剪切散斑干涉无损检测缺陷尺寸的方法和程序产品

技术领域

本发明涉及光学无损检测技术领域，尤其涉及一种剪切散斑干涉无损检测缺陷尺寸的方法、设备、介质和程序产品。

背景技术

激光剪切散斑干涉技术是一种非接触、全场的光学变形测量方法，被广泛用于变形测量、无损检测等领域。

传统的阈值分割方法将激光剪切散斑干涉缺陷图像进行二值分割，将缺陷部分更直观的呈现。

为了测量缺陷尺寸，目前常常使用人工经验判断的方法，该方法在每次获取剪切散斑干涉缺陷图像后，将缺陷部分与实物对比，通过人工经验对缺陷尺寸进行判断。

本申请发明人在实现本发明实施例技术方案的过程中，至少发现现有技术中存在如下技术问题：

虽然传统的阈值分割方法能够将剪切散斑干涉缺陷图像二值化，但是该方法需要选择合适的阈值，不能过大或者过小。而且传统的图像分割技术，如数字图像处理中常用的边缘检测方法，将其运用于激光剪切散斑干涉缺陷图像，其检测效果难以将缺陷部分较好的分割，并进行尺寸的计算测量。所以，传统的阈值分割方法的检测分割速率和分割精度都难以满足缺陷尺寸的测量要求。

虽然人工经验判断的方法能对缺陷尺寸进行测量，但其主观判断和迟滞性阻碍了缺陷尺寸的高精度和快速测量，无法实现缺陷尺寸自动测量。

综上，现有的剪切散斑干涉无损检测缺陷尺寸的方法测量效果差。

发明内容

本发明实施例提供一种剪切散斑干涉无损检测缺陷尺寸的方法、设备、介质和程序产品，解决了现有的剪切散斑干涉无损检测缺陷尺寸的方法测量效果差的技术问题。

本发明实施例一方面提供了一种剪切散斑干涉无损检测缺陷尺寸的方法，应用于一剪切散斑干涉无损检测缺陷尺寸的系统，所述剪切散斑干涉无损检测缺陷尺寸的系统具有一深度学习分割模型，所述方法包括：通过剪切散斑干涉检测成像装置，获得物体内部缺陷所对应的相位图；使用圆形矩阵标定板，获得所述剪切散斑干涉检测成像装置的系统参数和系统畸变系数；通过所述系统畸变系数对所述物体内部缺陷所对应的相位图进行校正；通过所述深度学习分割模型，对校正后的所述物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸；通过所述系统参数，将所述缺陷尺寸换算成真实物理尺寸。

可选的，所述通过剪切散斑干涉检测成像装置，获得物体内部缺陷所对应的相位图，具体包括：对有内部缺陷的物体进行加载，令所述物体的内部缺陷在表面产生变形；通过所述剪切散斑干涉检测成像装置对所述物体的内部缺陷在表面产生变形进行成像，获得所述物体内部缺陷所对应的相位图。

可选的，在所述通过所述深度学习分割模型，对校正后的所述物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸之前，还包括：通过所述剪切散斑干涉检测成像装置，将一系列经典缺陷所对应的相位图作为缺陷图像数据集；使用所述缺陷图像数据集，训练所述深度学习分割模型。

可选的，所述训练所述深度学习分割模型，具体包括：深度学习分割网络分为特征提取网络、拼接网络和扩张网络，冻结所述特征提取网络，对所述深度学习分割网络进行微调，设定冻结训练周期、批量规模和学习率；解冻所述特征提取网络，改变所述冻结训练周期、所述批量规模和所述学习率。

可选的，所述使用圆形矩阵标定板，获得所述剪切散斑干涉检测成像装置的系统参数和系统畸变系数，具体包括：通过所述剪切散斑干涉检测成像装置，获得所述圆形矩阵标定板图像；通过图像处理方法提取所述圆形矩阵标定板图像中圆形图案的圆心和半径；基于所述圆心和所述半径，通过标定算法获得所述系统参数和所述系统畸变系数。

