CN116589171B - 一种具备自动检测玻璃的智能钢化方法及系统 - Google Patents

一种具备自动检测玻璃的智能钢化方法及系统 Download PDF

Info

Publication number
CN116589171B
CN116589171B CN202310866382.5A CN202310866382A CN116589171B CN 116589171 B CN116589171 B CN 116589171B CN 202310866382 A CN202310866382 A CN 202310866382A CN 116589171 B CN116589171 B CN 116589171B
Authority
CN
China
Prior art keywords
glass
tempering
information
tempered
raw sheet
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.)
Active
Application number
CN202310866382.5A
Other languages
English (en)
Other versions
CN116589171A (zh
Inventor
唐妍兰
高湧
喻华
谭志康
刘东升
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.)
Jiangxi Boxin Glass Co ltd
Original Assignee
Jiangxi Boxin Glass 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 Jiangxi Boxin Glass Co ltd filed Critical Jiangxi Boxin Glass Co ltd
Priority to CN202310866382.5A priority Critical patent/CN116589171B/zh
Publication of CN116589171A publication Critical patent/CN116589171A/zh
Application granted granted Critical
Publication of CN116589171B publication Critical patent/CN116589171B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • C—CHEMISTRY; METALLURGY
    • C03—GLASS; MINERAL OR SLAG WOOL
    • C03B—MANUFACTURE, SHAPING, OR SUPPLEMENTARY PROCESSES
    • C03B27/00—Tempering or quenching glass products
    • C03B27/012—Tempering or quenching glass products by heat treatment, e.g. for crystallisation; Heat treatment of glass products before tempering by cooling
    • C—CHEMISTRY; METALLURGY
    • C03—GLASS; MINERAL OR SLAG WOOL
    • C03C—CHEMICAL COMPOSITION OF GLASSES, GLAZES OR VITREOUS ENAMELS; SURFACE TREATMENT OF GLASS; SURFACE TREATMENT OF FIBRES OR FILAMENTS MADE FROM GLASS, MINERALS OR SLAGS; JOINING GLASS TO GLASS OR OTHER MATERIALS
    • C03C21/00—Treatment of glass, not in the form of fibres or filaments, by diffusing ions or metals in the surface
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P40/00—Technologies relating to the processing of minerals
    • Y02P40/50—Glass production, e.g. reusing waste heat during processing or shaping
    • Y02P40/57—Improving the yield, e-g- reduction of reject rates

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Organic Chemistry (AREA)
  • Materials Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Thermal Sciences (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Re-Forming, After-Treatment, Cutting And Transporting Of Glass Products (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及钢化炉技术领域，更具体的说，它涉及一种具备自动检测玻璃的智能钢化方法及系统。具备自动检测玻璃的智能钢化系统，包括：待测玻璃原片光敏图像获取模块、玻璃检测模型管理模块、玻璃原片编码库、玻璃原片检测模块、待钢化玻璃原片信息集构建模块、工艺参数库建立模块、工艺参数获取模块和智能钢化炉控制模块。本发明根据玻璃钢化历史数据对玻璃钢化进行模拟，确定每种玻璃原片信息集对应的最优工作参数，当检测到待测玻璃原片信息时能够马上获取最优工作参数控制智能钢化炉运行，实现对玻璃原片的自动钢化。

