CN108765391A - 一种基于深度学习的平板玻璃异物影像分析方法 - Google Patents

一种基于深度学习的平板玻璃异物影像分析方法 Download PDF

Info

Publication number
CN108765391A
CN108765391A CN201810484049.7A CN201810484049A CN108765391A CN 108765391 A CN108765391 A CN 108765391A CN 201810484049 A CN201810484049 A CN 201810484049A CN 108765391 A CN108765391 A CN 108765391A
Authority
CN
China
Prior art keywords
deep learning
foreign matter
plate glass
analysis methods
image analysis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810484049.7A
Other languages
English (en)
Inventor
陈招娣
洪立昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kornerstone Materials Technology Co Ltd
Original Assignee
Kornerstone Materials Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kornerstone Materials Technology Co Ltd filed Critical Kornerstone Materials Technology Co Ltd
Priority to CN201810484049.7A priority Critical patent/CN108765391A/zh
Publication of CN108765391A publication Critical patent/CN108765391A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于深度学习的平板玻璃异物影像分析方法，其包括以下步骤：步骤S1：对多个玻璃异物AOI影像图片进行标注；步骤S2：将所述已处理的图片按一定比例划分为训练集图片，剩余部分归于测试集图片；步骤S3：构建AlexNet网络；步骤S4：把所述训练集输入到深度卷积神经网络中，进行迭代训练后得到深度学习模型；步骤S5：把所述的测试集输入到所述深度学习模型中，测试是否满足准确度要求，如果不满足则返回步骤S3。本发明提出的基于深度学习的平板玻璃AOI影像处理模型，可以快速识别平板玻璃中的异物类型，且该方法具有大于95%的准确度。所述方法的提出有助于生产线上监控人员更加及时准确的识别玻璃产品的缺陷状况，来获取充分的时间应对与解决这个问题。

Description

一种基于深度学习的平板玻璃异物影像分析方法
技术领域
本发明属于影响分析方法，具体涉及一种基于深度学习的平板玻璃异物影像分析方法。
背景技术
平板玻璃工业生产中，受技术条件等因素影响，初期制造过程中玻璃内部难免会出现各式各样的瑕疵，诸如玻璃异物，这些异物会直接影响到玻璃的品质，而玻璃异物的类型又直接关系到生产解决的方向。随着科技的进步，AOI（自动光学检测）设备已广泛应用于线下玻璃产品的检测，该设备通过运用高速高精度视觉处理技术可自动检测玻璃内部的各种缺陷，然而由于玻璃内部异物类型的复杂性，我们很难将每种异物的特征编写入该设备中。所以，仅靠AOI本身无法完成不同类型异物的区分，尤其是当二种异物的影像非常相似时为解决上述问题，现有的方法是人工将带异物的玻璃逐一挑选出来进行光学或理化分析，进而依据检测结果进行异物类型的分析判定。此种方法检测效率低，而且当异物数量很多时，几乎不可能做到全检。为此,如何依据AOI缺陷影像准确快速地分析出异物所属类型将是一个亟待解决的重要课题。
发明内容
根据现有技术的不足，本发明提供一种基于深度学习的平板玻璃异物影像分析方法，该方法不仅能够快速识别出AOI异物影像的类别，而且准确度高，对玻璃生产具有很大的指导意义。
本发明采用以下技术方案：一种基于深度学习的平板玻璃异物影像分析方法，其特征在于：包括以下步骤：步骤S1：对多个玻璃异物AOI影像图片进行标注；步骤S2：将所述已处理的图片按一定比例划分为训练集图片，剩余部分归于测试集图片；步骤S3：构建AlexNet网络；步骤S4：把所述训练集输入到深度卷积神经网络中，进行迭代训练后得到深度学习模型；步骤S5：把所述的测试集输入到所述深度学习模型中，测试是否满足准确度要求，如果不满足则返回步骤S3。
进一步的，将标注好后的图片转换为227×227像素的图片。
在本发明一实施例中，步骤S2中还包括以下步骤：将原始图片进行一些变换来生成新的资料，用于扩大训练资料的形式，具体的所述变换方式有：从原始图像中随机裁剪出一些图像；水平翻转、伸缩、尺度变换；给图像增加一些随机的光照。
在本发明一实施例中，所述步骤S3中构建AlexNet网络的具体过程如下：步骤S31：首先导入tensorflow、TFlearn、numpy相关Python库；步骤S32：准备训练数据设置预留位置；步骤S33：使用神经网络运算搭建卷积神经网络模型；步骤S34：设置训练参数和开启会话开始训练；步骤S35：保存训练好的网络模型。
在本发明一实施例中，所述AlexNet网络共有8层，其中前5层为卷积层，后3层为全连接层，最后一个全连接层的output是softmax的多分类器；所述softmax层输出准确度。
在本发明一实施例中，步骤S2中按70%比例划分为训练集图片。
在本发明一实施例中，步骤S4中图像是以二维矩阵的形式输入到卷积神经网络中。
与现有技术相比，本发明提出的基于深度学习的平板玻璃AOI影像处理模型，可以快速识别平板玻璃中的异物类型，且该方法具有大于95%的准确度。所述方法的提出有助于生产线上监控人员更加及时准确的识别玻璃产品的缺陷状况，来获取充分的时间应对与解决这个问题。
附图说明
图1为本发明的主要流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步解释说明。
本发明提供一种基于深度学习的平板玻璃异物影像分析方法，主要流程示意图参见图1。
本发明按以下技术方案实现：
步骤一：对大量的玻璃异物AOI影像图片进行标注，并将标注好后的图片转换为227×227像素；
步骤二：将所述已处理的图片按一定比例划分为训练集图片，剩余部分归于测试集图片；较佳的本发明中的比例为70%；
步骤三：构建AlexNet网络；
步骤四：把所述训练集输入到深度卷积神经网络中，进行迭代训练后得到深度学习模型；
步骤五：把所述的测试集输入到所述深度学习模型中，测试是否满足准确度要求，如果不满足则返回上一步骤；
优选的是，在步骤二中，将原始图片进行一些变换来生成新的资料，用于扩大训练资料的形式，所述变换方式有：
1）从原始图像中随机裁剪出一些图像；
2）水平翻转、伸缩、尺度变换等；
3）、给图像增加一些随机的光照。
优选的是，所述步骤三中构建AlexNet网络的具体过程如下：
1） 首先导入tensorflow、TFlearn、numpy相关Python库；
2） 准备训练数据设置预留位置；
3） 使用神经网络运算搭建卷积神经网络模型；
4） 设置训练参数和开启会话开始训练；
5） 保存训练好的网络模型。
优选的是，所述AlexNet网络共有8层，其中前5层为卷积层，后3层为全连接层，最后一个全连接层的output是softmax的多分类器。所述softmax层输出准确度。
优选的是，步骤四中图像是以二维矩阵的形式输入到卷积神经网络中。
本发明中提及的准确度，即为对用训练样本训练好的神经网络进行测试时，分类正确的测试样本占所有测试样本的比重。
本发明的基于深度学习的平板玻璃异物影像分析方法准确度高达95%以上，优选的的高于98%。
上述实施例仅供说明本发明之用，本技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变化，因此，所有等同的技术方案也应该属于本发明的范畴。

