CN115100110A - 一种偏光镜片缺陷检测方法、装置、设备及可读存储介质 - Google Patents
一种偏光镜片缺陷检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115100110A CN115100110A CN202210548772.3A CN202210548772A CN115100110A CN 115100110 A CN115100110 A CN 115100110A CN 202210548772 A CN202210548772 A CN 202210548772A CN 115100110 A CN115100110 A CN 115100110A
- Authority
- CN
- China
- Prior art keywords
- image
- lens
- defect
- gray level
- polarized
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 132
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 2
- 230000010339 dilation Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种偏光镜片缺陷检测方法、装置、设备及可读存储介质,涉及光学技术领域,包括对覆膜凸透镜进行图像采集,并将采集的图像进行灰度转换和预处理得到偏光镜片图像,对所述偏光镜片图像进行膨胀运算得到镜片灰度图像;对所述镜片灰度图像进行灰度统计,得到二值化阈值,然后根据所述二值化阈值对所述镜片灰度图像进行二值化分割得到镜片二值化图像;对所述镜片二值化图像进行分析和提取,得到分析和提取后的二值化图像,根据所述镜片裂纹区域图像进行缺陷识别。本发明的优点为能提供快速、稳定、可靠的检测效果;算法运行对反射形偏光镜片的尺寸,可自定义各项卡控值,过程和结果可控,可追溯;能够光学过滤干扰点,识别真正的瑕疵。
Description
技术领域
本发明涉及光学镜片技术领域,具体而言,涉及偏光镜片缺陷检测方法、装置、设备及可读存储介质。
背景技术
虚拟现实技术是21世纪发展起来的一项全新的实用技术基本实现方式是计算机模拟虚拟环境从而给人以环境沉。VR眼镜的主要配置就是两片透镜。常规的头戴式VR结构和电路设计,其整体厚度在80mm,整机重量在500g左右,将一斤重的物体放在头上使用半个小时的使用体验是非常糟糕的,为了显著减少VR头显的整体厚度,最佳方案就是将VR光路总长减小,使用反射性偏光镜片,利用光的反射缩短光路总长,就可以实现这个目标。
偏光镜片非常脆弱,在生产中极易破裂,且原本使用的人工检测缺乏一致性和可靠性,经过实际生产,本检测方式非常适合反射滤光镜片。
发明内容
本发明的目的在于提供一种偏光镜片缺陷检测方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种偏光镜片缺陷检测方法,包括:
对覆膜凸透镜进行图像采集,并将采集的图像进行灰度转换和预处理得到偏光镜片图像,然后对所述偏光镜片图像进行膨胀运算得到镜片灰度图像;
对所述镜片灰度图像进行灰度统计,得到二值化阈值,根据所述二值化阈值对所述镜片灰度图像进行二值化分割得到镜片二值化图像;
对所述镜片二值化图像进行分析和提取,得到分析和提取后的二值化图像,对所述二值化图像进行计算,得到镜片裂纹区域图像;
根据所述镜片裂纹区域图像进行缺陷识别,并标记缺陷坐标。
优选地,对覆膜凸透镜进行图像采集,并将采集的图像进行灰度转换和预处理得到偏光镜片图像,然后对所述偏光镜片图像进行膨胀运算得到镜片灰度图像,之后包括:
根据所述镜片灰度图像和卷积神经网络模型建立异常检测模型,其中包括:
获取第一数据,所述第一数据包括在对所述卷积神经网络模型训练的过程中的循环次数,在对所述卷积神经网络模型进行训练的过程中,进行一次前馈和反向传播为一个循环;
对所述镜片灰度图像集合中的每张图像进行亮度修正处理和分辨率调整处理,得到第二图像集合,根据所述第二图像集合获取第二数据,所述第二数据包括在进行训练的过程中所述第二图像集合在每个训练循环内被处理的次数;
根据所述第一数据、所述第二数据和所述第二图像集合中三维图像的个数得到迭代停止的条件;
基于所述镜片灰度图像集合对所述卷积神经网络模型进行训练,当达到迭代停止的条件时停止训练,得到异常检测模型。
优选地,所述对所述镜片二值化图像进行分析和提取,得到分析和提取后的二值化图像,然后对所述二值化图像进行计算,得到镜片裂纹区域图像,包括:
