CN116934752A - 一种基于人工智能的玻璃检测方法及系统 - Google Patents
一种基于人工智能的玻璃检测方法及系统 Download PDFInfo
- Publication number
- CN116934752A CN116934752A CN202311196839.2A CN202311196839A CN116934752A CN 116934752 A CN116934752 A CN 116934752A CN 202311196839 A CN202311196839 A CN 202311196839A CN 116934752 A CN116934752 A CN 116934752A
- Authority
- CN
- China
- Prior art keywords
- representing
- pixel point
- image
- initial
- glass
- 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.)
- Granted
Links
- 239000011521 glass Substances 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 239000005304 optical glass Substances 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000007547 defect Effects 0.000 claims abstract description 20
- 230000000875 corresponding effect Effects 0.000 claims description 92
- 230000002159 abnormal effect Effects 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 46
- 230000000694 effects Effects 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 102000037983 regulatory factors Human genes 0.000 claims description 6
- 108091008025 regulatory factors Proteins 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001459 lithography Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012958 reprocessing Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于人工智能的玻璃检测方法及系统。该方法获取光学玻璃的初始图像，所述初始图像包括所述光学玻璃表面区域；判定待检测玻璃是否存在缺陷。本发明能够消除背景干扰，有效提高准确率，并基于此对光学玻璃的质量进行评估，具有检测速度快、准确度高并且整体成本低等优点。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于人工智能的玻璃检测方法及系统。
背景技术
光刻机最主要部分的投影光刻物镜是目前最复杂的光学系统，在其生产制造过程中对光学设计、加工、检测和装调等都具有极高要求。对于光学加工而言，光学玻璃在抛光后往往还会存在一些表面缺陷情况，例如瑕疵、疵点等会在高能激光辐照下局部场增强，从而降低光学材料的抗激光损伤能力，还有的采用可见光光源对玻璃表面进行照射，然后用相机进行图像采集再处理。由于普通玻璃对可见光光源透明，这种方法抗干扰能力弱而且这些缺陷会使得光束发生散射，影响光学系统的成像质量，以使得检测的精度不够，难以达到使用要求。
发明内容
为了解决上述技术问题，第一方面，本发明提出了一种基于人工智能的玻璃检测方法，该方法包括以下步骤：
打开深紫外光源使得深紫外光照射待检测光学玻璃表面；
获取光学玻璃的初始图像，所述初始图像包括所述光学玻璃表面区域；
判定待检测玻璃是否存在缺陷；
其中，所述判定待检测玻璃是否存在缺陷具体包括：对所述初始图像进行特征增强得到增强后的优化图像，根据所述优化图像中像素点的灰度值进行划分得到多个组；获取每个所述组内像素点对应灰度均值；
选取所述组内像素点最少时对应的组为疑似异常组；获取所述疑似异常组区域的边缘曲线为初始演化曲线；根据所述初始演化曲线的长度以及每个所述组内像素点对应的灰度均值构建目标函数；根据所述目标函数得到最佳演化曲线；获取所述最佳演化曲线对应的区域为异常区域；异常区域为光学玻璃的缺陷区域；
所述对所述初始图像进行特征增强得到增强后的优化图像的步骤，包括：
