• 工作总结
  • 工作计划
  • 心得体会
  • 领导讲话
  • 发言稿
  • 演讲稿
  • 述职报告
  • 入党申请
  • 党建材料
  • 党课下载
  • 脱贫攻坚
  • 对照材料
  • 主题教育
  • 事迹材料
  • 谈话记录
  • 扫黑除恶
  • 实施方案
  • 自查整改
  • 调查报告
  • 公文范文
  • 思想汇报
  • 当前位置: 雅意学习网 > 文档大全 > 公文范文 > 正文

    适用于智能工业监测的光学元件缺陷识别技术

    时间:2023-06-18 13:50:04 来源:雅意学习网 本文已影响 雅意学习网手机站

    郑代福,周田,曾志平,黄衍堂,许灿华

    (福州大学物理与信息工程学院,福州 350116)

    光学元件是激光加工、光学测量、光学传感、光学通信等光学应用领域的基础。随着现代科技产品对光学元件的需求增加,光学元件表面缺陷的检测识别逐渐成了现代化企业重点关注的问题。对于非光学工业产品的检测,近年传统的人工检测方法已经逐步被采用光学成像并进行图像识别的机械视觉检测所替代[1]。但对光学元件直接成像时,由于高光现象(特指光学元件的高透过率、高反射率和定向反射等现象)的存在,成像过程容易出现局部的过度曝光或曝光不足的问题,元件目标缺陷细节大幅降低甚至消失,从而导致图像识别算法无法对元件缺陷进行准确识别[2]。此外,光学元件缺陷有麻点、划痕、气泡、崩边等类型,缺陷类型较多,图像分析和缺陷识别的难度较大[3]。因此,降低高光现象对成像质量的影响,研究高准确率的缺陷识别算法是在光学元件高速工业生产中实现快速、准确检测需要解决的两个关键问题。

    光学元件检测方法包含目视法、滤波成像法、掠射法、散射能量分析法、频谱分析法等[3],其中基于偏振的滤波成像法可以拦截特定方向的偏振光,降低成像场景中高光和背景杂散光的影响。在对光学元件的缺陷进行偏振成像时,照射在目标缺陷的光被反射或散射会改变其偏振状态,与高光和背景杂散光的偏振态有所区别,再利用偏振相机采集各个不同偏振方向的图像,计算出缺陷图像的偏振度,可以有效降低高光和杂散光的影响,提高缺陷成像信噪比[4-6]。在缺陷检测算法方面,基于人工智能、模式识别、机器学习和深度学习等高级智能化的缺陷提取算法是近年的研究热点[7-8]。其中基于卷积神经网络的深度学习算法(CNN)可以直接将原始图像作为输入,通过有监督或无监督学习自动提取图像特征,网络搭建和运行过程中不需要进行复杂的图像预处理和人工图像特征选取,减少了人工参与量,并且网络结构简单、适应性强、效率高[9]。国内外已有研究中采用卷积神经网络对硅片、油漆、石材、木材以及纺织物等非光学表面进行检测,其准确率可达到98%[10]。

    本文针对目前光学元件自动检测技术中存在的困难,采用偏振相机与暗场成像相结合的方法消除高光现象对光学元件成像质量的影响,提高成像对比度。并在采集大量光学元件表面缺陷图像后,引入卷积神经网络研究光学元件表面缺陷的识别算法,比较不同网络的性能和识别准确率,为实现高速、准确的光学元件自动检测技术提供参考。

    1.1 DoLP线偏振度成像原理和光路搭建

    元件成像使用的偏振相机是由FLIR 公司生产的分焦平面(DoFP)线偏振相机。该相机在获取2 440×2 048 像素DoLP 偏振度图片时相机帧频率可达到75 帧/s,相机结构紧凑,尺寸为29 mm ×29 mm ×30 mm。DoFP原理如图1(a)所示,相机焦平面上相邻的4 个探测器(像素点)前分别覆盖0°、90°、45°和135°的偏振片(纳米金属光栅),并将此周期单元拓展到探测器的全部焦平面,从而实现相机在单次曝光中采集4 张不同偏振方向的图片。这4 幅图可被转换为线性Stokes参量进行实时的偏振度成像。Stokes 偏振度成像需要的S0、S1和S2分量的求解公式如下:

