基于图像识别的线性菲涅尔反射镜面型检测方法研究

The Research on Concentrating Solar Mirror Face Shape Detection Method Based on Image Recognition

摘要: 一次反射镜作为线性菲涅尔式光热发电系统中收集太阳能与实现光热转换的关键部件，其面型质量对系统的光学性能和整体效率有着直接影响。传统的面型检测技术存在操作复杂、成本高昂、效率低下等问题，所以对一次反射镜面型检测技术的优化研究具有重要意义。本文基于图像识别设计了一种新型反射镜面型检测系统，并对图像预处理、特征提取等关键技术进行了研究。

Abstract: A reflector is a key component of solar energy and the realization of light thermal conversion as a linear Fresnel -like photoelectric power generation system. Its facial quality has a direct impact on the optical performance and overall efficiency of the system. Traditional facial detection technology has problems such as complex operation, high cost, and low efficiency, so it is of great significance to optimize the optimization of one reflex mirror-type detection technology. This article is based on image recognition and designed a new type of reflex mirror-type detection system, and studied key technologies such as image pre-processing and feature extraction.

1. 引言

能源作为现代社会发展的重要支撑，为经济繁荣和社会进步提供了无可替代的动力。但随着化石能源的过度使用，环境污染和生态破坏等问题日益凸显。在经济发展与环境保护之间找到平衡点，是人类当前面临的现实挑战。为了实现可持续发展，能源转型势在必行。太阳能作为一种清洁、可持续的能源，因其储量丰富、绿色环保等优点，已经成为世界各国在能源转型道路上的重要选择之一。聚光太阳能发电技术(Concentrating Solar Power, CSP)作为太阳能发电技术中的一种，因其电力输出稳定、可调节性强等特点，吸引了大量学者与相关企业的研究与关注。在现有的CSP技术中，线性菲涅尔式(Linear Fresnel Reflector, LFR)光热发电技术以其结构简单、土地利用率高、抗风能力强、布置灵活等优点，逐渐成为了聚光太阳能发电领域备受关注的热点技术 [1] [2] [3] 。

一次反射镜作为LFR系统中收集太阳能与实现光热转换的关键部件，其面型质量对系统的光学性能和整体效率有着直接影响。Bothe等人提出了一种基于条纹反射的三维表面测量方案，该方案通过从条纹图像中计算镜面的全局斜率分布来重建原始的三维表面形状。对理论测量精度进行了分析，并在实践中测量的平面镜和非球面镜上验证了该方法的有效性。Shortis等人通过在槽型聚光镜的表面安装大量标记点，并利用多台相机从不同角度拍摄被测反射镜的图像，然后基于共线原理获得每个标记点的三维空间坐标，从而精确重建了聚光镜的表面形状。传统的面型检测技术存在操作复杂、成本高昂、效率低下等问题，所以对一次反射镜面型检测技术的优化研究具有重要意义。本文基于图像识别设计了一种新型反射镜面型检测系统，并对图像预处理、特征提取等关键技术进行了研究。

2. 线性菲涅尔聚光器优化与光斑特征研究

2.1. 线性菲涅尔聚光器

2.1.1. 线性菲涅尔式聚光器模型

太阳辐射能量密度较低，要想得到较高的集热温度，就必须通过聚光器来实现。线性菲涅尔聚光器主要由三部分组成：主反射镜阵列、跟踪控制装置和聚光器接收器。主反射镜通常具有线性的菲涅尔式结构，这种设计可以使得主反射镜实现对入射光线的集中和聚焦，将太阳光聚集并反射到二次反射镜当中。主反射镜的反射特性决定了聚光器的光学性能。其设计应考虑到光线的入射角度和反射率，以最大程度地提高光线的反射效率，从而实现聚焦效果 [4] 。采用聚光器二次聚光的线性菲涅尔式聚光器如图1所示。

Figure 1. Schematic diagram of a linear Fresnel condenser

图1. 线性菲涅尔聚光器示意图

线性菲涅耳式聚光器主反射镜阵列中的主聚光镜为条形平面反射镜或者抛物面微弧反射镜。其中每条反射镜两端有转轴，其轴线与反射镜中轴线平行，贴近条形反射镜反面，每个反射镜可绕转轴转动，有独立的驱动装置，是一个单轴太阳跟踪反射镜。若干个条形反射镜组成整套的单轴太阳跟踪聚光反射镜系统。在阳光垂直照射时，每个条状反射镜都会通过其驱动机制转动以准确跟随太阳，确保反射到上方的光线能集中于位于其正上方的热能吸收装置。众多条状反射镜协同工作，将太阳光集中到热能吸收装置，以实现高效的光能聚集。随着日照角度的变化，这些反射镜同样会调整角度，保证光线不断汇聚于上方的接收器 [5] [6] 。

