(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 202211231659.9 (22)申请日 2022.10.10 (71)申请人 湖北华鑫光电有限公司 地址 443000 湖北省宜昌市枝江市经济开 发区仙女三路电子信息产业园A7栋 (72)发明人 陈龙　 (74)专利代理 机构 郑州坤博同创知识产权代理 有限公司 412 21 专利代理师 汪二照 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01) G06V 10/774(2022.01) (54)发明名称 基于卷积神经网络的镜片缺陷检测方法及 其系统 (57)摘要 本申请公开了一种基于卷积神经网络的镜 片缺陷检测方法。 其首先获取待检测镜片在第一 单色光源照射下的第一单色图像和在第二单色 光源照射下的第二单色图像， 接着， 提取所述第 一单色图像的第一LBP局部二值模式图和所述第 二单色图像的第二LBP局部二值模式图， 然后， 将 所述第一LBP局部二值模式图和所述第二LBP局 部二值模式图沿通道维度进行聚合 以得到多通 道LBP局部二值模式图， 接着， 将所述多通道LBP 局部二值模式图通过训练完成的使用CBAM注意 力块的卷积神经网络模型以得到检测特征图， 最 后， 将所述检测特征图通过训练完成的分类器以 得到用于表示待检测镜片是否存在缺陷的分类 结果。 通过这样的方式， 可以高效、 准确地对镜片 表面进行缺陷检测。 权利要求书3页 说明书13页 附图5页 CN 115496740 A 2022.12.20 CN 115496740 A 1.一种基于卷积神经网络的镜片缺陷检测方法， 其特 征在于， 包括： 获取待检测镜片在第一单色光源照射下的第一单色图像和在第二单色光源照射下的 第二单色图像； 提取所述第一单色图像的第一LBP局部二值模式图和所述第二单色图像的第二LBP局 部二值模式图； 将所述第一LBP局部二值模式图和所述第二LBP局部二值模式图沿通道维度进行聚合 以得到多通道LBP局部二 值模式图； 将所述多通道LBP局部二值模式图通过训练完成的使用CBAM注意力块的卷积神经网络 模型以得到检测特 征图； 以及 将所述检测特征图通过训练完成的分类器以得到分类结果， 所述分类结果用于表示待 检测镜片是否存在缺陷。 2.根据权利要求1所述的基于卷积神经网络的镜片缺陷检测方法， 其特征在于， 所述提 取所述第一单色图像的第一LBP局部二值模式图和所述第二单色图像的第二LBP局部二值 模式图， 包括： 将所述第一单色图像和所述第二单色图像分别转化为灰度图像以得到第一灰度图像 和第二灰度图像； 基于所述第 一灰度图像中各个像素的邻域像素的像素值分布， 确定所述第 一灰度图像 中各个像素的LBP值以得到所述第一 LBP局部二 值模式图； 和 基于所述第 二灰度图像中各个像素的邻域像素的像素值分布， 确定所述第 二灰度图像 中各个像素的LBP值以得到所述第二 LBP局部二 值模式图。 3.根据权利要求2所述的基于卷积神经网络的镜片缺陷检测方法， 其特征在于， 所述将 所述多通道 LBP局部二值模式图通过训练完成的使用CBAM注 意力块的卷积神经网络模 型以 得到检测特 征图， 包括： 将所述多通道LBP局部二值模式图输入所述卷积神经网络模型的卷积编码部分以得到 卷积编码特 征图； 将所述卷积编码特征图输入所述卷积神经网络模型的CBAM注意力块的通道注意力单 元以得到通道增强卷积编码特 征图； 以及 将所述通道增强卷积编码特征图输入所述卷积神经网络模型的CBAM注意力块的空间 注意力单 元以得到所述检测特 征图。 4.