可选的，在所述通过图像处理方法提取所述圆形矩阵标定板图像中圆形图案的圆心和半径之后，还包括：根据所有圆心之间的平均距离，计算剪切量。

可选的，所述通过所述深度学习分割模型，对校正后的所述物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸，具体包括：通过所述深度学习分割模型，对校正后的所述物体内部缺陷所对应的相位图进行二值分割，得到所述物体内部缺陷所在的位置和像素尺寸；遍历校正后的所述物体内部缺陷所对应的相位图，计算缺陷总像素个数；基于所述物体内部缺陷像素尺寸和所述剪切量，获得剪切部分的计算面积；基于圆心之间的像素距离，得到像素与真实物理尺寸的比值；基于所述缺陷总像素个数、所述剪切部分的计算面积、所述像素与真实物理尺寸的比值，获得所述缺陷尺寸。

另一方面，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现剪切散斑干涉无损检测缺陷尺寸方法的步骤。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现剪切散斑干涉无损检测缺陷尺寸方法的步骤。

本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现剪切散斑干涉无损检测缺陷尺寸方法的步骤。

本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

一种剪切散斑干涉无损检测缺陷尺寸的方法，应用于一剪切散斑干涉无损检测缺陷尺寸的系统，所述剪切散斑干涉无损检测缺陷尺寸的系统具有一深度学习分割模型，所述方法包括：通过剪切散斑干涉检测成像装置，获得物体内部缺陷所对应的相位图；使用圆形矩阵标定板，获得所述剪切散斑干涉检测成像装置的系统参数和系统畸变系数；通过所述系统畸变系数对所述物体内部缺陷所对应的相位图进行校正；通过所述深度学习分割模型，对校正后的所述物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸；通过所述系统参数，将所述缺陷尺寸换算成真实物理尺寸。本发明能够对物体内部缺陷所对应的相位图进行校正，减少剪切散斑干涉检测成像装置本身的影响，真实地还原物体内部的缺陷。本发明只需要将校正后的物体内部缺陷所对应的相位图输入至深度学习分割模型，深度学习分割模型能够精确地分割校正后的物体内部缺陷所对应的相位图，根据分割后的物体内部缺陷所对应的相位图，能够快速地获得高精度的缺陷尺寸，解决了现有的剪切散斑干涉无损检测缺陷尺寸的方法测量效果差的技术问题，实现缺陷的快速检测和高精度尺寸自动测量。

进一步，所述通过剪切散斑干涉检测成像装置，获得物体内部缺陷所对应的相位图，具体包括：对有内部缺陷的物体进行加载，令所述物体的内部缺陷在表面产生变形；通过所述剪切散斑干涉检测成像装置对所述物体的内部缺陷在表面产生变形进行成像，获得所述物体内部缺陷所对应的相位图。物体内部缺陷包括脱粘、气泡、分层、裂纹等，通过热辐射、负气压、振动等加载方式对物体加载后，物体内部有缺陷的地方会在表面产生异常变形，通过剪切散斑干涉检测成像装置对表面产生的异常变形进行成像，能够间接反映出物体内部缺陷。

再进一步，在所述通过所述深度学习分割模型，对校正后的所述物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸之前，还包括：通过所述剪切散斑干涉检测成像装置，将一系列经典缺陷所对应的相位图作为缺陷图像数据集；使用所述缺陷图像数据集，训练所述深度学习分割模型。使用一系列经典缺陷所对应的相位图作为缺陷图像数据集，缺陷图像数据集中包含各种各样的经典缺陷，能够提高深度学习分割模型对缺陷的检测和分割能力。

又进一步，所述训练所述深度学习分割模型，具体包括：深度学习分割网络分为特征提取网络、拼接网络和扩张网络，冻结所述特征提取网络，对所述深度学习分割网络进行微调，设定冻结训练周期、批量规模和学习率；解冻所述特征提取网络，改变所述冻结训练周期、所述批量规模和所述学习率。能够训练生成深度学习分割模型。

