一种光伏玻璃的边角及表面缺陷检测方法与流程

本发明涉及光伏玻璃缺陷检测，尤其是一种光伏玻璃的边角及表面缺陷检测方法。

背景技术：

1、随着光伏技术的发展，对光伏玻璃的制造质量的要求也越来越高，如何快速准确地检测出光伏玻璃的边角及表面缺陷成为光伏玻璃制造过程中非常关键的一个环节。目前主流的表面缺陷检测技术基本分为两步：(1)先对通过工业相机获得的图像进行处理，然后提取特征；(2)通过训练好的分类器，对提取的特征进行分类，目前使用较多的分类器有bp神经网络，svm等。但这些方法存在着缺陷和非缺陷区域之间的低对比度，无法满足工业生产的要求。

技术实现思路

1、本发明要解决的技术问题是：提供一种光伏玻璃的边角及表面缺陷检测方法，可以输出缺陷类别结果。

2、本发明解决上述技术问题所采用的技术方案是：一种光伏玻璃的边角及表面缺陷检测方法，包括如下步骤：

3、s1、对光伏玻璃的边角以及光伏玻璃的表面进行拍摄形成多张原始图像；

4、s2、对多张原始图像处理形成多种尺度以及多种分辨率的图像；

5、s3、收集若干步骤s2形成的图像并对图像中的缺陷特征进行人工标注形成若干人工标注真实框，标注其缺陷特征的长度、灰度及缺陷类别；

6、s4、根据步骤s2形成的图像以及步骤s3形成的若干人工标注真实框对目标检测模型进行训练；

7、s5、对光伏玻璃的边角以及光伏玻璃的表面实时采集图像并经步骤s2处理后进入目标检测模型进行预测，将图像分割出一部份区域形成预测框，目标检测模型判断该预测框里的像素属于某一缺陷类别的概率高于预设值，则输出该预测框的缺陷类别结果。

8、优选的，所述缺陷类别分为裂纹、缺失。

9、优选的，所述目标检测模型包括用于提取特征的backone部分、利用提取特征做出预测的检测头、连接在backone部分与检测头之间的neck部分；

10、对neck部分中得到的不同尺度的特征图进行通道数扩展，扩展后的特征通道数为(类别数量+维度数量)×每个检测层上的先验框的数量，其中维度数量为5,5个维度即预测框的中心点横坐标、纵坐标、宽度、高度、置信度。

11、优选的，所述目标检测模型进行跨网格扩充以加快收敛速度：如果某个人工标注真实框的中心点落在某个检测层上的某个网格中，除了中心点所在的网格之外，其左、上、右、下4个邻域的网格中，靠近人工标注真实框中心点的两个网格中的先验框参与预测和回归，即一个目标由3个网格的先验框进行预测。

12、优选的，所述目标检测模型进行跨分支扩充以加快收敛速度：检测头包含了3个不同尺度的检测层，每个检测层上预设了3种不同长宽比的先验框，即一个目标可以由多个检测层的多个先验框进行预测。

13、优选的，在对缺陷特征产生多个预测框后，需要搜索出局部极大值的目标找到最优值，步骤如下：

14、1)：对于每个种类的置信度按照从大到小的顺序排序，选出置信度最高的预测框；

15、2)：遍历其余所有剩下的预测框，计算这些预测框与置信度最高的预测框的iou值；如果某一预测框与置信度最高的预测框的iou阈值大于所设定的iou阈值，则去掉该预测框；

16、3)：从未处理的预测框中再选择一个置信度最高的预测框，重复第二步的过程，直到选出一最优预测框，其他的预测框与该最优预测框的iou阈值均小于所设定的iou阈值。

