CN116542963A - 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法 - Google Patents
一种基于机器学习的浮法玻璃缺陷检测系统及检测方法 Download PDFInfo
- Publication number
- CN116542963A CN116542963A CN202310662744.9A CN202310662744A CN116542963A CN 116542963 A CN116542963 A CN 116542963A CN 202310662744 A CN202310662744 A CN 202310662744A CN 116542963 A CN116542963 A CN 116542963A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- float glass
- detection
- module
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 74
- 239000005329 float glass Substances 0.000 title claims abstract description 72
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000010801 machine learning Methods 0.000 title claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 239000011521 glass Substances 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 230000002950 deficient Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 abstract description 3
- 230000004913 activation Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器学习的浮法玻璃缺陷检测系统及检测方法，涉及玻璃检测技术领域，包括图像检测与处理系统、模型设计与测试系统、分析与比对系统；其中，图像检测与处理系统用于收集浮法玻璃图像数据，对图像数据进行处理，并提取检测数据；模型设计与测试系统利用机器学习算法创建模型，使用标注好的数据集对模型进行训练，并对模型进行测试；分析与比对系统用于显示与比对缺陷数据，最终形成对比数据表格。本发明一个或多个实施例中，使用组合平滑滤波模型进行图像预处理，基于浮法玻璃选择合适的滤波器和参数，同时，为了加强缺陷边缘的强特征区间，采用边缘增强算法，对图像进行边缘检测和增强，提高了训练模型过程中的准确性。
Description
技术领域
本发明涉及玻璃检测技术领域，具体为一种基于机器学习的浮法玻璃缺陷检测系统及检测方法。
背景技术
浮法玻璃是一种常见的玻璃制品，应用广泛，分为着色玻璃、浮法银镜、浮法玻璃/汽车挡风级、浮法玻璃/各类深加工级、浮法玻璃/扫描仪级、浮法玻璃/镀膜级、浮法玻璃/制镜级，浮法玻璃具有平整、透明、硬度高、耐热、耐腐蚀等优点。
现有的浮法玻璃缺陷检测系统由于玻璃表面反射和折射的光线会形成两个轮廓，导致检测结果不准确，且在检测过程中容易出现误报，容易将正常的玻璃表面误判为缺陷，还对于一些微小的气泡缺陷难以检测出，导致生产成本增加。
所以我们提出了一种基于机器学习的浮法玻璃缺陷检测系统及检测方法，以便于解决上述中提出的问题。
发明内容
本发明的目的在于提供一种基于机器学习的浮法玻璃缺陷检测系统及检测方法，以解决上述背景技术提出的目前市场上的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于机器学习的浮法玻璃缺陷检测系统，包括图像检测与处理系统、模型设计与测试系统、分析与比对系统；
其中，图像检测与处理系统用于收集浮法玻璃图像数据，对图像数据进行处理，并提取检测数据；
模型设计与测试系统利用机器学习算法创建模型，使用标注好的数据集对模型进行训练，并对模型进行测试；
分析与比对系统用于显示与比对缺陷数据，最终形成对比数据表格。
本发明一个或多个实施例中，所述图像检测与处理系统包括图像采集模块、图像预处理模块、提取特征模块；
其中，图像采集模块用于对浮法玻璃进行拍摄，获取图像数据，并对浮法玻璃进行标记；
图像预处理模块用于对采集到的图像数据进行预处理，包括图像去噪、图像增强、图像分割；
提取特征模块用于通过计算机视觉技术对预处理后的图像进行特征提取。
本发明一个或多个实施例中，所述模型设计与测试系统包括模型训练模块、模型测试模；
其中，模型训练模块用于通过机器学习算法对数据进行训练，建立缺陷检测模型；