Claims (7)

1.一种基于深度学习的平板玻璃异物影像分析方法，其特征在于：包括以下步骤：
步骤S1：对多个玻璃异物AOI影像图片进行标注；
步骤S2：将所述已处理的图片按一定比例划分为训练集图片，剩余部分归于测试集图片；
步骤S3：构建AlexNet网络；
步骤S4：把所述训练集输入到深度卷积神经网络中，进行迭代训练后得到深度学习模型；
步骤S5：把所述的测试集输入到所述深度学习模型中，测试是否满足准确度要求，如果不满足则返回步骤S3。
2.根据权利要求1所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：步骤S 1中并将标注好后的图片转换为227×227像素的图片。
3.根据权利要求1所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：步骤S2中还包括以下步骤：将原始图片进行一些变换来生成新的资料，用于扩大训练资料的形式，具体的所述变换方式有：
1） 从原始图像中随机裁剪出一些图像；
2） 水平翻转、伸缩、尺度变换；
3） 给图像增加一些随机的光照。
4.根据权利要求1所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：
所述步骤S3中构建AlexNet网络的具体过程如下：
步骤S31：首先导入tensorflow、TFlearn、numpy相关Python库；
步骤S32：准备训练数据设置预留位置；
步骤S33：使用神经网络运算搭建卷积神经网络模型；
步骤S34：设置训练参数和开启会话开始训练；
步骤S35：保存训练好的网络模型。
5.根据权利要求4所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：所述AlexNet网络共有8层，其中前5层为卷积层，后3层为全连接层，最后一个全连接层的output是softmax的多分类器；所述softmax层输出准确度。
6.根据权利要求1所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：步骤S2中按70%比例划分为训练集图片。
7.根据权利要求1所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：步骤S4中图像是以二维矩阵的形式输入到卷积神经网络中。
CN201810484049.7A 2018-05-19 2018-05-19 一种基于深度学习的平板玻璃异物影像分析方法 Pending CN108765391A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810484049.7A CN108765391A (zh) 2018-05-19 2018-05-19 一种基于深度学习的平板玻璃异物影像分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810484049.7A CN108765391A (zh) 2018-05-19 2018-05-19 一种基于深度学习的平板玻璃异物影像分析方法