Description

一种具备自动检测玻璃的智能钢化方法及系统
技术领域
本发明涉及钢化炉技术领域，更具体的说，它涉及一种具备自动检测玻璃的智能钢化方法及系统。
背景技术
钢化玻璃由于其优越的性能广泛应用于家居建材等领域，而智能钢化炉则是制备钢化玻璃最为重要的设备之一。目前对于智能钢化炉的控制一般是用户根据经验进行参数设定，然后智能钢化炉基于设定的参数进行智能控制，而由于现有的玻璃原片类型不一，包括有色玻璃、各种有色玻璃等；玻璃原片的厚度基于需求也不一样，这就导致每次处理不同的玻璃原片，就要进行参数设定，无法真正的实现自动化。
发明内容
本发明提供一种具备自动检测玻璃的智能钢化方法及系统，通过对玻璃钢化历史数据的分析，确定玻璃原片类型影响BP神经网络模型和玻璃钢化影响BP神经网络模型，实现对玻璃原片信息，玻璃原片钢化工艺参数和玻璃钢化质量评分之间相互关系的模拟，并进一步基于玻璃钢化历史数据对玻璃钢化进行模拟，确定每种玻璃原片信息集对应的最优工作参数，当检测到待测玻璃原片信息时能够马上获取最优工作参数控制智能钢化炉运行，实现对玻璃原片的自动钢化。
一种具备自动检测玻璃的智能钢化方法，包括：
获取待钢化处理的玻璃原片的光敏图片，记为待测玻璃原片光敏图像；此待测玻璃原片光敏图像通过如下方式进行获取，设置在智能钢化炉的上片台下方的紫外线发射器向待钢化处理的玻璃原片发射紫外线光束，再通过设置在智能钢化炉的上片台的光电探测器阵列对紫外线光束进行光谱图获取，获取的光谱图即为待测玻璃原片光敏图像；
将待测玻璃原片光敏图像送入训练好的玻璃检测模型进行检测，输出待钢化处理的玻璃原片对应的坐标信息和编码信息，坐标信息对应待钢化处理的玻璃原片所属的区域，编码信息用于从玻璃原片编码库中获取编码信息对应的玻璃原片信息，根据坐标信息确定待钢化处理的玻璃原片对应的面积信息，玻璃原片信息包括待钢化处理的玻璃原片对应的类型信息和厚度信息，基于待钢化处理的玻璃原片对应的面积信息、类型信息和厚度信息构建待钢化玻璃原片信息集；玻璃原片编码库中包括编码信息及其对应的玻璃原片信息；
根据待钢化玻璃原片信息集从工艺参数库中获取对应的工艺参数；
根据获取的工艺参数控制对应智能钢化炉，并进行玻璃钢化流程。
作为本发明的一个优选，玻璃检测模型基于Faster-RCNN模型进行建立，玻璃检测模型包括特征提取层、RPN层、Pooling层和分类层；其中特征提取层基于Resnet34建立，相较于传统的ResNet34去除了后面的平均池化层、全连接层和分类层；特征提取层包括四个残差块，分别记为第一残差块、第二残差块、第三残差块和第四残差块；将输入至特征提取层的特征图记为输入特征图，将输入特征图送入至第一残差块处理得到特征图F1、将特征图F1经过第二残差块处理得到特征图F2、将特征图F2经过第三残差块处理得到特征图F3，将特征图F3经过第四残差块处理得到特征图F4；将特征图F4经过上采样处理后与特征图F3进行拼接融合得到特征图F5，将特征图F5经过上采样处理后与特征图F2进行拼接融合得到特征图F6，将特征图F6经过上采样处理后与特征图F1进行拼接融合得到特征图F7，特征图F7即为特征提取层输出的特征图；其中RPN层用于确定待测玻璃原片光敏图像中待钢化的玻璃原片的区域；分类层用于对待钢化的玻璃原片进行分类，输出待钢化处理的玻璃原片对应的坐标信息和编码信息。
作为本发明的一个优选，玻璃检测模型的训练包括如下步骤：获取标注好玻璃原片对应的坐标信息和编码信息的玻璃原片的图像，并将所有标注好玻璃原片对应的坐标信息和编码信息的玻璃原片的图像组合形成玻璃原片图像训练集；通过玻璃原片图像训练集对初始化的玻璃检测模型进行训练，且采用交替优化方法，直至损失值在第一预设范围内后停止训练，并且输出训练好的玻璃检测模型。
作为本发明的一个优选，工艺参数库的建立包括如下步骤：
S1：建立一个空的工艺参数库，获取玻璃钢化历史数据集ζn，n=1，2，3······N，N为玻璃钢化历史数据集的总数，玻璃钢化历史数据集中包括待钢化玻璃原片历史信息集、玻璃钢化历史工艺参数集和钢化玻璃历史质量评分，其中待钢化玻璃原片历史信息集包括面积信息、类型信息和厚度信息；玻璃钢化历史工艺参数集指对玻璃原片进行钢化处理时智能钢化炉对应的工艺参数；钢化玻璃历史质量评分指玻璃原片完成钢化处理后的质量评分；
S2：将玻璃钢化历史数据集中的待钢化玻璃原片历史信息集记为Xn，且待钢化玻璃原片历史信息集可以重复，Xn的存在形式为{Qn，Tn，Dn}，其中Qn为面积信息，Tn为类型信息，Dn为厚度信息，将玻璃钢化历史工艺参数集记为Pn，Pn的存在形式为{p1n，p2n，p3n···pkn···pKN}，其中pkn指第n个玻璃钢化历史数据集对应的玻璃钢化历史工艺参数集中第k个值，k=1，2，3······K，K为玻璃钢化历史工艺参数集中玻璃钢化工艺参数的总个数；将钢化玻璃历史质量评分记为μn；
S3：建立玻璃原片类型影响BP神经网络模型，玻璃原片类型影响BP神经网络模型包括一个输入层、三个隐含层和一个输出层，其中输入层的神经节点个数为3，输出层的神经节点个数为K，隐含层节点个数σ=N/[α·（3+K）]，其中α为2-10之间的随机整数；将待钢化玻璃原片历史信息集Xn逐个送入初始化的玻璃原片类型影响BP神经网络模型进行训练，期间以待钢化玻璃原片历史信息集Xn对应的玻璃钢化历史工艺参数集Pn作为目标值，直至损失值位于第二预设范围内后停止训练，并输出训练好的玻璃原片类型影响BP神经网络模型；
S4：逐个选择玻璃钢化历史数据集ζn，针对选择的玻璃钢化历史数据集ζn，获取待钢化玻璃原片历史信息集Xn及其对应的玻璃钢化历史工艺参数集Pn，将待钢化玻璃原片历史信息集Xn送入训练好的玻璃原片类型影响BP神经网络模型，并输出玻璃钢化工艺参数模拟集En，再将玻璃钢化历史工艺参数集Pn与玻璃钢化工艺参数模拟集En作差，生成玻璃钢化工艺参数差集βn；
S5：将待钢化玻璃原片历史信息集Xn、玻璃钢化历史工艺参数集Pn和玻璃钢化工艺参数差集βn拼接组成玻璃钢化影响因素训练集εn；建立玻璃钢化影响BP神经网络模型，玻璃钢化影响BP神经网络模型包括一个输入层、三个隐含层和一个输出层，其中输入层的神经节点个数为3+2K，输出层的神经节点个数为1，隐含层的神经节点个数γ=N/[α·（4+2K）]；将玻璃钢化影响因素训练集εn逐个送入初始化的玻璃钢化影响BP神经网络模型进行训练，期间以钢化玻璃历史质量评分μn作为目标值，直至损失值位于第三预设范围内后停止训练，并输出训练好的玻璃钢化影响BP神经网络模型；
S6：设定最大迭代次数G；
S7：将所有玻璃钢化历史数据集ζn按照钢化玻璃历史质量评分μn从大到小的顺序进行排序，并选择前e个玻璃钢化历史数据集ζn，将选择的玻璃钢化历史数据集ζn记为玻璃钢化数据父本集，将选择的玻璃钢化历史数据集ζn中的待钢化玻璃原片历史信息集Xn和玻璃钢化历史工艺参数集Pn组成玻璃钢化影响父本集φb，b=1，2，3······e；
S8：将玻璃钢化影响父本集φb中的元素记为Uib，i=1，2，3······I，I为玻璃钢化影响父本集φb中的元素的总个数，且满足I=3+K，逐个选择玻璃钢化影响父本集φb，针对选择的玻璃钢化影响父本集φb，将选择的玻璃钢化影响父本集φb中的元素进行变化操作生成玻璃钢化影响子本集ψf，f=b+e，变化操作包括保留、变异和替换，保留指元素Uib对应的值不变，变异指元素Uib对应的值变为一个随机数；替换指将元素Uib对应的值替换为元素Uij对应的值，其中j∈{1，2，3······e}且j≠b；并且执行变化操作需要遵循变化规则；
