基于光谱估计与多光谱技术的光学元件表面疵病检测 下载: 969次
1 引言
经抛光加工后的光学元件表面仍存在麻点、划痕等疵病[1-2]。在精密光学系统(如飞秒激光器)中,光学元件表面的疵病会引起衍射,从而产生噪声光斑,导致光学系统的精度降低[3-4]。同时,光学元件表面的疵病还会吸收大量光能量,产生热应力,导致光学元件表面甚至整个光学系统遭到破坏[5-6]。因此,在使用精密光学系统前均需要对其光学元件进行表面疵病精密检测。
根据检测原理不同,光学元件表面疵病检测方法主要有目视法[7]、滤波成像法[8-11]、暗场成像法[12-13]等。目前主流的表面疵病检测方法为基于白光照明和传统光学显微成像术的暗场成像法。基于该方法的检测装置通常使用白光作为照明光源,使用灰度相机作为成像单元。在该装置拍摄的图像中,元件表面疵病的细节信息容易被掩盖或者忽略[14]。采用多光谱技术检测疵病的方法可以弥补上述方法的不足。传统的多光谱检测方法一般采用滤波片分光法等物理分光方法来提取疵病。受到可用滤波器件的限制,传统的多光谱检测方法的检测效率远不能满足高效准确的光学元件疵病图像检测要求[15],且其不能根据疵病类型快速准确地选择不同类型的滤波器件。本文采用光谱估计算法提取疵病的单光谱分光图像,利用多光谱技术合成新的多光谱疵病图像[16],利用优化后的OTSU(Otsu Image Segmentation Algorithm)筛选最佳疵病合成图像,在最佳疵病合成图像中进行疵病位置检测和数量统计,从而提高疵病检测的精度和效率,降低疵病检测成本。
2 基本原理
对光学元件的表面疵病进行图像再现受很多与波长相关的因素影响,如光源的光谱辐射分布
根据光谱辐射的原理,像素点(
式中:r为CCD/CMOS的红光通道,g为绿光通道,b为蓝光通道。
将连续波长离散化后写成向量或矩阵形式,并在可见光范围(400~700 nm)内对反射光谱每隔5 nm进行离散化,即
式中:
考虑成像系统为线性系统,基于最小二乘法可使估计反射光谱
式中:
式中:
根据(3)~(5)式,通过输出信号
当间隔5 nm离散化400~700 nm波长区间时,
式中:
利用光谱估计技术获取不同波长的单光谱图像,结合多光谱技术进行图像合成,从而实现对疵病的优化表征,便于后续的疵病准确高效识别与提取,该算法的主要流程如
图 1. 基于光谱估计与多光谱技术的疵病检测算法流程图
Fig. 1. Flow chart of defect measurement algorithm based on spectral estimation and multispectral technique
3 基于光谱估计与多光谱技术的光学元件表面疵病检测装置
为便于比对,光学元件表面疵病检测装置仍然采用基于光学显微暗场成像技术的结构。如
图 2. 疵病检测系统。(a)检测系统结构图;(b)检测系统实物图
Fig. 2. Defect measurement system. (a) Schematic of defect measurement system; (b) picture of experimental system
4 实验与分析
实验所采用的被测光学元件样品为标准疵病检测板(Target ISO 14997 Scratch/Dig Standard-DA074)。在相同光照条件下采集样品在同一视场内的疵病图像,选定区域如
4.1 单光谱合成图像
4.1.1 疵病检出数量
将滤波矩阵
图 4. 同一区域内不同波长的单光谱图像的疵病数量
Fig. 4. Number of defects of single spectral image in the same area at different wavelengths
如
在检测过程中,对所有图像均进行了去噪处理。不同的去噪强度,其检测结果也不相同。噪声强度为55表示光源强度为零,即图像的背景光噪声最大。作为对比,保持其他实验条件不变,当噪声强度为50和70时分别进行疵病数量的检测,实验结果如
图 5. 同一区域内不同波长、不同去噪强度下的单光谱图像的疵病数量
Fig. 5. Number of defects of single spectral image in the same area under different wavelengths and de-noising intensities
由
4.1.2 疵病面积
选择原白光图像中大小各异的疵病,计算其在不同波长图像中的疵病像素面积。如
如
图 7. 不同波长的单光谱图像中疵病1,2,3的像素面积
Fig. 7. Pixel areas of defects 1, 2, and 3 in single spectral image at different wavelengths
4.1.3 疵病位置
由
图 8. 不同波长的单光谱图像疵病检测结果。(a)原始图像;(b) λ=440 nm;(c) λ=500 nm;(d) λ=505 nm
Fig. 8. Defect detection results of single spectral image at different wavelengths.(a) Original image; (b) λ=440 nm; (c) λ=500 nm; (d) λ=505 nm
4.2 多光谱合成图像
4.2.1 疵病检出数量
设置滤波矩阵
如
图 9. 不同波长组合的多光谱合成图像疵病数量。(a) λ=475 nm;(b) λ=500 nm;(c) λ=565 nm;(d) λ=650 nm
Fig. 9. Number of defects of multispectral images with different wavelength combinations. (a) λ=475 nm; (b) λ=500 nm; (c) λ=565 nm; (d) λ=650 nm
4.2.2 疵病面积
选择白光图像中大小各异的疵病,计算其在不同波长组合的多光谱合成图像中所占的像素面积。如
如
图 10. 不同波长组合的多光谱合成图像疵病1、2和3的像素面积。(a) λ=475 nm;(b) λ=500 nm;(c) λ=565 nm;(d) λ=650 nm