对分析和提取后的所述二值化图像进行横向边缘滤波,得到边缘滤波图像;
根据预设的检测块尺寸,将所述边缘滤波图像分割成多个检测块,其中,相邻的所述检测块之间存在重叠区域;
针对每个所述检测块,查找所述检测块中的候选缺陷点,并计算由所述候选缺陷点组成的缺陷区域的缺陷信息;
根据每个缺陷区域的缺陷信息,在所述二值化图像上确定待选区域以及待选区域对应的邻域信息;
根据所述待选区域与该待选区域对应的邻域信息之间的差异以及所有待选区域的角度信息,确定所述二值化图像中的裂纹缺陷;
对所述裂纹缺陷的缺陷信息进行极坐标逆变换,得到所述镜片裂纹区域图像。
优选地,所述根据所述镜片裂纹区域图像进行缺陷识别,并标记缺陷坐标,包括:
根据RGB三通法对所述镜片裂纹区域图像进行分割;
确认分割后的所述镜片裂纹区域图像的缺陷类别;
将所述缺陷类别的信息和所述镜片裂纹区域图像上报控制器,所述控制器发出报警信号、存储报警信息,标记并显示缺陷图像和位置信息。
第二方面,本申请还提供了一种偏光镜片缺陷检测装置,包括:
采集模块:用于对覆膜凸透镜进行图像采集,并将采集的图像进行灰度转换和预处理得到偏光镜片图像,然后对所述偏光镜片图像进行膨胀运算得到镜片灰度图像;
分割模块:用于对所述镜片灰度图像进行灰度统计,得到二值化阈值,根据所述二值化阈值对所述镜片灰度图像进行二值化分割得到镜片二值化图像;
计算模块:用于对所述镜片二值化图像进行分析和提取,得到分析和提取后的二值化图像,对所述二值化图像进行计算,得到镜片裂纹区域图像;
标记模块:用于根据所述镜片裂纹区域图像进行缺陷识别,并标记缺陷坐标。
第三方面,本申请还提供了一种偏光镜片缺陷检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述偏光镜片缺陷检测方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于偏光镜片缺陷检测方法的步骤。
本发明的有益效果为:已经实现在线生产,能提供快速、稳定、可靠的检测效果;算法运行对反射形偏光镜片的尺寸,可自定义各项卡控值,实现产品OK NG精准判定;过程和结果可控,可追溯;能够光学过滤干扰点,识别真正的瑕疵。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中所述的偏光镜片缺陷检测方法流程示意图;
图2为本发明实施例中所述的偏光镜片缺陷检测装置结构示意图;
图3为本发明实施例中所述的偏光镜片缺陷检测设备结构示意图。
图中:701、采集模块;7011、建立单元;7012、第一获取单元;7013、处理单元;7014、迭代单元;7015、训练单元;702、分割模块;703、计算模块;7031、滤波单元;7032、第一分割单元;7033、查找单元;7034、第一确定单元;7035、第二确定单元;7036、变换单元;704、标记模块;7041、第二分割单元;7042、确认单元;7043、显示单元;800、偏光镜片缺陷检测设备;801、处理器;802、存储器;803、多媒体组件;804、输入/输出(I/O)接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种偏光镜片缺陷检测方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。
S100、对覆膜凸透镜进行图像采集,并将采集的图像进行灰度转换和预处理得到偏光镜片图像,然后对偏光镜片图像进行膨胀运算得到镜片灰度图像。
可以理解的是,在本步骤中之后包括:
根据镜片灰度图像和卷积神经网络模型建立异常检测模型,其中包括:
获取第一数据,第一数据包括在对卷积神经网络模型训练的过程中的循环次数,在对卷积神经网络模型进行训练的过程中,进行一次前馈和反向传播为一个循环;
对镜片灰度图像集合中的每张图像进行亮度修正处理和分辨率调整处理,得到第二图像集合,根据第二图像集合获取第二数据,第二数据包括在进行训练的过程中第二图像集合在每个训练循环内被处理的次数;
根据第一数据、第二数据和第二图像集合中三维图像的个数得到迭代停止的条件;
基于镜片灰度图像集合对卷积神经网络模型进行训练,当达到迭代停止的条件时停止训练,得到异常检测模型。