本文聚光器单元模型参数如表1所示。

Table 1.Linear Fresnel condenser model parameters

表1. 线性菲涅尔聚光器模型参数

线性菲涅尔式聚光器上方的复合抛物面聚光器(Compound Parabolic Concentrator, CPC)截面如图2所示，其中AB、BC由抛物线或Cusp曲线构成，具有特定的曲率半径和焦距。根据抛物线性质和反射定律，光线垂直于抛物线开口入射，反射后的光线能够在空间中聚焦到同一点或同一小区域上。这个聚焦点通常位于所有抛物面的共同焦点位置附近，即吸热管的表面。 ${\theta }_A$ 为接收半角，对于不同半角范围内的光线可能会表现出不同的聚焦效率。当太阳入射光线与CPC对称轴的夹角小于 ${\theta }_A$ 时，入射光线被反射到达吸热管；反之，入射光线会经过反射后从聚光器开口方向溢出 [7] [8] 。因此，在设计和使用聚光器时，需要考虑入射光线的半角范围，并选择适当的设计参数以实现所需的光学性能。假设金属吸热管的半径为 $r_1$ ，金属吸热管圆心到复合抛物线顶点的距离 $r_2$ ，则截面曲线表达式为：

$\{\begin{array}{l}x=r_1\sin \theta -\rho \cos \theta \\ y=-r_1\cos \theta -\rho \sin \theta \end{array}$ (2.1)

对于渐开线段：

$\rho =r_1\left(\theta +\beta \right),{\cos }^{-1}\left(\frac{r_1}{r_2}\right)\le \theta \le \frac{\pi }{2}+{\theta }_A$ (2.2)

对于Cusp曲线段：

$\rho =\frac{r_1\left[\frac{\pi }{2}+\theta +{\theta }_A+2\beta -\cos \left(\theta -{\theta }_A\right)\right]}{1+\sin \left(\theta -{\theta }_A\right)},\frac{\pi }{2}+{\theta }_A\le \theta \le \frac{3\pi }{2}-{\theta }_A$ (2.3)

其中：

$\beta =\sqrt{{\left(\frac{r_1}{r_2}\right)}^2-1}-{\cos }^{-1}\left(\frac{r_1}{r_2}\right)$ .

Figure 2. Linear Fresnel condenser CPC cross-section

图2. 线性菲涅尔聚光器CPC截面

2.1.2. 聚光器主反射优化设计

(1) 平面反射镜和微弧反射镜的对比

本文使用TracePro软件实现对待测线性菲涅尔式聚光镜面形的仿真分析。在Tracepro中建模，分别对太阳光不同入射角度下的微弧反射镜构成的聚光器的光路图进行仿真，如图3所示。

Figure 3. Condenser light path comparison

图3. 聚光器光路图对比

为节省制造成本，线性菲涅尔式聚光器一次反射镜通常采用平面镜或平面夹角反射镜，但这种反射镜在CPC接收面的反射光斑较宽，给CPC线性设计带来困难，反射光斑较宽还影响一次反射光线的进入率和聚光比的提高，反射光斑宽度较大，增加了集热场跟踪调试的难度，跟踪控制偏差、机械传动偏差、机械安装误差、调试人员的视觉误差变得异常敏感，光线系统调试工作量大。因此，本文讨论的聚光器主反射镜采用抛物面微弧设计方案。

(2) 微弧反射镜的线型

微弧反射镜利用了抛物线的聚光原理，其线型为抛物线的一部分。微弧反射镜的示意图如下图4。

Figure 4. Microarc mirror cross-section

图4. 微弧反射镜截面图

设微弧反射镜的宽度为D，高度为g，则微弧反射镜的方程为：

$y=\frac{4g}{D^2}{x}^2,-\frac{D}{2}\le x\le \frac{D}{2}$ (2.5)

