一种基于图像处理的光学镜头表面缺陷检测方法及系统与流程

本发明属于光学镜头检测，具体是指一种基于图像处理的光学镜头表面缺陷检测方法及系统。

背景技术：

1、光学镜头表面缺陷检测是指对光学镜头表面图像进行检测，以发现和识别可能存在的缺陷和损伤。但是现有的图像增强方法存在图像细节的丢失或失真，放大图像噪声，导致增强后的图像质量下降的问题；传统的光学镜头表面缺陷检测模型存在过于关注局部特征，导致模型训练困难，收敛时间长的问题；当前的模型参数搜索算法存在收敛速度慢、容易陷入局部最优和求优准确率低的问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于图像处理的光学镜头表面缺陷检测方法及系统，针对现有的图像增强方法存在图像细节的丢失或失真，放大图像噪声，导致增强后的图像质量下降的问题，本方案引入补偿因子修正msr算法的对数函数，基于平坦度指数计算最优尺度参数，从而确定自适应权重，并对图像的亮度进行归一化处理，使增强后的图像更加平衡和自然，提高图像质量；针对传统的光学镜头表面缺陷检测模型存在过于关注局部特征，导致模型训练困难和收敛时间长的问题，本方案计算缺陷类别的得分，并通过计算特征与其对应类别中心的距离的平方和来度量特征向量的分散程度，引入加权系数和约束因子定义损失函数，提高缺陷检测的准确性；针对当前的模型参数搜索算法存在收敛速度慢、容易陷入局部最优和求优准确率低的问题，本方案使用正弦混沌映射方法初始化个体位置，引入非线性收敛因子和随机延迟步长优化位置更新策略，增强算法在迭代时的全局搜索能力和局部利用能力。

2、本发明采取的技术方案如下：本发明提供的一种基于图像处理的光学镜头表面缺陷检测方法，该方法包括以下步骤：

3、步骤s1：图像采集，采集光学镜头表面图像并基于构建表面图像数据集；

4、步骤s2：图像增强，引入补偿因子修正msr算法的对数函数，基于平坦度指数计算最优尺度参数，从而确定自适应权重，并对图像的亮度进行归一化处理，得光学镜头表面增强图像；

5、步骤s3：构建光学镜头表面缺陷检测模型，计算缺陷类别的得分和特征与其对应类别中心的距离的平方和，并引入加权系数和约束因子定义损失函数；

6、步骤s4：模型参数搜索，使用正弦混沌映射方法初始化个体位置，引入非线性收敛因子和随机延迟步长优化位置更新策略，确定模型参数；

7、步骤s5：光学镜头表面缺陷检测，将实时采集的光学镜头表面图像输入至光学镜头表面缺陷检测模型中进行分类，基于输出的缺陷类别标签进行缺陷检测。

8、进一步地，在步骤s1中，所述图像采集是采集光学镜头表面图像，并基于光学镜头表面图像和光学镜头表面图像的缺陷类别构建表面图像数据集。

9、进一步地，在步骤s2中，所述图像增强具体包括以下步骤：

10、步骤s21：图像区域划分，将表面图像数据集中的每张光学镜头表面图像均匀分成n1个图像子块，预先设定平坦度阈值ψ1，将平坦度指数大于平坦度阈值ψ1的图像子块划分为非平坦区域；否则，划分为平坦区域，计算平坦度指数所用公式如下：

11、；

12、式中，βf是图像子块f的平坦度指数，γ和ε是控制平坦度指数范围因子，δf是图像子块f的标准偏差，βf和δf满足逆关系，f是图像子块索引；

13、步骤s22：计算最优尺度参数，基于图像子块f的平坦度指数计算高斯环绕滤波器的最优尺度参数，所用公式如下：

14、；

15、式中，μf是图像子块f对应的高斯环绕滤波器的最优尺度参数，μmax和μmin分别是最优尺度参数的最大值和最小值，max（βf）和min（βf）分别是平坦度指数的最大值和最小值；

16、步骤s23：计算自适应权重，所用公式如下：

17、；

18、；

19、式中，μ1、μ2和μ3分别是平坦度指数的最小值、中间值和最大值，bf，1、bf，2和bf，3是图像子块f的三个不同尺度，ωf，c是图像子块f在尺度c上的自适应权重，i和c是尺度索引；

20、步骤s24：多尺度增强，所用公式如下：

21、；

22、；

23、式中，we（x，y）是光学镜头表面图r、g和b颜色通道的增强效果，是补偿因子，le（x，y）是光学镜头表面图像的第e个颜色通道的亮度值，e是颜色通道索引，是卷积运算符，ge（x，y）是光学镜头表面图像的第e个颜色通道经过高斯环绕滤波器处理后的效果，h是归一化因子，x和y分别是光学镜头表面图像的横坐标索引和纵坐标索引；

24、步骤s25：亮度归一化，对光学镜头表面图像进行亮度归一化处理，得到亮度归一化后的光学镜头表面图像m（x，y）；

25、步骤s26：构建增强数据集，计算增强后的光学镜头表面图像，并基于光学镜头表面增强图像构建增强数据集，所用公式如下：

26、；

27、式中，je（x，y）是光学镜头表面增强图像。

28、进一步地，在步骤s3中，所述构建光学镜头表面缺陷检测模型具体包括以下步骤：

29、步骤s31：初始化模型，预先设定模型由输入层、隐藏层和输出层组成，输入层接收光学镜头表面增强图像，隐藏层用于提取光学镜头表面增强图像中的特征，输出层用于输出光学镜头表面增强图像对应的缺陷类别；