Publications (1)

Publication Number Publication Date
CN108765391A true CN108765391A (zh) 2018-11-06

Family

ID=64007478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810484049.7A Pending CN108765391A (zh) 2018-05-19 2018-05-19 一种基于深度学习的平板玻璃异物影像分析方法

Country Status (1)

Country Link
CN (1) CN108765391A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291830A (zh) * 2020-03-04 2020-06-16 东莞理工学院 一种提高玻璃表面缺陷检测效率与准确率的方法
CN111862064A (zh) * 2020-07-28 2020-10-30 桂林电子科技大学 一种基于深度学习的银质丝材表面瑕疵识别方法
CN113706511A (zh) * 2021-08-31 2021-11-26 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的复合材料损伤的检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5075070B2 (ja) * 2008-09-19 2012-11-14 大日本スクリーン製造株式会社 教師データ作成方法、並びに、画像分類方法および画像分類装置
CN104318256A (zh) * 2014-11-17 2015-01-28 上海埃蒙特自动化系统有限公司 基于计算机软件实现玻璃缺陷自动检测分类的方法
CN107203780A (zh) * 2017-05-11 2017-09-26 南京瑞麒凰电子科技有限公司 基于深度学习的玻璃清洁度的检测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5075070B2 (ja) * 2008-09-19 2012-11-14 大日本スクリーン製造株式会社 教師データ作成方法、並びに、画像分類方法および画像分類装置
CN104318256A (zh) * 2014-11-17 2015-01-28 上海埃蒙特自动化系统有限公司 基于计算机软件实现玻璃缺陷自动检测分类的方法
CN107203780A (zh) * 2017-05-11 2017-09-26 南京瑞麒凰电子科技有限公司 基于深度学习的玻璃清洁度的检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周康 等: "《装饰材料与施工工艺》", 31 January 2018, 镇江：江苏大学出版社 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291830A (zh) * 2020-03-04 2020-06-16 东莞理工学院 一种提高玻璃表面缺陷检测效率与准确率的方法
CN111291830B (zh) * 2020-03-04 2023-03-03 东莞理工学院 一种提高玻璃表面缺陷检测效率与准确率的方法
CN111862064A (zh) * 2020-07-28 2020-10-30 桂林电子科技大学 一种基于深度学习的银质丝材表面瑕疵识别方法
CN111862064B (zh) * 2020-07-28 2022-08-09 桂林电子科技大学 一种基于深度学习的银质丝材表面瑕疵识别方法
CN113706511A (zh) * 2021-08-31 2021-11-26 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的复合材料损伤的检测方法

Similar Documents

Publication Publication Date Title
CN106952250B (zh) 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置
Nguyen et al. Inspecting method for defective casting products with convolutional neural network (CNN)
CN108346144B (zh) 基于计算机视觉的桥梁裂缝自动监测与识别方法
CN112053318B (zh) 基于深度学习的二维pcb缺陷实时自动检测与分类装置
CN110473173A (zh) 一种基于深度学习语义分割的缺陷检测方法
CN114994061B (zh) 一种基于机器视觉的钢轨智能化检测方法及系统
CN111553303A (zh) 基于卷积神经网络的遥感正射影像密集建筑物提取方法
CN108765391A (zh) 一种基于深度学习的平板玻璃异物影像分析方法
CN113763312A (zh) 使用弱标记检测半导体试样中的缺陷
CN110555831B (zh) 一种基于深度学习的排水管道缺陷分割方法
CN109146873A (zh) 一种基于学习的显示屏缺陷智能检测方法及装置
CN114894642B (zh) 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置
CN112418266A (zh) 一种基于卷积神经网络的桩基础完整性分类识别方法
CN116500086B (zh) 一种基于深度学习的铜复铝散热底板生产评价方法及系统
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN114743102A (zh) 一种面向家具板材的瑕疵检测方法、系统及装置
CN111986145A (zh) 一种基于Faster-RCNN的轴承滚子瑕疵检测方法
CN114627082A (zh) 一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法
CN114881987A (zh) 基于改进YOLOv5的热压导光板缺陷可视化检测方法
KR102189951B1 (ko) 이미지 분석을 이용한 선박 도장상태 검사 시스템 및 방법
CN113516652A (zh) 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备
CN115937555A (zh) 一种基于标准化流模型的工业缺陷检测算法
Chen et al. Research on anti-interference detection of 3D-printed ceramics surface defects based on deep learning
CN115082650A (zh) 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法
JP2022013285A (ja) 機械学習方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181106

RJ01 Rejection of invention patent application after publication