    图1 DoLP线偏振成像原理(a)分焦平面偏振技术示意图,(b)分焦平面偏振相机,(c)基于分焦平面偏振相机的暗场成像光路

    式中:S0表示光强;
    S1表示竖直与水平偏振方向的光强差;
    S2表示45°偏振方向与135°偏振方向的光强差。

    在偏振成像的基础上,结合暗场成像方法搭建了如图1(c)所示的成像光路。由于环形LED 光源被载物台阻挡,照明光无法直接到达相机接收面,属于暗场成像。照明光源属于自然偏振,所以背景杂散光也是自然偏振的,其Stokes矢量只存在S0分量。而光学元件的边缘和缺陷将破坏照明光的偏振状态,其散射光中存在S1和S2分量。各个Stokes分量可以通过偏振相机进行记录,消除高光与杂散光的问题便转化为消除S0的影响,分离出包含S1和S2分量的缺陷图像,常用的方法是计算图像的线偏振度(DoLP):

    采用该方法可以有效剔除偏振态为自然偏振的高光和背景杂散光的影响,只保留偏振度发生改变的光学元件边缘和缺陷的图样。因此,该方式可以降低照明光对成像质量的影响,获得高信噪比的缺陷图像。

    1.2 卷积神经网络的图像识别算法基础

    卷积神经网络的图像识别算法是一种使用卷积计算的多层神经网络算法,是深度神经网络的代表算法之一。与一般的图像识别算法相比,卷积神经网络不需要进行图像预处理,网络表征能力强,对平移、翻转、缩放等变形的识别具有高度不变性,并且卷积权值共享的特点有效地降低了算法的复杂程度和网络参数,使得卷积神经网络算法与其他算法相比具备了图片预处理工作少、结构简单、参数少等特点。随着卷积神经网络和计算机技术的发展,大量优秀的卷积神经网络模型被提出[11-12]。网络的识别能力越来越强,但大多数网络模型都朝着增加网络参数的方向发展。巨大的网络参数占用了计算机内存和运行时间,使得其难以应用高速工业生产。虽然轻量级卷积神经网络模型研究正在进行[13-14],但目前轻量级卷积神经网络主要应用于手机移动终端,在工业生产中应用范围小且没有针对性。所以本文以LeNet-5 网络模型为基础,引入线性修正单元(ReLU)、多尺度卷积(Multi-scale)和卷积通道拓展等优化方法,搭建了一种适用于光学元件缺陷检测的轻量级卷积神经网络算法。

    本文采用的CNN 缺陷识别算法基础框架如图2(a)所示。LeNet-5 卷积神经网络模型[9]是最早被提出的卷积神经网络之一,最初被用于手写数字的识别(包含0~9 共10 个字符)。其网络框架只有5层,包含了如今卷积神经网络的全部基本结构,即用于特征提取的卷积层,缩小特征尺寸的池化层,进行特征分类的全连接层和引入网络非线性的激活函数。几乎所有现存的卷积神经网络都是由其改进而来。

    图2 (a)LeNet-5卷积伸进网络模型框架,(b)SqueezeNet卷积神经网络模型框架,(c)SqueezeNet基础模块

    如图2(b)所示的轻量级卷积神经网络模型SqueezeNet[13]是目前最广泛用于特征分类的网络模型之一。该网络通过使用图2(c)所示的Fire 模块,可以在几乎不降低AlexNet 网络模型识别能力的情况下将AlexNet 的网络参数降低至原参数量的20%[13]。相比LeNet-5 网络,SqueezeNet 网络框架有如下特点:①网络模型的18 个卷积层中拥有包括不同卷积核在内的近3 000 个卷积通道,可以提取到更多的图像特征;
    ②比全连接层的网络参数和网络计算量更低的特征分类方法global avg pooling;
    ③可以有效解决梯度下降的ReLU 激活函数;
    ④能有效降低网络参数的Fire方法。实验证明,以上4 点特征使得SqueezeNet网络模型的识别能力远超于LeNet-5 网络模型,与AlexNet网络模型接近。但是LeNet-5 网络模型的识别能力是不可忽视的,并且LeNet-5 网络模型结构简单、计算量小、设备性能需求低,更适合在应用范围广、需求量大的工业生产中使用。

