CN119354504B - 基于共聚焦的像素级清晰度判断与3d融合重构系统及方法 - Google Patents

Abstract

本发明涉及光学组件检测技术领域，提出了一种基于共聚焦的像素级清晰度判断与3D融合重构系统及方法，利用共聚焦检测模块通过逐点扫描技术对镜片的每个像素进行高精度的清晰度检测，确保识别表面及内部的微小缺陷。接着，缺陷识别模块对检测结果进行分析，确定缺陷的具体位置和类型，并生成详细的缺陷报告。随后，3D重构模块根据缺陷识别结果构建镜片的三维模型，评估这些缺陷对成像效果的影响，帮助生产商了解缺陷的严重性。最后，数据分析模块对所有检测和重构数据进行整理和分析，以提供全面的生产优化建议，确保光学组件的质量与稳定性。通过这四个模块的紧密协作，本发明能够实现对VR眼镜光学组件的全面、精准检测与分析。

Description

基于共聚焦的像素级清晰度判断与3D融合重构系统及方法

技术领域

本发明涉及光学组件检测技术领域，尤其是一种基于共聚焦的像素级清晰度判断与3D融合重构系统及方法。

背景技术

随着虚拟现实技术的迅猛发展，VR设备的市场需求不断增长，其中以镜片为核心的光学组件作为VR成像系统的关键部件，其设计和制造质量直接决定了用户的视觉体验和沉浸感。光学组件，尤其是镜片，通常采用折叠光路设计，通过多层镜片实现轻量化和高性能成像。然而，这种复杂设计对镜片的尺寸、曲率和表面光滑度提出了极高的要求，任何微小的瑕疵都可能对成像质量产生不良影响，导致用户体验下降。传统的光学检测方法主要依赖于人工或简单的光学设备，无法精确判断镜片表面和内部的微小缺陷，尤其是折叠光路中的多重镜片结构更增加了检测难度。由于检测技术的局限性，镜片在制造和装配过程中常常出现漏检或误检，导致大量不良品进入生产环节，最终增加了生产成本，并降低了产品的良品率，这些问题已经成为阻碍VR眼镜光学组件进一步优化的瓶颈。

当前，VR眼镜的光学组件大多采用折叠光路设计，通过多层镜片实现轻量化与高效成像。这些镜片在制造和装配过程中，依赖于传统的光学检测技术来确保其质量。现有的检测方法主要有以下几种：（1）视觉检测：通过人眼或者低精度的光学设备来检测镜片的表面瑕疵。这种方法由于受限于人眼的分辨能力，通常只能发现较为明显的缺陷，如划痕、裂缝等，而对于微小的凹陷、表面细微不平等较为难以精确识别。（2）光学干涉法：该方法使用干涉条纹的变化来检测镜片表面或内部的折射差异。虽然在平整度和曲率检测方面表现优异，但其在处理多层复杂镜片结构时，检测效果会受到不同光路的相互干扰，导致误差增大，且无法有效处理镜片内部的细微缺陷。（3）激光轮廓扫描：激光轮廓扫描能够比较精准地检测出镜片的外部形态，但对于镜片内部的折射性缺陷无法有效检测，且受到设备分辨率和扫描角度的限制，难以对复杂光路结构中的每一片镜片进行高效且精确的全方位检测。（4）人工检测与修正：目前较为常用的手段仍然包括通过人工进行检测和修正，这不仅依赖操作人员的经验，还容易出现漏检或人为误判，特别是在面对大批量生产时，人工检测的效率和一致性都难以保证。

因此，在VR眼镜光学组件的检测过程中，现有的检测方法虽已能在一定程度上实现对镜片的质量控制，但依然存在显著的局限性。特别是面对复杂的光路设计和镜片微小缺陷的精准检测，当前的技术手段仍未能满足高精度、自动化生产的需求。以下列出现有技术的几个具体问题，这些问题直接影响了光学组件的成像质量、生产效率及产品良品率。（1）微小缺陷检测不足：现有的检测方法多集中于宏观缺陷的检测，对于镜片表面和内部的微小瑕疵，尤其是在像素级的细小缺陷（如微小凹陷、气泡等），现有方法的分辨率较低，无法有效捕捉。这些微小瑕疵在折叠光路的设计中对成像质量产生了难以预估的影响，最终导致成品的成像不清晰。（2）内部缺陷的识别困难：传统的检测手段主要针对镜片表面的缺陷检测，而对于多层镜片结构中的内部缺陷，现有技术无法有效识别。镜片内部的折射率变化、材料不均或光线传播路径的偏差无法通过现有设备精准判断，增加了漏检或误判的风险。（3）缺陷对成像效果影响的分析不足：现有检测技术虽然能够发现物理上的瑕疵，但难以评估这些缺陷对成像质量的具体影响。由于无法将检测结果与成像效果建立有效的映射关系，缺陷的影响程度不明确，导致修复措施往往过度或不足，影响了整体检测的有效性和生产调整的准确性。（4）检测效率低，自动化水平不高：目前的检测流程在很大程度上依赖人工操作或低效的光学设备，导致检测速度缓慢，难以满足大规模生产的需求。缺乏高度自动化的检测手段，增加了生产成本，同时延长了产品的交付周期，影响了产品的市场竞争力。

因此，如何在镜头检测过程中提高微小缺陷的检测精度、提升内部缺陷的识别能力、量化缺陷对成像效果的影响以及提高检测效率，降低成本，是一个亟需解决的技术问题。

发明内容

本发明提供一种基于共聚焦的像素级清晰度判断与3D融合重构系统及方法，旨在解决上述现有技术提出的至少一个问题。

本发明提供了一种基于共聚焦的像素级清晰度判断与3D融合重构系统，所述系统，包括：

共聚焦检测模块，被配置为利用包含检测激光生成组件和缺陷激光采集组件的共聚焦检测装置对待检测镜片进行像素级激光束扫描，获得待检测镜片的激光检测图像；

缺陷识别模块，被配置为对所述激光检测图像进行图像分割，根据图像分割结果，确定激光检测图像的缺陷信息；其中，所述缺陷信息包括若干个缺陷的缺陷位置和缺陷类型；

3D重构模块，被配置为基于所述激光检测图像的缺陷信息中每个缺陷的缺陷位置和缺陷类型，生成待检测镜片的缺陷三维模型；

数据分析模块，被配置为将每个待检测镜片的所述激光检测图像、所述缺陷信息和所述缺陷三维模型作为一组缺陷关联数据存储至缺陷数据库，调用所述缺陷数据库中的缺陷关联数据对镜片缺陷进行分析，生成镜片生产优化建议。