更进一步，所述使用圆形矩阵标定板，获得所述剪切散斑干涉检测成像装置的系统参数和系统畸变系数，具体包括：通过所述剪切散斑干涉检测成像装置，获得所述圆形矩阵标定板图像；通过图像处理方法提取所述圆形矩阵标定板图像中圆形图案的圆心和半径；基于所述圆心和所述半径，通过标定算法获得所述系统参数和所述系统畸变系数。使用圆形矩阵标定板，能够准确地获得系统参数和系统畸变系数。

还进一步，在所述通过图像处理方法提取所述圆形矩阵标定板图像中圆形图案的圆心和半径之后，还包括：根据所有圆心之间的平均距离，计算剪切量。能够准确地获得剪切量。

再进一步，所述通过所述深度学习分割模型，对校正后的所述物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸，具体包括：通过所述深度学习分割模型，对校正后的所述物体内部缺陷所对应的相位图进行二值分割，得到所述物体内部缺陷所在的位置和像素尺寸；遍历校正后的所述物体内部缺陷所对应的相位图，计算缺陷总像素个数；基于所述物体内部缺陷像素尺寸和所述剪切量，获得剪切部分的计算面积；基于圆心之间的像素距离，得到像素与真实物理尺寸的比值；基于所述缺陷总像素个数、所述剪切部分的计算面积、所述像素与真实物理尺寸的比值，获得所述缺陷尺寸。能够通过深度学习分割模型获得缺陷尺寸。

附图说明

图1为本发明一实施例中剪切散斑干涉无损检测缺陷尺寸的方法的流程图；

图2为本发明一实施例中使用圆形矩阵标定板，获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数的方法流程图；

图3为本发明一实施例中剪切部分的计算面积求解示意图；

图4为本发明一实施例中提取圆形矩阵标定板图像中的特征点的步骤图；

图5为本发明一实施例中缺陷图像数据集示意图；

图6为本发明一实施例中圆检测算法提取圆形图案的特征点的示意图；

图7为本发明一实施例中深度学习分割模型的二值分割示意图。

具体实施方式

本发明实施例提供一种剪切散斑干涉无损检测缺陷尺寸的方法、设备、介质和程序产品，解决了现有的剪切散斑干涉无损检测缺陷尺寸的方法测量效果差的技术问题。

本发明一实施例的技术方案为解决上述的问题，总体思路如下：

一种剪切散斑干涉无损检测缺陷尺寸的方法，应用于一剪切散斑干涉无损检测缺陷尺寸的系统，剪切散斑干涉无损检测缺陷尺寸的系统具有一深度学习分割模型，方法包括：通过剪切散斑干涉检测成像装置，获得物体内部缺陷所对应的相位图；使用圆形矩阵标定板，获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数；通过系统畸变系数对物体内部缺陷所对应的相位图进行校正；通过深度学习分割模型，对校正后的物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸；通过系统参数，将缺陷尺寸换算成真实物理尺寸。本发明能够对物体内部缺陷所对应的相位图进行校正，减少剪切散斑干涉检测成像装置本身的影响，真实地还原物体内部的缺陷。本发明只需要将校正后的物体内部缺陷所对应的相位图输入至深度学习分割模型，深度学习分割模型能够精确地分割校正后的物体内部缺陷所对应的相位图，根据分割后的物体内部缺陷所对应的相位图，能够快速地获得高精度的缺陷尺寸，解决了现有的剪切散斑干涉无损检测缺陷尺寸的方法测量效果差的技术问题，实现缺陷的快速检测和高精度尺寸自动测量。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。显然，本发明所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例中的剪切散斑干涉无损检测缺陷尺寸的方法，应用于一剪切散斑干涉无损检测缺陷尺寸的系统，剪切散斑干涉无损检测缺陷尺寸的系统具有一深度学习分割模型。深度学习分割模型可为预先训练生成的。当然，在具体应用中，可根据实际需求，在需要检测缺陷尺寸时，训练生成深度学习分割模型，本发明不作限制。下面，以内部具有缺陷的复合材料板为例进行说明。