    本文根据SqueezeNet网络结构和现有的网络改进方法,确定了LeNet-5 网络模型的改进策略:①使用尺寸为3 ×3 的卷积核进行卷积计算以降低网络参数;
    ②第2 卷积层一半卷积通道的卷积核改为5 ×5 以增加提取特征的丰富程度,并将两卷积层的卷积通道分别增加到30 层和100 层;
    ③网络中间层使用ReLU激活函数,输出层使用softmax激活函数。改进后的LeNet-5 网络的详细框架如图3 所示。

    图3 LeNet-5改进网络结构示意图

    改进后的LeNet-5 网络结构更加复杂,网络参数和网络计算量都有所增加,但该网络的网络参数和网络计算量都远低于SqueezeNet网络。当输入图片尺寸是79 ×79 ×1 像素,网络输出通道为5时,改进后的LeNet-5 网络参数只有SqueezeNet 网络的8.7%(63K/726K),网络计算量为其30%(21M/70M)。

    2.1 DoLP线偏振度成像结果分析与缺陷图集制作

    为了验证如图1(c)所示的成像装置的成像效果,在不同光照强度下获取了光学元件样本的缺陷图(直径4 mm,厚度1 mm)。成像图像显示于图4中,照明光强从左到右逐级减半。图中可以看到两个明显的现象:①随着照明光强的降低,样本缺陷在DoLP图像中保留完整,在原始光强图中严重缺失甚至消失;
    ②原始光强图(b1~b3)的元件边缘是明显的亮环,而DoLP线偏振度图(a1~a3)的元件边缘是两条窄边包围的同心暗环。这是因为光学元件具有一定厚度,上下圆面边缘到达相机角度不同而分别形成了两个圆环,并且元件侧边为非光滑表面,散射光的主要成分是自然偏振光,该光线在DoLP 成像中被抑制,所以呈现为同心暗环。该特性在对元件边缘区域的缺陷进行识别时存在优势,原始光强图中,照明光通过样本侧边散射形成的亮环的强度很高,会掩盖部分靠近样本边缘的缺陷,然而通过DoLP 线偏振度成像方法即可很好的解决这一问题,这一现象表明偏振成像对于正确记录光学元件表面缺陷细节,获得高信噪比图像有更大的优势。

    图4 (a1~a3)不同光照下DoLP 线偏振度成像,(b1~b3)相应照明下原始光强成像;
    照明光强从左到右逐级减半

    为了更客观地评价两种成像方式的成像质量,计算了图4 中6 幅图的平均梯度[15]。结果显示DoLP图像的平均梯度是原始光强图的2~3倍,说明采用偏振成像方法采集的样本图像的缺陷更清晰,边缘更锐利。

    通过该实验可知,如图1(c)所示的暗场偏振成像光路可以对光学元件进行高质量成像,但想要使用卷积神经网络对其进行缺陷识别,还需要进行缺陷图集的制作。

    在缺陷识别中,缺陷类型的识别是工业生产中最常见也是需求最多的一种识别方式。缺陷图集的缺陷可分为5类,分别为边缘崩坏、边缘无缺、表面划痕、表面麻点和表面无缺。本文构建的光学元件缺陷图集的部分缺陷图片展示在图5 中。图中每1 张缺陷图片都由直径15 mm、厚1 mm 的光学元件偏振度像图裁剪而来。光学元件的每一张偏振度像图都被裁剪为36张,每小张图片由340 ×340 个像素点组成。在训练过程中,以上每种缺陷类型都有3 000 张图片(训练图片:2 500,测试图片:500),图片输入网络前,使用最大池化将图片大小统一为79 ×79 像素。

    图5 光学元件缺陷图集

    2.2 LeNet-5 改进网络的测试与分析

    实验采用图5 所示的缺陷图集进行训练。数据批量尺寸为100,学习率0.01(SqueezeNet网络在4 次迭代后学习率下调至0.001),迭代800 次。网络运行环境为Pytorch,计算机硬件信息分别是:CPU:Intel(R)Core(TM)i5-9500 FCPU @ 3.00 GHz,显卡:Radeon 250 集成显卡,核心频率905 MHz。网络性能通过测试图集准确率,训练时间和测试时间体现。为了体现网络性能,使用LeNet-5 +Relu +softmax、LeNet-5 +多尺度卷积、LeNet-5 +卷积通道拓展以及如图2 所示的SqueezeNet网络模型进行性能对比。实验结果展示在表1 和图6中,表2 中的混淆矩阵是如图3 所示的改进后的LeNet-5 网络识别准确率达到最大时对各缺陷的识别情况。

