[发明专利]一种基于深度学习的玻璃缺陷检测方法

说明书

本发明公开了一种基于深度学习的玻璃缺陷检测方法，本发明属于人工智能技术领域，具体的是涉及深度学习的图像识别技术。本发明包括定义了对普通的高拍摄像头所拍摄的原始玻璃图片的预处理；基于生成式对抗网络中的pix2pix网络对预处理后的玻璃图片进行玻璃边缘的提取；基于局部和全局融合特征的玻璃缺陷多尺度分类器对所提取到的玻璃边缘图片进行缺陷检测，输出为玻璃有无缺陷的分类结果。本发明在玻璃缺陷检测的效率上明显优于传统的人工肉眼分辨方式，一定程度上减少了玻璃制造过程中的人工开销，并且保证了玻璃缺陷检测模型的较高的检测率和较低的误检率。

技术领域

本发明属于人工智能领域，涉及一种基于深度学习的玻璃缺陷检测方法。

背景技术

玻璃缺陷检测的研究起步较早，因为玻璃对于城市化和现代工业具有重要意义。对于玻璃厂来说，每天都有大量的玻璃缺陷检测工作，大多还是靠人工筛选。然而，人工识别玻璃缺陷成本高，效率低。现有的大多数玻璃缺陷检测自动化场景严重依赖于大型专业仪器，如超声波检测和线性矩阵扫描仪。专业的玻璃缺陷检测仪器不仅价格昂贵，而且设备的占地空间大，在普通企业中不容易普及。这些企业迫切需要一种低成本的玻璃缺陷检测方案。现有的图像识别方法由于玻璃是透明的，在玻璃识别方面的应用有限。

目前，针对玻璃缺陷检测所提出的流程中，最为关键的步骤是玻璃边缘的提取。而针对这一关键的步骤，现存的技术方案包括基于传统图像处理方式的边缘提取技术和基于传统卷积神经网络的边缘提取技术。但是，基于传统图像处理方式的边缘提取技术不能清晰地提取到玻璃的边缘图片；而基于传统卷积神经网络的边缘提取技术虽然可以较为清晰地提取到玻璃边缘信息，但同时提取到的还有玻璃所处环境的背景信息，这些背景信息一定程度上对最后的缺陷检测过程的检测率和误检率造成了不利的影响。

此外，目前，针对玻璃缺陷检测流程中的缺陷检测这一步骤，由于存在玻璃边缘的局部缺陷和玻璃整体存在的全局缺陷，在缺陷检测这一过程中很难兼顾到这两个部分，因而在最后的检测结果中，检测率和误检率不能达到理想的状态。

发明内容

本发明的目的在于：为了解决现有的玻璃缺陷检测的技术方案中人力和物力开销大的问题；此外，为了解决现有边缘提取技术中边缘提取不清晰和不能有效忽略无意义的背景信息等问题；同时，为了解决不能有效兼顾局部缺陷检测和全局缺陷检测的问题，本发明提出了一种基于深度学习的玻璃缺陷检测方法，涵盖整个玻璃缺陷检测流程。

本发明采用的技术方案如下：

基于深度学习的玻璃缺陷检测方法，包括如下几个步骤：

S1：将普通的高拍摄像头下所采集到的玻璃原始图片作为输入图片；

S2：对输入的玻璃原始图片进行预处理操作，包括裁剪、缩放等，以达到统一所有的原始图片的目的；

S3：基于生成式对抗网络模型中的pix2pix网络，对预处理后的玻璃原始图片进行玻璃边缘的提取；

S4：基于局部与全局融合特征算法所设计出的玻璃缺陷多尺度分类器，对所提取得到的玻璃边缘图片进行局部和全局的玻璃缺陷检测；

S5：输出检测结果，同时计算输出最终的检测率与误检率。

进一步的，所述S1中，用作输入图片的原始玻璃图片，无需依赖于昂贵的大型专业设备，普通高拍摄像头下采集到的玻璃图片即可满足要求。

进一步的，所述S2中，对输入的玻璃原始图片所进行的预处理操作，只需依赖于简单的图像变换操作对输入的原始玻璃图片进行统一即可满足要求。