其中g的取值范围2.0~3.0 mm，细分为多种规格。

2.2. 主反射镜面形的光学检测

主反射镜在线性菲涅尔集热场中投资成本最高，而且微弧镜面形精度控制特别困难，不能采用常规的热弯钢化工艺。实际工程中多采用机械冷成型工艺，为控制反射光斑的质量，必须对一次镜面形批量生产曲率误差进行控制，如表2所示。

干涉条纹法检测

利用干涉条纹法对本文2.1.2节优化设计的微弧反射镜进行面形检测，大尺寸(4060 × 800 mm)微弧反射镜镜面曲率误差(Kx < 5.0 mrad, Ky < 6.5 mrad)和焦距误差(<15 mm)，实际一次反射光斑最大宽度小于380 mm。

速度：测试时间为20 S (不含移动测试设备时间)。

面形云图如图5所示。

Table 2. Different models produce curvature errors

表2. 不同型号生产曲率误差

Figure 5. Planar cloud image

图5. 面型云图

2.3. 新型面形判据研究

本小节通过干涉条纹法对合格与不合格的反射镜进行了大量的检测实验，提出了一种基于光斑宽度特征的微弧型反射镜面形检测依据。

2.3.1. 新型反射镜面形判据实验

(1) 分别随机选取多组A、B型反射镜，利用本章第二小节的所述干涉条纹法检测设备进行面形检测，区分出合格品和不合格品。

(2) 当光源、微弧镜面相对位置关系和入射光线角度确定后，反射光斑的位置也必然确定，微弧型镜面因弧度的差异，反射光斑的宽度也会存在差异；通过调整光源、反射镜和反射光斑接收板的位置和角度，在确定的入射角和镜–屏距离下，使得反射光斑图像能够明显呈现出微弧型反射镜面的面形缺陷。

(3) 对比合格和不合格反射镜的光斑，综合光斑最大宽度、平均宽度及其方差三个方面确定合格判据，其中平均宽度及其方差取光斑长度方面上多个位置进行测量，判据如表3。

Table 3. The maximum width, average width and variance of different types of spot

表3. 不同型号光斑最大宽度、平均宽度及其方差

2.3.2. 简易光学测试方案

在生产车间搭建暗室和光斑接受屏，并设置光源和发射镜旋转工装，入射光选择单色的强光点光源，调整反射镜到固定角度，使反射光斑投射至光斑接受屏特定位置，在光斑上方设置工业摄像机采集反射光斑，计算机采集到反射光斑图像后进行相应的滤波和变换处理，经过变换处理的图像与相机矩形像素点阵列一一对应，按照像素点在光斑长度方向上将图像分割成100份，经过计算分析获得光斑最大宽度、平均宽度的均值和方差，根据上述判据判定微弧镜面的质量，计算机最终输出结果为10次测量计算的平均值。现场检测设备示意图如图6所示。

Figure 6. Schematic diagram of field testing equipment

图6. 现场检测设备示意图

3. 主反射镜光斑特征提取方法研究

本章将详细阐释主反射镜光斑特征提取方法的研究，实现对聚光太阳能反射镜面形的精确检测。为了达到这一目标，首先研究了不同的光斑图像预处理方法，通过图像灰度化、对比度增强、去除噪声等步骤，为光斑图的准确提取奠定基础。针对光斑图像的独特特性，本文提出了一种有效的宽度特征提取方法。该技术可以从预处理后的图像中准确地提取出光斑的宽度特征值，确保了从中提取的数据具有高度的可靠性和有效性。这些特征值为反射镜面型判断提供了可靠的依据。

3.1. 图像预处理算法

图像可能受到来自摄像头传感器、环境光线等因素引起的噪声干扰，图像预处理旨在通过一系列操作提高图像质量、减少噪声，并为后续的分析和识别提供更好的基础。在光学检测系统中，图像预处理对于准确地捕捉反射镜面的形状信息至关重要。本节将详细探讨图像预处理的原理、常用方法以及在光学检测系统中的应用。

3.1.1. 图像灰度化方法

在本研究中，所使用的相机捕获的彩色图像数据是通过红色(R)、绿色(G)、蓝色(B)三个颜色通道构成的，而光斑宽度特征值的提取不需要多通道的信息。通过将彩色图像转换为灰度图像，用灰度值来表示图像中的亮度信息，这有助于简化后续处理步骤，降低计算复杂度，提高处理速度，并且这为后续的边缘检测、形状分析等操作提供了基础 [9] 。图像灰度化常见的算法有：

