本發(fā)明涉及鏡片檢測，尤其涉及一種用于鏡片組件的光譜測試方法及系統(tǒng)。

背景技術(shù)：

1、近年來，我國機器人市場快速發(fā)展，清潔機器人等家用服務(wù)機器人已經(jīng)進入消費市場。原有的清潔機器人紅外感應(yīng)前撞模塊零部件采用玻璃鏡片或者普通塑料鏡片，玻璃鏡片存在厚重、易碎且不安全問題，普通塑料鏡片耐刮性差，易變形等問題。因此，針對清潔機器人的感應(yīng)模塊，現(xiàn)有技術(shù)創(chuàng)新型地采用復(fù)合鏡片組件，復(fù)合鏡片組件具有高硬度耐磨、優(yōu)異的透光性能和防污等效果。相比于現(xiàn)有技術(shù)使用玻璃材質(zhì)的鏡片，能夠做到更加輕薄，具備更強的抗摔性，在保證性能的前提下降低了成本。

2、這些鏡片組件在安裝上清潔機器人的目標(biāo)部位前，需要進行性能測試，如防撞、防污等。尤其地，為了確保機器人對障礙物的準(zhǔn)確檢測和避免碰撞，需要對光譜測試，以測試透光性能。尤其是特定波段的光透過能力，以確保不會影響傳感器的發(fā)射光的傳遞。在現(xiàn)有技術(shù)中，測試鏡片的透光性能依賴于人工觀測光譜儀，效率低、人工疲勞導(dǎo)致準(zhǔn)確率低。

技術(shù)實現(xiàn)思路

1、鑒于以上技術(shù)問題，本發(fā)明提供了一種用于鏡片組件的光譜測試方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中人工對鏡片的透光性能測試存在效率低、準(zhǔn)確率的問題。

2、本公開的其他特征和優(yōu)點將通過下面的詳細描述變得顯然，或部分地通過本公開的實踐而習(xí)得。

3、根據(jù)本公開的一方面，公開一種用于鏡片組件的光譜測試方法，所述方法包括：

4、獲取不同的鏡片組件的投影圖像，所述投影圖像為光學(xué)系統(tǒng)發(fā)射出預(yù)設(shè)波長的平行光束穿過于不同安裝角度的鏡片組件后投射于成像屏上的橢圓光斑及若干個條紋的圖像，若干個所述條紋圍繞著所述橢圓光斑，所述投影圖像由工業(yè)相機于所述成像屏背面采集所述橢圓光斑及所述條紋得到；

5、對不同的鏡片組件進行評估,根據(jù)結(jié)果，對所述投影圖像標(biāo)注為合格或不合格，形成訓(xùn)練集，基于像素點識別，定位所述訓(xùn)練集中各個所述投影圖像的所述橢圓光斑及所述條紋的第一邊界，裁剪去掉所述第一邊界以外的背景，得到第一子圖像，將所述第一子圖像構(gòu)成第一子集，對所述第一子集中的各個所述第一子圖像再次進行像素點的識別，定位所述第一子圖像的所述橢圓光斑的第二邊界，裁剪得到所述第二邊界以外的畫面，得到第二子圖像，將所述第二子圖像構(gòu)成第二子集；

6、將所述第一子集和所述第二子集輸入到具有深度可分離卷積的輕量級卷積神經(jīng)網(wǎng)絡(luò)、具有注意力機制的高效卷積神經(jīng)網(wǎng)絡(luò)中，將所述輕量級卷積神經(jīng)網(wǎng)絡(luò)和所述高效卷積神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)分別輸入到兩個并行的第一全連接層，將所述第一全連接層的輸出匯集到第二全連接層，訓(xùn)練得到多個模型，其中，在訓(xùn)練時，將所述第一子集分別輸入到所述輕量級卷積神經(jīng)網(wǎng)絡(luò)和所述高效卷積神經(jīng)網(wǎng)絡(luò)，得到第一模型，將所述第二子集分別輸入到所述輕量級卷積神經(jīng)網(wǎng)絡(luò)和所述高效卷積神經(jīng)網(wǎng)絡(luò)，得到第二模型，將所述第一子集輸入到所述輕量級卷積神經(jīng)網(wǎng)絡(luò)，將所述第二子集輸入到所述高效卷積神經(jīng)網(wǎng)絡(luò)，得到第三模型，將所述第二子集輸入到所述輕量級卷積神經(jīng)網(wǎng)絡(luò)，將所述第一子集輸入到所述高效卷積神經(jīng)網(wǎng)絡(luò)，得到第四模型；