对所述初始图像进行不同尺度的高斯卷积得到多张卷积图像；根据多张所述卷积图像获取所述初始图像中每个像素点的最佳效果值，根据所述最佳效果值得到优化图像，所述优化图像中每个像素点的像素值为对应的最佳效果值。
进一步地，所述根据多张所述卷积图像获取所述初始图像中每个像素点的最佳效果值的步骤，包括：
获取每个尺度的卷积图像中每个像素点对应的海森矩阵；
获取每个所述海森矩阵对应的特征值，根据所述特征值得到所述卷积图像中每个所述像素点对应的效果值；所述像素点在所有尺度下所述卷积图像中对应的最大效果值为所述最佳效果值。
进一步地，所述根据所述特征值得到所述卷积图像中每个所述像素点对应的效果值的步骤，包括：
计算所述效果值的方法为：
其中，表示坐标为/>的像素点在第/>个尺度下对应的效果值；/>表示像素点对应海森矩阵的第2个特征值；/>表示特征调控因子；/>表示特征调控因子；/>表示特征增强因子；/>表示特征增强因子；/>表示自然常数；
特征增强因子的计算方法分别为：
其中，表示特征增强因子；/>表示像素点对应海森矩阵的第1个特征值；/>表示像素点对应海森矩阵的第2个特征值；
其中，表示特征增强因子；/>表示像素点对应海森矩阵的第1个特征值；/>表示像素点对应海森矩阵的第2个特征值。
进一步地，所述获取所述疑似异常组区域的边缘曲线为初始演化曲线的步骤，包括：
获取所述疑似异常组对应的疑似异常区域，利用边缘检测算法得到所述疑似异常区域的边缘曲线；
所述边缘曲线为所述疑似异常组区域的初始演化曲线。
进一步地，所述根据所述初始演化曲线的长度以及每个所述组内像素点对应的灰度均值构建目标函数的步骤，包括：
所述目标函数为：
其中，表示目标函数；/>表示正则系数；/>表示初始演化曲线/>的长度；/>表示第一权值系数；/>表示第二权值系数；/>表示初始演化曲线内坐标为/>的像素点对应的灰度值；/>表示初始演化曲线外坐标为/>的像素点对应的灰度值；/>表示第/>个组内像素点的灰度均值；/>表示第/>个组内像素点的灰度均值；/>表示初始演化曲线/>内部的区域；/>表示初始演化曲线/>外部的区域。
进一步地，所述根据所述目标函数得到最佳演化曲线的步骤，包括：
根据所述优化图像中像素点的灰度值进行多次分组搜索，得到多个初始演化曲线，所述目标函数最小时对应的所述初始演化曲线为最佳演化曲线。
进一步地，所述获取所述最佳演化曲线对应的区域为异常区域的步骤之后，还包括：
获取所述异常区域的面积，根据所述异常区域的面积得到所述光学玻璃的质量评分，根据所述质量评分对所述光学玻璃进行质量评价。
进一步地，所述质量评分的获取方法包括：
其中，表示光学玻璃的质量评分；/>表示异常区域的面积；/>表示模型可调参数，为以自然常数为底数的指数函数。
进一步地，所述根据所述质量评分对所述光学玻璃进行质量评价包括：
对质量评分归一化，当归一化后的质量评分低于预设阈值时，判断对应光学玻璃存在质量问题。
第二方面，本发明另一个实施例提供了一种基于人工智能的玻璃检测系统，该系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法所述的步骤。
本发明具有如下有益效果：本发明实施例中方法主要利用光学手段，具体为深紫外光源图像对光学玻璃的表面进行分析检测，还可以用于新材料检测、计量、相关标准化、认证认可服务。为了解决采用可见光光源时会产生较大背景干扰的缺点，利用深紫外光光源进行检测，能够消除背景干扰，有效提高准确率，并基于此对光学玻璃的质量进行评估，具有检测速度快、准确度高并且整体成本低等优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的玻璃检测方法流程图；
图2为本发明一个实施例所提供的一种待检测的光学玻璃的初始图像；
图3为本发明一个实施例所提供的一种待检测的光学玻璃的优化图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的玻璃检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本申请适用于对光学玻璃表面缺陷的检测，为了解决现有阈值分割对局部灰度变化不明显的像素造成误检，以使得检测的精度不够的问题，本发明实施例中首先获取光学玻璃的初始图像，对该初始图像进行自适应的特征增强得到对应的优化图像，进一步根据优化图像进行分析，对优化图像中不同灰度值的像素点进行分类，结合分类边缘的初始演化曲线构建目标函数，从而得到最佳演化曲线进而识别出光学玻璃表面异常区域的目的；有效提高了检测的精度和检测效率。
下面结合附图具体的说明本发明所提供的一种基于人工智能的玻璃检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的玻璃检测方法流程图，该方法包括以下步骤：
步骤1：打开深紫外光源使得深紫外光照射待检测光学玻璃表面。
步骤2：获取光学玻璃的初始图像。
步骤3：判断待检测玻璃是否存在缺陷。
