根据本发明的一个方面，若计算的存在缺陷的多张图片的对比度之间的差值小于设定阈值，则计算每张图片缺陷区域的平均灰度，筛选具有平均灰度值的缺陷作为表现清晰的缺陷。
根据本发明的一个方面，若所检测的镜片检测区域为非球面镜片检测区域时，所述步骤s22包括：
将每组图片的非球面镜片检测区域分别采用模板匹配进行粗定位和圆拟合方式进行精定位；
将非球面镜片检测区域分割为多个圆环区域，对不同的圆环区域给予相对应的参数，利用全局阀值分割法、自动阀值分割法、动态阀值分割法或局部背景均值分割法对所述非球面镜片检测区域的缺陷进行分割；
本发明对于镜头内部结构的检测方法，提高了断层扫描图像缺陷搜索的准确度与精度。不会因为搜索到非对焦缺陷，导致算法误检。且对点子等检测精度，由原来相差±10um，提高到了±5um以内。
本发明对于镜头端面和凸台的检测方法，针对端面与凸台检测的耗时，由原两张图片分别导入显卡中进行gpu运算深度学习模型，现在仅需要导入一张图片进行深度学习运算极大的降低了gpu运算的消耗，计算耗时由原1600ms，下降至900ms左右，极大的提升了效率。
检测对象:布匹缺陷
主要方法:作者使用一个多层的CNN网络对布匹缺陷数据集中的六类缺陷样本进行分类,分类结束之后,对于
每一类样本进行缺陷检测。具体做法是: 1.使用滑动窗口的方法在512*512的原图上进行采样,采样大小为
128*128 ; 2.对上部分每一类图像采样后的小图像块进行二 -分类(有缺陷和无缺陷)。下图为文章两次分类使
用的CNN网络,两次分类的区别在于: 1.全连接层的输入分别为6和2 ; 2输入的图像尺日