7、分別計算所述第一模型、所述第二模型、所述第三模型和所述第四模型的敏感度、漏診率、誤診率、特異性，得到各個模型的預(yù)測精度，選擇精度最高的模型作為測試模型，在對鏡片組件進行光譜測試時，獲取其投影圖像，輸入至所述測試模型中，得到測試結(jié)果。

8、進一步的，被標(biāo)注為不合格的所述投影圖像，包括以下情況之一：

9、所述條紋分布不對稱；

10、所述條紋與所述橢圓光斑連接，且連接處有亮度突變；

11、所述條紋形狀不規(guī)則或單個所述條紋不連續(xù)；

12、所述橢圓光斑的形狀不規(guī)則；

13、所述橢圓光斑的亮度不均勻；

14、所述橢圓光斑的邊緣不清晰；

15、所述橢圓光斑的周圍存在雜散光；

16、所述橢圓光斑存在黑點。

17、進一步的，在定位所述第一邊界時，具體包括：

18、獲取所述投影圖像的寬度、高度、亮度值最大的像素點的位置坐標(biāo)；

19、根據(jù)所述投影圖像的所述橢圓光斑及所述條紋的成像大小、亮度值最大的像素點的位置坐標(biāo)，得到第一左上角坐標(biāo)和第一右下角坐標(biāo)，確定所述第一邊界，所述成像大小由所述光學(xué)系統(tǒng)決定；

20、在定位所述第二邊界時，具體包括：

21、獲取所述第一子圖像的寬度、高度、亮度值最大的像素點的位置坐標(biāo)；

22、根據(jù)所述第一子圖像的所述橢圓光斑的成像大小、亮度值最大的像素點的位置坐標(biāo)，得到第二左上角坐標(biāo)和第二右下角坐標(biāo)，確定所述第二邊界。

23、進一步的，在得到所述第一左上角坐標(biāo)和所述第一右下角坐標(biāo)后，驗證所述第一左上角坐標(biāo)和所述第一右下角坐標(biāo)是否超過所述投影圖像的邊界，若超過，則以所述投影圖像的左上角坐標(biāo)或右下角坐標(biāo)作為所述第一左上角坐標(biāo)或所述第一右下角。

24、進一步的，在定位所述第一邊界和所述第二邊界時，計算邊緣檢測算法、輪廓檢測算法、圖像分割算法、霍夫變換算法中的一種。

25、進一步的，在獲取所述第一子集和所述第二子集后，所述方法還包括：

26、對所述第一子集和所述第二子集進行濾波；

27、對所述第一子集和所述第二子集進行數(shù)據(jù)清洗和數(shù)據(jù)增強，使得所述第一子集和所述第二子集中，標(biāo)注為合格和不合格的樣本的數(shù)量均衡；

28、對所述第一子集和所述第二子集進行歸一化和標(biāo)準(zhǔn)化。

29、進一步的，在計算得到得到各個模型的預(yù)測精度時，具體包括：

30、記錄各個模型對鏡片組件所預(yù)測的光譜測試結(jié)果及實際情況，計算得到所述敏感度、所述漏診率、所述誤診率、所述特異性，所述敏感度包括所述實際情況中存在缺陷且所述光譜測試結(jié)果為缺陷的情況，所述漏診率包括所述實際情況中存在缺陷但所述光譜測試結(jié)果為無缺陷的情況，所述誤診率包括所述實際情況為無缺陷但所述光譜測試結(jié)果為有缺陷的情況，所述特異性包括所述實際情況無缺陷且同時所述光譜測試結(jié)果無缺陷；