S9：获取所有玻璃钢化影响子本集ψf，并逐个将玻璃钢化影响子本集ψf进行拆分，形成对应的待钢化玻璃原片信息子本集Mf和对应的玻璃钢化工艺参数子本集Hf，将待钢化玻璃原片信息子本集Mf送入训练好的玻璃原片类型影响BP神经网络模型，并输出玻璃钢化工艺参数模拟子本集Rf，再将玻璃钢化工艺参数子本集Hf与玻璃钢化工艺参数模拟子本集Rf作差，生成玻璃钢化工艺参数差子本集Yf；将待钢化玻璃原片信息子本集Mf、玻璃钢化工艺参数子本集Hf和玻璃钢化工艺参数差子本集Yf拼接组成玻璃钢化影响因素模拟集ηn，将玻璃钢化影响因素模拟集ηn输入训练好的玻璃钢化影响BP神经网络模型，并输出对应的钢化玻璃质量模拟评分wf，将所有玻璃钢化影响子本集ψf与其对应的钢化玻璃质量模拟评分wf组合形成玻璃钢化数据子本集，将所有玻璃钢化数据子集与玻璃钢化数据父本集组成玻璃钢化数据集，将玻璃钢化数据集按照对应的钢化玻璃质量模拟评分wf或者钢化玻璃历史质量评分μn从大到小的顺序进行排序，并选择前e个玻璃钢化数据集作为新的玻璃钢化数据父本集Cb，将新的玻璃钢化数据父本集Cb中的钢化玻璃质量模拟评分或者钢化玻璃历史质量评分部分进行删除得到新的玻璃钢化影响父本集φb；
S10：判断是否到达最大迭代次数G，如果到达最大迭代次数G，停止迭代，并进入S11；否则回到S8，继续迭代；
S11：获取所有玻璃钢化数据父本集Cb，并将玻璃钢化数据父本集Cb进行拆分得到玻璃原片信息集`Xb和玻璃钢化工艺参数集`Pb和钢化玻璃历史质量评分`μb，逐个选择玻璃原片信息集`Xb，针对选择的玻璃原片信息集`Xb，获取所有与选择的玻璃原片信息集`Xb部分一致的玻璃钢化数据父本集Cb，并从获取的玻璃钢化数据父本集Cb选择最大的钢化玻璃历史质量评分`μb对应的玻璃钢化工艺参数集`Pb作为玻璃原片信息集`Xb对应的工作参数；将选择的玻璃原片信息集`Xb及其对应的工作参数一一映射存入工艺参数库中。
作为本发明的一个优选，根据待钢化玻璃原片信息集从工艺参数库中获取对应的工艺参数具体包括如下步骤：将待钢化玻璃原片信息集与工艺参数库中的玻璃原片信息集逐一匹配，并输出匹配成功的玻璃原片信息集对应的工作参数。
作为本发明的一个优选，还包括对玻璃原片的瑕疵进行检测，具体步骤如下：将经过训练好的玻璃检测模型后输出的坐标信息对应的图像从待测玻璃原片光敏图像分割出来，记为待测玻璃原片图像；将待测玻璃原片图像送入训练好的玻璃瑕疵检测模型进行检测，输出检测结果，若是检测结果为存在瑕疵，则停止智能钢化炉工作，并发出警报；否则，无操作。
作为本发明的一个优选，玻璃瑕疵检测模型在玻璃检测模型的基础上进行了改进，具体改进操作如下：在特征提取层中增加多感受野融合模块和空间注意力机制模块；多感受野融合模块包括四个空洞卷积层，每个空洞卷积层包括一个空洞卷积核，且四个空洞卷积核的扩张率分别为1，2，3和4，当特征图F4、特征图F5和特征图F6进行上采样之前，将特征图Fz送入多感受野融合模块，z∈{4，5，6}，特征图Fz分别经过四个空洞卷积层处理后再拼接和卷积得到特征图F'z，将特征图F'z送入空间注意力机制模块，空间注意力机制模块对特征图F'z分别进行通道上的最大池化和平均池化得到最大池化特征图和平局池化特征图，再将最大池化特征图和平局池化特征图拼接后通过softmax函数计算得到空间权重矩阵，将空间权重矩阵与特征图F'z进行点乘，再执行后续的上采样。
作为本发明的一个优选，玻璃瑕疵检测模型的训练包括如下步骤：获取标注好是否有瑕疵存在的玻璃原片图像，并将所有获取的玻璃原片图像组成待测玻璃原片图像训练集；将待测玻璃原片图像训练集送入初始化的玻璃瑕疵检测模型进行训练，且采用交替优化方法，直至损失值在第三预设范围内后停止训练，并且输出训练好的玻璃瑕疵检测模型。
一种具备自动检测玻璃的智能钢化系统，包括：
待测玻璃原片光敏图像获取模块，用于获取待测玻璃原片光敏图像；
玻璃检测模型管理模块，用于训练和存储玻璃检测模型；
玻璃原片编码库，用于存储编码信息及其对应的玻璃原片信息；
玻璃原片检测模块，用于根据玻璃检测模型对待测玻璃原片光敏图像进行检测，输出待钢化处理的玻璃原片对应的坐标信息和编码信息，坐标信息对应待钢化处理的玻璃原片所属的区域，编码信息用于从玻璃原片编码库中获取编码信息对应的玻璃原片信息，根据坐标信息确定待钢化处理的玻璃原片对应的面积信息，玻璃原片信息包括待钢化处理的玻璃原片对应的类型信息和厚度信息；
待钢化玻璃原片信息集构建模块，用于根据钢化处理的玻璃原片对应的面积信息、类型信息和厚度信息构建待钢化玻璃原片信息集；
工艺参数库建立模块，用于建立工艺参数库，工艺参数库包括玻璃原片信息及其对应的工艺参数；
工艺参数获取模块，用于根据待钢化玻璃原片信息集从工艺参数库中获取对应的工艺参数；
智能钢化炉控制模块，用于根据获取的工艺参数控制对应智能钢化炉。
作为本发明的一个优选，还包括：玻璃原片瑕疵检测模块，用于对玻璃原片的瑕疵进行检测；
玻璃原片瑕疵检测模块包括：
待测玻璃原片图像获取组件，用于获取待测玻璃原片图像；
玻璃瑕疵检测模型管理组件，用于训练和存储玻璃瑕疵检测模型；
玻璃瑕疵检测组件，用于根据玻璃瑕疵检测模型对待测玻璃原片图像进行检测，并输出检测结果；
警报组件，用于发出警报。
本发明具有以下优点：
1、本发明通过对玻璃钢化历史数据的分析，确定玻璃原片类型影响BP神经网络模型和玻璃钢化影响BP神经网络模型，实现对玻璃原片信息，玻璃原片钢化工艺参数和玻璃钢化质量评分之间相互关系的模拟，并进一步基于玻璃钢化历史数据对玻璃钢化进行模拟，确定每种玻璃原片信息集对应的最优工作参数，当检测到待测玻璃原片信息时能够马上获取最优工作参数控制智能钢化炉运行，实现对玻璃原片的自动钢化。
2、本发明基于紫外线通过玻璃对应波长会发生变化的原理，获取待测玻璃原片光敏图像，并且根据玻璃检测模型对待测玻璃原片光敏图像进行检测，输出待测玻璃原片的玻璃原片信息，无需通过额外的测量方式，实现对待测玻璃原片的自动检测。
3、本发明通过图像识别对玻璃原片的瑕疵进行检测，避免玻璃原片出现瑕疵影响后续钢化作业；通过在对玻璃原片的瑕疵进行检测的玻璃瑕疵检测模型设置多感受野模块和空间注意力机制模块，从而突出瑕疵对应的特征，弱化其余特征，提升检测准确率。
附图说明
图1为本发明实施例采用的一种具备自动检测玻璃的智能钢化系统的结构示意图。
图2为本发明实施例采用的玻璃原片瑕疵检测模块的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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。
实施例1：
一种具备自动检测玻璃的智能钢化方法，包括：
获取待钢化处理的玻璃原片的光敏图片，记为待测玻璃原片光敏图像，此待测玻璃原片光敏图像通过如下方式进行获取，设置在智能钢化炉的上片台下方的紫外线发射器向待钢化处理的玻璃原片发射紫外线光束，再通过设置在智能钢化炉的上片台的光电探测器阵列对紫外线光束进行光谱图获取，获取的光谱图即为待测玻璃原片光敏图像，需要说明的是，紫外线到达光电探测器时，光电探测器会将获取到的紫外线信号转化为电信号，基于光电探测器的坐标及其对应的电信号值构成光谱图，并且由于紫外线在通过玻璃后光线波长会有变化，对应的光谱图也会发生变化，则发生了变化的光谱图对应区域即为待钢化处理的玻璃原片对应的区域，此外，还需要说明的是，待测玻璃原片光敏图像除了包括待钢化处理的玻璃原片对应的区域，还包括部分背景区域，这是因为待钢化的玻璃原片规格不一，需要预留背景区域保证待测玻璃原片光敏图像内包括完整的待钢化的玻璃原片的区域。