(1) 最大化法

$Gray\left(x,y\right)=\max \left\{R\left(x,y\right),G\left(x,y\right),B\left(x,y\right)\right\}$ (3.1)

(2) 平均值法

$Gray\left(x,y\right)=\left[R\left(x,y\right),G\left(x,y\right),B\left(x,y\right)\right]/3$ (3.2)

(3) 加权平均法

对源图像的三个通道信息按比例加权平均得到输出图像的灰度值，例如：

$Gray\left(x,y\right)=0.299R\left(x,y\right)+0.587G\left(x,y\right)+0.114B\left(x,y\right)$ (3.3)

其中， $\left(x,y\right)$ 是图像像素点坐标； $R\left(x,y\right)$ 、 $G\left(x,y\right)$ 和 $B\left(x,y\right)$ 分别为红色、绿色和蓝色通道中像素点的灰度值。

通过比较处理前后的三通道源图像和灰度图像，如图7所示，发现灰度化后的图像可以保留源图像中的边缘轮廓特征，这对后续的尺寸测量结果不会产生不良影响。

Figure 7. Mirror original and grayscale image

图7. 反射镜原图与灰度图像

3.1.2. 图像对比度增强方法

常见的图像对比度增强方法包含：

(1) 线性变换和分段式线性变换，如图8、图9所示。

Figure 8. Linear transformation and piecewise linear transformation renderings

图8. 线性变换和分段式线性变换效果图

Figure 9. Gamma transform effect diagram

图9. γ变换效果图

(2) 直方图均衡化。

直方图均衡化能够有效地增强图像的对比度，并且不需要额外的参数调整。特别是在灰度级分布不均匀的情况下，能够将图像的灰度级范围重新分配到整个灰度范围内，从而使得图像的细节更加清晰，同时提高了图像的视觉效果，如图10所示。

3.1.3. 图像滤波方法

图像捕获过程中常常受到各种干扰，如传感器噪声、环境光影响等，这可能会导致图像特征信息的提取和识别存在困难。因此，去除这些噪声会提升后续处理步骤的准确性。常见的去噪技术包括均值滤波、中值滤波、高斯滤波和双边滤波处理。这些滤波器有助于平滑图像并减少不必要的细节，使得后续算法更容易捕捉到反射镜面的真实形状。

滤波方法有以下四种(1) 均值滤波(2) 中值滤波(3) 高斯滤波(4) 双边滤波。

Figure 10. Histogram equalization effect

图10. 直方图均衡化效果图

Figure 11. Comparison of four filtering methods

图11. 四种滤波方法对比图

本文对四种去噪技术进行了对比，图11是分别使用四种滤波技术对图像进行滤波处理的效果图。最后结合反射光斑特性以及各类滤波算法的特性，通过先做中值滤波再做双边滤波完成去噪，降低检测反射光斑的宽度提取工作的难度。

3.1.4. 图像分割方法

图像分割是将图像划分成具有特定含义或目标的区域的过程，是图像处理中的重要步骤。图像分割的原理是将灰度化的图像转化为只包含0和255的黑白图像，其中0表示黑，255表示白，这一过程旨在凸显图像中的目标特征，简化图像结构，以便后续的形状分析、目标检测或者图像识别任务 [10] 。在面形检测领域，可用来将图像中的目标与背景分离。

本文采用全局阈值法对图像进行二值化处理，如图12所示。

Figure 12. Global threshold method image segmentation effect

图12. 全局阈值法图像分割效果图

3.2. 图像特征提取算法

3.2.1. 边缘检测方法

在预处理完成后的图像，需要对图像中的反射光斑接收屏的轮廓进行提取，以满足后续反射光斑的定位及宽度测量。由于反射光斑接收屏的实际宽度是已知的，提取反射光斑接收屏的轮廓后则很容易计算出反射光斑相对于接收屏的宽度。另外，由于图像中反射光斑接收屏可能存在倾斜等情况，本研究还需对其进行相应的校正操作，以确保测量结果的准确性和可靠性。

