本發(fā)明涉及液體鏡頭質(zhì)量檢測，特別涉及一種神經(jīng)網(wǎng)絡(luò)算法檢測模型及基于神經(jīng)網(wǎng)絡(luò)的液體光學(xué)鏡頭質(zhì)量檢測方法。

背景技術(shù)：

1、液體鏡頭質(zhì)量檢測方法依賴于相機采集的圖像內(nèi)容來判定圖像像素值分布均勻度以及中心點位置坐標。傳統(tǒng)方法是采用灰度值與坐標乘加運算獲得精確到亞像素級坐標。此類傳統(tǒng)方法精度較差。近些年，工業(yè)上采用神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)液體鏡頭的質(zhì)量檢測，預(yù)先通過人工主觀判定或通過傳統(tǒng)方法得到百張量級圖像的均勻度估計和中心點位置，然后對圖像進行標注，確保圖像文件和標注文件的一一對應(yīng)關(guān)系，建立相應(yīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集。然后將該網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集輸入到人工智能算法，即神經(jīng)網(wǎng)絡(luò)中訓(xùn)練網(wǎng)絡(luò)的參數(shù)權(quán)重。當完成訓(xùn)練后，保留神經(jīng)網(wǎng)絡(luò)的權(quán)重，在需要應(yīng)用該檢測方法時，重新搭建與訓(xùn)練相同的神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)定義為推理網(wǎng)絡(luò)，并且將參數(shù)加載到神經(jīng)網(wǎng)絡(luò)中進行初始化。最后將待測試圖像輸入到推理網(wǎng)絡(luò)中實現(xiàn)均勻度和中心點位置的估計。

2、基于神經(jīng)網(wǎng)絡(luò)的液體光學(xué)鏡頭質(zhì)量檢測方法涉及到3個流程，分別為：設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)的方法和網(wǎng)絡(luò)結(jié)構(gòu)、設(shè)計神經(jīng)網(wǎng)絡(luò)訓(xùn)練損失函數(shù)以及設(shè)計網(wǎng)絡(luò)訓(xùn)練方法?，F(xiàn)有技術(shù)中通過此三個流程設(shè)計的方法，存在著檢測精度不足等劣勢，無法滿足流水線上質(zhì)量檢測的需求。

技術(shù)實現(xiàn)思路

1、本發(fā)明要解決現(xiàn)有技術(shù)中的技術(shù)問題，提供一種神經(jīng)網(wǎng)絡(luò)算法檢測模型及基于神經(jīng)網(wǎng)絡(luò)的液體光學(xué)鏡頭質(zhì)量檢測方法。

2、為了解決上述技術(shù)問題，本發(fā)明的技術(shù)方案具體如下：

3、一種神經(jīng)網(wǎng)絡(luò)算法檢測模型，該神經(jīng)網(wǎng)絡(luò)算法檢測模型通過損失函數(shù)訓(xùn)練得到，該損失函數(shù)包括：均勻度測量正則項、中心位置偏離度正則項以及光源分布度正則項；

4、所述均勻度測量正則項為：通過測量均勻度信息的誤差，并統(tǒng)計該誤差的平均值，獲得標量數(shù)值，作為均勻度測量正則項lossplat；

5、所述中心位置偏離度正則項為：神經(jīng)網(wǎng)絡(luò)預(yù)估的中心位置包含x坐標和y坐標，通過這兩個點和標注信息比對，計算出在x向和y向的差值，并將差值絕對值后的平均值作為中心位置偏離度正則項losscen；

6、所述光源分布度正則項為：將網(wǎng)絡(luò)輸出的圖像與生成的高斯分布圖進行比對，逐個像素計算灰度值數(shù)值差，作為光源分布度正則項lossgauss。

7、在上述技術(shù)方案中，均勻度測量正則項的公式如下：

8、

9、其中，ncir代表圓覆蓋所有的像素點數(shù)量，nunc代表不符合均勻一致性的像素數(shù)量，i(p')代表圖像p'位置的灰度值，icir(p)代表圖像p位置的灰度值，v代表不符合點的集合，vcir代表圓覆蓋點的集合。

