残差注意力特征提取网络包含通道注意力模块与空间注意力模块,所述通道注意力模块对输入特征图进行全局平均池化与全局最大池化的双路并行压缩。

5.根据权利要求1所述的基于深度学习的球面镜表面缺陷自动识别与分类方法,其特征在于:所述缺陷分类网络为多尺度特征融合分类网络,包含三个并行的不同空洞率的空洞卷积分支。

6.根据权利要求1所述的基于深度学习的球面镜表面缺陷自动识别与分类方法,其特征在于:所述角度-强度编码图像序列中每帧图像对应唯一的光源点亮角度编码,所述角度编码与子孔径图像同步存储。

7.根据权利要求1所述的基于深度学习的球面镜表面缺陷自动识别与分类方法,其特征在于:所述图像采集装置还包含位于球面镜曲率中心位置的辅助点光源,用于在采集图像前执行暗场校正。

8.根据权利要求1所述的基于深度学习的球面镜表面缺陷自动识别与分类方法,其特征在于:所述双分支深度学习网络模型的训练损失函数为分类损失与曲率一致性损失的加权和,所述曲率一致性损失依据球面镜曲率参数计算特征图变换前后的结构相似度。

9.根据权利要求1所述的基于深度学习的球面镜表面缺陷自动识别与分类方法,其特征在于:所述缺陷类别标签至少包括:划痕、麻点、气泡、脱膜、污染。