将待测玻璃原片光敏图像送入训练好的玻璃检测模型进行检测，输出待钢化处理的玻璃原片对应的坐标信息和编码信息，坐标信息对应待钢化处理的玻璃原片所属的区域，编码信息用于从玻璃原片编码库中获取编码信息对应的玻璃原片信息，根据坐标信息确定待钢化处理的玻璃原片对应的面积信息，玻璃原片信息包括待钢化处理的玻璃原片对应的类型信息和厚度信息，类型信息指玻璃原片对应的类型，例如无色玻璃、有色玻璃和Low-E玻璃等，且以二进制编码的形式进行存储，基于待钢化处理的玻璃原片对应的面积信息、类型信息和厚度信息构建待钢化玻璃原片信息集，待钢化玻璃原片信息集会影响智能钢化炉内部的设备参数，例如待钢化的玻璃原片厚度增大1mm，其在钢化炉内部的加热时间需要增加40s。
玻璃原片编码库中包括编码信息及其对应的玻璃原片信息，且玻璃原片编码库由人为进行设定。
玻璃检测模型基于Faster-RCNN模型进行建立，玻璃检测模型包括特征提取层、RPN层、Pooling层和分类层；其中特征提取层基于Resnet34建立，相较于传统的ResNet34去除了后面的平均池化层、全连接层和分类层；特征提取层包括四个残差块，分别记为第一残差块、第二残差块、第三残差块和第四残差块；将输入至特征提取层的特征图记为输入特征图，将输入特征图送入至第一残差块处理得到特征图F1、将特征图F1经过第二残差块处理得到特征图F2、将特征图F2经过第三残差块处理得到特征图F3，将特征图F3经过第四残差块处理得到特征图F4；将特征图F4经过上采样处理后与特征图F3进行拼接融合得到特征图F5，将特征图F5经过上采样处理后与特征图F2进行拼接融合得到特征图F6，将特征图F6经过上采样处理后与特征图F1进行拼接融合得到特征图F7，特征图F7即为特征提取层输出的特征图；其中RPN层用于确定待测玻璃原片光敏图像中待钢化的玻璃原片的区域；分类层用于对待钢化的玻璃原片进行分类，输出待钢化处理的玻璃原片对应的坐标信息和编码信息。
本发明基于紫外线通过玻璃对应波长会发生变化的原理，获取待测玻璃原片光敏图像，并且根据玻璃检测模型对待测玻璃原片光敏图像进行检测，输出待测玻璃原片的玻璃原片信息，无需通过额外的测量方式，实现对待测玻璃原片的自动检测。
玻璃检测模型的训练包括如下步骤：获取标注好玻璃原片对应的坐标信息和编码信息的玻璃原片的图像，并将所有标注好玻璃原片对应的坐标信息和编码信息的玻璃原片的图像组合形成玻璃原片图像训练集；通过玻璃原片图像训练集对初始化的玻璃检测模型进行训练，且采用交替优化方法，直至损失值在第一预设范围内后停止训练，并且输出训练好的玻璃检测模型；第一预设范围由人为进行设定，用于保证玻璃检测模型的准确度。
根据待钢化玻璃原片信息集从工艺参数库中获取对应的工艺参数；
工艺参数库的建立包括如下步骤：
S1：建立一个空的工艺参数库，获取玻璃钢化历史数据集ζn，n=1，2，3······N，N为玻璃钢化历史数据集的总数，玻璃钢化历史数据集中包括待钢化玻璃原片历史信息集、玻璃钢化历史工艺参数集和钢化玻璃历史质量评分，其中待钢化玻璃原片历史信息集包括面积信息、类型信息和厚度信息，由操作人员进行记录；玻璃钢化历史工艺参数集指对玻璃原片进行钢化处理时智能钢化炉对应的工艺参数，例如加热温度、加热时间、风压和摇摆速度等；钢化玻璃历史质量评分指玻璃原片完成钢化处理后的质量评分，由用户结合专家经验进行记录；
S2：将玻璃钢化历史数据集中的待钢化玻璃原片历史信息集记为Xn，且待钢化玻璃原片历史信息集可以重复，Xn的存在形式为{Qn，Tn，Dn}，其中Qn为面积信息，Tn为类型信息，Dn为厚度信息，将玻璃钢化历史工艺参数集记为Pn，Pn的存在形式为{p1n，p2n，p3n···pkn···pKN}，其中pkn指第n个玻璃钢化历史数据集对应的玻璃钢化历史工艺参数集中第k个值，k=1，2，3······K，K为玻璃钢化历史工艺参数集中玻璃钢化工艺参数的总个数；将钢化玻璃历史质量评分记为μn；
S3：建立玻璃原片类型影响BP神经网络模型，玻璃原片类型影响BP神经网络模型包括一个输入层、三个隐含层和一个输出层，其中输入层的神经节点个数为3，输出层的神经节点个数为K，隐含层节点个数σ=N/[α·（3+K）]，其中α为2-10之间的随机整数；将待钢化玻璃原片历史信息集Xn逐个送入初始化的玻璃原片类型影响BP神经网络模型进行训练，期间以待钢化玻璃原片历史信息集Xn对应的玻璃钢化历史工艺参数集Pn作为目标值，直至损失值位于第二预设范围内后停止训练，并输出训练好的玻璃原片类型影响BP神经网络模型，第二预设范由用户进行设定，用于约束玻璃原片类型影响BP神经网络模型的训练；面积信息、类型信息和厚度信息会对玻璃原片进行钢化处理时的工艺参数产生影响，而训练好的玻璃原片类型影响BP神经网络模型便能学习这些影响，并在后期对工艺参数进行调整；
S4：逐个选择玻璃钢化历史数据集ζn，针对选择的玻璃钢化历史数据集ζn，获取待钢化玻璃原片历史信息集Xn及其对应的玻璃钢化历史工艺参数集Pn，将待钢化玻璃原片历史信息集Xn送入训练好的玻璃原片类型影响BP神经网络模型，并输出玻璃钢化工艺参数模拟集En，再将玻璃钢化历史工艺参数集Pn与玻璃钢化工艺参数模拟集En作差，生成玻璃钢化工艺参数差集βn，需要说明的是，玻璃钢化历史工艺参数集Pn、玻璃钢化工艺参数模拟集En和玻璃钢化工艺参数差集βn在系统中的存储形式都是一维矩阵，作差时将对应项数的值作差即可，玻璃钢化工艺参数差集βn用于表征面积信息、类型信息和厚度信息对玻璃原片进行钢化处理时产生的影响；
S5：将待钢化玻璃原片历史信息集Xn、玻璃钢化历史工艺参数集Pn和玻璃钢化工艺参数差集βn拼接组成玻璃钢化影响因素训练集εn；建立玻璃钢化影响BP神经网络模型，玻璃钢化影响BP神经网络模型包括一个输入层、三个隐含层和一个输出层，其中输入层的神经节点个数为3+2K，输出层的神经节点个数为1，隐含层的神经节点个数γ=N/[α·（4+2K）]；将玻璃钢化影响因素训练集εn逐个送入初始化的玻璃钢化影响BP神经网络模型进行训练，期间以钢化玻璃历史质量评分μn作为目标值，直至损失值位于第三预设范围内后停止训练，并输出训练好的玻璃钢化影响BP神经网络模型，第三预设范由用户进行设定，用于约束玻璃钢化影响BP神经网络模型的训练；
S6：设定最大迭代次数G，最大迭代次数G由用户进行设定，一般设定为200；
S7：将所有玻璃钢化历史数据集ζn按照钢化玻璃历史质量评分μn从大到小的顺序进行排序，可以采用冒泡排序方法，并选择前e个玻璃钢化历史数据集ζn，e由用户进行设定，本实施例中设定为100，将选择的玻璃钢化历史数据集ζn记为玻璃钢化数据父本集，将选择的玻璃钢化历史数据集ζn中的待钢化玻璃原片历史信息集Xn和玻璃钢化历史工艺参数集Pn组成玻璃钢化影响父本集φb，b=1，2，3······e；