    图6 不同网络结构识别准确率变化曲线

    从表1 可以看出,原始LeNet-5 网络模型对光学元件缺陷图集的识别率只有87.88%。分别使用ReLU+softmax、多尺度卷积和卷积通道拓展对网络进行优化,网络的缺陷识别率可以增加到88.60%、93.16%和95.20%。结合3 种改进方法的改进型LeNet-5 网络(其结构如图3 所示),可以使网络识别率达到96.72%,相比原始LeNet-5 网络提高了8.84%,网络训练和测试时间分别增加93.31%(16.18 s)和38.36%(2.20 s)。表2 中的混淆矩阵表明,改进型LeNet-5 网络对表面划痕、麻点和表面无缺3 种缺陷特征分类的准确率很高,其平均错误率小于2%。分类结果的错误主要表现为边缘崩坏与边缘完整两种特征的混淆,平均错误率为5.5%。从图5 的缺陷图集中也可以看出,边缘崩坏与边缘完整的缺陷特征比较相似,当边缘崩坏面积较小时,容易发生错误判断。

    表1 不同优化方式的网络性能对比

    表2 改进LeNet-5 缺陷识别率为96.72%时的网络识别混淆矩阵

    从图6 可以看出,SqueezeNet 网络可以快速收敛,在200 次迭代后,模型对光学元件缺陷图集的识别率可以达到97.6%。而改进后的LeNet-5 网络收敛速度较慢,在500 次迭代后,获得识别准确率为96.72%,比SqueezeNet略低。但由于SqueezeNet的结构远比改进型LeNet-5 网络复杂,其训练时间和测试时间分别后者的6.5(105.31 s)和3.7(7.44 s)倍。可见,与SqueezeNet网络相比,我们采用改进型LeNet-5 网络进行光学元件的缺陷识别,可以在保障相当准确率的前提下,大幅减少训练和识别的时间,并且只占用少量的内存空间,更加适用于高速、实时检测的工业生产检测领域。

    本文通过搭建基于偏振成像和CNN 算法的检测系统进行平面光学元件的缺陷检测。其中,基于DoFP偏振相机的暗场成像方式有效削弱光学元件的镜面高光和表面杂散光,实现了光学元件的高信噪比缺陷成像。而改进后的LeNet-5 卷积神经网络缺陷识别算法不需要进行缺陷图像预处理,网络模型的训练不用人工进行图像特征选取。网络训练后可以对包含边缘崩坏、边缘完整、表面划痕、表面麻点和表面无缺的光学元件进行缺陷识别,识别率达到了96.72%。在网络内存占用、网络运行时间和网络识别率上与现流行的轻量级卷积神经分类网络SqueezeNet 相比,改进型LeNet-5 网络具有更少的网络参数(8.7%),更少的网络计算量(30.0%)、更快的训练(15.4%)和测试速度(29.6%),而其识别准确率与SqueezeNet 相当(99.1%)。可见改进后的LeNet-5 网络算法相比轻量级网络算法SqueezeNet 更适合在应用在范围广、速度快、计算量小的高速工业生产中,该算法有望为光学元件的工业生产提供有力支持。

    猜你喜欢 偏振光学元件 基于V 形超表面的透射式太赫兹线偏振转换器*物理学报(2022年23期)2022-12-14滑轮组的装配初中生学习指导·中考版(2022年4期)2022-05-12承压类特种设备受压元件壁厚测定问题的探讨中国特种设备安全(2022年1期)2022-04-26光学常见考题逐个击破中学生数理化(高中版.高考理化)(2021年5期)2021-07-16基于微惯性/偏振视觉的组合定向方法中国惯性技术学报(2020年2期)2020-07-24基于双偏振雷达参量的层状云零度层亮带识别研究成都信息工程大学学报(2019年4期)2019-11-04偏振纠缠双光子态的纠缠特性分析电子制作(2019年12期)2019-07-16中核北方核燃料元件有限公司中国核电(2017年2期)2017-08-11带扰流孔波纹板蓄热元件的分析浙江大学学报(工学版)(2016年2期)2016-06-05宝马i3高电压元件介绍(上)汽车维修与保养(2015年8期)2015-04-17

    推荐访问:适用于 光学 元件

    • 文档大全
    • 故事大全
    • 优美句子
    • 范文
    • 美文
    • 散文
    • 小说文章