[发明专利]一种最佳焦平面位置快速检测方法及装置

权利要求书

1.一种最佳焦平面位置快速检测方法，其特征在于，包括：

101获取N幅原始图像，N为正整数；

102基于构建的第一聚焦评价函数和第二聚焦评价函数对每幅原始图像进行预处理，并对预处理后的图像进行标记，获得数据集{X，Y}，X为特征数据集，Y为标签集；所述第一聚焦评价函数为：

式中，表示图像第x+1行、第y列像素的灰度值；表示图像第x-1行、第y列像素的灰度值；表示图像第x行、第y+1列像素的灰度值；表示图像第x行、第y-1列像素的灰度值；Q和P表示图像的行数和列数；

所述第二聚焦评价函数为：

式中，表示像素点集合内的一个像素，像素点集合表示以像素点为圆心画一个半径为r个像素的圆形区域，该圆形区域的圆周上的n个像素点组成的像素点的领域像素点集合；dx表示两个像素点在x方向上的距离增量；Q和P表示图像的行数和列数；

103利用数据集{X，Y}对搭建的深度学习模型进行训练，以确定所述深度学习模型的权重参数和输入到输出的映射关系；

104将经第一聚焦评价函数和第二聚焦评价函数预处理后的待测图像输入训练好的深度学习模型，获得待测图像是处于聚焦或离焦状态、以及离焦类型；若为离焦状态，则根据离焦类型控制拍摄系统移动重新获取图像并经预处理后重新输入训练好的深度学习模型进行检测，直至获得拍摄系统的最佳焦平面位置。

2.如权利要求1所述的最佳焦平面位置快速检测方法，其特征在于，所述原始图像包括在最佳聚焦平面位置拍摄的图像和在离焦平面位置拍摄的图像。

3.如权利要求1所述的最佳焦平面位置快速检测方法，其特征在于，所述102中，所述第一聚焦评价函数和第二聚焦评价函数是基于灰度方差法进行构建的。

4.如权利要求1所述的最佳焦平面位置快速检测方法，其特征在于，所述深度学习模型为深度残差网络模型，依次包括：

输入层，用于向深度残差网络模型输入经第一聚焦评价函数和第二聚焦评价函数处理后的特征图像；

特征提取层，用于提取输入特征图像的特征，并降低特征的维度；

输出层，用于将图像特征进行分类以输出标签值。

5.如权利要求4所述的最佳焦平面位置快速检测方法，其特征在于，所述特征提取层依次包括：

卷积层，用于提取图像在各个层次上的特征；

最大池化层，用于降低图像特征的维数、缩减模型参数；

若干残差学习单元，基于多个有参层来学习输入输出之间的残差表示以提高模型的准确率；

平均池化层，用于降低图像的尺寸、缩减模型大小。

6.如权利要求5所述的最佳焦平面位置快速检测方法，其特征在于，所述深度学习模型的训练过程为：

将数据集{X，Y}中的数据顺序随机打乱，并输入搭建的深度学习模型；

设置深度学习模型的初始学习率并开始进行训练；

当训练误差不再下降时，重新设置深度学习模型的学习率并设置训练迭代次数，以确定深度学习模型的权重参数和输入到输出的映射关系。