S8：将玻璃钢化影响父本集φb中的元素记为Uib，i=1，2，3······I，I为玻璃钢化影响父本集φb中的元素的总个数，且满足I=3+K，逐个选择玻璃钢化影响父本集φb，针对选择的玻璃钢化影响父本集φb，将选择的玻璃钢化影响父本集φb中的元素进行变化操作生成玻璃钢化影响子本集ψf，f=b+e，变化操作包括保留、变异和替换，保留指元素Uib对应的值不变，变异指元素Uib对应的值变为一个随机数；替换指将元素Uib对应的值替换为元素Uij对应的值，其中j∈{1，2，3······e}且j≠b；并且执行变化操作需要遵循变化规则，变化规则由用户进行设定，例如类型信息对应的元素的值只能变化为符合类型信息对应的值，工艺参数对应元素的值变化时需要满足变化范围；
S9：获取所有玻璃钢化影响子本集ψf，并逐个将玻璃钢化影响子本集ψf进行拆分，形成对应的待钢化玻璃原片信息子本集Mf和对应的玻璃钢化工艺参数子本集Hf，将待钢化玻璃原片信息子本集Mf送入训练好的玻璃原片类型影响BP神经网络模型，并输出玻璃钢化工艺参数模拟子本集Rf，再将玻璃钢化工艺参数子本集Hf与玻璃钢化工艺参数模拟子本集Rf作差，生成玻璃钢化工艺参数差子本集Yf；将待钢化玻璃原片信息子本集Mf、玻璃钢化工艺参数子本集Hf和玻璃钢化工艺参数差子本集Yf拼接组成玻璃钢化影响因素模拟集ηn，将玻璃钢化影响因素模拟集ηn输入训练好的玻璃钢化影响BP神经网络模型，并输出对应的钢化玻璃质量模拟评分wf，将所有玻璃钢化影响子本集ψf与其对应的钢化玻璃质量模拟评分wf组合形成玻璃钢化数据子本集，将所有玻璃钢化数据子集与玻璃钢化数据父本集组成玻璃钢化数据集，将玻璃钢化数据集按照对应的钢化玻璃质量模拟评分wf或者钢化玻璃历史质量评分μn从大到小的顺序进行排序，可以采用冒泡排序方法，并选择前e个玻璃钢化数据集作为新的玻璃钢化数据父本集Cb，将新的玻璃钢化数据父本集Cb中的钢化玻璃质量模拟评分或者钢化玻璃历史质量评分部分进行删除得到新的玻璃钢化影响父本集φb，以玻璃钢化影响父本集和玻璃钢化影响子本集之间的迭代模拟实现对工艺参数的优化；
S10：判断是否到达最大迭代次数G，如果到达最大迭代次数G，停止迭代，并进入S11；否则回到S8，继续迭代；
S11：获取所有玻璃钢化数据父本集Cb，并将玻璃钢化数据父本集Cb进行拆分得到玻璃原片信息集`Xb和玻璃钢化工艺参数集`Pb和钢化玻璃历史质量评分`μb，逐个选择玻璃原片信息集`Xb，针对选择的玻璃原片信息集`Xb，获取所有与选择的玻璃原片信息集`Xb部分一致的玻璃钢化数据父本集Cb，并从获取的玻璃钢化数据父本集Cb选择最大的钢化玻璃历史质量评分`μb对应的玻璃钢化工艺参数集`Pb作为玻璃原片信息集`Xb对应的工作参数；将选择的玻璃原片信息集`Xb及其对应的工作参数一一映射存入工艺参数库中，需要说明的是，由于最后生成的玻璃原片信息集存在重复的情况，以此在选择玻璃原片信息集时，如若遇到已经选择过的玻璃原片信息集会直接跳过。
根据待钢化玻璃原片信息集从工艺参数库中获取对应的工艺参数具体包括如下步骤：将待钢化玻璃原片信息集与工艺参数库中的玻璃原片信息集逐一匹配，并输出匹配成功的玻璃原片信息集对应的工作参数。
根据获取的工艺参数控制对应智能钢化炉，并进行玻璃钢化流程。
本发明通过对玻璃钢化历史数据的分析，确定玻璃原片类型影响BP神经网络模型和玻璃钢化影响BP神经网络模型，实现对玻璃原片信息，玻璃原片钢化工艺参数和玻璃钢化质量评分之间相互关系的模拟，并进一步基于玻璃钢化历史数据对玻璃钢化进行模拟，确定每种玻璃原片信息集对应的最优工作参数，当检测到待测玻璃原片信息时能够马上获取最优工作参数控制智能钢化炉运行，实现对玻璃原片的自动钢化。
当玻璃原片进行钢化处理时，玻璃原片会出现瑕疵，例如气泡、黑点和结石等，这类玻璃原片在后续钢化的过程中会严重影响钢化质量，因此在将玻璃原片进行钢化之前，需要对玻璃原片的瑕疵进行检测，具体包括如下步骤：将经过训练好的玻璃检测模型后输出的坐标信息对应的图像从待测玻璃原片光敏图像分割出来，记为待测玻璃原片图像；将待测玻璃原片图像送入训练好的玻璃瑕疵检测模型进行检测，输出检测结果，若是检测结果为存在瑕疵，则停止智能钢化炉工作，并发出警报；否则，无操作。
玻璃瑕疵检测模型在玻璃检测模型的基础上进行了改进，具体改进操作如下：在特征提取层中增加多感受野融合模块和空间注意力机制模块；多感受野融合模块包括四个空洞卷积层，每个空洞卷积层包括一个空洞卷积核，且四个空洞卷积核的扩张率分别为1，2，3和4，当特征图F4、特征图F5和特征图F6进行上采样之前，将特征图Fz送入多感受野融合模块，z∈{4，5，6}，特征图Fz分别经过四个空洞卷积层处理后再拼接和卷积得到特征图F'z，其中卷积采用“1×1”的卷积核，用于将特征图F'z的尺寸恢复到特征图Fz一致，将特征图F'z送入空间注意力机制模块，空间注意力机制模块对特征图F'z分别进行通道上的最大池化和平均池化得到最大池化特征图和平局池化特征图，再将最大池化特征图和平局池化特征图拼接后通过softmax函数计算得到空间权重矩阵，将空间权重矩阵与特征图F'z进行点乘，再执行后续的上采样；由于玻璃原片出现的瑕疵部分较为不规则，因此采用多感受野模块和空间注意力机制模块来突出瑕疵对应的特征，弱化其余特征，提升检测准确率。
玻璃瑕疵检测模型的训练包括如下步骤：获取标注好是否有瑕疵存在的玻璃原片图像，并将所有获取的玻璃原片图像组成待测玻璃原片图像训练集；将待测玻璃原片图像训练集送入初始化的玻璃瑕疵检测模型进行训练，且采用交替优化方法，直至损失值在第三预设范围内后停止训练，并且输出训练好的玻璃瑕疵检测模型；第三预设范围由人为进行设定，用于保证玻璃瑕疵检测模型的准确度。
本发明通过图像识别对玻璃原片的瑕疵进行检测，避免玻璃原片出现瑕疵影响后续钢化作业；通过在对玻璃原片的瑕疵进行检测的玻璃瑕疵检测模型设置多感受野模块和空间注意力机制模块，从而突出瑕疵对应的特征，弱化其余特征，提升检测准确率。
实施例2：
一种具备自动检测玻璃的智能钢化系统，如图1所示，包括：
待测玻璃原片光敏图像获取模块，用于获取待测玻璃原片光敏图像；
玻璃检测模型管理模块，用于训练和存储玻璃检测模型；
玻璃原片编码库，用于存储编码信息及其对应的玻璃原片信息；
玻璃原片检测模块，用于根据玻璃检测模型对待测玻璃原片光敏图像进行检测，输出待钢化处理的玻璃原片对应的坐标信息和编码信息，坐标信息对应待钢化处理的玻璃原片所属的区域，编码信息用于从玻璃原片编码库中获取编码信息对应的玻璃原片信息，根据坐标信息确定待钢化处理的玻璃原片对应的面积信息，玻璃原片信息包括待钢化处理的玻璃原片对应的类型信息和厚度信息；
待钢化玻璃原片信息集构建模块，用于根据钢化处理的玻璃原片对应的面积信息、类型信息和厚度信息构建待钢化玻璃原片信息集；
工艺参数库建立模块，用于建立工艺参数库，工艺参数库包括玻璃原片信息及其对应的工艺参数；
工艺参数获取模块，用于根据待钢化玻璃原片信息集从工艺参数库中获取对应的工艺参数；
智能钢化炉控制模块，用于根据获取的工艺参数控制对应智能钢化炉。
如图1所示，一种具备自动检测玻璃的智能钢化系统，还包括：玻璃原片瑕疵检测模块，用于对玻璃原片的瑕疵进行检测；
如图2所示，玻璃原片瑕疵检测模块包括：
待测玻璃原片图像获取组件，用于获取待测玻璃原片图像；
玻璃瑕疵检测模型管理组件，用于训练和存储玻璃瑕疵检测模型；
玻璃瑕疵检测组件，用于根据玻璃瑕疵检测模型对待测玻璃原片图像进行检测，并输出检测结果；
警报组件，用于发出警报。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。