模型测试模块用于将采集到的图像输入到训练好的模型中，进行缺陷检测，判断玻璃表面是否存在缺陷。
本发明一个或多个实施例中，所述分析与比对系统包括缺陷检测与分类模块、缺陷对比模块、报警模块和显示结果模块；
其中，缺陷检测与分类模块用于对检测到的缺陷形状、大小、位置进行特征提取；
缺陷对比模块用于将检测到的缺陷再次输入到训练好的模型中，对模型进行优化训练；
报警模块用于在检测过程中对缺陷的浮法玻璃进行提示，并计算其间隔时间；
显示结果模块用于将检测和识别结果输出到显示端，最终形成对比数据表格。
一种基于机器学习的浮法玻璃缺陷检测系统的检测方法，包括以下步骤：
S1、通过使用高分辨率相机对浮法玻璃进行拍摄，并对收集到的浮法玻璃图像中的缺陷处依次进行标注；
S2、对提取到的缺陷特征使用组合平滑滤波模型进行图像预处理，使用边缘增强算法，加强对图片边缘的检测；
S201、首先对浮法玻璃的图像进行灰度化处理，将彩色图像转换为灰度图像；
S202、使用高斯滤波器对灰度图像进行平滑处理，去除主要的高频噪声；
S203、使用中值滤波器对平滑后的图像进行平滑处理，去除主要的低频噪声；
S204、将高斯滤波器和中值滤波器的输出进行加权平均，得到最终的滤波结果；
S3、使用计算机视觉技术对预处理后的图像进行特征提取；
S301、将图像分割成不同的区域；
S302、从每个区域中提取颜色、纹理、形状特征，并进行图像增强、归一化、裁剪；
S303、从提取的特征中选择最具有代表性和区分度的特征；
S4、使用机器学习算法对提取的特征进行分类；
S401、设计卷积神经网络模型，包括卷积层、池化层、全连接层；
S402、使用标注好的数据集对模型进行训练，采用交叉熵损失函数和随机梯度下降优化算法提高模型的准确性；
S403、使用测试集对模型进行测试，并对缺陷进行具体划分；
S5、将训练好的模型集成到浮法玻璃检测系统中，依次对浮法玻璃进行检测，通过模型检测出的缺陷玻璃再次进行预处理，加入到模型内进行训练，改变超参数，调整模型结构，对模型进行优化；
S6、在检测过程中，对检测到的缺陷浮法玻璃通过报警模块进行警报提示，并计算其间隔时间，最后集成的浮法玻璃缺陷量数结果输出到显示端，最终形成对比数据表格。
与现有技术相比，本发明的有益效果是：
本发明中，使用组合平滑滤波模型进行图像预处理，基于浮法玻璃选择合适的滤波器和参数，同时，为了加强缺陷边缘的强特征区间，采用边缘增强算法，对图像进行边缘检测和增强，最大程度地解决双轮廓问题，提高了训练模型过程中的准确性；
本发明中，采用卷积神经网络进行浮法玻璃缺陷检测，其检测准确率高，可以有效地识别出各种类型的缺陷，提高了产品质量，在检测出缺陷浮法玻璃时，再次通过缺陷图像对模型进行训练，对训练集进行多重训练，提高了检测缺陷的准确性。
附图说明
图1为本发明基于机器学习的浮法玻璃缺陷检测系统的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种基于机器学习的浮法玻璃缺陷检测系统，包括图像检测与处理系统、模型设计与测试系统、分析与比对系统；
其中，图像检测与处理系统用于收集浮法玻璃图像数据，对图像数据进行处理，并提取检测数据；
模型设计与测试系统利用机器学习算法创建模型，使用标注好的数据集对模型进行训练，并对模型进行测试；
分析与比对系统用于显示与比对缺陷数据，最终形成对比数据表格。
具体的，所述图像检测与处理系统包括图像采集模块、图像预处理模块、提取特征模块；
其中，图像采集模块用于对浮法玻璃进行拍摄，获取图像数据，并对浮法玻璃进行标记；
图像预处理模块用于对采集到的图像数据进行预处理，包括图像去噪、图像增强、图像分割；
提取特征模块用于通过计算机视觉技术对预处理后的图像进行特征提取。
其中，在现有的制造车间通过使用高分辨率相机对浮法玻璃进行拍摄，包括有缺陷的与正常的浮法玻璃。
具体的，所述模型设计与测试系统包括模型训练模块、模型测试模；
其中，模型训练模块用于通过机器学习算法对数据进行训练，建立缺陷检测模型；
模型测试模块用于将采集到的图像输入到训练好的模型中，进行缺陷检测，判断玻璃表面是否存在缺陷。
具体的，所述分析与比对系统包括缺陷检测与分类模块、缺陷对比模块、报警模块和显示结果模块；
其中，缺陷检测与分类模块用于对检测到的缺陷形状、大小、位置进行特征提取；
缺陷对比模块用于将检测到的缺陷再次输入到训练好的模型中，对模型进行优化训练；
报警模块用于在检测过程中对缺陷的浮法玻璃进行提示，并计算其间隔时间；
显示结果模块用于将检测和识别结果输出到显示端，最终形成对比数据表格。
一种基于机器学习的浮法玻璃缺陷检测系统的检测方法，包括以下步骤：
S1、通过使用高分辨率相机对浮法玻璃进行拍摄，并对收集到的浮法玻璃图像中的缺陷处依次进行标注；
S2、对提取到的缺陷特征使用组合平滑滤波模型进行图像预处理，使用边缘增强算法，加强对图片边缘的检测；
S201、首先对浮法玻璃的图像进行灰度化处理，将彩色图像转换为灰度图像；
S202、使用高斯滤波器对灰度图像进行平滑处理，去除主要的高频噪声；
