基于机器视觉与深度学习的自聚焦透镜端面缺陷智能检测系统研究

摘要

针对光通信自聚焦透镜（GRIN Lens）端面缺陷检测长期依赖人工目检、效率低、误检率高的问题，本文提出并实现了一种融合机器视觉与深度学习的智能检测系统。系统采用高精度工业相机与远心光学成像结构，结合定制化XYZ三轴运动平台及负压吸附柔性夹持机构，实现透镜端面的高稳定成像与自动流转。算法层面，构建“Retinex增强—自适应滤波—Otsu分割—轻量化CNN分类”的端到端检测流水线，在抑制玻璃高反光干扰的同时，实现微米级缺陷的精准识别。校企联合中试表明，系统对≥500 nm缺陷的检出率稳定在99.2%以上，成像分辨率优于300 nm，单件检测节拍由15 s降至8 s，综合质检成本降低32%。该系统为光电子器件制造提供了高精度、高可靠性的质量检测解决方案，同时为智能制造背景下产教融合与关键检测装备国产化提供了可推广的工程范式。