Fig. 10. Pixel areas of defects 1, 2, and 3 of multispectral images with different wavelength combinations.(a) λ=475 nm; (b) λ=500 nm; (c) λ=565 nm; (d) λ=650 nm
4.2.3 疵病位置
选定
图 11. 不同波长组合的多光谱合成图像中识别小尺寸的疵病1、2和3。(a)疵病选取;(b)疵病1、2识别波长分布;(c)疵病1、3识别波长分布;(d)疵病2、3识别波长分布
Fig. 11. Defects 1, 2, and 3 used for small size recognition in multispectral images with different wavelength combinations. (a) Selected defects; (b) detected wavelengths of defects 1 and 2; (c) detected wavelengths of defects 1 and 3; (d) detected wavelengths of defects 2 and 3
如
5 结论
提出了一种基于光谱估计与多光谱技术的光学元件表面疵病检测方法。该方法利用光谱估计提取不同波长的单光谱图像,采用多光谱技术合成不同波长组合的多光谱图像,并分别利用单光谱图像和多光谱图像对光学元件的疵病进行检测。基于该方法搭建了一套光学元件表面疵病检测装置,获得了在白光照明下光学元件表面疵病检测的实验结果。对单光谱图像和多光谱合成图像进行分析,结果表明相比于简单的白光图像,选取合适波长的合成图像能检测出更多小尺寸疵病,并且不同波长对同一尺寸疵病的筛选性也不同。在单光谱合成图像中,选定单波长在405~545 nm范围内的图像能检测出更多不同位置的小尺寸疵病。在多光谱合成图像中,当RGB分量选定波长为r(445~570 nm)、g(500~545 nm)、b(415~575 nm)和r(415~520 nm)、g(420~500 nm)、b(400~540 nm)时,该方法能检测出更多不同位置、不同特性的疵病,相比于传统的检测方法,该方法的疵病检出数量提升了1.85倍,疵病检出面积最多增加了6.0倍。相比于传统暗场显微成像检测方法,提取不同波长组合的多光谱合成图像的方法,可以明显提高对光学元件疵病的检测能力。此外,该方法不再受到物理分光的条件限制,不仅能够明显提高疵病检测效率,还能显著降低疵病检测的成本。
[1] The British StandardsInstitution. Optics and photonics: preparation of drawings for optical elements and systems: part 7 surface imperfection tolerances: ISO 10110-7[S]. UK: BSI Standards Limited, 2008.
[2] 中华人民共和国国家质量监督检验检疫总局. 光学零件表面疵病: GB/T 1185-2006[S]. 北京: 中国标准出版社, 2006.
General Administration of Quality Supervision, InspectionandQuarantine of the People's Republic of China. Surface imperfections of optical elements: GB/T 1185-2006[S]. Beijing: Standards Press of China, 2006.
[5] Bercegol H, Bouchut P R, Lamaignère L, et al. The impact of laser damage on the lifetime of optical components in fusion lasers[J]. Proceedings of SPIE, 2003, 5273: 312-324.
[7] 戴名奎, 徐德衍. 光学元件的疵病检验与研究现状[J]. 光学仪器, 1996, 18(3): 33-36.
[8] Baker L R. Microscope image comparator[J]. Optica Acta: International Journal of Optics, 1984, 31(6): 611-614.
[12] 杨甬英, 陆春华, 梁蛟, 等. 光学元件表面缺陷的显微散射暗场成像及数字化评价系统[J]. 光学学报, 2007, 27(6): 1031-1038.
[14] 罗茂, 步扬, 徐静浩, 等. 基于多光谱技术的光学元件表面疵病检测[J]. 中国激光, 2017, 44(1): 0104001.
[15] Vagni F. Survey of hyperspectral and multispectral imaging technologies[R]. Neuilly-sur-Seine Cedex, France: North Atlantic Treaty Organization, Research and TechnologyOrganization, 2007: TR-SET-065-P3.
[17] Vala H J, Baxi A. A Review on OTSU image segmentation algorithm[J]. International Journal of Advanced Research in Computer Engineering & Technology, 2013, 2(2): 387-389.
杨言若, 步扬, 徐静浩, 王少卿, 王向朝, 李杰. 基于光谱估计与多光谱技术的光学元件表面疵病检测[J]. 中国激光, 2019, 46(9): 0904002. Yang Yanruo, Bu Yang, Xu Jinghao, Wang Shaoqing, Wang Xiangzhao, Li Jie. Measurement of Surface Defects of Optical Elements Based on Spectral Estimation and Multispectral Technique[J]. Chinese Journal of Lasers, 2019, 46(9): 0904002.