本技术属于缺陷检测，涉及缺陷检测技术，具体是一种镜头模组缺陷检测系统及检测方法。
背景技术：
1、微型摄像模组(compact camera module，简称ccm)，因其精密小巧的特点，广泛应用于智能手机、便携式电脑等产品，以及安防、医疗、车载和物联网等众多领域。ccm的主要组成部分有：镜头(lens)、基座、图像传感器(sensor)、数字信号处理(dsp)及软板(fpc)，其工作原理为：景物通过镜头，将生成的光学图像投射到传感器上，然后光学图像被转换成电信号，电信号再经过模数转换变为数字信号，经过dsp加工处理最终转换成数字图像。
2、现有技术(公告号为cn109406527b的发明专利)公开了一种微型摄像模组镜头精细外观缺陷检测系统及方法，系统包括金相显微镜成像平台、载物台、工控机；所述金相显微成像平台由显微放大装置、同轴光源和工业相机组成；载物台包括x、y轴编码器和光栅尺、电机箱；工控机用于控制电动载物台位移和实现精密缺陷检测算法。方法包括：(1)对金相显微镜平台相机进行标定；(2)定位到模具中第一个摄像模组；(3)采用“z”字型方法，依次采集微型摄像模组图像；(4)采用图像处理算法检测微型模组镜头精细外观缺陷；(5)反馈镜头存在缺陷的摄像模组与缺陷类型。本发明能够实现摄像模组外观微米级缺陷的精密检测，提高检测精度与自动化程度，为产品质量提供保证。
3、上述镜头模组缺陷检测系统通过采集镜头模组的外观图像，分割摄像镜面图像，检测摄像模组图像中面积最大的圆，将圆内的区域分割出来；通过边缘提取、阈值分割、曲线拟合技术提取缺陷特征，将摄像模组外观的划痕、裂痕、异物和灰尘精细缺陷识别出来；而在镜头的缺陷不单单限于镜片的划痕、裂痕、异物和灰尘；镜片制造时的误差，镜片的变化由于生产或使用过程中由于环境影响导致的镜片氧化，等原因也可能会造成镜头模组不合格；这些原因在镜片中难以明显表现；使得这些缺陷的难以通过缺陷识别进行检测；导致镜头模组检测系统的检测准确度不高；影响需要一种镜头模组缺陷检测系统。
技术实现思路
1、本技术旨在至少解决现有技术中存在的技术问题之一；为此，本技术提出了一种镜头模组缺陷检测系统及检测方法，用于解决现有的镜头模组检测系统对于镜片制造时的误差，镜片的变化由于生产或使用过程中由于环境影响导致的镜片氧化等原因导致镜片缺陷问题检测效果不理想的技术问题。
2、为实现上述目的，本技术的第一方面提供了一种镜头模组缺陷检测系统，包括：数据采集模块、异物检测模块、镜片检测模块、缺陷预警模块和数据库；
3、所述数据采集模块：用于获取图像检测设备采集的镜头模组的外观检测图像；对外观检测图像进行预处理；
4、所述异物检测模块：获取预处理后的外观检测图像；根据外观检测图像生成元件图像，以及与其对应的元件标签和检测标签；根据检测标签生成元件警报信号；
5、所述镜片检测模块：通过与之相连接的数据库获取若干检测标签为正常，且元件标签为镜片的元件图像；根据元件图像生成其对应的像素值变化曲线组；以及，
6、获取元件标签为镜片的元件图像，当其对应的检测标签为正常时；根据像素值变化曲线组和所述元件图像生成异常系数；根据异常系数生成偏差警报信号；
7、所述缺陷预警模块：获取元件异常警报信号和偏差警报信号，并进行警报。
8、本技术通过获取图像检测设备采集的镜头模组的外观检测图像；对外观检测图像进行预处理；根据预处理后的外观检测图像生成元件图像，以及与其对应的元件标签和检测标签；根据检测标签生成元件警报信号；通过与之相连接的数据库获取若干检测标签为正常，且元件标签为镜片的元件图像；根据元件图像生成其对应的像素值变化曲线组；当元件标签为镜片的检测标签为正常时，根据像素值变化曲线组和所述元件图像生成异常系数；根据异常系数生成偏差警报信号；根据对应型号镜头模组本身的正常的镜片图像作为基准，生成其对应的像素值变化曲线组，用来对比当前检测的镜头模组的镜片是否合格，使得镜片检测的准确度更高；增强镜头模组的检测效果。
9、优选的，所述预处理包括图像增强和图像去噪。
10、优选的，所述根据外观检测图像生成元件图像，以及与其对应的元件标签和检测标签，包括：
11、获取预处理后的外观检测图像；将外观检测图像输入元件分割模型得到若干元件图像和其对应的元件标签；将各个元件图像和元件标签输入异常物检测模型得到检测标签；所述元件分割模型通过人工智能模型训练得到；所述异常物检测模型通过人工智能模型训练得到。
