一种镜头缺陷检测方法、系统、处理器及存储介质与流程

本发明涉及图像处理，尤其涉及一种镜头缺陷检测方法、系统、处理器及存储介质。

背景技术：

1、在当代光学行业中，特别是对于那些应用于高端相机、精密光学仪器等领域的镜头，其设计越来越倾向于采用多层复杂结构以达到优异的光学性能。这种设计不仅提升了镜头的成像质量，也极大地增加了镜头的设计和生产难度。同时，任何微小的缺陷，无论是在表面还是内部结构中，都可能导致整个镜头性能的大幅下降。因此，对于多层复杂结构镜头的缺陷检测技术提出了更高的要求，既要保证检测的全面性，也要确保检测的精准度和效率。

2、现有技术中的镜头缺陷检测方法侧重于检测镜头表面的缺陷，如划痕、沉积物、涂层不均等问题，通过光学显微镜或者高分辨率摄像头对镜头外表进行逐层检查，其采用传统的光学检测方法作为主要手段；这种方式的缺陷在于，在处理多层复杂结构镜头时存在明显的局限性，由于多层复杂结构镜头内部错综复杂，单一的光学检测方法难以穿透各个层级进行全面的内部缺陷检测，而针对每一层的单独检测过程繁琐且时间消耗大，不利于高生产效率的要求；且对于复合缺陷的检测，仅靠光学手段难以精确地识别和分析缺陷的类型和严重程度，尤其在识别微小裂纹、内层空洞等内部结构缺陷方面。

3、鉴于此，需要对现有技术中的镜头缺陷检测方法加以改进，以解决对多层复杂结构镜头的检测性能较差的技术问题。

技术实现思路

1、本发明的目的在于提供一种镜头缺陷检测方法、系统、处理器及存储介质，解决以上的技术问题。

2、为达此目的，本发明采用以下技术方案：

3、一种镜头缺陷检测方法，包括：

4、定位待检测的多层结构镜头，利用光学扫描模块对多层结构镜头的外表面进行全面扫描，快速定位初步的缺陷区域；

5、对初步的缺陷区域使用显微镜模块进行深度扫描和分析，识别缺陷区域内的微观尺度缺陷；

6、通过x射线成像模块，对多层结构镜头整体进行初步扫描，快速识别内部大尺寸结构异常，标记为异常区域，增加x射线成像模块的照射强度和成像时间，获取异常区域的高清晰度图像，并识别异常区域内的深度层次缺陷；

7、对所述光学扫描模块、显微镜模块和x射线成像模块分别获取的缺陷信息进行特征提取，并将提取的特征采用多模态融合模型进行数据融合，获得第一融合数据；

8、采用光学面聚类算法对第一融合数据中的相似特征进行分组，以获得若干组的缺陷分组。

9、可选的，所述对初步的缺陷区域使用显微镜模块进行深度扫描和分析，识别缺陷区域内的微观尺度缺陷；具体包括：

10、根据初步的缺陷区域的性质和预期的微观尺度缺陷类型，选择显微镜模块中最适合的显微镜类型；

11、根据选择的显微镜类型，调整显微镜的参数设置；

12、启动对应类型的显微镜对初步的缺陷区域进行高倍率的逐点深度扫描，捕获微观尺度上的图像；

13、应用图像处理技术对捕获的微观尺度图像进行处理，并进行分析，以识别和记录缺陷区域内的微观尺度缺陷。

14、可选的，对所述光学扫描模块、显微镜模块和x射线成像模块分别获取的缺陷信息进行特征提取，并将提取的特征采用多模态融合模型进行数据融合，获得第一融合数据；具体包括：

15、对从所述光学扫描模块、显微镜模块和x射线成像模块收集到的缺陷信息进行预处理；所述预处理包括去噪、对比度增强和图像尺寸标准化处理；

16、从所述光学扫描模块获取的初步缺陷信息中，利用边缘检测和形态分析学技术，提取缺陷形状、大小、边界清晰度的特征，获得第一特征数据；

17、对于所述显微镜模块捕获的微观缺陷信息，运用纹理分析和局部特征匹配算法，提取微观缺陷信息的纹理特征、粒径分布和微裂纹的方向性信息，获得第二特征数据；

18、从所述x射线成像模块捕获的深度缺陷信息，通过密度分析和结构重建技术，提取深度缺陷信息的位置、大小、形态以及与周围材料的对比度的特征，获得第三特征数据；

19、对所述第一特征数据、第二特征数据和第三特征数据进行同步处理；其中，同步处理过程依次包括量纲的同化处理，时间戳同步和空间位置对齐。

20、可选的，对所述第一特征数据、第二特征数据和第三特征数据进行同步处理；之后还包括：

21、基于卷积神经网络和变分自编码器，建立多模态融合模型；

22、将同步处理后的第一特征数据、第二特征数据和第三特征数据输入至多模态融合模型中，通过所述多模态融合模型的前向传播进程，以对各特征数据进行整合，获得第一融合数据；