请参考图1，对本发明实施例中剪切散斑干涉无损检测缺陷尺寸的方法进行详细的描述。

步骤101：通过剪切散斑干涉检测成像装置，获得物体内部缺陷所对应的相位图；

步骤102：使用圆形矩阵标定板，获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数；

步骤103：通过系统畸变系数对物体内部缺陷所对应的相位图进行校正；

步骤104：通过深度学习分割模型，对校正后的物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸；

步骤105：通过系统参数，将缺陷尺寸换算成真实物理尺寸。

当启动剪切散斑干涉无损检测缺陷尺寸的系统时，开始执行步骤101：通过剪切散斑干涉检测成像装置，获得物体内部缺陷所对应的相位图。

步骤101在具体实施过程中，例如：将周边全夹紧的复合材料板置于剪切散斑干涉检测成像装置的光路中，调节剪切散斑干涉检测成像装置的镜头，对复合材料板进行清晰成像，获得复合材料板内部缺陷所对应的相位图。

在获得物体内部缺陷所对应的相位图之后，开始执行步骤102：使用圆形矩阵标定板，获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数。

步骤102在具体实施过程中，例如：由于剪切散斑干涉检测成像装置的成像图像为两幅错位图像的叠加，常规的棋盘格标定板会导致图像的混叠而不能准确提取角点，为此，本发明使用圆形矩阵标定板，以获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数。

在获得系统参数和系统畸变系数之后，开始执行步骤103：通过系统畸变系数对物体内部缺陷所对应的相位图进行校正。

步骤103在具体实施过程中，例如：应用张正友相机标定法对剪切散斑干涉检测成像装置的畸变进行校正，将系统畸变系数代入畸变图像校正算法中，畸变图像校正算法对物体内部缺陷所对应的相位图进行校正，获得校正后的物体内部缺陷所对应的相位图。

在校正物体内部缺陷所对应的相位图之后，开始执行步骤104：通过深度学习分割模型，对校正后的物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸。

步骤104在具体实施过程中，例如：使用深度学习模型，对校正后的物体内部缺陷所对应的相位图进行二值分割，根据分割后的物体内部缺陷所对应的相位图，计算得到缺陷尺寸。

在获得缺陷尺寸之后，开始执行步骤105：通过系统参数，将缺陷尺寸换算成真实物理尺寸。

步骤105在具体实施过程中，例如：在缺陷尺寸中代入系统参数，将缺陷尺寸换算成真实物理尺寸。

为了令物体内部有缺陷的地方在表面产生异常变形，通过剪切散斑干涉检测成像装置对表面产生的异常变形进行成像，能够间接反映出物体内部缺陷，步骤101的通过剪切散斑干涉检测成像装置，获得物体内部缺陷所对应的相位图，具体包括：对有内部缺陷的物体进行加载，令物体的内部缺陷在表面产生变形；通过剪切散斑干涉检测成像装置对物体的内部缺陷在表面产生变形进行成像，获得物体内部缺陷所对应的相位图。

继续沿用上一实施例，在具体实施过程中，例如：复合材料板的内部缺陷包括脱粘、气泡、分层、裂纹等，通过热辐射、负气压、振动等加载方式对复合材料板进行加载，令物体内部有缺陷的地方在表面产生异常变形。将周边全夹紧的复合材料板置于剪切散斑干涉检测成像装置的光路中，调节剪切散斑干涉检测成像装置的镜头，对复合材料板内部缺陷在表面产生的异常变形进行清晰成像，获得复合材料板内部缺陷所对应的相位图。

为了提高深度学习分割模型对缺陷的检测和分割能力，在步骤103的通过深度学习分割模型，对校正后的物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸之前，还包括：通过剪切散斑干涉检测成像装置，将一系列经典缺陷所对应的相位图作为缺陷图像数据集；使用缺陷图像数据集，训练深度学习分割模型。