30、步骤s32：定义损失函数，所用公式如下：

31、；

32、式中，loss是损失函数，θ是缺陷类别之间的角度，n3是特征数量，p是特征索引，xp是第p个特征，yp是第p个特征对应的缺陷类别标签，cyp是缺陷类别yp的缺陷类别中心，m是裕度参数，w是缺陷类别比例，c是缺陷类别标签的数量，j是缺陷类别标签的索引，λ是加权系数，n是约束因子，是缺陷类别yp的得分。

33、进一步地，在步骤s4中，所述模型参数搜索具体包括以下步骤：

34、步骤s41：初始化位置，用模型参数代表个体的位置，使用正弦混沌映射方法初始化个体位置，将基于模型参数建立的模型性能作为个体位置适应度值，初始化个体位置所用公式如下：

35、；

36、式中，是第q+1个个体的初始位置，是第q个个体的初始位置，q是个体索引，n2是个体数量，o是控制因子，是基于个体搜索空间随机生成的第1个个体的初始位置；

37、步骤s42：计算最优适应度值和全局最优位置，更新个体的适应度值，选择最高的适应度值作为最优适应度值，将最优适应度值对应的个体作为最优个体，并将最优个体对应位置作为全局最优位置ebest；

38、步骤s43：位置更新，步骤如下：

39、步骤s431：计算非线性收敛因子，预先设定非线性收敛因子的最大值为smax，所用公式如下：

40、；

41、式中，s是非线性收敛因子，t是当前迭代次数，t是最大迭代次数；

42、步骤s432：计算随机延迟步长，所用公式如下：

43、；

44、；

45、；

46、式中，是精英个体索引，round（）是四舍五入函数，是第t次迭代时在第u维中第q个个体与最优个体或精英个体之间的距离，u是个体搜索空间维度，u是维度索引，是第t次迭代时最优个体在第u维中的位置，是第t次迭代时在第u维中第q个个体的位置，是第t次迭代时精英个体在第u维中的位置，是第t次迭代时精英个体在第u维中位置更新所用的随机延迟步长，r1和r2是（0，1）之间的随机数，p是时滞因子，v0和v1分别是加速度系数的初始值和终止值，k是随机延迟时间且k∈[0，t-1]；

47、步骤s433：更新个体位置，所用公式如下：

48、；

49、式中，是第t+1次迭代时在第u维中第q个个体的位置，r3和r4是（0，1）之间的随机数，z是混沌向量；

50、步骤s44：模型参数确定，预先设定适应度值评估阈值δ，更新最优适应度值和全局最优位置，当最优适应度值高于适应度值评估阈值δ时，则基于当前模型参数构建光学镜头表面缺陷检测模型；否则，若达到最大迭代次数t，则转至步骤s41；否则转至步骤s43。

51、进一步地，在步骤s5中，所述光学镜头表面缺陷检测是实时采集光学镜头表面图像，输入至光学镜头表面缺陷检测模型中，基于光学镜头表面缺陷检测模型输出的缺陷类别标签对光学镜头表面进行缺陷检测。

52、本发明提供的一种基于图像处理的光学镜头表面缺陷检测系统，包括图像采集模块、图像增强模块、构建光学镜头表面缺陷检测模型模块、模型参数搜索模块和光学镜头表面缺陷检测模块；

53、所述图像采集模块采集光学镜头表面图像，基于光学镜头表面图像和光学镜头表面图像的缺陷类别构建表面图像数据集，并将数据发送到图像增强模块；

54、所述图像增强模块引入补偿因子修正msr算法的对数函数，基于平坦度指数计算最优尺度参数，从而确定自适应权重，并对图像的亮度进行归一化处理，得光学镜头表面增强图像，并将数据发送至构建光学镜头表面缺陷检测模型模块；

55、所述构建光学镜头表面缺陷检测模型模块计算缺陷类别的得分和特征与其对应类别中心的距离的平方和，并引入加权系数和约束因子定义损失函数，并将数据发送至模型参数搜索模块；

56、所述模型参数搜索模块使用正弦混沌映射方法初始化个体位置，引入非线性收敛因子和随机延迟步长优化位置更新策略，确定模型参数，并将数据发送至光学镜头表面缺陷检测模块；

57、所述光学镜头表面缺陷检测模块实时采集光学镜头表面图像，输入至光学镜头表面缺陷检测模型中，基于光学镜头表面缺陷检测模型输出的缺陷类别标签对光学镜头表面进行缺陷检测。

58、采用上述方案本发明取得的有益效果如下：

59、（1）针对现有的图像增强方法存在图像细节的丢失或失真，放大图像噪声，导致增强后的图像质量下降的问题，本方案引入补偿因子修正msr算法的对数函数，能够更好地保留和增强图像中的细节信息，基于平坦度指数计算最优尺度参数，从而确定自适应权重，有效抑制图像中的噪声，更好地平衡图像中的细节和噪声，并对图像的亮度进行归一化处理，使增强后的图像更加平衡和自然，提高图像质量。

60、（2）针对传统的光学镜头表面缺陷检测模型存在过于关注局部特征，导致模型训练困难和收敛时间长的问题，本方案计算缺陷类别的得分，使得得分较高的类别对损失函数的贡献更大，并通过计算特征与其对应类别中心的距离的平方和来度量特征向量的分散程度，引入加权系数和约束因子定义损失函数，使损失函数更加全面地反映模型的性能，能够准确地检测和分类光学镜头表面图像的缺陷，减少误判率，提高缺陷检测的准确性。

61、（3）针对当前的模型参数搜索算法存在收敛速度慢、容易陷入局部最优和求优准确率低的问题，本方案使用正弦混沌映射方法初始化个体位置，引入非线性收敛因子和随机延迟步长优化位置更新策略，有效防止算法陷入局部最优解，提高收敛性和求解精度，增强算法在迭代时的全局搜索能力和局部利用能力。