Claims (7)

1.一种具备自动检测玻璃的智能钢化方法，其特征在于，包括：
获取待钢化处理的玻璃原片的光敏图片，记为待测玻璃原片光敏图像；此待测玻璃原片光敏图像通过如下方式进行获取，设置在智能钢化炉的上片台下方的紫外线发射器向待钢化处理的玻璃原片发射紫外线光束，再通过设置在智能钢化炉的上片台的光电探测器阵列对紫外线光束进行光谱图获取，获取的光谱图即为待测玻璃原片光敏图像；
将待测玻璃原片光敏图像送入训练好的玻璃检测模型进行检测，输出待钢化处理的玻璃原片对应的坐标信息和编码信息，坐标信息对应待钢化处理的玻璃原片所属的区域，编码信息用于从玻璃原片编码库中获取编码信息对应的玻璃原片信息，根据坐标信息确定待钢化处理的玻璃原片对应的面积信息，玻璃原片信息包括待钢化处理的玻璃原片对应的类型信息和厚度信息，基于待钢化处理的玻璃原片对应的面积信息、类型信息和厚度信息构建待钢化玻璃原片信息集；玻璃原片编码库中包括编码信息及其对应的玻璃原片信息；
根据待钢化玻璃原片信息集从工艺参数库中获取对应的工艺参数；
根据获取的工艺参数控制对应智能钢化炉，并进行玻璃钢化流程；
玻璃检测模型基于Faster-RCNN模型进行建立，玻璃检测模型包括特征提取层、RPN层、Pooling层和分类层；其中特征提取层基于Resnet34建立，相较于传统的ResNet34去除了后面的平均池化层、全连接层和分类层；特征提取层包括四个残差块，分别记为第一残差块、第二残差块、第三残差块和第四残差块；将输入至特征提取层的特征图记为输入特征图，将输入特征图送入至第一残差块处理得到特征图F1、将特征图F1经过第二残差块处理得到特征图F2、将特征图F2经过第三残差块处理得到特征图F3，将特征图F3经过第四残差块处理得到特征图F4；将特征图F4经过上采样处理后与特征图F3进行拼接融合得到特征图F5，将特征图F5经过上采样处理后与特征图F2进行拼接融合得到特征图F6，将特征图F6经过上采样处理后与特征图F1进行拼接融合得到特征图F7，特征图F7即为特征提取层输出的特征图；其中RPN层用于确定待测玻璃原片光敏图像中待钢化的玻璃原片的区域；分类层用于对待钢化的玻璃原片进行分类，输出待钢化处理的玻璃原片对应的坐标信息和编码信息;
玻璃检测模型的训练包括如下步骤：获取标注好玻璃原片对应的坐标信息和编码信息的玻璃原片的图像，并将所有标注好玻璃原片对应的坐标信息和编码信息的玻璃原片的图像组合形成玻璃原片图像训练集；通过玻璃原片图像训练集对初始化的玻璃检测模型进行训练，且采用交替优化方法，直至损失值在第一预设范围内后停止训练，并且输出训练好的玻璃检测模型;
工艺参数库的建立包括如下步骤：
S1：建立一个空的工艺参数库，获取玻璃钢化历史数据集ζn，n=1，2，3······N，N为玻璃钢化历史数据集的总数，玻璃钢化历史数据集中包括待钢化玻璃原片历史信息集、玻璃钢化历史工艺参数集和钢化玻璃历史质量评分，其中待钢化玻璃原片历史信息集包括面积信息、类型信息和厚度信息；玻璃钢化历史工艺参数集指对玻璃原片进行钢化处理时智能钢化炉对应的工艺参数；钢化玻璃历史质量评分指玻璃原片完成钢化处理后的质量评分；
S2：将玻璃钢化历史数据集中的待钢化玻璃原片历史信息集记为Xn，且待钢化玻璃原片历史信息集可以重复，Xn的存在形式为{Qn，Tn，Dn}，其中Qn为面积信息，Tn为类型信息，Dn为厚度信息，将玻璃钢化历史工艺参数集记为Pn，Pn的存在形式为{p1n，p2n，p3n···pkn···pKN}，其中pkn指第n个玻璃钢化历史数据集对应的玻璃钢化历史工艺参数集中第k个值，k=1，2，3······K，K为玻璃钢化历史工艺参数集中玻璃钢化工艺参数的总个数；将钢化玻璃历史质量评分记为μn；
S3：建立玻璃原片类型影响BP神经网络模型，玻璃原片类型影响BP神经网络模型包括一个输入层、三个隐含层和一个输出层，其中输入层的神经节点个数为3，输出层的神经节点个数为K，隐含层节点个数σ=N/[α·（3+K）]，其中α为2-10之间的随机整数；将待钢化玻璃原片历史信息集Xn逐个送入初始化的玻璃原片类型影响BP神经网络模型进行训练，期间以待钢化玻璃原片历史信息集Xn对应的玻璃钢化历史工艺参数集Pn作为目标值，直至损失值位于第二预设范围内后停止训练，并输出训练好的玻璃原片类型影响BP神经网络模型；
S4：逐个选择玻璃钢化历史数据集ζn，针对选择的玻璃钢化历史数据集ζn，获取待钢化玻璃原片历史信息集Xn及其对应的玻璃钢化历史工艺参数集Pn，将待钢化玻璃原片历史信息集Xn送入训练好的玻璃原片类型影响BP神经网络模型，并输出玻璃钢化工艺参数模拟集En，再将玻璃钢化历史工艺参数集Pn与玻璃钢化工艺参数模拟集En作差，生成玻璃钢化工艺参数差集βn；
S5：将待钢化玻璃原片历史信息集Xn、玻璃钢化历史工艺参数集Pn和玻璃钢化工艺参数差集βn拼接组成玻璃钢化影响因素训练集εn；建立玻璃钢化影响BP神经网络模型，玻璃钢化影响BP神经网络模型包括一个输入层、三个隐含层和一个输出层，其中输入层的神经节点个数为3+2K，输出层的神经节点个数为1，隐含层的神经节点个数γ=N/[α·（4+2K）]；将玻璃钢化影响因素训练集εn逐个送入初始化的玻璃钢化影响BP神经网络模型进行训练，期间以钢化玻璃历史质量评分μn作为目标值，直至损失值位于第三预设范围内后停止训练，并输出训练好的玻璃钢化影响BP神经网络模型；
S6：设定最大迭代次数G；
S7：将所有玻璃钢化历史数据集ζn按照钢化玻璃历史质量评分μn从大到小的顺序进行排序，并选择前e个玻璃钢化历史数据集ζn，将选择的玻璃钢化历史数据集ζn记为玻璃钢化数据父本集，将选择的玻璃钢化历史数据集ζn中的待钢化玻璃原片历史信息集Xn和玻璃钢化历史工艺参数集Pn组成玻璃钢化影响父本集φb，b=1，2，3······e；
S8：将玻璃钢化影响父本集φb中的元素记为Uib，i=1，2，3······I，I为玻璃钢化影响父本集φb中的元素的总个数，且满足I=3+K，逐个选择玻璃钢化影响父本集φb，针对选择的玻璃钢化影响父本集φb，将选择的玻璃钢化影响父本集φb中的元素进行变化操作生成玻璃钢化影响子本集ψf，f=b+e，变化操作包括保留、变异和替换，保留指元素Uib对应的值不变，变异指元素Uib对应的值变为一个随机数；替换指将元素Uib对应的值替换为元素Uij对应的值，其中j∈{1，2，3······e}且j≠b；并且执行变化操作需要遵循变化规则；
