[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

说明书

本发明公开了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，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。本发明结合深度学习网络与图像处理，实现了对玻璃面板表面缺陷的快速、准确检测的效果，通过本发明的图像处理使得玻璃产品表面缺陷更加明显易见，使得后续的深度学习算法更加容易检测玻璃表面缺陷。

技术领域

本发明涉及图像智能识别领域，更具体地，涉及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。

背景技术

工业产品表面缺陷检测是工业视觉领域中非常重要的一项研究课题，在包括3C、汽车、家电、机械制造、半导体及电子、化工、医药、航空航天、轻工等行业都具有非常广泛的应用。

传统表面缺陷检测方法一般采用基于图像处理算法和人工设计特征加分类器方法进行缺陷检测。一般包括结构法、统计法、滤波法、模型法等。其中结构法又包含边缘、骨架、形态学等；统计法包含直方图、局部二值化特征LBP、纹理特征、灰度共生矩阵GLCM等；滤波法包含空间滤波、频域滤波(傅里叶、gabor、小波)等；模型法包含随机场模型、反散射模型和分形体等。它们的本质都是通过人工设计特征加上分类器或规则来对产品表面进行缺陷检测。传统表面缺陷检测方法的优点是计算迅速、需要计算资源小、实时性强、效率高。但存在如下缺点：

1、对成像环境要求相对苛刻，易被干扰，需要缺陷和非缺陷区域之间有着高对比度，少噪声等；

2、适应性差，容易受到成像环境的影响，需要根据成像环境变化或缺陷类型变化更改阈值或重新设计算法；

3、准确率不高，传统的图像处理方法难以准确识别复杂多变的产品表面缺陷。

公开日为2020年09月11日，公开号为CN111652098A的中国专利公开了一种产品表面缺陷检测方法，包括以下步骤：采集包含产品表面的样本图片，将每张所述样本图片按照产品表面的轮廓特点或者按照设定的大小均匀分成样本子图，并标记所述样本子图是否有缺陷；对所述样本子图进行数据增强，得到数据增强后的训练样本；利用统计方法得到所述训练样本的统计特征，结合样本图片和其对应的统计特征得到合成训练样本；根据所述合成训练样本，利用深度学习方法以及相似性度量函数得到缺陷检测模型；采用所述缺陷检测模型对待测产品表面图像进行预测，判断待测产品表面是否含有缺陷。基于深度学习的表面缺陷检测方法一般使用深度神经网络和大数据技术的方法，即基于卷积神经网络CNN等方法对产品表面进行缺陷检测。基于深度学习的方法的本质是基于大数据和神经网络的方法从大量的数据中自动学习特征，拟合数学模型，从而实现对产品表面的缺陷检测，优点是识别准确率高、适应性强，但存在如下缺点：

1、计算速度慢，占用资源多，对运行的硬件环境要求高，需要高性能的运算单元，很难满足实时性要求。

2、需要海量产品外观数据量支撑，数据不充分时神经网络会出现欠拟合等问题。

发明内容

本发明提供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，可以实现用较少的学习样本及计算资源、强适应性、高准确性、鲁棒性强与高实时性满足玻璃产品表面缺陷检测的需求。

为解决上述技术问题，本发明的技术方案如下：

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，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；