当前位置: 首页 > news >正文

海伯森检测应用案例之--光学板轮廓及瑕疵检测

光学板(如光学玻璃、亚克力板、导光板等,广泛应用于显示设备、光学仪器、激光系统等领域)的轮廓及瑕疵检测是保障其光学性能、结构适配性和使用可靠性的关键环节,主要目的如下:

一、确保轮廓精度,保障结构与功能适配

光学板的轮廓(如尺寸、平整度、弯曲度、边缘角度等)直接影响其在设备中的装配精度和功能实现:

结构适配性:在精密光学系统(如镜头模组、投影仪光路)中,光学板的轮廓尺寸需与其他部件严格匹配,若轮廓偏差过大(如厚度不均、边缘不平整),会导致装配间隙超标、光路偏移,甚至无法正常安装。

光学性能稳定性:部分光学板(如导光板、棱镜)的轮廓设计直接决定光线的折射、反射路径,轮廓精度不足会导致光路紊乱(如显示设备亮度不均、光学仪器成像模糊),检测轮廓可确保其符合光学设计参数。

机械强度保障:轮廓缺陷(如边缘崩裂、厚度突变)可能导致应力集中,降低光学板的抗冲击性,在后续加工或使用中(如受振动、温度变化)易断裂,影响设备寿命。

二、满足高端领域的严苛要求

在高端应用场景(如半导体光刻、航天光学系统、医疗精密仪器)中,光学板的轮廓精度和瑕疵容忍度极低(甚至要求 “纳米级” 误差、零可见瑕疵),检测的目的更聚焦于:

确保光学系统的极限性能(如光刻机的光学板轮廓误差需控制在微米级,否则直接影响芯片制程精度);保障设备的长期稳定性(如卫星光学镜头的光学板,微小瑕疵可能在太空环境中因辐射、温差逐渐扩大,导致任务失败)。

综上,光学板的轮廓及瑕疵检测本质是通过对 “结构精度” 和 “光学纯净度” 的双重把控,确保其在光学系统中既能精准适配、高效发挥功能,又能在长期使用中保持稳定与安全,尤其对高端领域的设备性能和可靠性起到决定性作用。

01.检测需求

根据客户提供的测试需求,利用线光谱扫描光学板表面轮廓,对数据轮廓进行分析得出凹槽深度、宽度数据,以及表面的缺陷检测。

02.选型及原理

03.检测过程图

截取计算三个凹槽的深度宽度数据分别为:凹槽1深度26.2um,宽度164.4um、凹槽2深度28.1um,宽度151.4um、凹槽3深度28.7um,宽度158.4um。

04.设备结论

用LCX1000扫描光学板上表面图像可以清晰得到凹槽的轮廓,凹槽的深度、宽度可用我们客户端手动截取简单计算(因手动划取区域宽度信息定义没那么标准),凹槽的弧度可用其他视觉软件进行处理计算。同时光学板上的瑕疵清晰可见,所以亦可检测其瑕疵缺陷。

http://www.dtcms.com/a/365339.html

相关文章:

  • 嵌入式 Linux 启动流程详解 (以 ARM + U-Boot 为例)
  • [Ai Agent] 打造一个真正可落地的客服智能体
  • 论文理解:Reflexion: Language Agents with Verbal Reinforcement Learning
  • 封装一个redis获取并解析数据的工具类
  • 基于web的云智教育在线平台设计与实现
  • 利用 openssl api 实现 TLS 双向认证
  • Jenkins和Fastlane的原理、优缺点、用法、如何选择
  • SpringAI Alibaba Graph 流式对话
  • python sqlalchemy模型的建立
  • 嵌入式硬件学习-2
  • Algorithms library
  • Qoder如何免费续杯,立即参与实践分享,赢 1000Credits
  • 解决windows下火狐浏览器开机会同时启动两个或多个页面
  • 为何quest3设备会强制更新,如何屏蔽更新
  • GoogleNet:更深的网络与更高的效率
  • 大模型的偏见:从训练数据到推理结果,如何检测与修正?
  • Voicemod-免费即时变声器
  • 【程序人生】有梦想就能了不起,就怕你没梦想
  • Redis 集群模式与高可用机制
  • 深度学习篇---Adam优化器
  • 计算机网络模型总概述
  • python抖音弹幕获取方案
  • 考研复习-计算机网络-第二章-物理层
  • 服务器安装vnc服务端
  • 深度学习篇---InceptionNet网络结构
  • Ecovadis评估认证准备期间对于公司员工培训有没有什么技巧?
  • 对轮询的理解
  • 手持式气象观测仪在短期监测项目的作用
  • 深度学习之第六课卷积神经网络 (CNN)如何保存和使用最优模型
  • GOFLY开源客服系统-处理gin框架下的session中间件