具体的，为了方便基于图像数据对光学玻璃表面的特征进行检测，本发明实施例中设置图像采集装置用于采集光学玻璃的图像；图像采集装置中包括一个不封闭的矩形架，在该矩形架的两边设置压膜设备，用于固定待检测的光学玻璃；图像采集装置中还需要包括深紫外光源，光源的具体位置由实施者自行设置；本发明实施例中在矩形架的底部内壁上布置深紫外光源，所述深紫外光源的亮度可调，发射的深紫外光波长为200nm～400nm；将采集图像的相机设置在矩形架的上方，相机以俯视视角对待检测的光学玻璃表面的区域进行图像采集，相机具体拍摄范围可根据实际情况由实施者自行设定，以此得到该待检测的光学玻璃的初始图像。请参阅图2，其示出了本发明一个实施例所提供的一种待检测的光学玻璃的初始图像。由图2可看出，初始图像中的特征并不明显，整体信息较为统一，无法准确确定缺陷区域。
判定待检测玻璃是否存在缺陷，所述判定待检测玻璃是否存在缺陷具体包括对所述初始图像进行特征增强得到增强后的优化图像，根据所述优化图像中像素点的灰度值进行划分得到多个组；获取每个所述组内像素点对应灰度均值；获取到该光学玻璃的初始图像，进一步对初始图像中的图像信息进行增强以增加图像的对比度，提高光学玻璃表面异常区域与正常区域之间的特征差异，从而提高对光学玻璃表面特征检测的准确度。请参阅图3，其示出了本发明一个实施例所提供的一种待检测的光学玻璃的优化图像，由图3和图2对比可知，经过图像优化后，图3中的对比度较为明显，细节更加丰富，因此可根据优化图像执行后续的缺陷检测步骤，进而获得准确的缺陷区域信息。
首先，对初始图像进行不同尺度的高斯卷积得到多张卷积图像；根据多张卷积图像获取初始图像中每个像素点的最佳效果值，根据最佳效果值得到优化图像，优化图像中每个像素点的像素值为对应的最佳效果值。
具体的，本发明实施例中通过构建高斯函数对初始图像进行卷积，具体函数为：
其中，表示高斯函数；/>表示该高斯函数的尺度大小；/>表示圆周率；/>表示像素点的空间坐标；/>表示自然常数。
需要说明的是，高斯函数的尺度大小由实施者根据实际情况自行设定。
基于上述构建的高斯函数对光学玻璃对应的初始图像进行处理，考虑到光学玻璃的初始图像包括了该光学玻璃的整体轮廓特征以及细节特征，利用单一尺度的高斯函数对光学玻璃的初始图像进行卷积时，对于图像不同位置的处理效果单一，无法针对性的对初始图像中各个像素点进行自适应的处理。为提高所有像素点的增强效果，凸显出不同特征之间的差异性，本发明实施例中设置多个尺度的高斯函数对该初始图像进行卷积操作，即可得到不用尺度的高斯函数卷积得到的卷积图像，该卷积图像的获取具体为：
其中，表示高斯函数尺度为/>时得到的卷积图像；/>表示高斯函数；/>表示光学玻璃对应的初始图像。
以此类推，得到在不同尺度下时高斯函数与该初始图像卷积得到个多张不同的卷积图像，则初始图像中每个像素点对应一个高斯响应序列为：
其中，表示坐标为/>的像素点对应的高斯响应序列；/>表示坐标为/>的像素点在尺度为/>时对应的高斯函数卷积后的卷积值；/>表示坐标为/>的像素点在尺度为/>时对应的高斯函数卷积后的卷积值；/>表示坐标为/>的像素点在尺度为/>时对应的高斯函数卷积后的卷积值；/>表示高斯函数尺度的数量。
作为优选，本发明实施例中设置，即本发明实施例中共获取该初始图像对应的8张不同尺度的卷积图像。
为了实现对光学玻璃初始图像中各个像素点特征的有效增强，本发明实施例中对每个像素点卷积后的特征进行分析；获取每个尺度的卷积图像中每个像素点对应的海森矩阵；获取每个海森矩阵对应的特征值，根据特征值得到卷积图像中每个像素点对应的效果值；像素点在所有尺度下卷积图像中对应的最大效果值为最佳效果值。
具体的，任意选取一个尺度下高斯函数对应的卷积图像，获取该卷积图像中每个像素点的海森矩阵，进一步计算每个像素点对应海森矩阵的两个特征值，海森矩阵及其特征值的获取方法为现有公知技术，不再赘述。根据每个像素点对应的两个特征值得到该像素点的效果值为：
其中，表示坐标为/>的像素点在第/>个尺度下对应的效果值；/>表示像素点对应海森矩阵的第2个特征值；/>表示特征调控因子；/>表示特征调控因子；/>表示特征增强因子；/>表示特征增强因子；/>表示自然常数。
作为优选，本发明实施例中将特征调控因子取经验值。
特征增强因子的计算方法分别为：
其中，表示特征增强因子；/>表示像素点对应海森矩阵的第1个特征值；/>表示像素点对应海森矩阵的第2个特征值；
其中，表示特征增强因子；/>表示像素点对应海森矩阵的第1个特征值；/>表示像素点对应海森矩阵的第2个特征值。
基于上述获取效果值相同的方法，计算该像素点在每张卷积图像中对应的效果值，则每个像素点可对应一个效果值序列为：
其中，表示坐标为/>的像素点对应的效果值序列；/>表示坐标为/>的像素点在第/>个尺度下对应的效果值；/>表示坐标为/>的像素点在第/>个尺度下对应的效果值；/>表示坐标为/>的像素点在第/>个尺度下对应的效果值。