31、基于所述敏感度、所述漏診率、所述誤診率、所述特異性，分別計算各個模型正確識別實際情況為缺陷的比率和識別為正常的比率，得到敏感度比例和特異性比例；

32、基于所述敏感度、所述漏診率、所述誤診率、所述特異性，得到各個模型的識別精度，所述識別精度為所述實際情況的缺陷與所述光譜測試結(jié)果的缺陷之間的比率；

33、基于所述敏感度比例、所述特異性比例和所述識別精度，得到各個模型的所述預(yù)測精度。

34、進一步的，在單獨訓(xùn)練所述第一模型、所述第二模型、所述第三模型和所述第四模型中的任一個時，基于所述第一子集或/和所述第二子集中各個樣本訓(xùn)練出原始模型，并記錄在訓(xùn)練時所述第一子集或/和所述第二子集中各個樣本的損失值，并取中值作為閾值，使得所述第一子集或/和所述第二子集中的樣本分別被劃分成兩部分，利用不同的部分去重新訓(xùn)練模型，得到第一替補模型和第二替補模型，根據(jù)加權(quán)投票策略，使得所述原始模型、所述第一替補模型和所述第二替補模型的參數(shù)權(quán)重融合，得到最終的所述第一模型、所述第二模型、所述第三模型或所述第四模型。

35、根據(jù)本公開的另一方面，公開一種用于鏡片組件的光譜測試系統(tǒng)，所述系統(tǒng)包括：

36、采集模塊，用于獲取不同的鏡片組件的投影圖像，所述投影圖像為光學(xué)系統(tǒng)發(fā)射出預(yù)設(shè)波長的平行光束穿過于不同安裝角度的鏡片組件后投射于成像屏上的橢圓光斑及若干個條紋的圖像，若干個所述條紋圍繞著所述橢圓光斑，所述投影圖像由工業(yè)相機于所述成像屏背面采集所述橢圓光斑及所述條紋得到；

37、預(yù)處理模塊，用于對不同的鏡片組件進行評估,根據(jù)結(jié)果，對所述投影圖像標(biāo)注為合格或不合格，形成訓(xùn)練集，基于像素點識別，定位所述訓(xùn)練集中各個所述投影圖像的所述橢圓光斑及所述條紋的第一邊界，裁剪去掉所述第一邊界以外的背景，得到第一子圖像，將所述第一子圖像構(gòu)成第一子集，對所述第一子集中的各個所述第一子圖像再次進行像素點的識別，定位所述第一子圖像的所述橢圓光斑的第二邊界，裁剪得到所述第二邊界以外的畫面，得到第二子圖像，將所述第二子圖像構(gòu)成第二子集；

38、模型生成模塊，用于將所述第一子集和所述第二子集輸入到具有深度可分離卷積的輕量級卷積神經(jīng)網(wǎng)絡(luò)、具有注意力機制的高效卷積神經(jīng)網(wǎng)絡(luò)中，將所述輕量級卷積神經(jīng)網(wǎng)絡(luò)和所述高效卷積神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)分別輸入到兩個并行的第一全連接層，將所述第一全連接層的輸出匯集到第二全連接層，訓(xùn)練得到多個模型，其中，在訓(xùn)練時，將所述第一子集分別輸入到所述輕量級卷積神經(jīng)網(wǎng)絡(luò)和所述高效卷積神經(jīng)網(wǎng)絡(luò)，得到第一模型，將所述第二子集分別輸入到所述輕量級卷積神經(jīng)網(wǎng)絡(luò)和所述高效卷積神經(jīng)網(wǎng)絡(luò)，得到第二模型，將所述第一子集輸入到所述輕量級卷積神經(jīng)網(wǎng)絡(luò)，將所述第二子集輸入到所述高效卷積神經(jīng)網(wǎng)絡(luò)，得到第三模型，將所述第二子集輸入到所述輕量級卷積神經(jīng)網(wǎng)絡(luò)，將所述第一子集輸入到所述高效卷積神經(jīng)網(wǎng)絡(luò)，得到第四模型；

39、分析模塊，用于分別計算所述第一模型、所述第二模型、所述第三模型和所述第四模型的敏感度、漏診率、誤診率、特異性，得到各個模型的預(yù)測精度，選擇精度最高的模型作為測試模型，在對鏡片組件進行光譜測試時，獲取其投影圖像，輸入至所述測試模型中，得到測試結(jié)果。

40、本公開的技術(shù)方案具有以下有益效果：

41、基于訓(xùn)練出的測試模型，可以自動化地采集鏡片組件對應(yīng)的投影圖像，然后可以高效地、準(zhǔn)確地分析出該鏡片組件的光譜測試是否合格，大大提高了測試效率，降低了生產(chǎn)成本；

42、通過對投影圖像的二次裁剪和分支訓(xùn)練得到多個模型，可以有效提高模型的魯棒性，并且通過一種方法可以適用于各種不同尺寸、不同透光性要求的鏡片組件中，所得到的最終的測試模型實時性高、準(zhǔn)確率高。