S203、使用中值滤波器对平滑后的图像进行平滑处理，去除主要的低频噪声；
S204、将高斯滤波器和中值滤波器的输出进行加权平均，得到最终的滤波结果；
S3、使用计算机视觉技术对预处理后的图像进行特征提取；
S301、将图像分割成不同的区域；
S302、从每个区域中提取颜色、纹理、形状特征，并进行图像增强、归一化、裁剪；
S303、从提取的特征中选择最具有代表性和区分度的特征；
S4、使用机器学习算法对提取的特征进行分类；
S401、设计卷积神经网络模型，包括卷积层、池化层、全连接层；
S402、使用标注好的数据集对模型进行训练，采用交叉熵损失函数和随机梯度下降优化算法提高模型的准确性；
S403、使用测试集对模型进行测试，并对缺陷进行具体划分；
S5、将训练好的模型集成到浮法玻璃检测系统中，依次对浮法玻璃进行检测，通过模型检测出的缺陷玻璃再次进行预处理，加入到模型内进行训练，改变超参数，调整模型结构，对模型进行优化；
S6、在检测过程中，对检测到的缺陷浮法玻璃通过报警模块进行警报提示，并计算其间隔时间，最后集成的浮法玻璃缺陷量数结果输出到显示端，最终形成对比数据表格。
其中，在步骤S2中，颜色提取：使用颜色直方图算法将浮法玻璃图像中每个区域的颜色分布提取出来，得到每个区域的主要颜色和颜色分布情况；
纹理提取：使用局部二值模式算法将浮法玻璃图像中每个区域的纹理特征提取出来，得到每个区域的纹理特征；
形状提取：使用边缘增强算法将浮法玻璃图像中每个区域的边缘提取出来，得到每个区域的形状特征；
特征提取：使用灰度共生矩阵算法将浮法玻璃图像中每个区域的灰度分布特征提取出来，得到每个区域的特征；
图像增强：使用直方图均衡化算法，对浮法玻璃图像进行增强，提高图像的对比度和清晰度；
归一化：使用归一化算法将浮法玻璃图像中每个区域的特征值进行归一化处理，使得不同区域的特征值具有可比性；
裁剪：使用图像分割算法将浮法玻璃图像中每个区域进行分割，得到每个区域的图像。
由上可知，在步骤S2中，当需要对数字图像进行平滑滤波处理，图像大小为512x512像素时，选择使用高斯滤波器和中值滤波器的组合；对于高斯滤波器，选择卷积核大小为5x5，标准差为1.5；对于中值滤波器，选择窗口大小为3x3；随后生成一个包含高斯噪声和椒盐噪声的测试图像，即生成512x512的随机矩阵，然后将其中一部分像素随机变成白色或黑色，以模拟椒盐噪声；再对整个图像进行高斯滤波处理，以模拟高斯噪声；最后使用上述组合滤波器对测试图像进行处理，并与原始图像进行比较，以评估滤波器的效果；
其中，在步骤S2中，采用Sobel算子，对预处理后的图像进行边缘检测，得到边缘图像，同时通过Sobel算子对边缘图像进行边缘增强处理，对增强后的边缘图像进行边缘连接处理，将断裂的边缘连接起来，形成完整的边缘线条，将处理后的图像进行展示，可以通过比较原始图像和处理后的图像。
在步骤S5中，#卷积神经网络模型：
model＝Sequential()
model.add(Conv2D(32,(3,3),activation＝'relu',input_shape＝(img_width,img_height,3)))
model.add(MaxPooling2D((2,2)))
model.add(Conv2D(64,(3,3),activation＝'relu'))
model.add(MaxPooling2D((2,2)))
model.add(Conv2D(128,(3,3),activation＝'relu'))
model.add(MaxPooling2D((2,2)))
model.add(Flatten())
model.add(Dense(64,activation＝'relu'))
model.add(Dense(1,activation＝'sigmoid'))
#编译模型
model.compile(loss＝'binary_crossentropy',
optimizer＝optimizers.RMSprop(lr＝1e-4),
metrics＝['acc'])
#训练模型
history＝model.fit_generator(train_generator,
steps_per_epoch＝train_steps,epochs＝epochs,
validation_data＝val_generator,
validation_steps＝val_steps)
#评估模型
test_loss,test_acc＝model.evaluate_generator(test_generator,steps＝test_steps)
print('testacc:',test_acc)
由上可知，所使用的卷积层公式为：
$h_i＝f(\sum_{j＝1}^{k}w_jx_{i+j-1}+b)$，其中$h_i$表示卷积层的输出，$f$表示激活函数，$w_j$表示卷积核的权重，$x_{i+j-1}$表示输入数据的第$i+j-1$个元素，$b$表示偏置项；