根据权利要求3所述的基于卷积神经网络的镜片缺陷检测方法， 其特征在于， 所述将 所述多通道LBP局部二值模式图输入 所述卷积神经网络模型的卷积编码部 分以得到卷积编 码特征图， 包括： 使用所述卷积编码部分的各层在层的正向传递中分别对输入数据进行卷 积处理、 池化处理和非线性激活处理以得到所述卷积编 码特征图， 其中， 所述卷积编 码部分 的第一层的输入为所述多通道LBP局部二 值模式图。 5.根据权利要求4所述的基于卷积神经网络的镜片缺陷检测方法， 其特征在于， 所述将 所述卷积编码特征图输入所述卷积神经网络模型 的CBAM注意力块的通道注意力单元以得 到通道增强卷积编码特 征图， 包括： 计算所述卷积编码特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征 向量；权　利　要　求　书 1/3 页 2 CN 115496740 A 2将所述通道特征向量输入Softmax激活函数以得到通道 注意力加权向量； 以及 以所述通道注意力加权向量中各个位置的特征值作为权重分别对所述卷积编码特征 图的沿通道维度的各个特 征矩阵进行加权以得到所述 通道增强卷积编码特 征图。 6.根据权利要求5所述的基于卷积神经网络的镜片缺陷检测方法， 其特征在于， 所述将 所述通道增强卷积编码特征图输入所述卷积神经网络模型 的CBAM注意力块的空间注意力 单元以得到所述检测特 征图， 包括： 将所述通道增强卷积编码特征图输入所述卷积神经网络模型的CBAM注意力块的空间 注意力单 元以得到空间注意力图； 将所述空间注意力图通过Softmax激活函数以得到空间注意力特 征图； 以及 计算所述空间注意力特征图和所述通道增强卷积编码特征图的按位置点乘以得到所 述检测特 征图。 7.根据权利要求6所述的基于卷积神经网络的镜片缺陷检测方法， 其特征在于， 所述将 所述检测特 征图通过训练完成的分类 器以得到分类结果， 包括： 使用所述分类器以如下公式对所述检测特征图进行处理以获得所述分类结果， 其中， 所述公式为： ， 其中， 到 为权重矩阵， 到 为偏置向量， 为所述检测特 征图投影为向量。 8.根据权利要求7所述的基于卷积神经网络的镜片缺陷检测方法， 其特征在于， 还包括 步骤： 对所述使用CBAM注意力块的卷积神经网络模型和所述分类 器进行训练； 其中， 所述对所述使用CBAM注意力块的卷积神经网络模型和所述分类器进行训练， 包 括： 获取训练数据， 所述训练数据包括测试镜片在所述第 一单色光源照 射下的第 一训练单 色图像、 所述测试镜片在所述第二单色光源照射下 的第二训练单色图像、 以及所述测试镜 片是否存在缺陷的真实值； 提取所述第 一训练单色图像的第 一训练LBP局部二值模式图和所述第 二训练单色图像 的第二训练LBP局部二 值模式图； 将所述第一训练LBP局部二值模式图和所述第二训练LBP局部二值模式图沿通道维度 进行聚合以得到多通道训练LBP局部二 值模式图； 将所述多通道训练LBP局部二值模式图通过所述使用CBAM注意力块的卷积神经网络模 型以得到训练检测特 征图和训练通道 注意力加权向量； 将所述检测特 征图通过 所述分类 器以得到分类损失函数值； 计算所述训练通道注意力加权向量的上下文统计的局部场景度量损失函数值， 所述上 下文统计的局部场景度量损失函数值与所述训练通道注意力加权 向量的所有位置的特征 值集合的均值和方差有关； 以及 以所述分类损失函数值和所述上下文统计的局部场景度量损失函数值的加权和作为 损失函数值对所述使用CBAM注意力块的卷积神经网络模型和所述分类 器进行训练。 9.根据权利要求8所述的基于卷积神经网络的镜片缺陷检测方法， 其特征在于， 所述计 算所述训练通道 注意力加权向量的上 下文统计的局部场景度量损失函数值， 包括： 以如下公式来计算所述训练通道注意力加权向量的上下文统计的局部场景度量损失权　利　要　求　书 2/3 页 3 CN 115496740 A 3