可选的，所述检测激光生成组件，具体包括：

光源，被配置为提供激光束；

旋转多边形镜，设置于所述光源的激光束的照射方向，被配置为在接收到所述激光束时，控制所述激光束的扫射角度，对所述激光束的照射扫描范围进行调节；

圆柱透镜，设置于经旋转多边形镜进行调整后的激光束所指示的方向，被配置为在接收到激光束时，将激光束聚焦成一条线性光束；

狭缝小孔，设置于所述圆柱透镜的线性光束的照射光学路径中，被配置为对圆柱透镜聚焦的线性光束进行焦点光线筛选，获得用于执行缺陷检测的检测激光束。

可选的，所述缺陷激光采集组件，具体包括：

光电倍增管，设置于所述检测激光束的照射方向，被配置为对接收到的所述检测激光束的光信号进行放大，并利用光信号放大后的检测激光束对待检测镜片进行激光束照射；

缺陷激光反射镜，设置于所述狭缝小孔与光电倍增管之间的照射光学路径中，被配置为将所述狭缝小孔输出的检测激光束传输至所述光电倍增管，将照射至所述待检测镜片并反射回来的部分检测激光束作为缺陷检测光束传输至线阵探测器；

线阵探测器，设置于所述缺陷检测光束的发射方向，被配置为接收缺陷激光反射镜发出的缺陷检测光束，并将所述缺陷检测光束转换为电信号，获得激光检测图像。

可选的，所述缺陷识别模块，具体包括：

镜片边缘检测单元，被配置为基于激光检测图像的二阶偏导数构建Hessian矩阵，计算所述Hessian矩阵的特征值，根据特征值计算结果从所述激光检测图像中提取出镜片边缘，获得镜片检测图像；所述Hessian矩阵的表达式，具体为：

；

其中，I表示激光检测图像的灰度值；

自适应阈值确定单元，被配置为使用Otsu算法动态计算缺陷区域划分最佳阈值；所述缺陷划分最佳阈值的表达式，具体为：

；

其中，和分别为分割后两类的像素数量，和为各自类的平均灰度值，N为镜片检测图像的总像素数，为类间方差；

缺陷区域划分单元，被配置为使用Sobel滤波器计算镜片检测图像中每个像素的梯度值，根据每个像素的梯度值中的水平方向和垂直方向的梯度分量，计算每个像素的梯度模值，并基于缺陷划分最佳阈值对镜片检测图像中的缺陷区域和非缺陷区域进行划分，提取出每个缺陷区域的缺陷位置和缺陷类型；所述梯度模值的表达式，具体为：

；

其中，和分别表示在水平方向和垂直方向的梯度分量。

可选的，所述缺陷识别模块，还包括：

缺陷分类单元，被配置为利用基于信息增益的决策树分类对镜片检测图像中划分的每个缺陷区域进行缺陷分类；所述信息增益的表达式，具体为：

；

其中，H(D)为数据集D的熵，A为当前特征，为特征A取值为v的子集。

可选的，所述3D重构模块，具体包括：

空间坐标分配单元，被配置为获取镜片检测图像的缺陷区域划分结果，对镜片检测图像中的每个缺陷区域，分配对应的空间坐标；

传播路径模拟单元，被配置为运行光线追踪模型模拟检测激光束在待检测镜片上的反射光线和折射光线的传播路径，计算出检测激光束在不同光线条件下的入射和出射强度，生成每个缺陷区域的三维空间信息；所述光线追踪模型的表达式，具体为：

；

其中，I表示最终的图像亮度，E为入射光强度，R为反射系数，T为透射系数，S为表面属性函数，Ω为光线传播的角度范围；

3D重构单元，被配置为根据两个摄像机拍摄的图像，利用立体视觉下的视差计算出深度信息，重构三维空间中待检测镜片的缺陷三维模型；所述立体视觉下的视差的表达式，具体为：

；

其中，D表示视差，f为摄像机的焦距，B为两个摄像机之间的基线距离，Z为目标物体的深度。

可选的，所述3D重构模块，还包括：

三维模型优化单元，被配置为基于最小二乘法的优化算法，对所述待检测镜片的缺陷三维模型的参数进行优化，获得待检测镜片的最终缺陷三维模型；优化算法的优化目标的表达式，具体为：

；

其中，表示第i个点的真实深度，为重构模型预测的深度，N为点的总数，通过不断待检测镜片的缺陷三维模型的模型参数，使得预测值逐渐靠近真实值。

可选的，所述数据分析模块，具体包括：

缺陷数据存储单元，被配置为将每个待检测镜片的所述激光检测图像、所述缺陷信息和所述缺陷三维模型作为一组缺陷关联数据存储至缺陷数据库；

聚类分析单元，被配置为采用K均值算法对缺陷数据库中的若干组缺陷关联数据进行优化聚类，将若干组缺陷关联数据划分为多个簇，使得同一簇内的缺陷关联数据的相似度最高，不同簇之间的缺陷关联数据的相似度最低；优化聚类的优化目标的表达式，具体为。

