1.一种剪切散斑干涉无损检测缺陷尺寸的方法,应用于一剪切散斑干涉无损检测缺陷尺寸的系统,其特征在于,所述剪切散斑干涉无损检测缺陷尺寸的系统具有一深度学习分割模型,所述方法包括:通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图;
使用圆形矩阵标定板,获得所述剪切散斑干涉检测成像装置的系统参数和系统畸变系数;
通过所述系统畸变系数对所述物体内部缺陷所对应的相位图进行校正;
通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸;
通过所述系统参数,将所述缺陷尺寸换算成真实物理尺寸。
2.如权利要求1所述的方法,其特征在于,所述通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图,具体包括:对有内部缺陷的物体进行加载,令所述物体内部缺陷在表面产生变形;
通过所述剪切散斑干涉检测成像装置对所述物体的内部缺陷在表面产生变形进行成像,获得所述物体内部缺陷所对应的相位图。
3.如权利要求1所述的方法,其特征在于,在所述通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸之前,还包括:通过所述剪切散斑干涉检测成像装置,将一系列经典缺陷所对应的相位图作为缺陷图像数据集;
使用所述缺陷图像数据集,训练所述深度学习分割模型。
4.如权利要求3所述的方法,其特征在于,所述训练所述深度学习分割模型,具体包括:深度学习分割网络分为特征提取网络、拼接网络和扩张网络,冻结所述特征提取网络,对所述深度学习分割网络进行微调,设定冻结训练周期、批量规模和学习率;
解冻所述特征提取网络,改变所述冻结训练周期、所述批量规模和所述学习率。
5.如权利要求1所述的方法,其特征在于,所述使用圆形矩阵标定板,获得所述剪切散斑干涉检测成像装置的系统参数和系统畸变系数,具体包括:通过所述剪切散斑干涉检测成像装置,获得所述圆形矩阵标定板图像;
通过图像处理方法提取所述圆形矩阵标定板图像中圆形图案的圆心和半径;
基于所述圆心和所述半径,通过标定算法获得所述系统参数和所述系统畸变系数。
6.如权利要求5所述的方法,其特征在于,在所述通过图像处理方法提取所述圆形矩阵标定板图像中圆形图案的圆心和半径之后,还包括:根据所有圆心之间的平均距离,计算剪切量。
7.如权利要求6所述的方法,其特征在于,所述通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸,具体包括:通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行二值分割,得到所述物体内部缺陷所在的位置和像素尺寸;
遍历校正后的所述物体内部缺陷所对应的相位图,计算缺陷总像素个数;
基于物体内部缺陷像素尺寸和所述剪切量,获得剪切部分的计算面积;
基于圆心之间的像素距离,得到像素与真实物理尺寸的比值;
基于所述缺陷总像素个数、所述剪切部分的计算面积、所述像素与真实物理尺寸的比值,获得所述缺陷尺寸。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1‑7中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1‑7中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1‑7任一项所述的方法的步骤。