[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

说明书

本发明公开了一种基于深度学习的光学元件表面缺陷检测方法，该方法包括以下步骤：1)获取光学元件表面缺陷图像并进行预处理；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。所述图像预处理是对采集到的图像进行畸变校正，并采用梯度图像自适应阈值分割法、边缘检测法、二值化处理、断点连接算法相融合的方式对图像进行处理；所述缺陷检测模型是由卷积层、池化层、全连接层等组成的多层神经网络模型。与现有技术相比，本发明避免了人工目视检测带来的主观干扰及难以准确量化等问题，又弥补了成像检测方法在缺陷识别过程中准确率低、漏检率高等问题。

技术领域

本发明属于光学元件表面缺陷检测领域，具体涉及一种基于深度学习的光学元件表面缺陷检测方法。

背景技术

随着先进光学制造技术的不断发展，微电子装备、航空航天、精密测量和激光系统等应用领域对其核心组成部件精密光学元件的表面加工质量提出了更高的技术需求。特别是在一些高精密光学系统中，对光学元件表面缺陷有着严格的控制要求。然而，由于各种不确定因素的存在，即使采用现代精密加工技术也无法完全避免表面缺陷的产生。表面缺陷作为评价光学元件加工质量的重要评价指标之一，如何实现大口径曲面光学元件表面缺陷的快速检测一直是急需解决的关键问题。

目前，在主流的缺陷检测标准中主要采用人工目视比对的方法进行精密元件表面缺陷检测。检测人员在一定的照明条件下，使用目视法将待检元件表面上观察到的缺陷与缺陷标准板上的缺陷样本进行比对，从而实现缺陷的检测和分级。由于目视法的检测结果受限于人眼分辨能力和检测人员的主观判断，因而对尺寸较小、对比度较差的缺陷难以给出准确的检测结果。此外，一些基于成像法、散射能量分析法、激光频谱分析法及微观表面轮廓仪测量等方法也在缺陷检测方面有所应用，但其或多或少存在一些问题，例如无法精确获得缺陷数量和位置，检测精度不高，检测效率低，无法量化分析等问题。

随着深度学习算法的不断发展，其在图像识别与目标检测方面有着非常出色的表现，使得基于成像法的缺陷检测问题有了更好的解决办法。因此，可以在显微成像检测法的基础上，借助深度学习算法进行光学元件表面缺陷的快速检测和量化分析。

发明内容

本发明的目的是为了克服现有技术所存在的不足，提供一种基于深度学习的光学元件表面缺陷检测方法，该方法基于深度学习算法对光学元件表面缺陷进行智能识别，从而实现光学元件表面缺陷的准确评估。

本发明采用的技术方案为：一种基于深度学习的光学元件表面缺陷检测方法，其具体步骤是：

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。

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；