；

其中，K为簇的数量，为第i个簇中的样本集合，x为样本点，为第i个簇的中心点，|·|为欧几里得距离。

可选的，所述数据分析模块，还包括：

缺陷特征与成像质量分析单元，被配置为建立线性回归模型对缺陷特征与成像质量之间的关系进行回归分析量化；所述线性回归模型的表达式，具体为：

；

其中，y表示成像质量的评价指标，为不同缺陷特征，为截距项，为回归系数，为误差项；

异常数据检测单元，被配置为采用基于孤立森林的异常检测算法，构建随机切分树来孤立异常点；所述异常检测算法的表达式，具体为：

；

其中，C(x)为样本点x的异常分数，E(x)为孤立点的平均深度，为归一化因子，为n的哈夫曼树深度；

镜片生产优化建议单元，被配置为根据最小化误差项平方和，识别出对成像质量影响最大的缺陷特征，根据计算获得的异常分数，按照预设规则，生成镜片生产优化建议。

本发明还提供了一种基于共聚焦的像素级清晰度判断与3D融合重构方法，所述方法，包括：

S1：利用包含检测激光生成组件和缺陷激光采集组件的共聚焦检测装置对待检测镜片进行像素级激光束扫描，获得待检测镜片的激光检测图像；

S2：对所述激光检测图像进行图像分割，根据图像分割结果，确定激光检测图像的缺陷信息；其中，所述缺陷信息包括若干个缺陷的缺陷位置和缺陷类型；

S3：基于所述激光检测图像的缺陷信息中每个缺陷的缺陷位置和缺陷类型，生成待检测镜片的缺陷三维模型；

S4：将每个待检测镜片的所述激光检测图像、所述缺陷信息和所述缺陷三维模型作为一组缺陷关联数据存储至缺陷数据库，调用所述缺陷数据库中的缺陷关联数据对镜片缺陷进行分析，生成镜片生产优化建议。

本发明的有益效果在于：提出了一种基于共聚焦的像素级清晰度判断与3D融合重构系统及方法，利用共聚焦检测模块通过逐点扫描技术对镜片的每个像素进行高精度的清晰度检测，确保识别表面及内部的微小缺陷。接着，缺陷识别模块对检测结果进行分析，确定缺陷的具体位置和类型，并生成详细的缺陷报告。随后，3D重构模块根据缺陷识别结果构建镜片的三维模型，评估这些缺陷对成像效果的影响，帮助生产商了解缺陷的严重性。最后，数据分析模块对所有检测和重构数据进行整理和分析，以提供全面的生产优化建议，确保光学组件的质量与稳定性。通过这四个模块的紧密协作，本发明能够实现对VR眼镜光学组件的全面、精准检测与分析。

附图说明

图1为本实施例所提供的基于共聚焦的像素级清晰度判断与3D融合重构系统的结构示意图。

图2为本实施例所提供的共聚焦检测装置的结构示意图。

图3为本实施例所提供的基于共聚焦的像素级清晰度判断与3D融合重构方法的流程示意图。

附图标记：

1-光源；2-旋转多边形镜；3-圆柱透镜；4-狭缝小孔；5-光电倍增管；6-缺陷激光反射镜；7-线阵探测器；8-待检测镜片；

10-共聚焦检测模块；20-缺陷识别模块；30-3D重构模块；40-数据分析模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

实施例1：

如图1所示，一种基于共聚焦的像素级清晰度判断与3D融合重构系统，所述系统，包括：共聚焦检测模块10，被配置为利用包含检测激光生成组件和缺陷激光采集组件的共聚焦检测装置对待检测镜片进行像素级激光束扫描，获得待检测镜片的激光检测图像；缺陷识别模块20，被配置为对所述激光检测图像进行图像分割，根据图像分割结果，确定激光检测图像的缺陷信息；其中，所述缺陷信息包括若干个缺陷的缺陷位置和缺陷类型；3D重构模块30，被配置为基于所述激光检测图像的缺陷信息中每个缺陷的缺陷位置和缺陷类型，生成待检测镜片的缺陷三维模型；数据分析模块40，被配置为将每个待检测镜片的所述激光检测图像、所述缺陷信息和所述缺陷三维模型作为一组缺陷关联数据存储至缺陷数据库，调用所述缺陷数据库中的缺陷关联数据对镜片缺陷进行分析，生成镜片生产优化建议。

需要说明的是，在VR眼镜光学组件的检测过程中，现有的检测方法虽已能在一定程度上实现对镜片的质量控制，但依然存在显著的局限性。特别是面对复杂的光路设计和镜片微小缺陷的精准检测，当前的技术手段仍未能满足高精度、自动化生产的需求。以下列出现有技术的几个具体问题，这些问题直接影响了光学组件的成像质量、生产效率及产品良品率：（1）微小缺陷检测不足；（2）内部缺陷的识别困难；（3）缺陷对成像效果影响的分析不足；（4）检测效率低。为了解决上述问题，本实施例利用共聚焦检测模块10通过逐点扫描技术对镜片的每个像素进行高精度的清晰度检测，确保识别表面及内部的微小缺陷。接着，缺陷识别模块20对检测结果进行分析，确定缺陷的具体位置和类型，并生成详细的缺陷报告。随后，3D重构模块30根据缺陷识别结果构建镜片的三维模型，评估这些缺陷对成像效果的影响，帮助生产商了解缺陷的严重性。最后，数据分析模块40对所有检测和重构数据进行整理和分析，以提供全面的生产优化建议，确保光学组件的质量与稳定性。通过这四个模块的紧密协作，本发明能够实现对VR眼镜光学组件的全面、精准检测与分析。

在优选的实施例中，所述共聚焦检测装置，具体包括：光源1，被配置为提供激光束；旋转多边形镜2，设置于所述光源的激光束的照射方向，被配置为在接收到所述激光束时，控制所述激光束的扫射角度，对所述激光束的照射扫描范围进行调节；圆柱透镜3，设置于经旋转多边形镜进行调整后的激光束所指示的方向，被配置为在接收到激光束时，将激光束聚焦成一条线性光束；狭缝小孔4，设置于所述圆柱透镜的线性光束的照射光学路径中，被配置为对圆柱透镜聚焦的线性光束进行焦点光线筛选，获得用于执行缺陷检测的检测激光束。

更进一步的，所述缺陷激光采集组件，具体包括：光电倍增管5，设置于所述检测激光束的照射方向，被配置为对接收到的所述检测激光束的光信号进行放大，并利用光信号放大后的检测激光束对待检测镜片进行激光束照射；缺陷激光反射镜6，设置于所述狭缝小孔与光电倍增管之间的照射光学路径中，被配置为将所述狭缝小孔输出的检测激光束传输至所述光电倍增管，将照射至所述待检测镜片8并反射回来的部分检测激光束作为缺陷检测光束传输至线阵探测器7；线阵探测器7，设置于所述缺陷检测光束的发射方向，被配置为接收缺陷激光反射镜6发出的缺陷检测光束，并将所述缺陷检测光束转换为电信号，获得激光检测图像。