所使用的损失函数公式：
$L(y,\hat{y})＝-\frac{1}{N}\sum_{i＝1}^{N}y_i\log(\hat{y}_i)+(1-y_i)\log(1-\hat{y}_i)$，其中$L$表示损失函数，$y$表示真实标签，$\hat{y}$表示模型预测的标签，$N$表示样本数量；
所使用的全连接层公式为：
$h_i＝f(\sum_{j＝1}^{n}w_{i,j}x_j+b_i)$，其中$h_i$表示全连接层的输出，$f$表示激活函数，$w_{i,j}$表示权重矩阵的第$i$行第$j$列元素，$x_j$表示输入数据的第$j$个元素，$b_i$表示偏置项；
所使用的池化层公式为：
$h_i＝\max_{j＝1}^{k}x_{i+j-1}$，其中$h_i$表示池化层的输出，$k$表示池化窗口的大小，$x_{i+j-1}$表示输入数据的第$i+j-1$个元素；
在所述步骤S2中，平滑滤波模型所用公式为：
$G(x,y)＝\frac{1}{mn}\sum_{i＝-a}^{a}\sum_{j＝-b}^{b}f(x+i,y+j)$
其中，$G(x,y)$为滤波后的像素值，$f(x+i,y+j)$为以$(x+i,y+j)$为中心的像素值，$m$和$n$为滤波器的大小，$a$和$b$为滤波器的半径。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (5)
1.一种基于机器学习的浮法玻璃缺陷检测系统，其特征在于，包括图像检测与处理系统、模型设计与测试系统、分析与比对系统；
其中，图像检测与处理系统用于收集浮法玻璃图像数据，对图像数据进行处理，并提取检测数据；
模型设计与测试系统利用机器学习算法创建模型，使用标注好的数据集对模型进行训练，并对模型进行测试；
分析与比对系统用于显示与比对缺陷数据，最终形成对比数据表格。
2.根据权利要求1所述的基于机器学习的浮法玻璃缺陷检测系统，其特征在于：所述图像检测与处理系统包括图像采集模块、图像预处理模块、提取特征模块；
其中，图像采集模块用于对浮法玻璃进行拍摄，获取图像数据，并对浮法玻璃进行标记；
图像预处理模块用于对采集到的图像数据进行预处理，包括图像去噪、图像增强、图像分割；
提取特征模块用于通过计算机视觉技术对预处理后的图像进行特征提取。
3.根据权利要求1所述的基于机器学习的浮法玻璃缺陷检测系统，其特征在于：所述模型设计与测试系统包括模型训练模块、模型测试模；
其中，模型训练模块用于通过机器学习算法对数据进行训练，建立缺陷检测模型；
模型测试模块用于将采集到的图像输入到训练好的模型中，进行缺陷检测，判断玻璃表面是否存在缺陷。
4.根据权利要求1所述的基于机器学习的浮法玻璃缺陷检测系统，其特征在于：所述分析与比对系统包括缺陷检测与分类模块、缺陷对比模块、报警模块和显示结果模块；
其中，缺陷检测与分类模块用于对检测到的缺陷形状、大小、位置进行特征提取；
缺陷对比模块用于将检测到的缺陷再次输入到训练好的模型中，对模型进行优化训练；
报警模块用于在检测过程中对缺陷的浮法玻璃进行提示，并计算其间隔时间；
显示结果模块用于将检测和识别结果输出到显示端，最终形成对比数据表格。
5.一种基于机器学习的浮法玻璃缺陷检测系统的检测方法，其特征在于：包括以下步骤：
S1、通过使用高分辨率相机对浮法玻璃进行拍摄，并对收集到的浮法玻璃图像中的缺陷处依次进行标注；
S2、对提取到的缺陷特征使用组合平滑滤波模型进行图像预处理，使用边缘增强算法，对图片边缘的检测；
S201、首先对浮法玻璃的图像进行灰度化处理，将彩色图像转换为灰度图像；
S202、使用高斯滤波器对灰度图像进行平滑处理，去除主要的高频噪声；
S203、使用中值滤波器对平滑后的图像进行平滑处理，去除主要的低频噪声；
S204、将高斯滤波器和中值滤波器的输出进行加权平均，得到最终的滤波结果；
S3、使用计算机视觉技术对预处理后的图像进行特征提取；
S301、将图像分割成不同的区域；
S302、从每个区域中提取颜色、纹理、形状特征，并进行图像增强、归一化、裁剪；
S303、从提取的特征中选择最具有代表性和区分度的特征；
S4、使用机器学习算法对提取的特征进行分类；
S401、设计卷积神经网络模型，包括卷积层、池化层、全连接层；
S402、使用标注好的数据集对模型进行训练，采用交叉熵损失函数和随机梯度下降优化算法提高模型的准确性；
S403、使用测试集对模型进行测试，并对缺陷进行具体划分；
S5、将训练好的模型集成到浮法玻璃检测系统中，依次对浮法玻璃进行检测，通过模型检测出的缺陷玻璃再次进行预处理，加入到模型内进行训练，改变超参数，调整模型结构，对模型进行优化；
