一种镜片疵病检测方法及装置与流程

本发明涉及检测领域，具体涉及一种镜片疵病检测方法及装置。

背景技术：

眼镜是为校正视力或保护眼睛而制作的简单光学器件，眼镜镜片制造工艺复杂，精度要求高，在制造过程中往往会产生一些缺陷，例如气泡、羽毛、划痕等，这些缺陷严重影响镜片品质，因此在生产过程中，必须对镜片可能产生的各种疵病进行在线检测。

目前国内镜片疵病检测技术还不成熟，主要以人工检测为主，检测结果容易受眼睛分辨能力、工作经验等主观因素的影响，漏检率较高且效率低。

技术实现要素：

因此，本发明要解决的技术问题在于现有镜片疵病检测方法漏检率较高且效率低。

有鉴于此，本发明提供一种镜片疵病检测方法，包括：

获取待检测镜片图像；

利用神经网络模型以所述待检测镜片图像作为所述神经网络模型的输入层数据，确定所述待检测镜片图像的疵病信息，其中所述神经网络模型是利用多个镜片图像样本和所述镜片图像样本中的疵病信息作为训练数据训练得到的。

优选地，所述利用卷积神经网络模型以所述待检测镜片图像作为所述卷积神经网络模型的输入层数据，确定所述待检测镜片图像的疵病信息的步骤，包括：

将所述待检测镜片图像进行数字图像处理；

将数字图像处理后的待检测镜片图像输入所述神经网络模型，确定所述待检测镜片图像的疵病信息。

优选地，所述神经网络模型为卷积神经网络模型。

优选地，所述疵病信息包括：疵病的类型、疵病尺寸和疵病位置中的至少一种。

相应地，本发明还提供镜片疵病检测装置，包括：

获取单元，用于获取待检测镜片图像；

确定单元，用于利用神经网络模型以所述待检测镜片图像作为所述神经网络模型的输入层数据，确定所述待检测镜片图像的疵病信息，其中所述神经网络模型是利用多个镜片图像样本和所述镜片图像样本中的疵病信息作为训练数据训练得到的。

优选地，所述确定单元包括：

处理单元，用于将所述待检测镜片图像进行数字图像处理；

第一确定单元，用于将数字图像处理后的待检测镜片图像输入所述神经网络模型，确定所述待检测镜片图像的疵病信息。

优选地，所述神经网络模型为卷积神经网络模型。

优选地，所述疵病信息包括：疵病的类型、疵病尺寸和疵病位置中的至少一种。

本发明提供的镜片疵病检测方法及装置，通过获取待检测镜片图像，并利用神经网络模型以待检测镜片图像作为神经网络模型的输入层数据，确定待检测镜片图像的疵病信息，解决了现有镜片疵病检测方法漏检率较高且效率低的问题。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。

图1是本发明实施例提供的一种镜片疵病检测方法的流程图；

图2是本发明实施例提供的一种镜片疵病检测装置的结构示意图。

具体实施方式

下面将结合附图对本发明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。基于本发明中的实施例，本领域普通技术人员在没有做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。

本发明实施例提供一种镜片疵病检测方法，如图1所示，包括：

s11，获取待检测镜片图像。

s12，利用神经网络模型以所述待检测镜片图像作为所述神经网络模型的输入层数据，确定所述待检测镜片图像的疵病信息，其中所述神经网络模型是利用多个镜片图像样本和所述镜片图像样本中的疵病信息作为训练数据训练得到的，所述神经网络模型优选卷积神经网络模型，所述疵病信息包括：疵病的类型、疵病尺寸和疵病位置中的至少一种，本实施例优选疵病信息包括疵病类型、尺寸和位置，为了提高神经网络模型对疵病信息识别的准确性，训练的神经网络模型的镜片图像样本在保证满足训练数量的情况下，需满足疵病信息样本的多样性，即镜片图像样本中可以是通过摄像机等照相设备得到的不同角度、不同光照得到的多种包含疵病的样本信息，为了便于神经网络模型进行学习，镜片图像样本中还包括无疵病的样本，并对有疵病的镜片图像样本预先通过人工对多个样本中的各种疵病预先进行标记。

本发明实施例提供的镜片疵病检测方法，通过获取待检测镜片图像，并利用神经网络模型以待检测镜片图像作为神经网络模型的输入层数据，确定待检测镜片图像的疵病信息，解决了现有镜片疵病检测方法漏检率较高且效率低的问题。

优选地，所述利用卷积神经网络模型以所述待检测镜片图像作为所述卷积神经网络模型的输入层数据，确定所述待检测镜片图像的疵病信息的步骤，包括：

首先，将所述待检测镜片图像进行数字图像处理。将得到的待检测镜片图像转为对应的数字信号，通过该数字信号可以计算得到疵病的面积、周长、直径，由于不同的疵病(例如出点、划痕、气泡等)外形特征不同，结合最小外接圆参数以及预先划定的数字阈值区分疵病类别。

其次，将数字图像处理后的待检测镜片图像输入所述神经网络模型，确定所述待检测镜片图像的疵病信息。神经网络模型预先对不同参数的疵病进行学习，直至识别疵病信息的准确率达到用户标准，此时输入经过数字图像处理后的待检测镜片图像到神经网络模型进行识别并确定疵病信息。

本发明实施例提供的镜片疵病检测方法，通过获取待检测镜片图像，并利用神经网络模型以待检测镜片图像作为神经网络模型的输入层数据，确定待检测镜片图像的疵病信息，解决了现有镜片疵病检测方法漏检率较高且效率低的问题。

相应地，本发明还提供一种镜片疵病检测装置，如图2所示，包括：

获取单元21，用于获取待检测镜片图像；

确定单元22，用于利用神经网络模型以所述待检测镜片图像作为所述神经网络模型的输入层数据，确定所述待检测镜片图像的疵病信息，其中所述神经网络模型是利用多个镜片图像样本和所述镜片图像样本中的疵病信息作为训练数据训练得到的。

优选地，所述确定单元包括：

处理单元，用于将所述待检测镜片图像进行数字图像处理；

第一确定单元，用于将数字图像处理后的待检测镜片图像输入所述神经网络模型，确定所述待检测镜片图像的疵病信息。

优选地，所述神经网络模型为卷积神经网络模型。

优选地，所述疵病信息包括：疵病的类型、疵病尺寸和疵病位置中的至少一种。

本发明实施例提供的镜片疵病检测装置，通过获取待检测镜片图像，并利用神经网络模型以待检测镜片图像作为神经网络模型的输入层数据，确定待检测镜片图像的疵病信息，解决了现有镜片疵病检测方法漏检率较高且效率低的问题。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。