本文图像中的反射光斑接收板是横向的，需要检测横向边缘，因此实验中Roberts算子和Prewitt算子使用的垂直边缘算子模板。五种算子的边缘检测效果如图13所示。在对比五种算子后，本文选择Canny算子作为边缘检测的算子。Roberts、Sobel和Prewitt算子虽然能够检测到边缘，但它们对噪声敏感且产生较粗糙的边缘。LoG算子能够有效地抑制噪声，但它的计算量较大，可能会导致较长的计算时间。相比之下，Canny算子综合考虑了准确性、噪声抑制和边缘连续性，在多阶段处理中采用高斯滤波和双阈值处理，能够提供较高的边缘检测精度，同时对噪声具有较好的抑制效果，因此选择Canny算子作为本文研究中边缘检测的算子。

边缘检测能够有效地提取图像中的边缘信息，如反射光斑接收屏的边界轮廓。在对图像进行边缘检测处理后，可以较好地识别到反射光斑接收屏，进而实现对其位置和形状的准确定位。根据采集的图像中只有反射板并且其面积最大的特征，依据此方法筛选出符合条件的轮廓，最终提取出图像中反射光斑接收屏的轮廓。最终轮廓提取效果如图14所示。可以看到，本文的方法可以很好地对主要目标的轮廓进行提取。

3.2.2. 图像校正方法

由于图像中的反射光斑接收屏可能相对于图像水平方向是倾斜的，这可能对后续的基于像素计数的宽度测量方法造成影响。倾斜的反射光斑接收屏会导致测量的宽度不准确，因为倾斜会使得在图像中沿着垂直方向计算宽度的时候产生误差，从而基于像素计数的宽度测量造成错误。

Figure 13. Image edge detection effect

图13. 图像边缘检测效果图

Figure 14. Reflection spot receiving screen contour extraction diagram

图14. 反射光斑接收屏轮廓提取示意图

为了解决这个问题，需要对倾斜的反射光斑接收屏进行校正。校正的目标是将反射光斑接收屏旋转至水平位置，使其在图像中呈现正常的形态，从而确保后续的宽度测量准确可靠。根据图像中接收屏是条状的矩形物体的特点，本文使用的校正方法是通过霍夫变换(Hough Transform)来检测图像中的直线，并计算其倾斜角度。然后，根据计算出的角度对图像进行旋转校正，如图15所示。

Figure 15. Reflection spot receiving screen image correction and extraction

图15. 反射光斑接收屏图像校正与提取

3.2.3. 宽度测量方法

经过前面的图像边缘检测和图像水平方向角度校正与提取后，得到一个水平的反射光斑接收屏图像，由于接收屏的宽度是已知的，可以利用接收屏的已知宽度以及光斑在接收屏上的宽度比例来计算光斑的实际宽度。

(1) 确定光斑区域：在水平的反射光斑接收屏图像中，首先确定光斑的区域。这可以通过对得到的结果图像进行预处理后进行边缘检测来识别光斑的区域，最终确保选取的区域包含了整个光斑。

(2) 计算光斑宽度比例：在光斑的水平方向，将其分割成100个子图像，分别计算每个图像块在垂直方向上与反射光斑接收屏的宽度占比。对于每个子图像块的水平方向的每个点，找到光斑边界点与接收屏边界点，形成一系列的宽度占比。然后，计算这些测量的平均值作为该图像块的光斑宽度占比。

(3) 计算光斑实际宽度：通过将接收屏的实际宽度乘以光斑的宽度比例，即可得到光斑的实际宽度值。

3.3. 面形检测流程

本文提出的聚光器反射镜面形检测方案流程如图16所示。

(1) 原始图像预处理：首先，对相机采集到的原始图像进行预处理。预处理包括三个步骤：使用加权平均法进行图像灰度化、使用直方图均衡化对图像进行对比度增强、使用高斯滤波进行图像滤波，以提高图像质量和清晰度。

(2) 边缘检测和轮廓提取：在图像预处理完成后，对图像进行边缘检测和轮廓提取。通过这两个步骤，将光斑接收屏的主要区域提取出来，并进行水平校正，以确保后续光斑宽度测量的准确性。

(3) 光斑宽度测量：接下来，对光斑的主要区域进行识别。将光斑按照水平方向平均分成100份，并对每一份进行宽度测量。测量得到光斑的最大宽度、平均宽度的均值和方差等参数。