在本实施例中,一个循环可以理解为一个训练轮回,即完成一次前馈和反向传播的过程为一个轮回,其中,本实施例中的循环次数也就是轮回次数可以由用户自定义的输入;在本实施例中通过对图像进行亮度修正处理和分辨率调整处理后可以提高图像的质量,进而提高训练得到的模型的精度;同时本实施例中采用轮回的次数决定前馈和反向传播过程在训练中进行的次数,通过此种方法可以加快卷积神经网络模型的训练速度,从而避免了训练模型出现过拟合和欠拟合的问题,因此可以提高训练效率,进而提升对偏光镜片缺陷识别的效率。
S200、对镜片灰度图像进行灰度统计,得到二值化阈值,根据二值化阈值对镜片灰度图像进行二值化分割得到镜片二值化图像。
可以理解的是,在本步骤中,对覆膜凸透镜进行图像采集并进行灰度转换,然后对灰度转换后的图像进行滤波和去噪的预处理得到图像;
S12,对预处理后的图像进行膨胀运算得到偏光镜图像灰度图像;膨胀运算的算子大小为偏光镜图像轮廓宽度大小。在本步骤中,偏光镜图像轮廓宽度大小通过实验测试得到,每种型号的轮廓宽度都不一样,对预处理后的图像进行膨胀运算,是为了突出偏光镜图像区域的特征。
进一步地,上述步骤S2具体包括:
S21,对偏光镜灰度图像进行灰度直方图统计,灰度级数为256级,然后根据特征,从灰度级数0开始对灰度图像进行遍历,得到第一个峰值灰度值;
以灰度级0开始对灰度图像进行遍历,当第i级对应的像素个数大小比邻域域内的像素个数多时,以i为第一个峰值灰度值,以Num(i)表示该灰度值对应灰度级的像素个数,则满足:
Num(i)=Max{Num(i±d)},0≤d≤D,D≤i≤255-D;其中D为邻域大小,d为变量,其值均根据实验测试得到。
S22,根据得到的第一个峰值灰度值对灰度图像进行遍历,得到第一个峰谷灰度值,确定二值化阈值;
从第一峰值灰度值i对应的灰度级i开始对灰度图像进行遍历,当第j级对应的像素个数比邻域域内的像素个数少时,以j为第一个峰谷灰度值,以Num(j)表示该灰度值对应灰度级的像素个数,则满足:
以步骤B2中得到的第一峰谷灰度值j为二值化阈值,对灰度图像进行二值化分割,得到二值化图像。
S300、对镜片二值化图像进行分析和提取,得到分析和提取后的二值化图像,对二值化图像进行计算,得到镜片裂纹区域图像。
可以理解的是,在本步骤中,包括:
对分析和提取后的二值化图像进行横向边缘滤波,得到边缘滤波图像;
根据预设的检测块尺寸,将边缘滤波图像分割成多个检测块,其中,相邻的检测块之间存在重叠区域;
针对每个检测块,查找检测块中的候选缺陷点,并计算由候选缺陷点组成的缺陷区域的缺陷信息;
根据每个缺陷区域的缺陷信息,在二值化图像上确定待选区域以及待选区域对应的邻域信息;
根据待选区域与该待选区域对应的邻域信息之间的差异以及所有待选区域的角度信息,确定二值化图像中的裂纹缺陷;
对裂纹缺陷的缺陷信息进行极坐标逆变换,得到镜片裂纹区域图像。
需要说明的是,为了便于对待检测区域的裂纹缺陷检测,本申请采用了通过极坐标变换将检测区域图像转换成长条状的矩形检测图像,在进行裂纹缺陷检测后再进行极坐标逆变换进行还原。
S400、根据镜片裂纹区域图像进行缺陷识别,并标记缺陷坐标。
可以理解的是,在本步骤中包括:
根据RGB三通法对镜片裂纹区域图像进行分割;
确认分割后的镜片裂纹区域图像的缺陷类别;
将缺陷类别的信息和镜片裂纹区域图像上报控制器,控制器发出报警信号、存储报警信息,标记并显示缺陷图像和位置信息。
需要说明的是,发现镜片裂纹区域图像后,控制器会发出报警信号、存储报警信息,以便于提醒工作人员产生裂纹区域在哪个位置,并标记便于之后修复或查找。
实施例2:
如图2所示,本实施例提供了一种偏光镜片缺陷检测装置,参见图2装置包括一种偏光镜片缺陷检测装置,包括采集模块701、分割模块702、计算模块703和标记模块704,其中:
采集模块701:用于对覆膜凸透镜进行图像采集,并将采集的图像进行灰度转换和预处理得到偏光镜片图像,然后对偏光镜片图像进行膨胀运算得到镜片灰度图像;
分割模块702:用于对镜片灰度图像进行灰度统计,得到二值化阈值,根据二值化阈值对镜片灰度图像进行二值化分割得到镜片二值化图像;
计算模块703:用于对镜片二值化图像进行分析和提取,得到分析和提取后的二值化图像,对二值化图像进行计算,得到镜片裂纹区域图像;
标记模块704:用于根据镜片裂纹区域图像进行缺陷识别,并标记缺陷坐标。
采集模块701,包括建立单元7011、第一获取单元7012、处理单元7013、迭代单元7014和训练单元7015,其中:
建立单元7011:用于根据镜片灰度图像和卷积神经网络模型建立异常检测模型,其中包括:
第一获取单元7012:用于获取第一数据,第一数据包括在对卷积神经网络模型训练的过程中的循环次数,在对卷积神经网络模型进行训练的过程中,进行一次前馈和反向传播为一个循环;