本实施例中，共聚焦检测模块10基于旋转多边形镜结合激光线扫描系统进行了光路设计，模块的核心是通过旋转多边形镜反射激光束，使激光束沿着光学元件表面进行扫描。激光经过f-θ透镜聚焦到精确的焦点，光电倍增管用来探测由表面缺陷引起的散射光，确保系统在处理微小瑕疵时的高灵敏度。采用旋转多边形镜和圆柱透镜相结合的方法，实现了高速、高精度的线性扫描。

如图2所示，检测激光生成组件的工作原理如下：

光源1：提供稳定的激光光源，用于照射待检测镜片；旋转多边形镜2：控制激光束的扫描角度，通过改变旋转多边形镜的角速度，可以调节激光束在目标表面的扫描范围；圆柱透镜3（f-θ透镜）：将激光束聚焦成一条线性光束，投射到半导体器件表面，实现线性扫描；狭缝小孔4：设置在光学路径中，用于筛选入射光，只允许来自焦点区域的光线通过，提供了更高的空间选择性，有助于滤除非焦点区域的光，提高图像的空间分辨率和对比度；线阵探测器7：接收从半导体器件反射回来的光线，并将其转换为电信号；光电倍增管5：放大接收到的光信号，提高系统的灵敏度；缺陷激光反射镜6：设置于所述狭缝小孔与光电倍增管之间的照射光学路径中，被配置为将所述狭缝小孔输出的检测激光束传输至所述光电倍增管，将照射至所述待检测镜片并反射回来的部分检测激光束作为缺陷检测光束传输至线阵探测器7，待检测镜片8：放置在系统底部，接受激光束的照射，并反射部分光线回到线阵探测器7。

旋转多边形镜的扫描角速度与激光束的扫描范围之间的关系可以通过以下公式表示：

；

其中，表示扫描角，为多边形镜的角速度，为f-θ透镜的焦距。该公式表示当镜子的角速度增大时，激光束在目标表面上的扫描范围相应增大，对应的信号强度由以下公式描述：

；

其中，为接收到的散射光信号，为入射激光的能量，为反射系数，为透射系数，为探测器的效率。结合暗场照明，该设计能够有效增强散射信号的检测强度，特别是对于表面缺陷的检测。系统的分辨率主要取决于光源的波长和光学元件的数值孔径，通过Abbe限来计算最小分辨率。

当数值孔径和激光波长达到一定精度时，成像系统可以区分极小的结构。在该系统中，1*1像素级别的清晰度判断能够实现，因为通过优化光学系统，使分辨率d可以小于单个像素尺寸。假设激光波长为500 nm，数值孔径为0.9，则最小分辨率为：

；

这意味着系统能够分辨278纳米的细节，而普通1*1像素的尺寸远大于此，因此该系统的分辨率可以支持像素级的检测。

同时，系统中引入了焦点限定的小孔成像，以确保只有来自焦点区域的光能通过 小孔成像。小孔的设置起到了排除非焦点光线的作用，确保只有来自焦点区域的光能够成 像。小孔的直径与系统的分辨率息息相关，通过控制小孔尺寸，可以提高系统的光学分辨 率。设小孔的直径为，焦点区域的光束通过小孔时，其光强衰减函数可以用高斯分布描 述：

；

在这里，为焦点处的光强，r为光线偏离焦点的距离，为小孔的直径。通过选择合适的，确保只有非常接近焦点区域的光线能够通过，这大幅度提高了系统的空间选择性。系统的小孔直径越小，排除非焦点光线的能力越强，使得系统的有效分辨率进一步提升，这也是实现1*1像素级检测的关键。

例如，在检测过程中，假设待检测的镜片上存在一个微小的气泡，其直径约为100微米，而该镜片的表面瑕疵包括细微凹陷，深度仅为几微米。通过共聚焦检测模块10，系统以精确的激光束对镜片进行逐点扫描。在此过程中，激光经过f-θ透镜聚焦至焦点，形成直径仅为数百纳米的光束，能够穿透光学元件的微小缺陷精确评估每个像素的清晰度，使得即使是微小的缺陷也能被准确识别。

具体实施中，假设待检测镜片表面存在一个直径仅为100微米的气泡及多个深度为几微米的细微凹陷。共聚焦检测模块10利用旋转多边形镜和激光线扫描系统，将激光束聚焦到极小的光点（如几个纳米），这种高分辨率的成像能力使得气泡和凹陷等微小瑕疵能够被清晰捕捉。特别是，通过小孔成像技术，系统只允许来自焦点区域的光线通过，从而有效排除其他非焦点光线的干扰，进一步提升了成像清晰度。

在捕捉这些微小缺陷时，激光光源照射到气泡和凹陷的表面，会导致光线的散射和反射。通过使用光电倍增管，该系统能对这些散射光信号进行放大，使得细微的光强变化被精确记录。后续，系统将应用基于Hessian矩阵和Sobel滤波器的图像处理算法，对高分辨率的图像进行分析。这些算法能够提取图像中的边缘信息，进一步增强对微小瑕疵的识别能力，确保成像质量不受这些细小缺陷的影响。

因此，本实施例通过使用旋转多边形镜结合激光线扫描以及f-θ透镜技术，系统能够高效覆盖整个光学元件的表面。同时，利用小孔成像的技术，光学系统通过设置极小的小孔仅允许来自焦点区域的光线通过探测器，进一步提高了空间分辨率和信噪比。结合最小分辨率公式和小孔衰减公式，该系统实现了亚微米级别的分辨率，使得每个1*1像素的光学特征都能够被准确判断，达到像素级别的清晰度。

在优选的实施例中，所述缺陷识别模块20，具体包括：

镜片边缘检测单元，被配置为基于激光检测图像的二阶偏导数构建Hessian矩阵，计算所述Hessian矩阵的特征值，根据特征值计算结果从所述激光检测图像中提取出镜片边缘，获得镜片检测图像；自适应阈值确定单元，被配置为使用Otsu算法动态计算缺陷区域划分最佳阈值；缺陷区域划分单元，被配置为使用Sobel滤波器计算镜片检测图像中每个像素的梯度值，根据每个像素的梯度值中的水平方向和垂直方向的梯度分量，计算每个像素的梯度模值，并基于缺陷划分最佳阈值对镜片检测图像中的缺陷区域和非缺陷区域进行划分，提取出每个缺陷区域的缺陷位置和缺陷类型。