(4) 结果判定：根据文中2.3.1节提供的判据，对测量结果进行质量判定，以评估微弧镜面的质量。最终，输出测试结果，结果包括光斑的最大宽度、平均宽度的均值和方差等测量参数，以及微弧镜面的质量评定结果。

Figure 16. Inspection flow chart

图16. 检测流程图

3.4. 面形检测实验结果与分析

本小节对A型和B型各十个反射镜进行了实验测量，分别采集了在自然光下每个反射镜对应的反射光斑图像，并进行了后续的图像处理和分析，验证本文提出的新型简易面形判据的可靠性。

3.4.1. A型反射镜面形检测实验

本文首先对十个A型反射镜进行了检测实验，在相同的实验环境下对每个反射镜的反射光斑图采集了10张图像进行重复性测量实验，然后使用本文提出的测量算法计算每张图像中光斑100次的最大宽度、宽度均值和宽度方差三个特征值，最后对十张图像的特征值取平均值，根据判据输出最终的检测结果。

本文选取了1号A型反射镜进行检测流程概述，采集到的原始反射光斑图如图17(a)所示，在预处理步骤，对原始图像进行了图像灰度化、对比度增强和图像滤波，得到的预处理图像如图17(b)所示。接下来，对预处理的图像进行边缘检测和轮廓提取，得到反射光斑的图像，对光斑进行了识别，并将其水平校正，如图18所示。最后将水平校正的光斑图在光斑的长度方向上将其分割成100份，统计了这100份的宽度值，其中宽度最大值为346.06，宽度的均值为339.19，宽度的方差为8.25，根据2.3.1节得出的A型反射镜光斑最大宽度 ≤ 380、宽度均值 ≤ 350、宽度方差 ≤ 12可以得到1号反射镜的质量为合格。

Figure 17. Type A mirror raw image and preprocessed image

图17. A型反射镜原始图像与预处理图像

A型反射镜的测量结果如表4所示。分别记录了每个反射镜的最大宽度、平均宽度、宽度方差和算法判断的结果，真实情况是反射镜的真实质量结果。

Figure 18. A-mirror contour extraction image and level correction image

图18. A型反射镜轮廓提取图像与水平校正图像

Table 4. Maximum width, average width and variance of type A mirror

表4. A型反射镜最大宽度、平均宽度及其方差

根据实验结果，对于A型反射镜，本文提出的测量方案能够准确地判断是否合格，并且面形判定结果与真实结果相一致。这表明本文设计的基于图像识别的聚光太阳能反射镜面形检测方法能够准确地检测反射镜的面形，并且具有较高的可靠性。

3.4.2. B型反射镜面形检测实验

选取1号B型反光镜进行检测分析，采集到的原始反射光斑图如图19(a)所示，预处理后的图像如图19(b)所示；光斑图像如图20所示。最终测量的宽度最大值为305.51，宽度的均值为290.61，宽度的方差为10.95，根据2.3.1节得出的A型反射镜光斑最大宽度 ≤ 320、宽度均值 ≤ 300、宽度方差 ≤ 12可以得到1号反射镜的质量为合格。

B型反射镜的测量结果如表5所示。B型反射镜中除10号反射镜的质量为不合格，其余反射镜均为合格。结果表明，本文方法的检测结果与真实的质量结果相符，本文提出的检测方案能够有效地判断反射镜的质量是否合格。本文设计的测量方法能够准确地测量反射镜的光斑宽度，并判断质量是否合格。实验结果显示，在大多数样本中，测量结果与真实的质量结果一致，验证了本文提出的检测方案的有效性和可靠性。

Figure 19. Type B mirror original image and preprocessed image

图19. B型反射镜原始图像与预处理图像

Figure 20. B-mirror contour extraction image and level correction image

图20. B型反射镜轮廓提取图像与水平校正图像

Table 5. The maximum width, average width and variance of type B mirror

表5. B型反射镜最大宽度、平均宽度及其方差

4. 总结

本文提出了一种全新的基于图像识别的面形检测方法，通过对图像的预处理、边缘检测、轮廓提取和宽度测量等步骤，实现了对反射镜的质量评估。通过测量得到的参数，可以客观地评价微弧镜面的质量，为产品质量控制提供了有效的数据支持。实验结果显示，本文提出的新型检测方法能够准确地检测反射镜的面形质量，并为太阳能反射镜的制造和质量控制提供了一种新的技术手段。