处理单元7013:用于对镜片灰度图像集合中的每张图像进行亮度修正处理和分辨率调整处理,得到第二图像集合,根据第二图像集合获取第二数据,第二数据包括在进行训练的过程中第二图像集合在每个训练循环内被处理的次数;
迭代单元7014:用于根据第一数据、第二数据和第二图像集合中三维图像的个数得到迭代停止的条件;
训练单元7015:用于基于镜片灰度图像集合对卷积神经网络模型进行训练,当达到迭代停止的条件时停止训练,得到异常检测模型。
计算模块703,包括滤波单元7031、第一分割单元7032、查找单元7033、第一确定单元7034、第二确定单元7035和变换单元7036,其中:
滤波单元7031:用于对分析和提取后的二值化图像进行横向边缘滤波,得到边缘滤波图像;
第一分割单元7032:用于根据预设的检测块尺寸,将边缘滤波图像分割成多个检测块,其中,相邻的检测块之间存在重叠区域;
查找单元7033:用于针对每个检测块,查找检测块中的候选缺陷点,并计算由候选缺陷点组成的缺陷区域的缺陷信息;
第一确定单元7034:用于根据每个缺陷区域的缺陷信息,在二值化图像上确定待选区域以及待选区域对应的邻域信息;
第二确定单元7035:用于根据待选区域与该待选区域对应的邻域信息之间的差异以及所有待选区域的角度信息,确定二值化图像中的裂纹缺陷;
变换单元7036:用于对裂纹缺陷的缺陷信息进行极坐标逆变换,得到镜片裂纹区域图像。
标记模块704,包括第二分割单元7041、确认单元7042和显示单元7043,其中:
第二分割单元7041:用于根据RGB三通法对镜片裂纹区域图像进行分割;
确认单元7042:用于确认分割后的镜片裂纹区域图像的缺陷类别;
显示单元7043:用于将缺陷类别的信息和镜片裂纹区域图像上报控制器,控制器发出报警信号、存储报警信息,标记并显示缺陷图像和位置信息。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种偏光镜片缺陷检测设备,下文描述的一种偏光镜片缺陷检测设备与上文描述的一种偏光镜片缺陷检测方法可相互对应参照。
图3是根据示例性实施例示出的一种偏光镜片缺陷检测设备800的框图。如图3所示,该偏光镜片缺陷检测设备800可以包括:处理器801,存储器802。该偏光镜片缺陷检测设备800还可以包括多媒体组件803,I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该偏光镜片缺陷检测设备800的整体操作,以完成上述的偏光镜片缺陷检测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该偏光镜片缺陷检测设备800的操作,这些数据例如可以包括用于在该偏光镜片缺陷检测设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该偏光镜片缺陷检测设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,偏光镜片缺陷检测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的偏光镜片缺陷检测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的偏光镜片缺陷检测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由偏光镜片缺陷检测设备800的处理器801执行以完成上述的偏光镜片缺陷检测方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种偏光镜片缺陷检测方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的偏光镜片缺陷检测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
综上所述,本发明已经实现在线生产,能提供快速、稳定、可靠的检测效果;算法运行对反射形偏光镜片的尺寸,可自定义各项卡控值,实现产品OK NG精准判定;过程和结果可控,可追溯;能够光学过滤干扰点,识别真正的瑕疵。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种偏光镜片缺陷检测方法,其特征在于,包括:
对覆膜凸透镜进行图像采集,并将采集的图像进行灰度转换和预处理得到偏光镜片图像,然后对所述偏光镜片图像进行膨胀运算得到镜片灰度图像;
对所述镜片灰度图像进行灰度统计,得到二值化阈值,根据所述二值化阈值对所述镜片灰度图像进行二值化分割得到镜片二值化图像;
