[发明专利]基于深度学习和图像处理的光学元件表面损伤识别方法

权利要求书

1.基于深度学习和图像处理的光学元件表面损伤识别方法，其特征在于，包括以下步骤：

步骤一、获取多个包含元件表面目标点的显微图像，形成图像数据集；所述元件表面目标点包括缺陷区域和伪缺陷区域；

步骤二、对图像数据集进行预处理；

步骤三、将预处理后的图像数据集输入基于深度神经网络的损伤识别模型中进行训练，获得训练好的损伤识别模型；

步骤四、将包含元件表面目标点的待检测图像输入训练好的损伤识别模型中，获得识别结果。

2.根据权利要求1所述的基于深度学习和图像处理的光学元件表面损伤识别方法，其特征在于，步骤一中所述图像数据集中每个目标点对应包含不同光源下采集的多个图像。

3.根据权利要求2所述的基于深度学习和图像处理的光学元件表面损伤识别方法，其特征在于，步骤一中不同光源包括背照光源、环形光源和同轴光源。

4.根据权利要求3所述的基于深度学习和图像处理的光学元件表面损伤识别方法，其特征在于，步骤二中所述预处理包括：对图像数据进行标注，将包含缺陷区域的图像标注为1，包含伪缺陷区域的图像标注为0；对图像数据进行分割处理，获取目标点图像和目标点的像素尺寸；对图像数据集进行数据增强；将单个目标点在不同光源下采集的多个图像按照红绿蓝三通道顺序进行RGB合成，获取合成后的图像。

5.根据权利要求4所述的基于深度学习和图像处理的光学元件表面损伤识别方法，其特征在于，步骤二所述预处理中对图像数据集进行数据增强包括：在分割处理后的目标点轮廓线上均匀取多个点，以这些轮廓点为中心、以轮廓线外接正方形为截取尺寸对目标点进行截取，将截取后的目标点图像填充到原始图像数据中；对图像数据进行翻转、旋转、噪声扰动的数据增强。

6.根据权利要求5所述的基于深度学习和图像处理的光学元件表面损伤识别方法，其特征在于，步骤三的具体步骤包括：

步骤三一、基于目标点的像素尺寸，将预处理后的图像数据集按照尺寸范围进行划分；

步骤三二、将多个尺寸范围对应的图像数据按照比例划分为训练集和验证集；

步骤三三、将训练集输入基于深度神经网络ResNeXt的损伤识别模型中进行训练；具体包括：首先，经过由多个卷积核组成的预处理层，对输入图像进行卷积操作，获得经过颜色空间变化处理的RGB图像；然后，迁移载入在ImageNet数据集下预训练得到的ResNeXt模型参数，将经过颜色空间变化处理的RGB图像经过一个卷积层，之后分成多组分别进入四个卷积组，之后经过自适应平均池化层和全连接层输出缺陷和伪缺陷的预测值；其中，四个卷积组中使用残差结构和分组卷积，残差结构使用跳跃连接；在训练过程中计算预测值与真实值之间的误差，将误差反向传播到模型各层中对模型参数进行调整；

步骤三四、将验证集输入每次训练后的模型中以调整模型超参数，并对模型预测准确率进行评估，直到模型预测准确率不再提升后停止训练，获得训练好的损伤预测模型。

7.根据权利要求6所述的基于深度学习和图像处理的光学元件表面损伤识别方法，其特征在于，步骤三三中使用下述交叉熵函数作为损失函数计算预测值与真实值之间的误差：

式中，表示预测样本是缺陷的置信概率；y表示样本数据的标签。

8.根据权利要求7所述的基于深度学习和图像处理的光学元件表面损伤识别方法，其特征在于，步骤三四中利用下述公式评估模型预测准确率是否达到预设阈值：

式中，TP、FP、FN、TN分别表示预测结果中真阳性、假阳性、真阴性、假阴性的数目。