本发明实施例中将该像素点对应的效果值序列中最大的元素值作为该像素点的最佳效果值。以此类推，获取初始图像中每个像素点对应的最佳效果值，以每个像素点对应的最佳效果值构成增强效果最佳的优化图像，利用该优化图像对光学玻璃进行后续的分析，相比于单一的滤波卷积对初始图像进行处理而言，该方法具有较强的自适应性，且像素点特征增强效果较好。
进一步的，为了检测光学玻璃表面的瑕疵、疵点缺陷，首先对优化图像中所有像素点进行初步分类，以初步区分出正常像素点和异常像素点。本发明实施例中利用K-means聚类算法将优化图像中所有像素点初步划分为2组。在其他实施例中还可以采用阈值分类等方法。然后计算获取到的每个组内所有像素点对应的灰度均值。
选取组内像素点最少时对应的组为疑似异常组；获取疑似异常组区域的边缘曲线为初始演化曲线；根据初始演化曲线的长度以及每个组内像素点对应的灰度均值构建目标函数。
获取到光学玻璃对应的优化图像以及对优化图像中所有像素点的分组，在实际的光学玻璃生产过程中，瑕疵、疵点等缺陷所占比例较小，因此以两组中像素点数量较少的一组作为疑似异常组，另外一组为正常组。获取疑似异常组对应的疑似异常区域，利用边缘检测算法得到疑似异常区域的边缘曲线；边缘曲线为疑似异常组区域的初始演化曲线。
具体的，将正常组像素值置为0，疑似异常组像素值置为1，从而得到掩膜图像，将该掩膜图像与优化图像进行相乘得到分割出疑似异常区域的初始分割图像。本发明实施例中利用边缘检测算法获取该初始分割图像中的边缘像素点，根据边缘像素点构成该光学玻璃对应的初始演化曲线。
根据获取到的初始演化曲线以及正常组的灰度均值和疑似异常组的灰度均值构建目标函数为：
其中，表示目标函数；/>表示正则系数；/>表示初始演化曲线/>的长度，即该初始演化曲线/>上所有像素点的数量；/>表示第一权值系数；/>表示第二权值系数；/>表示初始演化曲线内坐标为/>的像素点对应的灰度值；/>表示初始演化曲线外坐标为的像素点对应的灰度值；/>表示第/>个组内像素点的灰度均值，即疑似异常组内所有像素点对应的灰度均值；/>表示第/>个组内像素点的灰度均值，即正常组内所有像素点对应的灰度均值；/>表示初始演化曲线/>内部的区域，即疑似异常组区域；表示初始演化曲线/>外部的区域，即正常组区域。
作为优选，本发明实施例中设置；/>；/>。
根据目标函数得到最佳演化曲线，获取最佳演化曲线对应的区域为异常区域；异常区域为光学玻璃的缺陷区域。
得到初始演化曲线以及目标函数，根据优化图像中像素点的灰度值进行多次分组搜索，得到多个初始演化曲线，目标函数最小时对应的初始演化曲线为最佳演化曲线。
具体的，对构建的目标函数内的参数不断更新，即对分组的过程不断迭代，根据最优化算法得到该目标函数取值最小时对应的初始演化曲线的长度、正常组的灰度均值以及疑似异常组的灰度均值；将此时的初始演化曲线标记为最佳演化曲线；常用的最优化算法有梯度下降法、共轭梯度法等，实施者根据实际情况自行选择。
上述获取到的最佳演化曲线将光学玻璃对应的优化图像中所有像素点进行了重新分组，将该次分组作为最佳划分，以此得到较为准确的光学玻璃表面的异常像素点集合，从而得到该光学玻璃表面对应的异常区域，该异常区域即为该光学玻璃的缺陷区域。
进一步的，获取异常区域的面积，根据异常区域的面积得到光学玻璃的质量评分，根据质量评分对光学玻璃进行质量评价。
获取该异常区域的面积大小，根据该异常区域的面积大小构建光学玻璃质量检测模型，用于定量分析光学玻璃的质量，该质量检测模型为：
其中，表示该光学玻璃的质量评分；/>表示该异常区域的面积；/>表示模型可调参数，/>为以自然常数为底数的指数函数。
作为优选，本发明实施例中设置模型可调参数。
当该光学玻璃的质量评分越高时，说明此时该光学玻璃的质量越好，进一步设定质量阈值，对该质量检测模型的结果进行归一化，当归一化后的质量评分低于预设阈值时，说明此时的光学玻璃存在质量问题，质量较低，不满足出厂需求，应该及时进行处理。
作为优选，本发明实施例中将预设阈值设置为，即当光学玻璃的质量评分低于0.65时，将该光学玻璃及时进行处理。
综上所述，本发明实施例中通过获取光学玻璃的初始图像，对该初始图像利用多尺度的高斯函数进行卷积得到特征增强后的优化图像，该优化图像中每个像素点的像素值均为在某一尺度的高斯函数卷积后的最佳效果值；进一步根据优化图像中所有像素点的灰度值进行分组，根据分组中像素点的数量初中划分为正常组和疑似异常组，获取正常组内像素点的灰度均值以及疑似异常组内像素点的灰度均值；并根据疑似异常组对应区域的边缘图像得到初始演化曲线。基于该正常组的像素均值，异常组的像素均值以及初始演化曲线构建目标函数，利用最优化算法得到该目标函数取值最小时对应的初始演化曲线，此时的初始演化曲线为最佳演化曲线。该最佳演化曲线将优化图像分为两组，且该最佳演化曲线内的区域为该光学玻璃的异常区域。进一步根据异常区域的面积对光学玻璃的质量进行定量分析。对光学玻璃的初始图像进行特征增强，保证了后续对优化图像进行分析的可靠性，且利用该目标函数方法的检测成本较低且检测速度快、精度高。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于人工智能的玻璃检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于人工智能的玻璃检测方法实施例中的步骤，例如图1所示的步骤。该一种基于人工智能的玻璃检测方法在上述实施例中已经详细说明，不再赘述。