更进一步的，所述缺陷识别模块20，还包括：缺陷分类单元，被配置为利用基于信息增益的决策树分类对镜片检测图像中划分的每个缺陷区域进行缺陷分类。

本实施例中，缺陷识别模块20的主要任务是对共聚焦检测模块10所收集到的高分辨率图像进行分析，以准确识别并分类镜片中的各种缺陷。首先，模块对共聚焦检测生成的清晰度热图进行分析，利用图像分割技术将图像中不同的区域进行区分。这一过程采用基于图像梯度的分割方法，以识别潜在的缺陷区域。具体来说，在图像采集完成后，系统生成一系列高分辨率的图像数据。为了进一步提升检测的准确性，这些图像数据经过预处理后，将被输入到缺陷识别模块20进行清晰度评估。此过程中，系统引入基于Hessian矩阵的边缘检测算法，以增强对微小缺陷的识别能力。Hessian矩阵由图像的二阶偏导数组成，其形式为：

；

在这里，I表示输入图像的灰度值。通过计算Hessian矩阵的特征值，系统能够有效识别图像中的边缘和角点，为后续的缺陷分析奠定基础。当特征值大于零时，表明该点为边缘，而特征值小于零则表示该点为平坦区域。由此，Hessian矩阵不仅提供了镜片的边缘信息，也为缺陷定位提供了必要的数据支持。

为了提高检测的灵敏度，模块结合了自适应阈值分割技术，使用Otsu算法来自动选择最佳阈值，以实现更准确的缺陷判定：

；

式中，和分别为分割后两类的像素数量，和为各自类的平均灰度值，N为镜片检测图像的总像素数，为类间方差。通过动态调整检测过程中的敏感度，确保在各种环境条件下能够准确捕捉微小缺陷，从而优化整体检测流程。

模块使用Sobel滤波器来计算图像的梯度，S是用于计算水平方向的梯度的卷积核，能够有效地检测出图像中的边缘和变化。通过将Sobel滤波器与图像进行卷积操作，可以得到每个像素的梯度值，进而获得图像在水平方向上的边缘信息。随后，通过计算每个像素的梯度模值：

；

其中，和分别表示在水平方向和垂直方向的梯度分量。通过设置适当的阈值（记作T），可以将图像分割为缺陷区域和非缺陷区域，从而有效识别出潜在的瑕疵。

此外，该模块还实现了自适应学习机制，通过实时反馈检测结果，对识别算法进行动态优化。在此过程中，使用基于决策树的分类算法（记作C）对检测到的缺陷进行进一步分类。决策树的构建过程通过信息增益（IG）来衡量特征选择的重要性，表示为：

；

其中，H(D)为数据集D的熵，A为当前特征，为特征A取值为v的子集。通过这种方式，系统能够根据缺陷的不同特征自动选择最优的分割点，提高分类的准确性。

因此，本实施例提供的缺陷识别模块20的主要任务是对共聚焦检测模块10生成的高分辨率图像进行分析，以准确识别并分类镜片中的各种缺陷。模块首先利用基于图像梯度的分割方法对清晰度热图进行预处理，通过Sobel滤波器计算图像的梯度，识别潜在的缺陷区域。接着，采用Hessian矩阵的边缘检测算法增强对微小缺陷的识别能力，并结合Otsu算法进行自适应阈值分割，自动选择最佳阈值以实现更准确的缺陷判定。此外，模块还实现了自适应学习机制，通过实时反馈检测结果优化识别算法，并使用基于决策树的分类算法对检测到的缺陷进行进一步分类，确保系统的高灵敏度和准确性。

在优选的实施例中，所述3D重构模块30，具体包括：空间坐标分配单元，被配置为获取镜片检测图像的缺陷区域划分结果，对镜片检测图像中的每个缺陷区域，分配对应的空间坐标；传播路径模拟单元，被配置为运行光线追踪模型模拟检测激光束在待检测镜片上的反射光线和折射光线的传播路径，计算出检测激光束在不同光线条件下的入射和出射强度，生成每个缺陷区域的三维空间信息；3D重构单元，被配置为根据两个摄像机拍摄的图像，利用立体视觉下的视差计算出深度信息，重构三维空间中待检测镜片的缺陷三维模型。

更进一步的，所述3D重构模块30，还包括：三维模型优化单元，被配置为基于最小二乘法的优化算法，对所述待检测镜片的缺陷三维模型的参数进行优化，获得待检测镜片的最终缺陷三维模型；

本实施例中，3D重构模块30的主要任务是将缺陷识别模块20提供的二维检测结果转换为三维模型，以便深入评估这些缺陷对镜片成像质量的影响。通过利用三维重构技术，该模块不仅能展示镜片的外部形态，还能揭示其内部结构的复杂性，为生产商提供更全面的质量控制和修复依据。

在进行三维重构之前，模块首先对缺陷识别模块20生成的缺陷信息进行整合。每个检测到的缺陷区域都将被分配相应的空间坐标，这些坐标将作为后续三维重构的基础。重构过程中，采用结构光照明技术结合相机标定的方式，通过精确测量光线在镜片上的反射和折射来获取真实的三维空间信息。

需要说明的是，对于缺陷识别模块20生成的每个缺陷区域，为其分配一个空间坐标。设缺陷区域的中心点在二维图像中的坐标为(x,y)，则将其转换为三维空间中的坐标(X,Y,Z)。这个转换基于相机的内参和外参矩阵，以及缺陷所在平面相对于相机的距离。相机内参矩阵：表示相机本身的特性，如焦距、主点位置等。相机外参矩阵：表示相机相对于世界坐标的位姿，即平移和旋转。假设相机的内参矩阵为 K，外参矩阵为 P，且已知缺陷所在的平面方程为，则可建立如下关系求解 Z 的值：