S9：获取所有玻璃钢化影响子本集ψf，并逐个将玻璃钢化影响子本集ψf进行拆分，形成对应的待钢化玻璃原片信息子本集Mf和对应的玻璃钢化工艺参数子本集Hf，将待钢化玻璃原片信息子本集Mf送入训练好的玻璃原片类型影响BP神经网络模型，并输出玻璃钢化工艺参数模拟子本集Rf，再将玻璃钢化工艺参数子本集Hf与玻璃钢化工艺参数模拟子本集Rf作差，生成玻璃钢化工艺参数差子本集Yf；将待钢化玻璃原片信息子本集Mf、玻璃钢化工艺参数子本集Hf和玻璃钢化工艺参数差子本集Yf拼接组成玻璃钢化影响因素模拟集ηn，将玻璃钢化影响因素模拟集ηn输入训练好的玻璃钢化影响BP神经网络模型，并输出对应的钢化玻璃质量模拟评分wf，将所有玻璃钢化影响子本集ψf与其对应的钢化玻璃质量模拟评分wf组合形成玻璃钢化数据子本集，将所有玻璃钢化数据子集与玻璃钢化数据父本集组成玻璃钢化数据集，将玻璃钢化数据集按照对应的钢化玻璃质量模拟评分wf或者钢化玻璃历史质量评分μn从大到小的顺序进行排序，并选择前e个玻璃钢化数据集作为新的玻璃钢化数据父本集Cb，将新的玻璃钢化数据父本集Cb中的钢化玻璃质量模拟评分或者钢化玻璃历史质量评分部分进行删除得到新的玻璃钢化影响父本集φb；
S10：判断是否到达最大迭代次数G，如果到达最大迭代次数G，停止迭代，并进入S11；否则回到S8，继续迭代；
S11：获取所有玻璃钢化数据父本集Cb，并将玻璃钢化数据父本集Cb进行拆分得到玻璃原片信息集`Xb和玻璃钢化工艺参数集`Pb和钢化玻璃历史质量评分`μb，逐个选择玻璃原片信息集`Xb，针对选择的玻璃原片信息集`Xb，获取所有与选择的玻璃原片信息集`Xb部分一致的玻璃钢化数据父本集Cb，并从获取的玻璃钢化数据父本集Cb选择最大的钢化玻璃历史质量评分`μb对应的玻璃钢化工艺参数集`Pb作为玻璃原片信息集`Xb对应的工作参数；将选择的玻璃原片信息集`Xb及其对应的工作参数一一映射存入工艺参数库中。
2.根据权利要求1所述的一种具备自动检测玻璃的智能钢化方法，其特征在于，根据待钢化玻璃原片信息集从工艺参数库中获取对应的工艺参数具体包括如下步骤：将待钢化玻璃原片信息集与工艺参数库中的玻璃原片信息集逐一匹配，并输出匹配成功的玻璃原片信息集对应的工作参数。
3.根据权利要求2所述的一种具备自动检测玻璃的智能钢化方法，其特征在于，还包括对玻璃原片的瑕疵进行检测，具体步骤如下：将经过训练好的玻璃检测模型后输出的坐标信息对应的图像从待测玻璃原片光敏图像分割出来，记为待测玻璃原片图像；将待测玻璃原片图像送入训练好的玻璃瑕疵检测模型进行检测，输出检测结果，若是检测结果为存在瑕疵，则停止智能钢化炉工作，并发出警报；否则，无操作。
4.根据权利要求3所述的一种具备自动检测玻璃的智能钢化方法，其特征在于，玻璃瑕疵检测模型在玻璃检测模型的基础上进行了改进，具体改进操作如下：在特征提取层中增加多感受野融合模块和空间注意力机制模块；多感受野融合模块包括四个空洞卷积层，每个空洞卷积层包括一个空洞卷积核，且四个空洞卷积核的扩张率分别为1，2，3和4，当特征图F4、特征图F5和特征图F6进行上采样之前，将特征图Fz送入多感受野融合模块，z∈{4，5，6}，特征图Fz分别经过四个空洞卷积层处理后再拼接和卷积得到特征图F'z，将特征图F'z送入空间注意力机制模块，空间注意力机制模块对特征图F'z分别进行通道上的最大池化和平均池化得到最大池化特征图和平局池化特征图，再将最大池化特征图和平局池化特征图拼接后通过softmax函数计算得到空间权重矩阵，将空间权重矩阵与特征图F'z进行点乘，再执行后续的上采样。
5.根据权利要求4所述的一种具备自动检测玻璃的智能钢化方法，其特征在于，玻璃瑕疵检测模型的训练包括如下步骤：获取标注好是否有瑕疵存在的玻璃原片图像，并将所有获取的玻璃原片图像组成待测玻璃原片图像训练集；将待测玻璃原片图像训练集送入初始化的玻璃瑕疵检测模型进行训练，且采用交替优化方法，直至损失值在第三预设范围内后停止训练，并且输出训练好的玻璃瑕疵检测模型。
6.一种具备自动检测玻璃的智能钢化系统，使用如权利要求1至权利要求5任一所述的一种具备自动检测玻璃的智能钢化方法，其特征在于，包括：
待测玻璃原片光敏图像获取模块，用于获取待测玻璃原片光敏图像；
玻璃检测模型管理模块，用于训练和存储玻璃检测模型；
玻璃原片编码库，用于存储编码信息及其对应的玻璃原片信息；
玻璃原片检测模块，用于根据玻璃检测模型对待测玻璃原片光敏图像进行检测，输出待钢化处理的玻璃原片对应的坐标信息和编码信息，坐标信息对应待钢化处理的玻璃原片所属的区域，编码信息用于从玻璃原片编码库中获取编码信息对应的玻璃原片信息，根据坐标信息确定待钢化处理的玻璃原片对应的面积信息，玻璃原片信息包括待钢化处理的玻璃原片对应的类型信息和厚度信息；
待钢化玻璃原片信息集构建模块，用于根据钢化处理的玻璃原片对应的面积信息、类型信息和厚度信息构建待钢化玻璃原片信息集；
工艺参数库建立模块，用于建立工艺参数库，工艺参数库包括玻璃原片信息及其对应的工艺参数；
工艺参数获取模块，用于根据待钢化玻璃原片信息集从工艺参数库中获取对应的工艺参数；
智能钢化炉控制模块，用于根据获取的工艺参数控制对应智能钢化炉。
7.根据权利要求6所述的一种具备自动检测玻璃的智能钢化系统，其特征在于，还包括：玻璃原片瑕疵检测模块，用于对玻璃原片的瑕疵进行检测；
玻璃原片瑕疵检测模块包括：
待测玻璃原片图像获取组件，用于获取待测玻璃原片图像；
玻璃瑕疵检测模型管理组件，用于训练和存储玻璃瑕疵检测模型；
玻璃瑕疵检测组件，用于根据玻璃瑕疵检测模型对待测玻璃原片图像进行检测，并输出检测结果；
警报组件，用于发出警报。
CN202310866382.5A 2023-07-14 2023-07-14 一种具备自动检测玻璃的智能钢化方法及系统 Active CN116589171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310866382.5A CN116589171B (zh) 2023-07-14 2023-07-14 一种具备自动检测玻璃的智能钢化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310866382.5A CN116589171B (zh) 2023-07-14 2023-07-14 一种具备自动检测玻璃的智能钢化方法及系统

