s11、在所述镜头的端面或凸台上制作模板图像获得端面图片和凸台图片,并进行匹配定位;
s12、对所述凸台图片进行仿射变换后与端面图片对齐;
s13、根据自定义的核提取所述端面图片的高频分量;
s14、利用加权平均值算法叠加所述端面图片和所述凸台图片获得融合图片;
s15、依照所述融合图片进行缺陷检测。
我们是一群由杭州电子科技大学赵巨峰带领的台湾研发及业务团队本发明对于镜头内部结构的检测方法,提高了断层扫描图像缺陷搜索的准确度与精度。不会因为搜索到非对焦缺陷,导致算法误检。且对点子等检测精度,由原来相差±10um,提高到了±5um以内。
本发明对于镜头端面和凸台的检测方法,针对端面与凸台检测的耗时,由原两张图片分别导入显卡中进行gpu运算深度学习模型,现在仅需要导入一张图片进行深度学习运算极大的降低了gpu运算的消耗,计算耗时由原1600ms,下降至900ms左右,极大的提升了效率。
接着利用自定义的核7*7,进行图像卷积运算提取端面图片高频分量:
再利用加权平均值算法,按照imagemerge1=k1*image1+k2*image2+b对凸台图片和端面图片进行融合,按照imagemerge2=a*imagemerge1+b获得终的融合图片,根据融合照片进行缺陷检测。其中imagemerge1表示初步融合图片,imagemerge2表示融合图片,a表示拉伸系数,b表示拉伸偏移;image1表示凸台图片,image2表示端面图片,k1表示凸台权重系数,k2表示端面权重系数。
由于CNN强大的特征提取能力,采用基于CNN的分类网络目前已成为表面缺陷分类中的模式一般来说,现
有表面缺陷分类的网络常常采用计算机视觉中现成的网络结构,包括AlexNet, VGG, GoogL eNet,ResNet,
SENet, ShuteNet,MobileNet等。利用分类网络结合上滑动窗口的方式可以实现缺陷的定位。
Deep learning-based crack damage detection using convolutional neural networks
以上信息由专业从事缺陷检测设备的宣雄于2024/7/1 8:13:57发布
转载请注明来源:http://m.tz1288.com/qynews/szxxznlj-2778704144.html