；

然后，利用相机的内参矩阵 K 和外参矩阵 P，可以将二维图像坐标 (x, y) 转换为三维世界坐标 (X, Y, Z)。

在此之后，采用结构光照明技术结合相机标定的方法，通过精确测量光线在镜片上的反射和折射来获取真实的三维空间信息。具体而言，重构模块将镜片视为一个复杂的光学体，运用光线追踪模型来模拟光线在不同条件下的传播路径。结构光照明：通过投射网格图案到镜片表面，再通过相机捕捉该图案的变形情况，以此来计算镜片表面的三维信息。相机标定：确定相机的内参K和外参P，将图像坐标转换为世界坐标。光线追踪模型：模拟光线在镜片内的传播路径，考虑镜片材料的折射率等因素，以获得光线在不同条件下的传播轨迹。

具体而言，重构模块将镜片视为一个复杂的光学体，运用光线追踪模型来模拟光线在不同条件下的传播路径，这里的积分是对所有可能的光线方向进行的， 表示微小的方向角元，I表示最终的图像亮度，E为入射光强度，R为反射系数，T为透射系数，S为表面属性函数，Ω为光线传播的角度范围。通过计算不同光线条件下的入射和出射强度，能够生成镜片在三维空间中的真实反映。

接下来，重构模块运用立体视觉对两个摄像机拍摄的图像进行比较，利用视差计算出深度信息表示为，D表示视差，f为摄像机的焦距，B为两个摄像机之间的基线距离，Z为目标物体的深度。通过收集多个视角下的图像数据并计算其视差，重建出三维空间中物体的形状和结构。

为提高重构的精确度，模块引入基于最小二乘法的优化算法，细化三维模型的参数。通过最小化重构模型与实际检测结果之间的误差，该算法确保生成的三维模型与实际缺陷的特征尽可能吻合，其优化目标为：

；

在此公式中，表示第i个点的真实深度，为重构模型预测的深度，N为点的总数，通过不断待检测镜片的缺陷三维模型的模型参数，使得预测值逐渐靠近真实值，实现三维重构的优化。

因此，本实施例提供的3D重构模块30的主要任务是将缺陷识别模块20提供的二维检测结果转换为三维模型，以便深入评估这些缺陷对镜片成像质量的影响。该模块通过对检测到的缺陷信息进行整合，为每个缺陷区域分配相应的空间坐标，并利用结构光照明技术和相机标定的方法，精确测量光线在镜片上的反射和折射，从而获取真实的三维空间信息。通过光线追踪算法模拟光线在不同条件下的传播路径，模块能够生成镜片在三维空间中的真实反映。此外，模块还运用立体视觉技术，通过比较两个摄像机拍摄的图像并利用视差计算深度信息，进一步重建出三维空间中物体的形状和结构。为提高重构的精确度，模块引入基于最小二乘法的优化算法，通过最小化重构模型与实际检测结果之间的误差，确保生成的三维模型与实际缺陷特征尽可能吻合。

在优选的实施例中，所述数据分析模块40，具体包括：缺陷数据存储单元，被配置为将每个待检测镜片的所述激光检测图像、所述缺陷信息和所述缺陷三维模型作为一组缺陷关联数据存储至缺陷数据库；聚类分析单元，被配置为采用K均值算法对缺陷数据库中的若干组缺陷关联数据进行优化聚类，将若干组缺陷关联数据划分为多个簇，使得同一簇内的缺陷关联数据的相似度最高，不同簇之间的缺陷关联数据的相似度最低。

更进一步的，所述数据分析模块40，还包括：缺陷特征与成像质量分析单元，被配置为建立线性回归模型对缺陷特征与成像质量之间的关系进行回归分析量化；异常数据检测单元，被配置为采用基于孤立森林的异常检测算法，构建随机切分树来孤立异常点；镜片生产优化建议单元，被配置为根据最小化误差项平方和，识别出对成像质量影响最大的缺陷特征，根据计算获得的异常分数，按照预设规则，生成镜片生产优化建议。

本实施例中，数据分析模块40的主要任务是对共聚焦检测模块10、缺陷识别模块20和3D重构模块30所产生的数据进行综合分析，以提供全面的质量评估和生产优化建议。该模块通过运用数据挖掘与分析算法，将多个数据源的信息整合，以识别潜在的质量问题和优化生产流程，从而进一步提升VR眼镜光学组件的整体性能。

在数据分析过程中，该模块首先对从各个检测模块获得的清晰度、缺陷类型及其位置以及3D重构模型的深度信息进行系统化整理。这些数据被存储在一个结构化的数据库中，便于后续分析。通过构建数据库，能够高效地存取数据并进行各种分析操作，确保数据的准确性和完整性。数据整理完成后，模块利用统计分析和机器学习方法对数据进行深入挖掘，提取出有价值的信息。

具体而言，模块采用聚类分析方法对缺陷数据进行分组，以识别相似缺陷的特征模式。聚类分析的基本原理是将数据集划分为多个簇，使得同一簇内的数据点相似度最高，而不同簇之间的相似度最低。该过程通常使用K均值算法，其优化目标为：

；

在此公式中，K为簇的数量，为第i个簇中的样本集合，x为样本点，为第i个簇的中心点，|·|为欧几里得距离。通过迭代优化该目标函数，模块能够有效地将缺陷数据分类，从而识别出影响产品质量的主要因素。

此外，数据分析模块40还集成了回归分析量化缺陷特征与成像质量之间的关系。通过建立线性回归模型，该模块可以表示为：

；

在这里，y表示成像质量的评价指标，为不同缺陷特征（如深度、面积、类型等），为截距项，为回归系数，为误差项。通过最小化误差项的平方和，该模型能够识别出哪些缺陷特征对成像质量的影响最大，从而为生产优化提供具体建议。

数据分析模块40采用了基于孤立森林的异常检测算法，其基本原理为通过构建随机切分树来孤立异常点。该算法的原理是：

；

其中，C(x)为样本点x的异常分数，E(x)为孤立点的平均深度，为归一化因子，为n的哈夫曼树深度。通过分析异常分数，系统能够识别出生产中可能导致质量下降的异常情况，进而及时采取措施。