12、优选的，所述元件分割模型通过人工智能模型训练得到，包括：
13、从数据库获取镜头模组的若干清晰的外观检测图像，以及若干元件图像和对应的元件标签；将外观检测图像、元件图像和元件标签整合成若干组训练数据和检验数据；
14、使用训练数据对人工智能模型进行训练，使用检验数据对训练后的人工智能模型进行检验，最终得到输入为外观检测图像，输出为对应的若干元件图像和元件标签；所述人工智能模型包括bp神经网络模型和rbf神经网络模型。
15、优选的，所述异常物检测模型通过人工智能模型训练得到，包括：
16、通过数据库获取若干元件图像，以及与其对应的元件标签和检测标签；所述检测标签包括正常和异常；将元件图像、元件标签和检测标签整合成若干组训练数据和检验数据；
17、使用训练数据对应人工智能模型进行训练，使用检验数据对训练后的人工智能模型进行检验，最终得到输入为元件标签和元件图像，输出为其对应的检测标签的异物检测模型；所述人工智能模型包括bp神经网络模型和rbf神经网络模型。
18、本技术通过使用训练过的人工智能模型，提高了缺陷检测的效率。
19、优选的，所述根据检测标签生成元件警报信号，包括：
20、获取各个元件图像对应的检测标签；依次判断各个检测标签是否为异常，是，则将元件图像对应的元件标记为异常元件；否，则将元件图像对应的元件标记为正常元件；
21、将各个异常元件和其对应的元件图像整合成异常元件表；并生成元件警报信号。
22、优选的，根据元件图像生成所述像素值变化曲线组，包括步骤：
23、通过与之相连接的数据库获取若干检测标签为正常，且元件标签为镜片的元件图像，所述镜片对应的元件图像为圆形图像；
24、将所述元件图像进行灰度处理得到灰度镜片图像；将元件图像转换到rgb颜色空间得到其对应各个通道下的通道镜片图像，所述通道镜片图像包括红通道镜片图像、绿通道镜片图像和红通道镜片图像；
25、根据灰度镜片图像和通道镜片图像生成各个元件图像对应的像素值变化曲线组。
26、优选的，所述根据灰度镜片图像和通道镜片图像生成各个元件图像对应的像素值变化曲线组，包括：
27、获取各个元件图像对应的灰度镜片图像和通道镜片图像；
28、将灰度镜片图像作为待处理图像，根据待处理图像生成变化曲线，并将所述变化曲线标记为灰度变化曲线；
29、将红通道镜片图像作为待处理图像，根据待处理图像生成变化曲线，并将所述变化曲线标记为红通道变化曲线；
30、将绿通道镜片图像作为待处理图像，根据待处理图像生成变化曲线，并将所述变化曲线标记为绿通道变化曲线；
31、将蓝通道镜片图像作为待处理图像，根据待处理图像生成变化曲线，并将所述变化曲线标记为蓝通道变化曲线；
32、将各个元件图像对应的灰度变化曲线、红通道变化曲线、绿通道变化曲线和蓝通道变化曲线整合成其对应的像素值变化曲线组。
33、优选的，所述根据待处理图像生成变化曲线，包括以下步骤：
34、步骤一：获取待处理图像；所述待处理图像为圆形图像；
35、步骤二：将所述待处理图像的圆心点作为坐标原点建立平面直角坐标系；获取若干标定半径，以坐标原点为中心，根据标定半径做圆，并记录为标定圆；
36、步骤三：获取各个标定圆圆周上各个像素点的像素值；将各个圆周上的像素值的众数作为标定圆的标定像素值；
37、步骤四：以标定圆的标定半径为横坐标，标定圆的标定像素值为纵坐标，将各个标定圆对应的标定像素值拟合成变化曲线。
38、优选的，所述根据像素值变化曲线组和元件图像生成所述异常系数，包括：
39、获取元件图像，将所述元件图像进行灰度处理得到灰度镜片图像；将元件图像转换到rgb颜色空间得到其对应各个通道下的通道镜片图像；
40、分别将灰度镜片图像和各个通道镜片图像作为待处理图像生成灰度变化曲线、红通道变化曲线、绿通道变化曲线和蓝通道变化曲线；并分别标记为fh(r)、fr(r)、fg(r)和fb(r)；
41、获取若干像素值变化曲线组，提取各个像素值变化曲线组内的灰度变化曲线、红通道变化曲线、绿通道变化曲线和蓝通道变化曲线；分别标记为bhi(r)、bri(r)、bgi(r)和bbi(r)；i为像素值变化曲线组的编号；
42、通过公式phi＝∫(|fh(r)-bhi(r)|)计算得到编号为i的像素曲线组对应的灰度值偏差phi；