Claims (10)
1.一种基于人工智能的玻璃检测方法，其特征在于，该方法包括以下步骤：
打开深紫外光源使得深紫外光照射待检测光学玻璃表面；
获取光学玻璃的初始图像，所述初始图像包括所述光学玻璃表面区域；
判定待检测玻璃是否存在缺陷；
其中，所述判定待检测玻璃是否存在缺陷具体包括：对所述初始图像进行特征增强得到增强后的优化图像，根据所述优化图像中像素点的灰度值进行划分得到多个组；获取每个所述组内像素点对应灰度均值；
选取所述组内像素点最少时对应的组为疑似异常组；获取所述疑似异常组区域的边缘曲线为初始演化曲线；根据所述初始演化曲线的长度以及每个所述组内像素点对应的灰度均值构建目标函数；根据所述目标函数得到最佳演化曲线；获取所述最佳演化曲线对应的区域为异常区域；异常区域为光学玻璃的缺陷区域；
所述对所述初始图像进行特征增强得到增强后的优化图像的步骤，包括：
对所述初始图像进行不同尺度的高斯卷积得到多张卷积图像；根据多张所述卷积图像获取所述初始图像中每个像素点的最佳效果值，根据所述最佳效果值得到优化图像，所述优化图像中每个像素点的像素值为对应的最佳效果值。
2.根据权利要求1所述的一种基于人工智能的玻璃检测方法，其特征在于，所述根据多张所述卷积图像获取所述初始图像中每个像素点的最佳效果值的步骤，包括：
获取每个尺度的卷积图像中每个像素点对应的海森矩阵；
获取每个所述海森矩阵对应的特征值，根据所述特征值得到所述卷积图像中每个所述像素点对应的效果值；所述像素点在所有尺度下所述卷积图像中对应的最大效果值为所述最佳效果值。
3.根据权利要求2所述的一种基于人工智能的玻璃检测方法，其特征在于，所述根据所述特征值得到所述卷积图像中每个所述像素点对应的效果值的步骤，包括：
计算所述效果值的方法为：
其中，表示坐标为/>的像素点在第/>个尺度下对应的效果值；/>表示像素点对应海森矩阵的第2个特征值；/>表示特征调控因子；/>表示特征调控因子；/>表示特征增强因子；/>表示特征增强因子；/>表示自然常数；
特征增强因子的计算方法分别为：
其中，表示特征增强因子；/>表示像素点对应海森矩阵的第1个特征值；/>表示像素点对应海森矩阵的第2个特征值；
其中，表示特征增强因子；/>表示像素点对应海森矩阵的第1个特征值；/>表示像素点对应海森矩阵的第2个特征值。
4.根据权利要求1所述的一种基于人工智能的玻璃检测方法，其特征在于，所述获取所述疑似异常组区域的边缘曲线为初始演化曲线的步骤，包括：
获取所述疑似异常组对应的疑似异常区域，利用边缘检测算法得到所述疑似异常区域的边缘曲线；
所述边缘曲线为所述疑似异常组区域的初始演化曲线。
5.根据权利要求1所述的一种基于人工智能的玻璃检测方法，其特征在于，所述根据所述初始演化曲线的长度以及每个所述组内像素点对应的灰度均值构建目标函数的步骤，包括：
所述目标函数为：
其中，表示目标函数；/>表示正则系数；/>表示初始演化曲线/>的长度；/>表示第一权值系数；/>表示第二权值系数；/>表示初始演化曲线内坐标为/>的像素点对应的灰度值；/>表示初始演化曲线外坐标为/>的像素点对应的灰度值；/>表示第/>个组内像素点的灰度均值；/>表示第/>个组内像素点的灰度均值；/>表示初始演化曲线/>内部的区域；/>表示初始演化曲线/>外部的区域。
6.根据权利要求1所述的一种基于人工智能的玻璃检测方法，其特征在于，所述根据所述目标函数得到最佳演化曲线的步骤，包括：
根据所述优化图像中像素点的灰度值进行多次分组搜索，得到多个初始演化曲线，所述目标函数最小时对应的所述初始演化曲线为最佳演化曲线。
7.根据权利要求1所述的一种基于人工智能的玻璃检测方法，其特征在于，所述获取所述最佳演化曲线对应的区域为异常区域的步骤之后，还包括：
获取所述异常区域的面积，根据所述异常区域的面积得到所述光学玻璃的质量评分，根据所述质量评分对所述光学玻璃进行质量评价。
8.根据权利要求7所述的一种基于人工智能的玻璃检测方法，其特征在于，所述质量评分的获取方法包括：
其中，表示光学玻璃的质量评分；/>表示异常区域的面积；/>表示模型可调参数，为以自然常数为底数的指数函数。
9.根据权利要求7所述的一种基于人工智能的玻璃检测方法，其特征在于，所述根据所述质量评分对所述光学玻璃进行质量评价包括：
对质量评分归一化，当归一化后的质量评分低于预设阈值时，判断对应光学玻璃存在质量问题。