23、设置缺陷特征标准值，对获得的第一融合数据进行验证，将所述第一融合数据与缺陷特征标准值进行对比，若达到所述缺陷特征标准值，则判断融合合格；若未达到所述缺陷特征标准值，则对多模态融合模型进行重构，并对各特征数据进行重新融合。

24、可选的，所述采用光学面聚类算法对第一融合数据中的相似特征进行分组，以获得若干组的缺陷分组；具体包括：

25、对第一融合数据进行标准化处理；

26、根据第一融合数据的特性，设置所述光学面聚类算法对应的聚类算法参数；所述聚类算法参数包括距离度量、聚类数量以及光学面的形状参数；

27、通过参数设定的光学面聚类算法对第一融合数据进行处理；

28、对光学面聚类算法得到的缺陷分析结果进行细分，分析第一融合数据中的各聚类数据中包含的数据点的重合度，以进行缺陷分组的初步划分；

29、对初步划分的缺陷分组进行结果验证，判断缺陷分组的分组界限和内部差异；当缺陷分组的验证结果不合格时，则对光学面聚类算法的聚类算法参数进行优化，并采用优化后的光学面聚类算法重新对第一融合数据进行处理；

30、对于验证后的缺陷分组进行分类和命名，并将每组缺陷分组记录。

31、可选的，所述采用光学面聚类算法对第一融合数据中的相似特征进行分组，以获得若干组的缺陷分组；之后还包括：

32、对所述光学扫描模块、显微镜模块和x射线成像模块分别获取的图像信息进行特征提取，并将提取的特征采用多模态融合模型进行数据融合，获得第二融合数据；

33、使用训练后的卷积神经网络对所述第二融合数据进行缺陷评估，获得缺陷评估信息，并对缺陷评估信息进行严重性评分；

34、根据缺陷评估信息和严重性的评分信息，提出改进措施，汇总形成缺陷修复建议信息。

35、可选的，所述使用训练后的卷积神经网络对所述第二融合数据进行缺陷评估，获得缺陷评估信息，并对缺陷评估信息进行严重性评分；具体包括：

36、调用镜头缺陷检测的历史数据库，从历史数据库中提取部分数据建立子集，并对子集的缺陷类型进行标注；

37、选择合适的卷积神经网络及其架构，采用标注有缺陷类型的子集输入于所述卷积神经网络，以对卷积神经网络进行训练；

38、通过训练后的卷积神经网络对所述第二融合数据进行缺陷评估，所述卷积神经网络输出缺陷评估信息；

39、将获得的缺陷评估信息与预设的缺陷参照表进行对比，以对缺陷评估信息进行分级，并根据分级结果建立严重性评分。

40、本发明还公开了一种镜头缺陷检测系统，其特征在于，用于实现如上所述的镜头缺陷检测方法，所述镜头缺陷检测系统包括：

41、光学扫描模块，用于对多层结构镜头的外表面进行全面扫描，快速定位初步的缺陷区域；

42、显微镜模块，用于对初步的缺陷区域进行高倍率的逐点深度扫描，捕获微观尺度上的图像；

43、x射线成像模块，用于对多层结构镜头整体进行扫描；

44、数据预处理单元，用于对收集到的缺陷信息进行预处理；

45、特征提取单元，用于对所述光学扫描模块、显微镜模块和x射线成像模块分别获取的缺陷信息进行特征提取；

46、多模态数据融合单元，用于对所述特征提取单元提取的特征，获得第一融合数据；

47、聚类分析单元，用于对第一融合数据中的相似特征进行分组；

48、处理模块，用于调用卷积神经网络并对图像信息进行缺陷评估；

49、交互界面，用于供用户操作和设置对应的参数。

50、本发明还公开了一种处理器，其特征在于，包括存储器和至少一个处理器，所述存储器中存储有指令；

51、所述处理器调用所述存储器中的所述指令，以使得所述处理器执行如上所述的镜头缺陷检测方法。

52、本发明还公开了一种存储介质，所述存储介质上存储有指令，所述指令用于实现如上所述的镜头缺陷检测方法。

53、与现有技术相比，本发明具有以下有益效果：检测时，先定位住待检测的多层结构镜头，利用光学扫描模块对镜头的外表面进行全面扫描，快速定位初步缺陷区域；接着，使用显微镜模块对这些初步识别的缺陷区域进行深入扫描和分析，以识别微观尺度的缺陷；使用x射线成像模块对镜头整体进行扫描，识别内部大尺寸结构异常，同时增强x射线成像以获取异常区域的更详细图像，并识别深度层次缺陷；将光学扫描模块、显微镜模块和x射线成像模块获取的缺陷信息进行特征提取，并采用多模态融合模型对这些特征进行数据融合，获得融合数据；应用光学面聚类算法对融合数据中的相似特征进行分组，从而高效地识别并分类不同类型的缺陷；本方法通过整合光学扫描、电子显微以及x射线成像技术，有效覆盖从外表面到内部深层的多个层级，能够识别常规方法难以发现的微观和内部缺陷，实现了对多层复杂结构镜头缺陷的全面和深入分析；且多模态数据融合和高级的聚类算法，该方法提高了缺陷识别的准确性和效率，有效克服了现有技术在复杂结构镜头检测上的局限性。