S6、在检测过程中，对检测到的缺陷浮法玻璃通过报警模块进行警报提示，并计算其间隔时间，最后集成的浮法玻璃缺陷量数结果输出到显示端，最终形成对比数据表格。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310662744.9A CN116542963A (zh) | 2023-06-06 | 2023-06-06 | 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310662744.9A CN116542963A (zh) | 2023-06-06 | 2023-06-06 | 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116542963A true CN116542963A (zh) | 2023-08-04 |
Family
ID=87448902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310662744.9A Pending CN116542963A (zh) | 2023-06-06 | 2023-06-06 | 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116542963A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237330A (zh) * | 2023-10-19 | 2023-12-15 | 山东鑫润机电安装工程有限公司 | 基于机器视觉的自动化桥梁缺陷检测方法 |
-
2023
- 2023-06-06 CN CN202310662744.9A patent/CN116542963A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237330A (zh) * | 2023-10-19 | 2023-12-15 | 山东鑫润机电安装工程有限公司 | 基于机器视觉的自动化桥梁缺陷检测方法 |
| CN117237330B (zh) * | 2023-10-19 | 2024-02-20 | 山东鑫润机电安装工程有限公司 | 基于机器视觉的自动化桥梁缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796637A (zh) | 图像缺陷检测模型的训练、测试方法、装置及存储介质 | |
| CN109444169B (zh) | 一种轴承缺陷检测方法及系统 | |
| CN105654121A (zh) | 一种基于深度学习的复杂提花织物缺陷检测方法 | |
| CN107590512B (zh) | 一种模板匹配中参数的自适应方法和系统 | |
| CN114066857A (zh) | 红外图像质量评价方法、装置、电子设备及可读存储介质 | |
| CN115841447A (zh) | 一种磁瓦表面缺陷的检测方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
| CN113538603B (zh) | 一种基于阵列产品的光学检测方法、系统和可读存储介质 | |
| CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
| CN118154605B (zh) | 纺织品ai瑕疵检测方法、系统及设备 | |
| CN112132821B (zh) | 一种基于图像处理的开口销丢失检测方法 | |
| CN109886931A (zh) | 基于bp神经网络的轮速传感器齿圈表面缺陷检测方法 | |
| CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
| CN116542963A (zh) | 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法 | |
| CN115205209A (zh) | 一种基于弱监督学习的单色布匹瑕疵检测方法 | |
| KR20230116847A (ko) | 자동화된 시각 검사를 위한 이미지 증강 기술 | |
| CN116778269A (zh) | 一种基于自编码器重构产品表面缺陷检测模型构建方法 | |
| CN105719252B (zh) | 一种铁路巡检图像实时高动态范围绘制方法和装置 | |
| CN116883444B (zh) | 基于机器视觉和图像扫描的汽车损伤检测方法 | |
| CN116500042B (zh) | 缺陷检测方法、装置、系统及存储介质 | |
| CN113516608B (zh) | 轮胎的缺陷检测方法和检测装置、轮胎检测设备 | |
| CN110349133B (zh) | 物体表面缺陷检测方法、装置 | |
| CN116091933A (zh) | 基于遥感技术的水域地形的地质分析方法及装置 | |
| CN115496984A (zh) | 瓷砖成品缺陷自动识别方法、装置、智能终端及存储介质 |
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 |