其中imagemerge1表示初步融合图片，imagemerge2表示融合图片，k1代表image1的权重系数，k2代表image2的权重系数，a表示拉伸系数，b表示拉伸偏移；image1表示凸台图片，image2表示端面图片。
根据本发明的一个方面，所述步骤s2包括：
s21、利用层拍相机沿z轴方向对镜头内部进行层拍获得多张图片，并按照顺序等分为多组；
s22、对每一组图片进行缺陷分割和识别，将符合缺陷标准的所有缺陷放入到缺陷容器中；
s23、在所述缺陷容器中，通过比较缺陷中心距离偏差值将同一位置处的缺陷筛选出来；
s24、根据清晰度算法筛选出同一位置处表现为清晰的缺陷，按照此缺陷判断其尺寸是否为缺陷产品。
根据本发明的一个方面，若计算的存在缺陷的多张图片的对比度之间的差值小于设定阈值，则计算每张图片缺陷区域的平均灰度，筛选具有平均灰度值的缺陷作为表现清晰的缺陷。
根据本发明的一个方面，若所检测的镜片检测区域为非球面镜片检测区域时，所述步骤s22包括：
将每组图片的非球面镜片检测区域分别采用模板匹配进行粗定位和圆拟合方式进行精定位；
将非球面镜片检测区域分割为多个圆环区域，对不同的圆环区域给予相对应的参数，利用全局阀值分割法、自动阀值分割法、动态阀值分割法或局部背景均值分割法对所述非球面镜片检测区域的缺陷进行分割；
1.1缺陷的定义
当前对于缺陷有两种认知的方式,种是有监督的方法,也就是体现在利用标记了标签(包括类别、矩形框
或逐像素等)的缺陷图像输入到网络中进行训练.此时'缺陷意味着标记过的区域或者图像。第二种是无监督的
方法,就是将正常无缺陷的样本进行学习,学习正常区域的特征,网络检测异常的区域。
缺陷检测的任务大致分为三个阶段分别是缺陷分类、缺陷定位、缺陷分割,如下图所示,缺陷分类需要分类出
缺陷的类别(色、空洞、经线) ; 缺陷定位不仅需要获取缺陷的类别还需要标注出缺陷的位置; 缺陷分割将
缺陷逐像素从背景中分割出来。
一、成本低。机器视觉检测系统大大降低了厂的成本。
二、准确率高。通过机器视觉检测设备,可以每周7天,每天24小时不间断地生产高质量的产品,避免出现产品召回,产品责任索赔和图像损
坏等。.
三、安全性高。安全生产,产品可靠,机器视觉保证了生产过程中以及终产品的安全性。
苏州宣雄智能科技有限公司 苏州宣雄智能科技有限公司 苏州宣雄智能科技有限公司
以上信息由专业从事产品缺陷检测的宣雄于2024/5/1 7:00:00发布
转载请注明来源：http://szhou.mf1288.com/szxxznlj-2744791251.html
