[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

摘要

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。

主权项

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。