10.一种基于人工智能的玻璃检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求17任意一项所述一种基于人工智能的玻璃检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311196839.2A CN116934752B (zh) | 2023-09-18 | 2023-09-18 | 一种基于人工智能的玻璃检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311196839.2A CN116934752B (zh) | 2023-09-18 | 2023-09-18 | 一种基于人工智能的玻璃检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116934752A true CN116934752A (zh) | 2023-10-24 |
| CN116934752B CN116934752B (zh) | 2023-12-08 |
Family
ID=88388221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311196839.2A Active CN116934752B (zh) | 2023-09-18 | 2023-09-18 | 一种基于人工智能的玻璃检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116934752B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455778A (zh) * | 2023-12-21 | 2024-01-26 | 日照市茂源电子有限责任公司 | 一种基于图像增强的光学玻璃预制件检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006108137A2 (en) * | 2005-04-06 | 2006-10-12 | Corning Incorporated | Glass inspection systems and methods for using same |
| JP2007263696A (ja) * | 2006-03-28 | 2007-10-11 | Nippon Sheet Glass Co Ltd | 外形欠点の検出方法及びプログラム |
| WO2021012735A1 (zh) * | 2019-07-25 | 2021-01-28 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
| CN112630222A (zh) * | 2020-11-24 | 2021-04-09 | 河海大学常州校区 | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 |
| WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
| CN114881961A (zh) * | 2022-04-29 | 2022-08-09 | 江苏仙岳材料科技有限公司 | 一种玻璃纤维板裂纹检测方法及设备 |
| CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
-
2023
- 2023-09-18 CN CN202311196839.2A patent/CN116934752B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006108137A2 (en) * | 2005-04-06 | 2006-10-12 | Corning Incorporated | Glass inspection systems and methods for using same |
| CN101175986A (zh) * | 2005-04-06 | 2008-05-07 | 康宁股份有限公司 | 玻璃检测系统及其使用方法 |
| JP2007263696A (ja) * | 2006-03-28 | 2007-10-11 | Nippon Sheet Glass Co Ltd | 外形欠点の検出方法及びプログラム |
| WO2021012735A1 (zh) * | 2019-07-25 | 2021-01-28 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
| WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
| CN112630222A (zh) * | 2020-11-24 | 2021-04-09 | 河海大学常州校区 | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 |
| CN114881961A (zh) * | 2022-04-29 | 2022-08-09 | 江苏仙岳材料科技有限公司 | 一种玻璃纤维板裂纹检测方法及设备 |
| CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 林聚财;韩军;陈舫明;徐雄;王亚萍;: "基于彩色图像的玻璃绝缘子缺陷诊断", 电网技术, no. 01 * |
| 燕鹏;安如;: "基于FAST改进的快速角点探测算法", 红外与激光工程, no. 06 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455778A (zh) * | 2023-12-21 | 2024-01-26 | 日照市茂源电子有限责任公司 | 一种基于图像增强的光学玻璃预制件检测方法及系统 |
| CN117455778B (zh) * | 2023-12-21 | 2024-04-05 | 日照市茂源电子有限责任公司 | 一种基于图像增强的光学玻璃预制件检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116934752B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
| CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
| US10565479B1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
| US11468553B2 (en) | System and method for determining type and size of defects on blank reticles | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
| Kuo et al. | Automated optical inspection system for surface mount device light emitting diodes | |
| CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
| US20140376802A1 (en) | Wafer Inspection Using Free-Form Care Areas | |
| CN116934752B (zh) | 一种基于人工智能的玻璃检测方法及系统 | |
| JP2011214903A (ja) | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム | |
| CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
| Eshkevari et al. | Automatic dimensional defect detection for glass vials based on machine vision: A heuristic segmentation method | |
| Kuo et al. | Automated defect inspection system for CMOS image sensor with micro multi-layer non-spherical lens module | |
| CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
| CN116678826A (zh) | 一种基于快速立体重建的外观缺陷检测系统及方法 | |
| CN115861170A (zh) | 基于改进yolo v4算法的表面缺陷检测方法 | |
| CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
| CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
| CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及系统 | |
| CN109870730B (zh) | 一种用于x光机图像解析度测试体定检的方法及系统 | |
| Peng et al. | Non-uniform illumination image enhancement for surface damage detection of wind turbine blades | |
| JP7326316B2 (ja) | 細胞学的試料中の少なくとも１つの異常を有する細胞を検出するための方法 | |
| CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 |
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 |