[发明专利]基于图像处理及深度学习的玻璃面板表面缺陷检测方法

权利要求书

1.一种基于图像处理及深度学习的玻璃面板表面缺陷检测方法，其特征在于，包括以下步骤：

S1：收集玻璃面板表面缺陷样本；

S2：对步骤S1收集到的样本进行图像处理；

S3：利用经步骤S2处理后的样本训练深度学习神经网络模型，得到训练好的深度学习神经网络模型，用于识别玻璃面板表面缺陷；

S4：利用训练好的深度学习神经网络模型进行玻璃面板表面缺陷检测。

2.根据权利要求1所述的基于图像处理及深度学习的玻璃面板表面缺陷检测方法，其特征在于，所述步骤S1中收集玻璃面板表面缺陷样本为同一拍摄视角拍摄，且样本中缺陷区域为正样本，非缺陷区域为负样本。

3.根据权利要求2所述的基于图像处理及深度学习的玻璃面板表面缺陷检测方法，其特征在于，步骤S2中所述图像处理包括以下步骤：

S2.1：对同一样本进行多次叠加；

S2.2：对多次叠加后的样本进行像素级别的标注处理，标注的标签还需进行灰度化，非缺陷灰度值为0，缺陷灰度值为1；

S2.3：对标注处理后的样本进行统一缩放处理；

S2.4：对统一缩放处理后的样本进行图像增广处理。

4.根据权利要求3所述的基于图像处理及深度学习的玻璃面板表面缺陷检测方法，其特征在于，步骤S2.1中所述对同一样本进行多次叠加，具体为：

令原样本为image，多次叠加后的图像为result，叠加次数为N，则有：

5.根据权利要求4所述的基于图像处理及深度学习的玻璃面板表面缺陷检测方法，其特征在于，步骤S2.3中所述对标注处理后的样本进行统一缩放处理，具体为：

将样本统一缩放成1024*1024像素大小。

6.根据权利要求5所述的基于图像处理及深度学习的玻璃面板表面缺陷检测方法，其特征在于，步骤S2.4中所述对统一缩放处理后的样本进行图像增广处理，具体为：

首先对图片进行切分处理，把1024*1024大小的样本切分成224*224大小的样本，然后对切分后的样本分别进行水平翻转，垂直翻转，逆时针90°、180°、270°翻转。

7.根据权利要求6所述的基于图像处理及深度学习的玻璃面板表面缺陷检测方法，其特征在于，步骤S3中所述深度学习神经网络模型为基于EfficientNet的UNet模型，以医学图像分割模型UNet为基础框架，使用EfficientNet取代UNet原有的卷积层。