[发明专利]一种基于深度学习的光学元件表面缺陷检测方法

权利要求书

1.一种基于深度学习的光学元件表面缺陷检测方法，其特征在于：采用了基于深度学习的神经网络实现光学元件表面缺陷的智能识别和量化分析，其具体步骤是：

步骤1)获取光学元件表面缺陷图像并进行预处理；

步骤1)中对表面缺陷图像进行预处理具体包括如下步骤：

101)对采集到的图像进行畸变校正；

102)采用梯度图像自适应阈值分割法、边缘检测法、二值化处理、断点连接算法对图像进行处理；

步骤2)将预处理后的缺陷图像输入预先训练好的缺陷检测模型进行光学元件表面缺陷的智能识别；所述缺陷检测模型需要提前训练，其训练过程包括以下步骤：

a)构造多层卷积神经网络1和多层卷积神经网络2，所述多层卷积神经网络1用于对麻点缺陷进行检测，所述多层卷积神经网络2用于对划痕缺陷进行检测；

b)采集大量的缺陷图像并进行人工标记，标识出缺陷所在区域、缺陷种类和缺陷大小，在缺陷种类方面，主要针对麻点缺陷和划痕缺陷进行区分，从而得到用于训练缺陷检测模型的训练样本；

c)将麻点缺陷样本导入多层卷积神经网络1，结合人工标记信息利用优化算法对多层卷积神经网络进行优化训练，从而得到基于深度学习的麻点缺陷检测模型；

d)将划痕缺陷样本导入多层卷积神经网络2，结合人工标记信息利用优化算法对多层卷积神经网络进行优化训练，从而得到基于深度学习的划痕缺陷检测模型；

e)将所述基于深度学习的麻点缺陷检测模型和所述基于深度学习的划痕缺陷检测模型进行联合，从而得到光学元件表面缺陷检测模型；

其中，缺陷检测模型训练时，采用双曲正切函数tanh作为激活函数：

在训练过程中，学习率采用按步长衰减的策略进行调整，学习率l表示为：

式中，l_base为基础学习率，maxround为总的学习轮数，round为当前轮数，γ是小于1的衰减系数；

步骤2)将预处理后的缺陷图像输入预先训练好的缺陷检测模型进行光学元件表面缺陷的智能识别，具体包括如下步骤：

201)采用多目标检测方法将预处理后的缺陷图像分割成多张分辨率为m×m的缺陷图像，并输入所述基于深度学习的麻点缺陷检测模型，从而判断输入的每一张图像中是否存在麻点缺陷，若存在麻点缺陷，则给出麻点所在位置及麻点尺寸；

202)采用多目标检测方法将预处理后的缺陷图像分割成多张分辨率为n×n的缺陷图像，并输入所述基于深度学习的划痕缺陷检测模型，从而判断输入的每一张图像中是否存在划痕缺陷，若存在划痕缺陷，则给出划痕所在位置及划痕尺寸；

203)对麻点及划痕缺陷的数据信息进行汇总，输出光学元件表面的缺陷检测结果。

2.根据权利要求1所述的一种基于深度学习的光学元件表面缺陷检测方法，其特征在于：除了针对麻点缺陷和划痕缺陷建立缺陷检测模型和进行智能分析，还可以针对光学元件表面常见的开口、破边、气泡、杂质建立相应的检测模型和进行智能分析。