一种镜框边缘毛刺的多尺度卷积神经网络分类检测方法和系统与流程

本发明涉及眼镜加工制造，特别是涉及一种镜框边缘毛刺的多尺度卷积神经网络分类检测方法和系统。

背景技术：

1、随着眼镜制造行业自动化与精密化水平的不断提升，镜框作为眼镜的核心结构件，其边缘加工质量直接关系到佩戴舒适度、外观美观度以及后续装配精度。在镜框的冲压、切削、打磨等加工工序中，边缘部位极易产生毛刺、飞边等微观缺陷。由于毛刺尺寸微小、形态不规则且多在镜框复杂曲面边缘处分布，传统依赖人工目视或接触式测量的检测方式存在效率低下、主观性强、漏检率高等问题，难以满足大规模、高一致性生产的质量管控需求。近年来，基于机器视觉的自动检测技术逐渐应用于工业表面缺陷识别，其中卷积神经网络因具备较强的自动特征提取能力，已成为边缘缺陷检测的重要技术手段，为镜框边缘毛刺的自动化判别提供了可行的技术路径。

2、然而，现有基于卷积神经网络的镜框边缘毛刺检测方法仍面临显著的技术瓶颈。一方面，镜框边缘毛刺在几何形态上呈现出典型的多尺度特征：既包含局部尖端的微观形态突变，也涉及边缘连续性被局部破坏的中尺度变化，还表现为整体轮廓偏移与结构失稳的宏观趋势，而常规单一感受野的卷积网络难以同时兼顾不同尺度毛刺特征的提取，容易造成小尺度尖端特征被忽略或宏观结构变化被误判。另一方面，现有方法多依赖对缺陷样本的直接分类，缺乏以正常边缘形态为基准的参照体系，难以从实际边缘状态与标准状态差异的角度量化毛刺引起的边缘形变残差，导致对毛刺延伸程度、边缘破坏程度及尖端锐度等关键分类维度的刻画不够精细，分类识别的准确性和鲁棒性不足。

技术实现思路

1、本发明旨在至少解决现有技术中存在的需求技术问题，特别创新地提出了一种镜框边缘毛刺的多尺度卷积神经网络分类检测方法和系统。

2、为了实现本发明的上述目的，本发明提供了一种镜框边缘毛刺的多尺度卷积神经网络分类检测方法，所述方法包括：

3、s1、获取待检测镜框的边缘图像，并对边缘图像进行预处理，获得包含镜框边缘区域的待检测图像；

4、s2、基于待检测图像，对镜框正常边缘形态进行特征编码，建立镜框边缘形态记忆场，并根据边缘形态记忆场获取对应的标准边缘状态特征；

5、s3、将待检测边缘图像中的实际边缘状态与标准边缘状态特征进行差异计算，获得镜框边缘的形变残差特征图；

6、s4、基于形变残差特征图，对异常变化区域进行多尺度特征提取，通过构建多个不同感受野的卷积特征提取分支，分别获取不同尺度下的毛刺特征，毛刺特征包括毛刺局部形态特征、边缘连续性特征和整体结构变化特征；

7、s5、通过形变演化卷积网络对毛刺特征进行融合处理，根据毛刺特征在不同尺度下的空间分布关系和形态变化规律，获得镜框边缘毛刺特征表示；

8、s6、对镜框边缘毛刺特征表示进行特征映射，获得包含毛刺延伸程度、边缘破坏程度以及尖端锐度信息的毛刺分类特征；

9、s7、基于毛刺分类特征，通过分类检测网络对镜框边缘毛刺进行分类识别，并输出对应的毛刺检测结果。

10、在另一方面，本发明还提供一种镜框边缘毛刺的多尺度卷积神经网络分类检测系统，所述系统包括：

11、处理器；

12、用于存储处理器可执行指令的存储器；

13、其中，处理器被配置为执行可执行指令时实现镜框边缘毛刺的多尺度卷积神经网络分类检测方法。

14、本发明的有益效果：本发明通过构建镜框边缘形态记忆场并提取标准边缘状态特征，为毛刺检测建立了以正常边缘形态为基准的参照体系，使得待检测图像的实际边缘状态能够与标准状态在空间位置上，对应并进行差异计算，从而将毛刺缺陷量化为可表征的镜框边缘形变残差特征图，有效解决了现有方法缺乏基准参照、难以刻画边缘形变残差的问题；在此基础上，本发明构建局部尺度、中间尺度与整体尺度多个不同感受野的卷积特征提取分支，分别从毛刺尖端形态与局部突变、边缘断裂与连续性变化、毛刺延伸趋势与整体结构偏移三个层次获取毛刺局部形态特征、边缘连续性特征和整体结构变化特征，克服了单一感受野卷积网络难以兼顾微观尖端与宏观结构变化的缺陷，显著提升了多尺度毛刺特征的提取完整性；进一步通过形变演化卷积网络依据毛刺特征在不同尺度下的空间分布关系与形态变化规律进行加权卷积与特征交互，获得融合空间关联与形态演化关系的镜框边缘毛刺特征表示，增强了特征表达的对尺度适应性与判别力；随后经特征解耦与映射得到包含毛刺延伸程度、边缘破坏程度及尖端锐度信息的毛刺分类特征，并基于分类检测网络输出毛刺类型、严重程度等级及空间分布信息的综合检测结果，使得对毛刺的分类识别在准确性、鲁棒性及可解释性上均优于传统单一尺度检测方法，能够满足镜框边缘毛刺自动化、精细化质量管控的工程需求。

15、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

1.一种镜框边缘毛刺的多尺度卷积神经网络分类检测方法，其特征在于，所述方法包括：

2.如权利要求1所述的一种镜框边缘毛刺的多尺度卷积神经网络分类检测方法，其特征在于，获取对应的标准边缘状态特征包括：

3.如权利要求1所述的一种镜框边缘毛刺的多尺度卷积神经网络分类检测方法，其特征在于，获得镜框边缘的形变残差特征图包括：

4.如权利要求1所述的一种镜框边缘毛刺的多尺度卷积神经网络分类检测方法，其特征在于，获取不同尺度下的毛刺特征包括：

5.如权利要求1所述的一种镜框边缘毛刺的多尺度卷积神经网络分类检测方法，其特征在于，获得镜框边缘毛刺特征表示包括：

6.如权利要求1所述的一种镜框边缘毛刺的多尺度卷积神经网络分类检测方法，其特征在于，获得毛刺分类特征包括：

7.如权利要求1所述的一种镜框边缘毛刺的多尺度卷积神经网络分类检测方法，其特征在于，输出对应的毛刺检测结果包括：

8.一种镜框边缘毛刺的多尺度卷积神经网络分类检测系统，其特征在于，所述系统包括：