在具体实施过程中，例如：制作300块包含多种典型缺陷的复合材料板，依次将复合材料板置于剪切散斑干涉检测成像装置的光路中，调节剪切散斑干涉检测成像装置的镜头，依次对复合材料板进行清晰成像，获得300张经典缺陷所对应的相位图，图像大小2048×1536，灰度图单通道。将300张经典缺陷所对应的相位图作为缺陷图像数据集，如图5所示。使用缺陷图像数据集，训练深度学习分割模型。可随机选取其中250张作为训练集，剩余50张作为测试集。训练集用作深度学习分割模型训练，测试集用作深度学习分割模型测试。

训练深度学习分割模型，搭建适合的硬件和软件环境是首要条件，本发明使用Windows10的64位操纵系统，该系统搭载Intel Core i7-10870H处理器，NVIDIA GeForceRTX 3060 显卡和32G内存，由python3.8和pytorch1.9.0搭建框架。为提高训练深度学习分割模型的速度，配置了cuda和cudnn来调用GPU参与训练。

为了训练生成深度学习分割模型，前述步骤中的训练深度学习分割模型具体包括：深度学习分割网络分为特征提取网络、拼接网络和扩张网络，冻结特征提取网络，对深度学习分割网络进行微调，设定冻结训练周期、批量规模和学习率；解冻特征提取网络，改变冻结训练周期、批量规模和学习率。

在具体实施过程中，例如：深度学习分割网络分为特征提取网络、拼接网络和扩张网络，特征提取网络为深度学习分割网络的主干。训练过程分为两个阶段，分别是冻结(Freeze)阶段和解冻(UnFreeze)阶段。

在冻结阶段，深度学习分割网络的主干被冻结，特征提取网络不发生改变，占用显存较小，仅对深度学习分割网络进行微调，其中冻结训练周期(Freeze_Epoch)为50轮，批量规模(Freeze_batch_size)为2，学习率(Freeze_lr)为0.0001。

在解冻阶段，深度学习分割网络的主干不被冻结，特征提取网络会发生改变，占用显存较大，深度学习分割网络所有的参数都会发生改变，其中解冻训练周期(UnFreeze_Epoch)为100，批量规模(UnFreeze_batch_size)为2，学习率(UnFreeze_lr)为0.00001。

为了使用圆形矩阵标定板，准确地获得系统参数和系统畸变系数，步骤102的使用圆形矩阵标定板，获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数，具体包括：通过剪切散斑干涉检测成像装置，获得圆形矩阵标定板图像；通过图像处理方法提取圆形矩阵标定板图像中圆形图案的圆心和半径；基于圆心和半径，通过标定算法获得系统参数和系统畸变系数。

如图2所示，在具体实施过程中，例如：设计与制作圆形矩阵标定板；将圆形矩阵标定板置于剪切散斑干涉检测成像装置的光路中，多角度摆放圆形矩阵标定板，调节剪切散斑干涉检测成像装置的镜头，在不同角度对复合材料板进行清晰成像，拍摄一定数量的圆形矩阵标定板图像；如图6所示，提取圆形矩阵标定板图像中的特征点；求解理想无畸变情况下剪切散斑干涉检测成像装置的内参数；应用最小二乘求出实际的径向畸变系数；综合内外参数和径向畸变系数，使用极大似然估计和优化估计提升估计精度；获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数。

由于在剪切散斑干涉检测成像装置中，图像为两个像的叠加，并且包含散斑噪声，导致传统圆检测算法失效。如图4所示，为精确提取圆形图案的圆心和半径，首先运用高斯滤波方法滤除圆形矩阵标定板图像中的剪切散斑点，第二步运用 Sobel算子对圆形矩阵标定板图像进行边缘提取，第三步运用开运算去除圆形矩阵标定板图像中剩余的毛刺，最后利用圆形霍夫变换查找圆形矩阵标定板图像中所有的圆，设定合适的度量值获得所需圆的精确检测。获得所有圆检测后，得到每个圆的圆心坐标，并作为标志角点代入标定算法，从而得到相机的内参矩阵