对所述镜片二值化图像进行分析和提取,得到分析和提取后的二值化图像,对所述二值化图像进行计算,得到镜片裂纹区域图像;
根据所述镜片裂纹区域图像进行缺陷识别,并标记缺陷坐标。
2.根据权利要求1所述的偏光镜片缺陷检测方法,其特征在于,所述对覆膜凸透镜进行图像采集,并将采集的图像进行灰度转换和预处理得到偏光镜片图像,然后对所述偏光镜片图像进行膨胀运算得到镜片灰度图像,之后包括:
根据所述镜片灰度图像和卷积神经网络模型建立异常检测模型,其中包括:
获取第一数据,所述第一数据包括在对所述卷积神经网络模型训练的过程中的循环次数,在对所述卷积神经网络模型进行训练的过程中,进行一次前馈和反向传播为一个循环;
对所述镜片灰度图像集合中的每张图像进行亮度修正处理和分辨率调整处理,得到第二图像集合,根据所述第二图像集合获取第二数据,所述第二数据包括在进行训练的过程中所述第二图像集合在每个训练循环内被处理的次数;
根据所述第一数据、所述第二数据和所述第二图像集合中三维图像的个数得到迭代停止的条件;
基于所述镜片灰度图像集合对所述卷积神经网络模型进行训练,当达到迭代停止的条件时停止训练,得到异常检测模型。
3.根据权利要求1所述的偏光镜片缺陷检测方法,其特征在于,所述对所述镜片二值化图像进行分析和提取,得到分析和提取后的二值化图像,然后对所述二值化图像进行计算,得到镜片裂纹区域图像,包括:
对分析和提取后的所述二值化图像进行横向边缘滤波,得到边缘滤波图像;
根据预设的检测块尺寸,将所述边缘滤波图像分割成多个检测块,其中,相邻的所述检测块之间存在重叠区域;
针对每个所述检测块,查找所述检测块中的候选缺陷点,并计算由所述候选缺陷点组成的缺陷区域的缺陷信息;
根据每个缺陷区域的缺陷信息,在所述二值化图像上确定待选区域以及待选区域对应的邻域信息;
根据所述待选区域与该待选区域对应的邻域信息之间的差异以及所有待选区域的角度信息,确定所述二值化图像中的裂纹缺陷;
对所述裂纹缺陷的缺陷信息进行极坐标逆变换,得到所述镜片裂纹区域图像。
4.根据权利要求1所述的偏光镜片缺陷检测方法,其特征在于,所述根据所述镜片裂纹区域图像进行缺陷识别,并标记缺陷坐标,包括:
根据RGB三通法对所述镜片裂纹区域图像进行分割;
确认分割后的所述镜片裂纹区域图像的缺陷类别;
将所述缺陷类别的信息和所述镜片裂纹区域图像上报控制器,所述控制器发出报警信号、存储报警信息,标记并显示缺陷图像和位置信息。
5.一种偏光镜片缺陷检测装置,其特征在于,包括:
采集模块:用于对覆膜凸透镜进行图像采集,并将采集的图像进行灰度转换和预处理得到偏光镜片图像,然后对所述偏光镜片图像进行膨胀运算得到镜片灰度图像;
分割模块:用于对所述镜片灰度图像进行灰度统计,得到二值化阈值,根据所述二值化阈值对所述镜片灰度图像进行二值化分割得到镜片二值化图像;
计算模块:用于对所述镜片二值化图像进行分析和提取,得到分析和提取后的二值化图像,对所述二值化图像进行计算,得到镜片裂纹区域图像;
标记模块:用于根据所述镜片裂纹区域图像进行缺陷识别,并标记缺陷坐标。
6.根据权利要求5所述的偏光镜片缺陷检测装置,其特征在于,所述采集模块,包括:
建立单元:用于根据所述镜片灰度图像和卷积神经网络模型建立异常检测模型,其中包括:
第一获取单元:用于获取第一数据,所述第一数据包括在对所述卷积神经网络模型训练的过程中的循环次数,在对所述卷积神经网络模型进行训练的过程中,进行一次前馈和反向传播为一个循环;
处理单元:用于对所述镜片灰度图像集合中的每张图像进行亮度修正处理和分辨率调整处理,得到第二图像集合,根据所述第二图像集合获取第二数据,所述第二数据包括在进行训练的过程中所述第二图像集合在每个训练循环内被处理的次数;
迭代单元:用于根据所述第一数据、所述第二数据和所述第二图像集合中三维图像的个数得到迭代停止的条件;
训练单元:用于基于所述镜片灰度图像集合对所述卷积神经网络模型进行训练,当达到迭代停止的条件时停止训练,得到异常检测模型。
7.根据权利要求5所述的偏光镜片缺陷检测装置,其特征在于,所述计算模块,包括:
滤波单元:用于对分析和提取后的所述二值化图像进行横向边缘滤波,得到边缘滤波图像;
第一分割单元:用于根据预设的检测块尺寸,将所述边缘滤波图像分割成多个检测块,其中,相邻的所述检测块之间存在重叠区域;
查找单元:用于针对每个所述检测块,查找所述检测块中的候选缺陷点,并计算由所述候选缺陷点组成的缺陷区域的缺陷信息;
第一确定单元:用于根据每个缺陷区域的缺陷信息,在所述二值化图像上确定待选区域以及待选区域对应的邻域信息;
