(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210536295.9 (22)申请日 2022.05.17 (71)申请人 昆明理工大 学 地址 650093 云南省昆明市五华区学府路 253号 (72)发明人 张永安　赵丹露　何光辉　李亚轩　 曾春华　赵航　 (74)专利代理 机构 昆明隆合知识产权代理事务 所(普通合伙) 53220 专利代理师 龙燕 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/50(2022.01) G06V 10/30(2022.01)G01N 21/88(2006.01) G01N 21/01(2006.01) (54)发明名称 一种基于数字全息机器视觉的精密件的检 测方法及装置 (57)摘要 本发明公开一种基于数字全息机器视觉的 精密件的检测方法及装置， 属于无损检测以及数 字全息技术应用领域。 本发明所述方法应用CCD 图像传感器获取精密件的全息图， 存储于计算机 中计算可得到瑕疵的三维形貌。 利用从全息图中 所提取的瑕疵特征集， 建立多组特征数据。 接着 通过支持向量机分类模型对输入的精密件特征 集自动快速分类， 较好地满足实时性要求， 成功 解决了分类速度慢、 误判率较高的问题。 本发明 通过数字全息技术测量由工件表面疵病引起的 元件反射波前的相位畸变， 将 机器学习 与系统检 测相结合满足了对精密件准确、 快速、 实时的批 量检测， 极大提高了分类的准确度， 使用便携， 易 于操作。 权利要求书3页 说明书6页 附图3页 CN 114937174 A 2022.08.23 CN 114937174 A 1.一种基于数字全息机器视觉的精密件的检测方法， 其特征在于： 分为模型构建和利 用模型检测瑕疵工件， 包括如下步骤： S1模型构建 S1.1使用中心波长为632.8nm的He ‑Ne激光器， 对标准工件拍摄一次全息像， 并用CCD图 像传感器记录下干涉条纹， 同一光路下， 拍摄100张标准工件全息图， 并存储于计算机中， 待 处理后制作样本数据库； S1.2在同一光路下， 拍摄2400张有各种瑕疵的精密件全息图分成训练集和测试集， 训 练测试比为2:1； 同样用C CD图像传感器记录下干涉 条纹， 待处 理后制作样本数据库； S1.3对所有标准工件干涉图样以及瑕疵工件干涉图样均进行离散高斯平滑模板去除 该图像的噪声； S1.4用改进的方向梯度直方图进行 特征值提取； S1.5进行 标签分类； S1.6训练分类模型， 先进行初始化分类模型参数， 分类网络的输入为 图像特征值与标 签， 输出分类模型； S2利用模型检测瑕疵工件： S2.1将待测工件放入光路进行全息图拍摄， 并存 储于计算机中； S2.2在计算机中， 将待测工件全息图进行如 上述模型构 建部分的S1.3和 S1.4操作后 输 入分类模型中； S2.3输出工件瑕疵部位 鉴定结果。 2.根据权利要求1所述基于数字全息机器视觉的精密件的检测方法， 其特征在于所述 S1.4步骤中使用改进的方向梯度直方图(Histogram  of Oriented  Gradient， HOG)特征提 取包含以下步骤： (1)图像先通过检测窗口， 进行图像归一 化， 即图像灰度化和Gam ma校正； (2)计算图像梯度直方图， 可获得精密工业件轮廓信息， 设f(x,y)为图像中(x,y)点的 像素值， g为图像的梯度矩阵， 其计算公式如下， G为梯度值， θ 为梯度方向； g＝[gx， gy]T    (3) (3)将图像以小块(cell)为单位切分， 计算出每个小块 中的梯度 直方图信息， 得出小块 的描述子(descriptor)； (4)将每一个重叠块内的cell进行对比度归一化处理， 并将cell的描述子连接起来得 到该重叠块的描述子； (5)将所有block 内的梯度 直方图进行连接， 最终得到整张图片的HOG特征， 其在图片的 几何形变， 光学畸变情况 下， 具有良好的特 征不变性。 3.根据权利要求1所述基于数字全息机器视觉的精密件的检测方法， 其特征在于所述权　利　要　求　书 1/3 页 2 CN 114937174 A 2S1.6步骤中使用非线性支持向量机学习算法训练分类模型， 具体包括以下步骤： (1)输入： 训练数据集即提取的特 征值， 可表示 为 T＝{(x1， y1)， (x2， y2)， ...， (xN， yN)}   (6) 其中 其中 为特征集， 为数据标签； Rn为 总训练集， N 为训练集所含样本个数； (2)高斯核函数 K(xi， yj)表达式如下： 其中σ 为高斯函数标准差， 但是在上述方法中， 是在假设样本数据能够被完全分类正确 的前提下进 行的； 当样本数据无法被最优分类面完全分开时， 为确保分类准确， 引入软间隔 最大化的思想， 即给原本硬性的阈值加上一个松弛变量ξi(i＝1， 2， 3， ...， l )， 将惩罚项 引入到最小化目标 即可得： 其中， C为惩罚参数， 默认为1， 是作用在超过分类边界样本点上的惩罚因子， 代表支持 向量机分类 器对离群样本的容忍程度； 引入惩罚系数后也可以通过二次规划来实现： 其中引入了拉格朗日乘子αi≥0， i＝1， 2， ...， N， αiαj表示第i个第j个拉格朗日乘子， yiyj表示第i个第j个数据标签； 由此 可求得全局最优解 (3)选择α*的一个正分量 计算， 可以求出唯一 最优解b*、 ω*； 最终的结果中αi≥0部分对应的特征向量称为支持向量， 支持向量决定着最优的分类 面， 由(7)(8)可以求出最优分类面 为： (ω*·x)+b＝0   (13) (4)可构造决策函数如下： (5)最后输出分类决策模型。 4.一种基于数字全息机器视觉的精密件的检测装置， 其特征在于： 包括He ‑Ne激光器 (1)、 第一分束镜(2)、 全反镜(3)、 第一扩束镜(4)、 第一准直透镜(5)、 第二分束镜(6)、 第二 扩束镜(7)、 第二准直透镜(8)、 待测工件(9)、 透镜(10)、 CCD图像传感器(11)、 计算机(12)； 光束从He ‑Ne激光器(1)输出， 在第一分束镜(2)处分为光强比为1∶ 1的水平方向参考光光路权　利　要　求　书 2/3 页 3 CN 114937174 A 3