[发明专利]增强眼科透镜边缘缺陷检测和其他缺陷的计算机实现方法

说明书

本发明涉及增强眼科透镜边缘缺陷检测和其他缺陷的计算机实现方法。更具体地，本发明旨在提高接触透镜中边缘检查的可靠性和分类精确度。本发明是表示软件架构的计算机实现的方法，该软件架构包括表示应用程序的核心功能模块的软件部件及其相互依赖性。本发明的系统和方法捕获高分辨率图像，将透镜的圆形边缘变换为表示圆形边缘的水平线，通过消除边缘周围的像素信息来限制图像尺寸，将水平边缘图像划分为交叠部分，并将提取的图像垂直堆叠，以形成单个高分辨率图像，该图像非常适合在用生成式对抗网络生成的新图像对原始图像数据集进行增强之后由卷积神经网络进行处理和分析，以实现对缺陷的精确分类。

技术领域

本发明涉及通过提取特定的相关像素数据并去除不相关数据来实现和保持接触透镜的高分辨率图像，从而在精确度和速度方面提高图像分类过程的效率。效率的提高是通过重新布置和重建图像来实现的，这有助于使用神经网络快速训练检查系统，并在自动化系统中的接触透镜检查期间应用经训练的决策模型。

背景技术

接触透镜缺陷检查系统和方法继续朝着提高效率同时降低成本的方向发展。模式识别、图像相关、直方图均衡、抖动等是检查方法中常用的一些常用图像处理算法。随着缺陷检查标准变得更加严格，实现了另外的算法以改进检查效率但以时间为代价。每个另外的算法增加了检查时间，导致较低的生产率。CPU速度、高级GPU(图形处理单元)、高速存储器等方面的技术改进有助于提高图像处理速度，但是从高分辨率摄像装置获取的图像的不断增加的尺寸仅加剧了生产率的降低。因此，认真研究重新配置高分辨率图像的软件方法以辅助检查过程以实现高精确度和可重复性是至关重要的。

神经网络提供了在不牺牲检查系统的质量和生产率的情况下提高检查质量的新途径。然而，随着图像大小的显著增加，图像压缩算法被引入以使像素数据最小化，而这导致关键缺陷数据的劣化。因此，检查质量受到影响，并且下一过程的效率也受到损害。神经网络对中等尺寸的图像更有效率。图像尺寸的增加会对神经网络和深度学习方法的性能产生负面影响。

当前的技术在不损害检测质量的前提下使用软件方法方面是缺乏的，特别是在微缺陷识别和特征提取是处理高分辨率图像时检查系统的基本要求的情况下。

发明内容

本发明主张通过结合由高性能CPU支持的高分辨率摄像装置、由GPU辅助的高速存取存储器来使用计算机实现的方法，以通过识别和丢弃不重要的像素数据并且仅保留用于检测缺陷(即，边缘)的重要区域来分析和处理优化图像。计算机实现的方法提供了优化图像，该优化图像未被压缩但是可以经预处理，以使冗余像素数据减少到最小限度，并且对未压缩图像应用平滑技术以增强缺陷候选，从而使得能够进行更好的检测。在识别透镜内的缺陷的情况下，将高分辨率图像划分为若干最佳且预定大小的图像，这些图像更适合于由包括若干神经网络模块的用于特征提取和特征分类的深度学习模块进行快速处理。重要的是要注意，即使在透镜内的缺陷识别的情况下，当从原始图像重新布置或提取图像时也不会应用图像压缩。

减少或重新排列图像的优点之一是消除了透镜边缘周围的冗余像素。随后，通过将图像同时划分为易于由深度学习模块处理的预定大小的图像以用于获得速度和精确度方面的增强缺陷检测。

本发明的目的之一是在不会压缩或扭曲像素数据的情况下提供接触透镜的圆形边缘的高分辨率和优化的预处理图像。

本发明的另一方面是以帮助更快地处理图像的方式来重建和重新布置接触透镜的圆形边缘。这是通过检测圆形接触透镜的边缘、展开所述边缘并且将边缘转换为水平边缘来实现的。通过删除边缘周围的冗余像素数据以使图像大小减少到最小限度，来进一步优化该图像。

将像素布置为水平边缘和垂直边缘的优点之一改进了处理，并且这有助于算法更快地处理图像。换句话说，处理速度大幅度提高。该算法可以为边缘检测算法。