17、优选的，目标检测模型中正样本与负样本的筛选方法：

18、1)：对于每一个人工标注真实框，分别计算它与9种不同先验框的宽比和高比；

19、2)：找到人工标注真实框与先验框的宽比和高比中的最大值，作为该人工标注真实框和先验框的比值。

20、3)：若人工标注真实框和先验框的比值小于设定的比值阈值，这个先验框所回归得到的预测框就被称为正样本，剩余的则是负样本。

21、优选的，所述目标检测模型的损失函数包括分类损失、置信度损失和定位损失；

22、分类损失采用bce loss，只计算正样本的分类损失；

23、置信度损失采用bce loss，计算所有样本的损失；

24、定位损失采用ciou loss，只计算正样本的定位损失。

25、本发明的有益效果是：对光伏玻璃的边角以及光伏玻璃的表面实时采集图像并经步骤s2处理后进入目标检测模型进行预测，将图像分割出一部份区域形成预测框，目标检测模型判断该预测框里的像素属于某一缺陷类别的概率高于预设值，则输出该预测框的缺陷类别结果。采用本发明的光伏玻璃的边角及表面缺陷检测方法能够对光伏玻璃的边角及表面缺陷进行检测并识别出其中的缺陷类别例如属于裂纹或是缺失。

技术特征：

1.一种光伏玻璃的边角及表面缺陷检测方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的一种光伏玻璃的边角及表面缺陷检测方法，其特征在于：所述缺陷类别分为裂纹、缺失，所述缺陷类别结果为裂纹或缺失。

3.根据权利要求1所述的一种光伏玻璃的边角及表面缺陷检测方法，其特征在于：所述目标检测模型包括用于提取特征的backone部分、利用提取特征做出预测的检测头、连接在backone部分与检测头之间的neck部分；

4.根据权利要求1所述的一种光伏玻璃的边角及表面缺陷检测方法，其特征在于：所述目标检测模型进行跨网格扩充以加快收敛速度：如果某个人工标注真实框的中心点落在某个检测层上的某个网格中，除了中心点所在的网格之外，其左、上、右、下4个邻域的网格中，靠近人工标注真实框中心点的两个网格中的先验框参与预测和回归，即一个目标由3个网格的先验框进行预测。

5.根据权利要求1所述的一种光伏玻璃的边角及表面缺陷检测方法，其特征在于：所述目标检测模型进行跨分支扩充以加快收敛速度：检测头包含了3个不同尺度的检测层，每个检测层上预设了3种不同长宽比的先验框，即一个目标可以由多个检测层的多个先验框进行预测。

6.根据权利要求1所述的一种光伏玻璃的边角及表面缺陷检测方法，其特征在于：在对缺陷特征产生多个预测框后，需要搜索出局部极大值的目标找到最优值，步骤如下：

7.根据权利要求1所述的一种光伏玻璃的边角及表面缺陷检测方法，其特征在于：目标检测模型中正样本与负样本的筛选方法：

8.根据权利要求1所述的一种光伏玻璃的边角及表面缺陷检测方法，其特征在于：所述目标检测模型的损失函数包括分类损失、置信度损失和定位损失；

技术总结
本发明涉及一种光伏玻璃的边角及表面缺陷检测方法，包括如下步骤：S1、对光伏玻璃的边角以及光伏玻璃的表面进行拍摄形成多张原始图像；S2、形成多种尺度以及多种分辨率的图像；S3、对图像中的缺陷特征进行人工标注形成若干人工标注真实框；S4、对目标检测模型进行训练；S5、对光伏玻璃的边角以及光伏玻璃的表面实时采集图像并经处理后进入目标检测模型进行预测，将图像分割出一部份区域形成预测框，目标检测模型判断该预测框里的像素属于某一缺陷类别的概率高于预设值，则输出该预测框的缺陷类别结果。采用本发明的检测方法能够对光伏玻璃的边角及表面缺陷进行检测并识别出其中的缺陷类别例如属于裂纹或是缺失等。

技术研发人员：王日强,许文磊,王俞祥
受保护的技术使用者：苏州弗莱威智能科技有限公司
技术研发日：
技术公布日：2024/1/16