[发明专利]一种基于深度学习的隐形眼镜边缘缺陷检测方法

说明书

一种隐形眼镜边缘缺陷检测模型、其建立方法和检测方法，该检测模型的建立方法包括获取隐形眼镜边缘缺陷样本图像；对获取的样本图像预处理，得到样本特征图像；对样本特征图像进行缺陷标注，汇总标记的样本特征图像建立训练集；对训练集进行模型训练并进行微调后得到初始缺陷检测模型；检测初始缺陷检测模型，得到初始正确率，当初始正确率小于预设正确率时，调整初始缺陷检测模型后再次检测，当初始正确率大于或等于预设正确率时，即得到最终的所述缺陷检测模型。本发明克服了人工检测主观意识强、效率低、传统图像处理检测繁琐等问题，本发明的模型适用于对隐形眼镜的快速在线检测。

技术领域

本发明涉及光学眼镜缺陷检测领域，尤其涉及一种基于深度学习的隐形眼镜边缘缺陷检测方法。

背景技术

随着人们对隐形眼镜的需求逐渐上升，隐形眼镜的质量检测也越来越重要。对于隐形眼镜的缺陷检测，现有方法大多是基于人工检测，其存在的缺点是：1.用时长、效率低、需要大量的人员；2.人工检测主观意识强烈，长时间工作后会存在疲惫现象，由此会产生误检，漏检的问题。基于传统图像处理的缺陷检测方法，需要进行复杂的图像预处理，通过模式识别技术实现繁琐的特征提取。

基于机器视觉的深度学习成为当前缺陷检测的热门技术，深度学习不仅可以快速进行目标检测和目标定位，而且成本较低、分辨率高。本发明提出通过深度学习不断调整检测参数来提高模型的健壮性，通过机器学习来提高模型的泛化能力，从而提高缺陷检测的准确性。

发明内容

有鉴于此，本发明的主要目的之一在于提出一种隐形眼镜边缘缺陷检测模型、其建立方法和检测方法，以期至少部分地解决上述技术问题中的至少之一。

为了实现上述目的，作为本发明的一个方面，提供了一种隐形眼镜边缘缺陷检测模型的建立方法，包括：

(1)获取隐形眼镜边缘缺陷样本图像；

(2)对获取的样本图像预处理，得到样本特征图像；

(3)对样本特征图像进行缺陷标注，汇总标记的样本特征图像建立训练集；

(4)对训练集进行模型训练并进行微调后得到初始缺陷检测模型；

(5)检测初始缺陷检测模型，得到初始正确率，当初始正确率小于预设正确率时，调整初始缺陷检测模型后再次检测，当初始正确率大于或等于预设正确率时，即得到最终的所述缺陷检测模型。

作为本发明的另一个方面，还提供了一种隐形眼镜边缘缺陷检测模型，采用如上所述的建立方法得到。

作为本发明的又一个方面，还提供了一种隐形眼镜边缘缺陷的检测方法，包括：

获取待检测隐形眼镜的检测图像；

将所述检测图像进行预处理，得到所述检测图像对应的样本特征图像；

将所述样本特征图像输入到如上所述的隐形眼镜边缘缺陷检测模型中，输出检测结果，即完成所述隐形眼镜边缘缺陷的检测。

基于上述技术方案可知，本发明的隐形眼镜边缘缺陷检测模型、其建立方法和检测方法相对于现有技术至少具有以下优势之一：

1、本发明提出一种基于深度学习的隐形眼镜缺陷检测方法，解决了人工检测主观意识强、效率低、传统图像处理检测繁琐等问题；

2、本发明通过深度学习对存有缺陷的标记样本的训练以及参数的不断自我学习调整，可得到较为健壮和准确度极高的模型，此模型可对缺陷特征进行准确提取，进而实现隐形眼镜的快速在线检测。

附图说明

图1是本发明实施例的建立隐形眼镜边缘缺陷检测方法流程图；

图2是本发明实施例中缺陷隐形眼镜的样例图；