其中，

其中，

通常只关注影响最大的径向畸变，标定完成后获得系统畸变系数

其中，(

为了准确地获得剪切量，在通过图像处理方法提取圆形矩阵标定板图像中圆形图案的圆心和半径之后，还包括：根据所有圆心之间的平均距离，计算剪切量。

在具体实施过程中，例如：在标定过程中，提取圆形矩阵标定板上圆形图案的圆心，利用圆心的像素坐标得到两个圆心之间的像素距离

其中，

其中，

得到像素与真实物理尺寸的比值

其中，d为真实物理尺寸。

剪切量为重叠圆的圆心坐标之间的距离，可根据所有重叠圆的圆心之间的平均距离来计算剪切量。剪切量

其中，

为了能够通过深度学习分割模型获得缺陷尺寸，步骤104的通过深度学习分割模型，对校正后的物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸，具体包括：通过深度学习分割模型，对校正后的物体内部缺陷所对应的相位图进行二值分割，得到物体内部缺陷所在的位置和像素尺寸；遍历校正后的物体内部缺陷所对应的相位图，计算缺陷总像素个数；基于物体内部缺陷像素尺寸和剪切量，获得剪切部分的计算面积；基于圆心之间的像素距离，得到像素与真实物理尺寸的比值；基于缺陷总像素个数、剪切部分的计算面积、像素与真实物理尺寸的比值，获得缺陷尺寸。

在具体实施过程中，例如：通过深度学习分割模型，对校正后的复合材料板内部缺陷所对应的相位图进行二值分割，得到复合材料板内部缺陷所在的位置和像素尺寸。这种分割方法基于深度学习分割模型自动进行。深度学习分割网络主要可分为三个部分，分别为特征提取网络、拼接网络和扩张网络。

其中，特征提取网络是一个收缩网络，通过四个下采样对校正后的复合材料板内部缺陷所对应的相位图尺寸进行减小，同时提取校正后的复合材料板内部缺陷所对应的相位图的浅层特征信息。

在扩张网络中，通过四个上采样，使校正后的复合材料板内部缺陷所对应的相位图尺寸变大，并提取校正后的复合材料板内部缺陷所对应的相位图的深层特征信息；且在上采样的过程中，通过拼接操作，融合了左边的浅层特征信息。

拼接网络有四个拼接操作，以此融合浅层和深层的特征信息。

假设校正后的复合材料板内部缺陷所对应的相位图大小为W×H，为方便训练，需要在传入训练前将校正后的复合材料板内部缺陷所对应的相位图进行尺寸压缩操作，假设压缩后的输入图片的尺寸为m×n。然后进入特征提取网络，卷积块有两个3×3卷积操作(×表示卷积操作)，后面会有一个2×2的最大池化层，并且每个卷积层后面的下采样操作都通过ReLu激活函数进行；每次下采样都会增加一个特征通道数。在扩张网络过程中，每一次上采样都会有一个2×2卷积层，同时特征通道数缩小为原来的一半，并且每一步上采样都会通过拼接操作融合来自收缩网络的特征信息，然后执行带有ReLu激活函数的两个3×3卷积运算，最后再经过1×1卷积层输出缺陷分割图像。

如图3所示，在进行缺陷分割操作后，可对缺陷分割部分的像素进行提取计算，获得缺陷分割部分的长

基于圆心之间的像素距离，得到像素与真实物理尺寸的比值

基于缺陷总像素个数

采用本发明实施例中剪切散斑干涉无损检测缺陷尺寸的方法，对图7中三个相同尺寸大小的剪切散斑干涉缺陷进行检测，测量结果如下表所示。

通过比较上表中缺陷面积的测量值与实际值，可知相对误差在6%以内。使用圆形矩阵标定板的标定算法能够精确提取特征点，深度学习分割模型能够实现剪切散斑干涉缺陷尺寸的高精度自动测量。

本发明另一实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现剪切散斑干涉无损检测缺陷尺寸的方法的步骤。

本发明另一实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现剪切散斑干涉无损检测缺陷尺寸的方法的步骤。

本发明另一实施例提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现剪切散斑干涉无损检测缺陷尺寸的方法的步骤。

