一种基于集成决策树的暗场图像目标点精确提取方法技术

一种基于集成决策树的暗场图像目标点精确提取方法，涉及图像处理技术领域，用以解决现有技术中对于大口径光学元件表面缺陷不能有效提取的问题。本发明专利技术的技术要点包括：在暗场环境下对元件表面进行全方位扫描采集，获取元件表面暗场图像；对暗场图像进行预处理和分割，获得多个缺陷区域的图像坐标；根据图像坐标提取缺陷区域特征，利用预训练的集成决策树分类模型对元件表面缺陷区域进行识别，剔除后表面伪缺陷区域，获得前表面缺陷区域图像集；对前表面缺陷区域图像集进行聚类处理，根据聚类结果计算获得多个缺陷区域的位置和尺寸。本发明专利技术提高了大口径元件表面缺陷的检测效率和准确率，提高了缺陷区域位置和尺寸的测量精度。度。度。

【技术实现步骤摘要】
一种基于集成决策树的暗场图像目标点精确提取方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于集成决策树的暗场图像目标点精确提取方法。

技术介绍

[0002]大口径光学元件是高功率固体激光装置的重要组件，在强激光频繁照射下，其表面容易出现微裂纹、凹坑等缺陷。缺陷会弱化元件的材料性能，使损伤更易发生，在后续激光辐照下缺陷点会加速扩展。有研究表明，缺陷点产生后如果不及时对其采取激光微修复等措施，缺陷尺寸将呈指数增长。这不仅会降低光学元件使用寿命，还会影响元件通光性能并对下游元件产生影响。因此，采用合适的方式对元件表面缺陷进行及时的检测和修复对于提高光学元件使用寿命，保障激光装置稳定运行具有重要的作用。目前，工程上广泛采用基于机器视觉的暗场检测方法检测元件表面的微小缺陷，通过该方式获取缺陷点的位置和尺寸信息，从而制定合理的修复方案对缺陷点进行定位与修复。
[0003]大口径光学元件表面缺陷检测属于宏观条件下的微观检测，既需要获得元件全口径上的缺陷分布情况又需要获得微观缺陷的位置、尺寸信息。由于元件尺寸较大，通过一次成像很难实现元件表面缺陷暗场图像的采集，且该方式分辨率较低不利于缺陷的精确测量。工业上常采用扫描拍照的方式获取元件表面子区域的图像，通过子图拼接得到全口径的暗场图像。通过对暗场图像进行处理即可获取缺陷点的信息。由于光学元件是透明元件，在检测时容易受到背景干扰，且后表面缺陷也会成像在感光元件上影响前表面的缺陷检测。除此之外，由于子图拼接、光照不均等因素的影响，进行图像处理时单个缺陷点容易被分割为多个目标从而影响缺陷点定位和尺寸测量。