数据分析模块40生成的分析报告将为生产商提供有关质量控制的详细见解和建议，帮助其优化生产流程并提高产品的良品率。

综上，本发明实施例提出了一种基于共聚焦的像素级清晰度判断方法及3D融合重构技术，系统由共聚焦检测模块10、缺陷识别模块20、3D重构模块30和数据分析模块40组成。共聚焦检测模块10采用旋转多边形镜结合激光线扫描系统，通过激光经过f-θ透镜聚焦到精确的焦点，实现高灵敏度的微小瑕疵检测，信号强度和分辨率可通过相关公式进行描述，确保系统支持1*1像素级别的清晰度判断。缺陷识别模块20对共聚焦检测生成的高分辨率图像进行分析，利用基于Hessian矩阵和Sobel滤波器的算法进行图像分割和特征提取，以准确识别并分类缺陷。3D重构模块30通过整合缺陷识别模块20的结果，利用光线追踪算法和立体视觉技术生成镜片的三维模型，从而评估缺陷对成像质量的影响。最后，数据分析模块40将来自各检测模块的数据进行整合，运用聚类分析、回归分析和异常检测算法，为生产优化提供全面建议，确保光学组件的质量与稳定性。

实施例2：

参照图3，图3为本发明实施例提供的一种基于共聚焦的像素级清晰度判断与3D融合重构方法的流程示意图。

如图3所示，一种基于共聚焦的像素级清晰度判断与3D融合重构方法，用于如上所述的基于共聚焦的像素级清晰度判断与3D融合重构系统，包括：

S1：利用包含检测激光生成组件和缺陷激光采集组件的共聚焦检测装置对待检测镜片进行像素级激光束扫描，获得待检测镜片的激光检测图像；

S2：对所述激光检测图像进行图像分割，根据图像分割结果，确定激光检测图像的缺陷信息；其中，所述缺陷信息包括若干个缺陷的缺陷位置和缺陷类型；

S3：基于所述激光检测图像的缺陷信息中每个缺陷的缺陷位置和缺陷类型，生成待检测镜片的缺陷三维模型；

S4：将每个待检测镜片的所述激光检测图像、所述缺陷信息和所述缺陷三维模型作为一组缺陷关联数据存储至缺陷数据库，调用所述缺陷数据库中的缺陷关联数据对镜片缺陷进行分析，生成镜片生产优化建议。

本实施例提供了一种基于共聚焦的像素级清晰度判断与3D融合重构方法，利用共聚焦检测模块通过逐点扫描技术对镜片的每个像素进行高精度的清晰度检测，确保识别表面及内部的微小缺陷。接着，缺陷识别模块对检测结果进行分析，确定缺陷的具体位置和类型，并生成详细的缺陷报告。随后，3D重构模块根据缺陷识别结果构建镜片的三维模型，评估这些缺陷对成像效果的影响，帮助生产商了解缺陷的严重性。最后，数据分析模块对所有检测和重构数据进行整理和分析，以提供全面的生产优化建议，确保光学组件的质量与稳定性。通过这四个模块的紧密协作，本发明能够实现对VR眼镜光学组件的全面、精准检测与分析。

本申请基于共聚焦的像素级清晰度判断与3D融合重构方法的具体实施方式与上述基于共聚焦的像素级清晰度判断与3D融合重构系统实施例基本相同，在此不再赘述。

在本发明的实施例的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“中心”、“顶”、“底”、“顶部”、“底部”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。其中，“里侧”是指内部或围起来的区域或空间。“外围”是指某特定部件或特定区域的周围的区域。

在本发明的实施例的描述中，术语“第一”、“第二”、“第三”、“第四”仅用以描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“组装”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的实施例的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

在本发明的实施例的描述中，需要理解的是，“-”和“~”表示的是两个数值之间的范围，并且该范围包括端点。例如:“A-B”表示大于或等于A，且小于或等于B的范围。“A~B”表示大于或等于A，且小于或等于B的范围。

在本发明的实施例的描述中，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于共聚焦的像素级清晰度判断与3D融合重构系统，其特征在于，所述系统，包括：

共聚焦检测模块，被配置为利用包含检测激光生成组件和缺陷激光采集组件的共聚焦检测装置对待检测镜片进行像素级激光束扫描，获得待检测镜片的激光检测图像；

缺陷识别模块，被配置为对所述激光检测图像进行图像分割，根据图像分割结果，确定激光检测图像的缺陷信息；其中，所述缺陷信息包括若干个缺陷的缺陷位置和缺陷类型；

3D重构模块，被配置为基于所述激光检测图像的缺陷信息中每个缺陷的缺陷位置和缺陷类型，生成待检测镜片的缺陷三维模型；

数据分析模块，被配置为将每个待检测镜片的所述激光检测图像、所述缺陷信息和所述缺陷三维模型作为一组缺陷关联数据存储至缺陷数据库，调用所述缺陷数据库中的缺陷关联数据对镜片缺陷进行分析，生成镜片生产优化建议。

2.根据权利要求1所述的基于共聚焦的像素级清晰度判断与3D融合重构系统，其特征在于，所述检测激光生成组件，具体包括：

光源，被配置为提供激光束；

旋转多边形镜，设置于所述光源的激光束的照射方向，被配置为在接收到所述激光束时，控制所述激光束的扫射角度，对所述激光束的照射扫描范围进行调节；

圆柱透镜，设置于经旋转多边形镜进行调整后的激光束所指示的方向，被配置为在接收到激光束时，将激光束聚焦成一条线性光束；

狭缝小孔，设置于所述圆柱透镜的线性光束的照射光学路径中，被配置为对圆柱透镜聚焦的线性光束进行焦点光线筛选，获得用于执行缺陷检测的检测激光束。

3.根据权利要求2所述的基于共聚焦的像素级清晰度判断与3D融合重构系统，其特征在于，所述缺陷激光采集组件，具体包括：

光电倍增管，设置于所述检测激光束的照射方向，被配置为对接收到的所述检测激光束的光信号进行放大，并利用光信号放大后的检测激光束对待检测镜片进行激光束照射；

缺陷激光反射镜，设置于所述狭缝小孔与光电倍增管之间的照射光学路径中，被配置为将所述狭缝小孔输出的检测激光束传输至所述光电倍增管，将照射至所述待检测镜片并反射回来的部分检测激光束作为缺陷检测光束传输至线阵探测器；