43、通过公式pri＝∫(|fr(r)-bri(r)|)计算得到编号为i的像素曲线组对应的红色通道像素值偏差pri；
44、通过公式pgi＝∫(|fg(r)-bgi(r)|)计算得到编号为i的像素曲线组对应的绿色通道像素值偏差pgi；
45、通过公式pbi＝∫(|fb(r)-bbi(r)|)计算得到编号为i的像素曲线组对应的蓝色通道像素值偏差pbi；其中，r为标定半径，且r∈(0，r)，r为元件图像对应的半径；
46、通过公式yci＝α1×phi+α2×(pri+pgi+pbi)计算得到编号为i的像素曲线组对应的异常系数yci；其中，α1和α2为权重系数。
47、优选的，所述根据异常系数生成偏差警报信号，包括：
48、获取各个像素曲线组对应的异常系数，判断异常系数的最小值是否大于设定的异常系数阈值；
49、是，生成整体偏差警报信号；
50、否，则当灰度值偏差的最小值大于设定的灰度值偏差阈值时，生成灰度值偏差警报信号；否则，当红色通道像素值偏差、绿色通道像素值偏差和蓝色通道像素值偏差任意一项大于设定的像素值偏差阈值时，生成通道像素值偏差警报信号；所述偏差警报信号包括整体偏差警报信号、灰度值偏差警报信号和通道像素值偏差警报信号。
51、本技术的另一方面提供一种镜头模组缺陷检测方法，包括以下步骤：
52、步骤一：获取图像检测设备采集的镜头模组的外观检测图像；对外观检测图像进行预处理；
53、步骤二：获取预处理后的外观检测图像；根据外观检测图像生成元件图像，以及与其对应的元件标签和检测标签；
54、步骤三：根据检测标签生成元件警报信号；
55、步骤四：判断元件标签为镜片的元件图像的检测标签是否为正常；是，则获取若干像素值变化曲线组；所述像素值变化曲线组根据数据库中的若干检测标签为正常，且元件标签为镜片的元件图像生成；进入步骤五；否，进入步骤六；
56、步骤五：根据像素值变化曲线组和所述元件图像生成异常系数；根据异常系数生成偏差警报信号；
57、步骤六：获取元件异常警报信号和偏差警报信号，并进行警报。
58、与现有技术相比，本技术的有益效果是：
59、1.本技术通过获取图像检测设备采集的镜头模组的外观检测图像；对外观检测图像进行预处理；根据预处理后的外观检测图像生成元件图像，以及与其对应的元件标签和检测标签；根据检测标签生成元件警报信号；通过与之相连接的数据库获取若干检测标签为正常，且元件标签为镜片的元件图像；根据元件图像生成其对应的像素值变化曲线组；当元件标签为镜片的检测标签为正常时，根据像素值变化曲线组和所述元件图像生成异常系数；根据异常系数生成偏差警报信号；根据对应型号镜头模组本身的正常的镜片图像作为基准，生成其对应的像素值变化曲线组，用来对比当前检测的镜头模组的镜片是否合格，使得镜片检测的准确度更高；增强镜头模组的检测效果。
60、2.本技术通过使用训练过的人工智能模型，提高了缺陷检测的效率。
1.一种镜头模组缺陷检测系统，包括：数据采集模块、异物检测模块、镜片检测模块、缺陷预警模块和数据库；其特征在于，
2.根据权利要求1所述的一种镜头模组缺陷检测系统，其特征在于，所述根据外观检测图像生成元件图像，以及与其对应的元件标签和检测标签，包括：
3.根据权利要求2所述的一种镜头模组缺陷检测系统，其特征在于，所述元件分割模型通过人工智能模型训练得到，包括：
4.根据权利要求1所述的一种镜头模组缺陷检测系统，其特征在于，所述根据检测标签生成元件警报信号，包括：
5.根据权利要求1所述的一种镜头模组缺陷检测系统，其特征在于，根据元件图像生成所述像素值变化曲线组，包括以下步骤：
6.根据权利要求5所述的一种镜头模组缺陷检测系统，其特征在于，所述根据灰度镜片图像和通道镜片图像生成各个元件图像对应的像素值变化曲线组，包括：
7.根据权利要求6所述的一种镜头模组缺陷检测系统，其特征在于，所述根据待处理图像生成变化曲线，包括以下步骤：
8.根据权利要求7所述的一种镜头模组缺陷检测系统，其特征在于，所述根据像素值变化曲线组和元件图像生成所述异常系数，包括：
9.根据权利要求1所述的一种镜头模组缺陷检测系统，其特征在于，所述根据异常系数生成偏差警报信号，包括：
10.一种镜头模组缺陷检测方法，基于权利要求1-9任意一项所述的一种镜头模组缺陷检测系统的运行；其特征在于，包括以下步骤：