第二确定单元:用于根据所述待选区域与该待选区域对应的邻域信息之间的差异以及所有待选区域的角度信息,确定所述二值化图像中的裂纹缺陷;
变换单元:用于对所述裂纹缺陷的缺陷信息进行极坐标逆变换,得到所述镜片裂纹区域图像。
8.根据权利要求5所述的偏光镜片缺陷检测装置,其特征在于,所述标记模块,包括:
第二分割单元:用于根据RGB三通法对所述镜片裂纹区域图像进行分割;
确认单元:用于确认分割后的所述镜片裂纹区域图像的缺陷类别;
显示单元:用于将所述缺陷类别的信息和所述镜片裂纹区域图像上报控制器,所述控制器发出报警信号、存储报警信息,标记并显示缺陷图像和位置信息。
9.一种偏光镜片缺陷检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述偏光镜片缺陷检测方法的步骤。
10.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述偏光镜片缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548772.3A CN115100110A (zh) | 2022-05-20 | 2022-05-20 | 一种偏光镜片缺陷检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548772.3A CN115100110A (zh) | 2022-05-20 | 2022-05-20 | 一种偏光镜片缺陷检测方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100110A true CN115100110A (zh) | 2022-09-23 |
Family
ID=83289955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210548772.3A Pending CN115100110A (zh) | 2022-05-20 | 2022-05-20 | 一种偏光镜片缺陷检测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100110A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990450A (zh) * | 2023-07-18 | 2023-11-03 | 欧几里德(苏州)医疗科技有限公司 | 一种角膜塑形镜的缺陷检测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447851A (zh) * | 2015-11-12 | 2016-03-30 | 刘新辉 | 一种玻璃面板的音孔缺陷检测方法及*** |
CN107194944A (zh) * | 2017-06-21 | 2017-09-22 | 南京林业大学 | 林火图像分割方法及装置 |
CN112208573A (zh) * | 2020-09-17 | 2021-01-12 | 天津津航技术物理研究所 | 一种基于图像识别的轨道缺陷检测***及方法 |
WO2021146935A1 (zh) * | 2020-01-21 | 2021-07-29 | 京东方科技集团股份有限公司 | 图像缺陷确定方法与装置、电子设备及存储介质 |
CN113822890A (zh) * | 2021-11-24 | 2021-12-21 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、***及存储介质 |
CN114240926A (zh) * | 2021-12-28 | 2022-03-25 | 湖南云箭智能科技有限公司 | 板卡缺陷类别识别方法、装置、设备及可读存储介质 |
-
2022
- 2022-05-20 CN CN202210548772.3A patent/CN115100110A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447851A (zh) * | 2015-11-12 | 2016-03-30 | 刘新辉 | 一种玻璃面板的音孔缺陷检测方法及*** |
CN107194944A (zh) * | 2017-06-21 | 2017-09-22 | 南京林业大学 | 林火图像分割方法及装置 |
WO2021146935A1 (zh) * | 2020-01-21 | 2021-07-29 | 京东方科技集团股份有限公司 | 图像缺陷确定方法与装置、电子设备及存储介质 |