线阵探测器，设置于所述缺陷检测光束的发射方向，被配置为接收缺陷激光反射镜发出的缺陷检测光束，并将所述缺陷检测光束转换为电信号，获得激光检测图像。

4.根据权利要求1所述的基于共聚焦的像素级清晰度判断与3D融合重构系统，其特征在于，所述缺陷识别模块，具体包括：

镜片边缘检测单元，被配置为基于激光检测图像的二阶偏导数构建Hessian矩阵，计算所述Hessian矩阵的特征值，根据特征值计算结果从所述激光检测图像中提取出镜片边缘，获得镜片检测图像；所述Hessian矩阵的表达式，具体为：

；

其中，I表示激光检测图像的灰度值；

自适应阈值确定单元，被配置为使用Otsu算法动态计算缺陷区域划分最佳阈值；所述缺陷区域划分最佳阈值的表达式，具体为：

；

其中，和分别为分割后两类的像素数量，和为各自类的平均灰度值，N为镜片检测图像的总像素数，为类间方差；

缺陷区域划分单元，被配置为使用Sobel滤波器计算镜片检测图像中每个像素的梯度值，根据每个像素的梯度值中的水平方向和垂直方向的梯度分量，计算每个像素的梯度模值，并基于缺陷区域划分最佳阈值对镜片检测图像中的缺陷区域和非缺陷区域进行划分，提取出每个缺陷区域的缺陷位置和缺陷类型；所述梯度模值的表达式，具体为：

；

其中，和分别表示在水平方向和垂直方向的梯度分量。

5.根据权利要求4所述的基于共聚焦的像素级清晰度判断与3D融合重构系统，其特征在于，所述缺陷识别模块，还包括：

缺陷分类单元，被配置为利用基于信息增益的决策树分类对镜片检测图像中划分的每个缺陷区域进行缺陷分类；所述信息增益的表达式，具体为：

；

其中，H(D)为数据集D的熵，A为当前特征，为特征A取值为v的子集。

6.根据权利要求1所述的基于共聚焦的像素级清晰度判断与3D融合重构系统，其特征在于，所述3D重构模块，具体包括：

空间坐标分配单元，被配置为获取镜片检测图像的缺陷区域划分结果，对镜片检测图像中的每个缺陷区域，分配对应的空间坐标；

传播路径模拟单元，被配置为运行光线追踪模型模拟检测激光束在待检测镜片上的反射光线和折射光线的传播路径，计算出检测激光束在不同光线条件下的入射和出射强度，生成每个缺陷区域的三维空间信息；所述光线追踪模型的表达式，具体为：

；

其中，I表示最终的图像亮度，E为入射光强度，R为反射系数，T为透射系数，S为表面属性函数，Ω为光线传播的角度范围；

3D重构单元，被配置为根据两个摄像机拍摄的图像，利用立体视觉下的视差计算出深度信息，重构三维空间中待检测镜片的缺陷三维模型；所述立体视觉下的视差的表达式，具体为：

；

其中，D表示视差，f为摄像机的焦距，B为两个摄像机之间的基线距离，Z为目标物体的深度。

7.根据权利要求6所述的基于共聚焦的像素级清晰度判断与3D融合重构系统，其特征在于，所述3D重构模块，还包括：

三维模型优化单元，被配置为基于最小二乘法的优化算法，对所述待检测镜片的缺陷三维模型的参数进行优化，获得待检测镜片的最终缺陷三维模型；优化算法的优化目标的表达式，具体为：

；

其中，表示第i个点的真实深度，为重构模型预测的深度，N为点的总数，通过不断待检测镜片的缺陷三维模型的模型参数，使得预测值逐渐靠近真实值。

8.根据权利要求7所述的基于共聚焦的像素级清晰度判断与3D融合重构系统，其特征在于，所述数据分析模块，具体包括：

缺陷数据存储单元，被配置为将每个待检测镜片的所述激光检测图像、所述缺陷信息和所述缺陷三维模型作为一组缺陷关联数据存储至缺陷数据库；

聚类分析单元，被配置为采用K均值算法对缺陷数据库中的若干组缺陷关联数据进行优化聚类，将若干组缺陷关联数据划分为多个簇，使得同一簇内的缺陷关联数据的相似度最高，不同簇之间的缺陷关联数据的相似度最低；优化聚类的优化目标的表达式，具体为：

；

其中，K为簇的数量，为第i个簇中的样本集合，x为样本点，为第i个簇的中心点，|·|为欧几里得距离。

9.根据权利要求8所述的基于共聚焦的像素级清晰度判断与3D融合重构系统，其特征在于，所述数据分析模块，还包括：

缺陷特征与成像质量分析单元，被配置为建立线性回归模型对缺陷特征与成像质量之间的关系进行回归分析量化；所述线性回归模型的表达式，具体为：

；

其中，y表示成像质量的评价指标，为不同缺陷特征，为截距项，为回归系数，为误差项；

异常数据检测单元，被配置为采用基于孤立森林的异常检测算法，构建随机切分树来孤立异常点；所述异常检测算法的表达式，具体为：

；

其中，C(x)为样本点x的异常分数，E(x)为孤立点的平均深度，为归一化因子，为n的哈夫曼树深度；

镜片生产优化建议单元，被配置为根据最小化误差项平方和，识别出对成像质量影响最大的缺陷特征，根据计算获得的异常分数，按照预设规则，生成镜片生产优化建议。

10.一种基于共聚焦的像素级清晰度判断与3D融合重构方法，其特征在于，所述方法，包括：

S1：利用包含检测激光生成组件和缺陷激光采集组件的共聚焦检测装置对待检测镜片进行像素级激光束扫描，获得待检测镜片的激光检测图像；

S2：对所述激光检测图像进行图像分割，根据图像分割结果，确定激光检测图像的缺陷信息；其中，所述缺陷信息包括若干个缺陷的缺陷位置和缺陷类型；

S3：基于所述激光检测图像的缺陷信息中每个缺陷的缺陷位置和缺陷类型，生成待检测镜片的缺陷三维模型；

S4：将每个待检测镜片的所述激光检测图像、所述缺陷信息和所述缺陷三维模型作为一组缺陷关联数据存储至缺陷数据库，调用所述缺陷数据库中的缺陷关联数据对镜片缺陷进行分析，生成镜片生产优化建议。