Publications (2)

Publication Number Publication Date
CN116589171A CN116589171A (zh) 2023-08-15
CN116589171B true CN116589171B (zh) 2024-01-09

Family

ID=87599410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310866382.5A Active CN116589171B (zh) 2023-07-14 2023-07-14 一种具备自动检测玻璃的智能钢化方法及系统

Country Status (1)

Country Link
CN (1) CN116589171B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102942300A (zh) * 2012-12-03 2013-02-27 洛阳兰迪玻璃机器股份有限公司 基于线阵列紫外光探测器的玻璃几何参数测量系统
CN105084729A (zh) * 2014-05-12 2015-11-25 浙江理工大学 一种玻璃钢化工艺的工艺参数设置方法
CN105095273A (zh) * 2014-05-12 2015-11-25 浙江理工大学 一种基于模糊bp神经网络的玻璃钢化的工艺参数设置方法
CN105652829A (zh) * 2015-12-21 2016-06-08 洛阳兰迪玻璃机器股份有限公司 一种钢化玻璃生产方法及生产线
CN108345911A (zh) * 2018-04-16 2018-07-31 东北大学 基于卷积神经网络多级特征的钢板表面缺陷检测方法
CN110853015A (zh) * 2019-11-12 2020-02-28 中国计量大学 基于改进Faster-RCNN的铝型材缺陷检测方法
CN113240626A (zh) * 2021-04-08 2021-08-10 西安电子科技大学 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法
CN113643234A (zh) * 2021-07-05 2021-11-12 华北电力大学 一种复合绝缘子破损检测方法、终端设备及可读存储介质
CN114092389A (zh) * 2021-09-13 2022-02-25 浙江大学 一种基于小样本学习的玻璃面板表面缺陷检测方法
CN115760808A (zh) * 2022-11-24 2023-03-07 杭州聚玻科技有限公司 平板玻璃尺寸测量方法、系统、装置及可读存储介质
CN115791617A (zh) * 2022-11-22 2023-03-14 福建工程学院 一种汽车挡风玻璃花点缺陷的自动检测装置及方法
CN115861170A (zh) * 2022-10-11 2023-03-28 江南大学 基于改进yolo v4算法的表面缺陷检测方法
CN116309498A (zh) * 2023-03-24 2023-06-23 重庆中德未来工厂研究院 基于ResNeSt算法的光伏面板完整性检测方法、系统及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FI128985B (fi) * 2019-10-22 2021-04-30 Glaston Finland Oy Menetelmä ja laite lasilevyjen lämpökäsittelyprosessin ohjaamiseksi

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102942300A (zh) * 2012-12-03 2013-02-27 洛阳兰迪玻璃机器股份有限公司 基于线阵列紫外光探测器的玻璃几何参数测量系统
CN105084729A (zh) * 2014-05-12 2015-11-25 浙江理工大学 一种玻璃钢化工艺的工艺参数设置方法
CN105095273A (zh) * 2014-05-12 2015-11-25 浙江理工大学 一种基于模糊bp神经网络的玻璃钢化的工艺参数设置方法
CN105652829A (zh) * 2015-12-21 2016-06-08 洛阳兰迪玻璃机器股份有限公司 一种钢化玻璃生产方法及生产线
CN108345911A (zh) * 2018-04-16 2018-07-31 东北大学 基于卷积神经网络多级特征的钢板表面缺陷检测方法
CN110853015A (zh) * 2019-11-12 2020-02-28 中国计量大学 基于改进Faster-RCNN的铝型材缺陷检测方法
CN113240626A (zh) * 2021-04-08 2021-08-10 西安电子科技大学 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法
CN113643234A (zh) * 2021-07-05 2021-11-12 华北电力大学 一种复合绝缘子破损检测方法、终端设备及可读存储介质
CN114092389A (zh) * 2021-09-13 2022-02-25 浙江大学 一种基于小样本学习的玻璃面板表面缺陷检测方法
CN115861170A (zh) * 2022-10-11 2023-03-28 江南大学 基于改进yolo v4算法的表面缺陷检测方法
CN115791617A (zh) * 2022-11-22 2023-03-14 福建工程学院 一种汽车挡风玻璃花点缺陷的自动检测装置及方法
CN115760808A (zh) * 2022-11-24 2023-03-07 杭州聚玻科技有限公司 平板玻璃尺寸测量方法、系统、装置及可读存储介质
CN116309498A (zh) * 2023-03-24 2023-06-23 重庆中德未来工厂研究院 基于ResNeSt算法的光伏面板完整性检测方法、系统及存储介质

Also Published As

Publication number Publication date
CN116589171A (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
US11055574B2 (en) Feature fusion and dense connection-based method for infrared plane object detection
CN109919934B (zh) 一种基于多源域深度迁移学习的液晶面板缺陷检测方法
WO2020008919A1 (ja) 機械学習装置及び方法
CN110473173A (zh) 一种基于深度学习语义分割的缺陷检测方法
CN113393438B (zh) 一种基于卷积神经网络的树脂镜片缺陷检测方法
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN114862811B (zh) 一种基于变分自动编码器的缺陷检测方法
CN110930320A (zh) 一种基于轻量化卷积神经网络的图像去雾方法
CN107004141A (zh) 对大样本组的高效标注
CN107622276B (zh) 一种基于机器人仿真与物理采样结合的深度学习训练方法
CN113420619A (zh) 一种遥感影像建筑物提取方法
CN110610482A (zh) 一种基于resnet的工件瑕疵检测方法
CN105115469A (zh) 水稻稻穗表型参数自动测量和穗重预测方法
CN115760837A (zh) 一种基于深度神经网络的晶体质量评估方法及系统
JP2021103344A (ja) 学習支援装置、学習装置、学習支援方法及び学習支援プログラム
CN116589171B (zh) 一种具备自动检测玻璃的智能钢化方法及系统
CN111325176A (zh) 一种基于人工智能的抗酸杆菌识别方法
JP4660765B2 (ja) 進化型画像自動分類装置、フィルタ構造生成方法、及びプログラム
CN113392934A (zh) 一种面向深度学习的偏见数据平衡方法及装置
CN117291898A (zh) 一种表面缺陷检测方法、系统及设备
CN117132564A (zh) 基于YOLOv3的蓝宝石衬底表面缺陷检测方法及系统
CN113066049B (zh) Mems传感器疵病种类识别方法及系统
CN113469984B (zh) 一种基于yolo结构的显示面板外观检测方法
AU2021102380A4 (en) Intelligent Mineral Identification Method and System
CN109118483A (zh) 一种标签质量检测方法及装置

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
GR01 Patent grant
GR01 Patent grant