CN112208573A (zh) * | 2020-09-17 | 2021-01-12 | 天津津航技术物理研究所 | 一种基于图像识别的轨道缺陷检测***及方法 |
CN113822890A (zh) * | 2021-11-24 | 2021-12-21 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、***及存储介质 |
CN114240926A (zh) * | 2021-12-28 | 2022-03-25 | 湖南云箭智能科技有限公司 | 板卡缺陷类别识别方法、装置、设备及可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990450A (zh) * | 2023-07-18 | 2023-11-03 | 欧几里德(苏州)医疗科技有限公司 | 一种角膜塑形镜的缺陷检测方法及*** |
CN116990450B (zh) * | 2023-07-18 | 2024-04-26 | 欧几里德(苏州)医疗科技有限公司 | 一种角膜塑形镜的缺陷检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11341626B2 (en) | Method and apparatus for outputting information | |
Sun et al. | An effective method of weld defect detection and classification based on machine vision | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
Zheng et al. | Automatic inspection of metallic surface defects using genetic algorithms | |
TWI557650B (zh) | 用於識別材料中之缺陷之系統及方法 | |
CN116563282B (zh) | 一种基于机器视觉的钻削刀具检测方法及*** | |
CN107782733A (zh) | 金属表面缺陷的图像识别无损检测装置及方法 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
CN110378227B (zh) | 修正样本标注数据的方法、装置、设备及存储介质 | |
CN109283182A (zh) | 一种电池焊点缺陷的检测方法、装置及*** | |
CN115661160B (zh) | 一种面板缺陷检测方法及***及装置及介质 | |
CN113284094A (zh) | 获取玻璃基板缺陷信息的方法、装置、存储介质及设备 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
CN114494103A (zh) | 缺陷检测方法及检测装置 | |
CN115100110A (zh) | 一种偏光镜片缺陷检测方法、装置、设备及可读存储介质 | |
CN114596309A (zh) | 焊缝缺陷的检测、模型训练方法、***、设备和存储介质 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
US20240087105A1 (en) | Systems and Methods for Paint Defect Detection Using Machine Learning | |
CN112967226A (zh) | 一种基于人工智能的高反光制品检测***、方法及介质 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测***、方法及介质 | |
CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及*** | |
CN115239663A (zh) | 隐形眼镜瑕疵检测方法及***、电子设备、存储介质 | |
CN115018829A (zh) | 一种玻璃瑕疵定位方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220923 |
|
RJ01 | Rejection of invention patent application after publication |