技术实现思路

[0004]鉴于以上问题，本专利技术提出一种基于集成决策树的暗场图像目标点精确提取方法，用以解决现有技术中对于大口径光学元件表面缺陷区域不能有效提取的问题。
[0005]一种基于集成决策树的暗场图像目标点精确提取方法，包括以下步骤：
[0006]步骤一、在暗场环境下对元件表面进行全方位扫描采集，获取元件表面暗场图像；
[0007]步骤二、对所述暗场图像进行预处理和分割，获得多个缺陷区域的图像坐标；
[0008]步骤三、根据缺陷区域的图像坐标提取缺陷区域特征，并利用预训练的集成决策树分类模型对元件表面缺陷区域进行识别，剔除后表面伪缺陷区域，获得前表面缺陷区域图像集；
[0009]步骤四、以目标点间距离作为聚类依据，对前表面缺陷区域图像集进行聚类处理；根据聚类结果计算获得多个缺陷区域的位置和尺寸。
[0010]进一步地，步骤一中所述元件表面暗场图像包括元件表面不同区域的多个子图，多个子图拼接成一个全图。
[0011]进一步地，步骤一中采用环形光源低角度照射元件表面形成暗场环境。
[0012]进一步地，步骤二中采用顶帽变换对各个子图进行预处理，然后进行阈值分割，提取缺陷区域并计算缺陷区域轮廓；然后求取缺陷区域轮廓的最小外接圆，将其圆心作为缺陷区域在子图中的坐标；最后通过下式将缺陷区域在子图中的坐标转化为在全图中的坐标(x,y)：
[0013][0014]式中，(LocX，LocY)是缺陷区域在子图中的坐标；m和n代表子图的序号，n代表子图所在行数，m代表子图所在列数；L
w
和L
H
代表子图的宽和高。
[0015]进一步地，步骤三中所述缺陷区域特征包括尺寸特征、灰度特征和梯度特征；其中，尺寸特征包括缺陷区域的长、宽和长宽比，灰度特征包括缺陷区域的最大灰度值、最小灰度值及二者比值、灰度均值和方差，梯度特征包括缺陷区域的平均梯度和轮廓平均梯度。
[0016]进一步地，步骤三中所述集成决策树分类模型的预训练过程包括：训练样本集包括被标注为正样本的前表面目标缺陷点和负样本的后表面目标缺陷点，提取训练样本的特征并输入集成决策树模型，采用网格搜索方法对模型中超参数进行优化，按照优化后的超参数对模型进行重新训练，获得前后表面目标点分类模型，即训练好的集成决策树分类模型。
[0017]进一步地，步骤四的具体步骤包括：
[0018]步骤四一、对前表面缺陷区域图像集中的所有缺陷区域，计算各个缺陷区域之间的相关系数；
[0019]步骤四二、将相关系数大于预设系数阈值的缺陷区域归属为同一类，将归属于同一类的缺陷区域整合为一个集合，获得归属不同类的多个缺陷区域集合；
[0020]步骤四三、对于多个缺陷区域集合中的每个缺陷区域，计算包络缺陷区域内所有像素点的最小外接圆，以最小外接圆圆心作为该缺陷区域的中心位置，以最小外接圆半径作为该缺陷区域尺寸。
[0021]进一步地，步骤四一中根据下述公式计算各个缺陷区域之间的相关系数r
A,B
：
[0022][0023][0024]式中，l
AB
表示两个缺陷区域A和B分别对应的最小外接圆圆心(x
A
,y
A
)、(x
B
,y
B
)之间的距离；R
A
、R
B
表示两个缺陷区域A和B分别对应的最小外接圆半径。
[0025]进一步地，还包括步骤五：将包含元件表面缺陷区域编号、子图序号、中心位置坐标和尺寸信息形成检测结果文件并保存。
[0026]本专利技术的有益技术效果是：
[0027]本专利技术首先采用顶帽变换消除了背景信息和光照不均等因素对目标检测的影响；然后采用基于集成决策树的方法剔除了元件后表面缺陷点的干扰，提高了目标检测的效率和准确率；进一步地采用目标点聚类解决了单个目标被多次检测的问题，提高了目标点位置和尺寸的测量精度。本专利技术方法实现了暗场图像目标点的精确提取，为后续缺陷点的定位和激光修复策略的制定提供了准确的信息。
附图说明
[0028]本专利技术可以通过参考下文中结合附图所给出的描述而得到更好的理解，所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本专利技术的优选实施例和解释本专利技术的原理和优点。
[0029]图1是本专利技术实施例中目标点精确提取方法整体流程图；
[0030]图2是本专利技术另一实施例中目标点精确提取方法整体流程示意图；
[0031]图3是本专利技术实施例中大口径元件表面目标点暗场检测装置结构示意图；
[0032]图4是本专利技术实施例中目标点聚类过程示意图；
[0033]图5是本专利技术实施例中暗场图像缺陷提取过程图；其中，图(a)为原图像；图(b)为顶帽变换后效果图；图(c)为二值化后效果图；
[0034]图6是本专利技术实施例中前后表面目标点识别结果对比图；其中，图(a)为原图像；图(b)为其他算法识别结果图；图(c)为本专利技术集成决策树算法识别结果图；
[0035]图7是本专利技术实施例中暗场图像聚类提取结果对比图；其中，图(a)为原图像；图(b)为其他算法聚类结果图；图(c)为本专利技术聚类结果图。
具体实施方式
[0036]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成决策树的暗场图像目标点精确提取方法，其特征在于，包括以下步骤：步骤一、在暗场环境下对元件表面进行全方位扫描采集，获取元件表面暗场图像；步骤二、对所述暗场图像进行预处理和分割，获得多个缺陷区域的图像坐标；步骤三、根据缺陷区域的图像坐标提取缺陷区域特征，并利用预训练的集成决策树分类模型对元件表面缺陷区域进行识别，剔除后表面伪缺陷区域，获得前表面缺陷区域图像集；步骤四、以目标点间距离作为聚类依据，对前表面缺陷区域图像集进行聚类处理；根据聚类结果计算获得多个缺陷区域的位置和尺寸。2.根据权利要求1所述的一种基于集成决策树的暗场图像目标点精确提取方法，其特征在于，步骤一中所述元件表面暗场图像包括元件表面不同区域的多个子图，多个子图拼接成一个全图。3.根据权利要求2所述的一种基于集成决策树的暗场图像目标点精确提取方法，其特征在于，步骤一中采用环形光源低角度照射元件表面形成暗场环境。4.根据权利要求3所述的一种基于集成决策树的暗场图像目标点精确提取方法，其特征在于，步骤二中采用顶帽变换对各个子图进行预处理，然后进行阈值分割，提取缺陷区域并计算缺陷区域轮廓；然后求取缺陷区域轮廓的最小外接圆，将其圆心作为缺陷区域在子图中的坐标；最后通过下式将缺陷区域在子图中的坐标转化为在全图中的坐标(x,y)：式中，(LocX，LocY)表示缺陷区域在子图中的坐标；m和n表示子图的序号，n代表子图所在行数，m代表子图所在列数；L
w
和L
H
表示子图的宽和高。5.根据权利要求4所述的一种基于集成决策树的暗场图像目标点精确提取方法，其特征在于，步骤三中所述缺陷区域特征包括尺寸特征、灰度特征和梯度特征；其中，尺寸特征包括缺陷区域的长、宽和长宽比，灰度特征包括缺陷区域的最大灰度值、最小灰度值及二者比值、灰度均值和方差，梯度特征包括缺陷区域的平均梯度和轮廓平均梯度...

【专利技术属性】
技术研发人员：陈明君，尹朝阳，赵林杰，程健，袁晓东，郑万国，廖威，王海军，张传超，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：