一种基于机器学习的浮法玻璃缺陷检测系统及检测方法

本发明涉及玻璃检测，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：

1、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。

2、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。

3、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。

技术实现思路

1、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。

2、为实现上述目的，本发明提供如下技术方案：

3、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；

4、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；

5、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；

6、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。

7、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；

8、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；

9、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；

10、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。

11、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；

12、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；

13、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。

14、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；

15、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；

16、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；

17、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；

18、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。

19、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：

20、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；

21、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；

22、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；

23、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；

24、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；

25、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；

26、s3、使用计算机视觉技术对预处理后的图像进行特征提取；

27、s301、将图像分割成不同的区域；

28、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；

29、s303、从提取的特征中选择最具有代表性和区分度的特征；

30、s4、使用机器学习算法对提取的特征进行分类；

31、s401、设计卷积神经网络模型，包括卷积层、池化层、全连接层；

32、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；

33、s403、使用测试集对模型进行测试，并对缺陷进行具体划分；

34、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；

35、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。

36、与现有技术相比，本发明的有益效果是：

37、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；

38、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。

技术特征：

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；

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；

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；

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；

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：

技术总结
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。

技术研发人员：陈琳
受保护的技术使用者：武汉科技大学
技术研发日：
技术公布日：2024/1/14