本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

一种剪切散斑干涉无损检测缺陷尺寸的方法，应用于一剪切散斑干涉无损检测缺陷尺寸的系统，剪切散斑干涉无损检测缺陷尺寸的系统具有一深度学习分割模型，方法包括：通过剪切散斑干涉检测成像装置，获得物体内部缺陷所对应的相位图；使用圆形矩阵标定板，获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数；通过系统畸变系数对物体内部缺陷所对应的相位图进行校正；通过深度学习分割模型，对校正后的物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸；通过系统参数，将缺陷尺寸换算成真实物理尺寸。本发明能够对物体内部缺陷所对应的相位图进行校正，减少剪切散斑干涉检测成像装置本身的影响，真实地还原物体内部的缺陷。本发明只需要将校正后的物体内部缺陷所对应的相位图输入至深度学习分割模型，深度学习分割模型能够精确地分割校正后的物体内部缺陷所对应的相位图，根据分割后的物体内部缺陷所对应的相位图，能够快速地获得高精度的缺陷尺寸，解决了现有的剪切散斑干涉无损检测缺陷尺寸的方法测量效果差的技术问题，实现缺陷的快速检测和高精度尺寸自动测量。

进一步，通过剪切散斑干涉检测成像装置，获得物体内部缺陷所对应的相位图，具体包括：对有内部缺陷的物体进行加载，令物体的内部缺陷在表面产生变形；通过剪切散斑干涉检测成像装置对物体的内部缺陷在表面产生变形进行成像，获得物体内部缺陷所对应的相位图。物体内部缺陷包括脱粘、气泡、分层、裂纹等，通过热辐射、负气压、振动等加载方式对物体加载后，物体内部有缺陷的地方会在表面产生异常变形，通过剪切散斑干涉检测成像装置对表面产生的异常变形进行成像，能够间接反映出物体内部缺陷。

再进一步，在通过深度学习分割模型，对校正后的物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸之前，还包括：通过剪切散斑干涉检测成像装置，将一系列经典缺陷所对应的相位图作为缺陷图像数据集；使用缺陷图像数据集，训练深度学习分割模型。使用一系列经典缺陷所对应的相位图作为缺陷图像数据集，缺陷图像数据集中包含各种各样的经典缺陷，能够提高深度学习分割模型对缺陷的检测和分割能力。

又进一步，训练深度学习分割模型，具体包括：深度学习分割网络分为特征提取网络、拼接网络和扩张网络，冻结特征提取网络，对深度学习分割网络进行微调，设定冻结训练周期、批量规模和学习率；解冻特征提取网络，改变冻结训练周期、批量规模和学习率。能够训练生成深度学习分割模型。

更进一步，使用圆形矩阵标定板，获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数，具体包括：通过剪切散斑干涉检测成像装置，获得圆形矩阵标定板图像；通过图像处理方法提取圆形矩阵标定板图像中圆形图案的圆心和半径；基于圆心和半径，通过标定算法获得系统参数和系统畸变系数。使用圆形矩阵标定板，能够准确地获得系统参数和系统畸变系数。

还进一步，在通过图像处理方法提取圆形矩阵标定板图像中圆形图案的圆心和半径之后，还包括：根据所有圆心之间的平均距离，计算剪切量。能够准确地获得剪切量。

再进一步，通过深度学习分割模型，对校正后的物体内部缺陷所对应的相位图进行分割，获得缺陷尺寸，具体包括：通过深度学习分割模型，对校正后的物体内部缺陷所对应的相位图进行二值分割，得到物体内部缺陷所在的位置和像素尺寸；遍历校正后的物体内部缺陷所对应的相位图，计算缺陷总像素个数；基于物体内部缺陷像素尺寸和剪切量，获得剪切部分的计算面积；基于圆心之间的像素距离，得到像素与真实物理尺寸的比值；基于缺陷总像素个数、剪切部分的计算面积、像素与真实物理尺寸的比值，获得缺陷尺寸。能够通过深度学习分割模型获得缺陷尺寸。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。