10、在上述技術(shù)方案中，中心位置偏離度正則項的公式如下：

11、

12、其中，losscen為中心位置偏離度，x為網(wǎng)絡(luò)輸圖像光源中心點x軸坐標，y為y軸坐標；x'為高斯光斑x軸坐標，y'為高斯光斑y軸坐標。

13、在上述技術(shù)方案中，光源分布度正則項的公式如下：

14、

15、其中，p＝(x,y)，i(p)代表網(wǎng)絡(luò)輸出圖像在p點的灰度值，g(p)代表高斯圖像p點的灰度值。

16、在上述技術(shù)方案中，均勻度測量正則項、中心位置偏離度正則項以及光源分布度正則項分別具體一個權(quán)重，分別為α1，α2和α3。

17、一種基于神經(jīng)網(wǎng)絡(luò)的液體光學(xué)鏡頭質(zhì)量檢測方法，包括以下步驟：

18、將上述的神經(jīng)網(wǎng)絡(luò)算法檢測模型，應(yīng)用于液體光學(xué)鏡頭質(zhì)量檢測。

19、本發(fā)明具有以下有益效果：

20、本發(fā)明的神經(jīng)網(wǎng)絡(luò)算法檢測模型及基于神經(jīng)網(wǎng)絡(luò)的液體光學(xué)鏡頭質(zhì)量檢測方法，提出了新型的損失函數(shù)設(shè)計方法和計算公式，可以有效提高神經(jīng)網(wǎng)絡(luò)的輸出精度，對于液體鏡頭檢測設(shè)備的性能有積極意義。

技術(shù)特征：

1.一種神經(jīng)網(wǎng)絡(luò)算法檢測模型，其特征在于，該神經(jīng)網(wǎng)絡(luò)算法檢測模型通過損失函數(shù)訓(xùn)練得到，該損失函數(shù)包括：均勻度測量正則項、中心位置偏離度正則項以及光源分布度正則項；

2.根據(jù)權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)算法檢測模型，其特征在于，均勻度測量正則項的公式如下：

3.根據(jù)權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)算法檢測模型，其特征在于，中心位置偏離度正則項的公式如下：

4.根據(jù)權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)算法檢測模型，其特征在于，光源分布度正則項的公式如下：

5.根據(jù)權(quán)利要求1-4中的任意一項所述的神經(jīng)網(wǎng)絡(luò)算法檢測模型，其特征在于，均勻度測量正則項、中心位置偏離度正則項以及光源分布度正則項分別具體一個權(quán)重，分別為α1，α2和α3。

6.一種基于神經(jīng)網(wǎng)絡(luò)的液體光學(xué)鏡頭質(zhì)量檢測方法，其特征在于，包括以下步驟：

技術(shù)總結(jié)
本發(fā)明涉及一種神經(jīng)網(wǎng)絡(luò)算法檢測模型及基于神經(jīng)網(wǎng)絡(luò)的液體光學(xué)鏡頭質(zhì)量檢測方法，涉及液體鏡頭質(zhì)量檢測技術(shù)領(lǐng)域。本發(fā)明的神經(jīng)網(wǎng)絡(luò)算法檢測模型通過損失函數(shù)訓(xùn)練得到，該損失函數(shù)包括：均勻度測量正則項、中心位置偏離度正則項以及光源分布度正則項。本發(fā)明的神經(jīng)網(wǎng)絡(luò)算法檢測模型及基于神經(jīng)網(wǎng)絡(luò)的液體光學(xué)鏡頭質(zhì)量檢測方法，提出了新型的損失函數(shù)設(shè)計方法和計算公式，可以有效提高神經(jīng)網(wǎng)絡(luò)的輸出精度，對于液體鏡頭檢測設(shè)備的性能有積極意義。

技術(shù)研發(fā)人員：陳璐,李宏壯,姚凱男,徐志強
受保護的技術(shù)使用者：中國科學(xué)院長春光學(xué)精密機械與物理研究所
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/5