玻璃缺陷视觉检测算法的制作方法

本发明涉及玻璃缺陷检测技术领域，特别涉及一种玻璃缺陷视觉检测算法。

背景技术：

目前，公知的手机玻璃检测算法主要依靠传统的机器视觉算法，采取人为构造视觉特征查找满足特定条件的玻璃缺陷。然而纯传统的检测算法已经不能满足日益增长的玻璃检测需求：

(1)通用性要好，产品切换时，算法需要快速适应新的缺陷类型，不同产品之间由于工艺和成像不同，不同产品图像间会存在各种差异，定制化的纯传统视觉算法存在灵活性较差，调整周期长，效果不理想等问题；

(2)检测出的缺陷需要区分强弱，因为实际生产中，很多较弱缺陷是可以放过，较强缺陷不能放过，本技术根据实际生产需要通过机器学习系统性的把缺陷划分为7个级别，效率和准确性以及灵活性均优于传统的通过人工统计设定等级的方式；

(3)缺陷需要区分类别，为了保证产品良率，有些类别的缺陷可以放过，有些类别缺陷要尽量不漏检，本技术通过深度学习可以不断对新增类别进行训练学习，预测缺陷类型，而传统算法面对缺陷类别较多时往往表现较差。

技术实现要素：

本发明提供了一种玻璃缺陷视觉检测算法，以解决至少一个上述技术问题。

为解决上述问题，作为本发明的一个方面，提供了一种玻璃缺陷视觉检测算法，包括：

针对每种不同的缺陷不同打光从而分别获得每种缺陷在不同打光时的多个通道图像；

为每种缺陷分别选取最合适提取边缘系统的一个通道图像的图像提取边缘系统；

将选取的图像提取边缘系统应用于该通道的图像从而将每个通道的通道图像划分为视窗区和边缘区；

把每张通道图像按照合适的步长切割为预定大小的小图块，小图块分为边缘区小图块和视窗区小图块，根据边缘区小图块和视窗区小图块分别对边缘区和视窗区的缺陷进行标注，标注上需要体现缺陷位置与缺陷类别，从而利用深度学习训练出检测模型和分类模型；

利用机器视觉算法筛选出几乎没有缺陷的区域，剩下的少部分带有缺陷的小图块留给深度学习模型进一步分析，从而达到加速效果；

利用缺陷检测模型和分类模型检测出带类别的缺陷位置，利用机器视觉算法计算出每个缺陷的各种缺陷属性，如：形状、长度、对比度、面积等；

根据缺陷的缺陷属性，利用机器学习训练出等级区分器，在把不同类别的缺陷再区分形状的基础上，把缺陷明显度从弱到强划分为多个级别。

保留等级和类别均符合要求的缺陷，最后综合决定该产品是否良品。

优选地，利用机器视觉算法筛选出几乎没有缺陷的区域包括：在视窗区过滤掉几乎平滑的小图块，在边缘区采用平滑结构线判定算法过滤掉平滑结构线小图块。

本发明创造的有益效果是，可以在产品切换的过程中缺陷检测加分类模型可保持比较稳定的检测加分类效果，如果需要增加缺陷类别，只需标注训练，不需要额外设计分类器，比较方便地实现产品切换；根据检出缺陷的类别和级别，可根据实际需要保留所需缺陷，保证了产品的良率，而且不同产品间的类别和级别基本可以通用；增加了快速过滤算法，大大地提高了检测效率。

附图说明

图1示意性地示出了本发明的流程图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

针对现有技术中的算法面临需要快速切换产品、实际生产中的缺陷筛选的问题，本发明涉及一种手机玻璃缺陷检测技术，提供了一种玻璃缺陷视觉检测算法，用于找到玻璃中的各种缺陷，最后评价该玻璃是否良品，其可以在产品切换的过程中，保持良好的检测稳定性，通过对缺陷分类分级，筛选出需要的缺陷，既保证生产良率，又保证玻璃的生产品质。

本发明中的玻璃缺陷视觉检测算法具体可采用如下的算法流程实现：

1.构建边缘roi系统：不同的打光对同一产品会形成若干个通道图像，选取其中一个通道提取边缘系统roi(闭合点集形成的感兴趣区域)，划分视窗区和边缘区，该区域同样应用于其它通道；

2.标注以及训练模型：把每张图像按照合适的步长切割为特定大小的小图块，却分为边缘区小图块和视窗区小图块，对视窗区和边缘区的缺陷分别进行标注，标注上需要体现缺陷位置与缺陷类别，利用深度学习训练出检测模型和分类模型；

3.无缺陷区域快速过滤：利用高效率的机器视觉算法筛选出几乎没有缺陷的区域，在视窗区过滤掉几乎平滑的小图块，在边缘区采用平滑结构线判定算法过滤掉平滑结构线小图块，剩下的少部分带有缺陷的小图块留给深度学习模型进一步分析，从而达到加速效果；

4.检测缺陷：利用缺陷检测模型和分类模型检测出带类别的缺陷位置，利用传统机器视觉算法计算出每个缺陷的各种缺陷属性如：形状，长度，对比度，面积等；

5.计算缺陷强弱等级：根据缺陷的长度，对比度，面积等缺陷属性，利用机器学习训练出等级区分器，该技术把不同类别的缺陷再区分形状的基础上把缺陷明显度从弱到强划分为7个级别。

6.产品综合评价：保留等级和类别均符合要求的缺陷，最后综合决定该产品是否良品。

下面，对本发明的技术方案进行更进一步的详细解释说明：

由于不同的缺陷在不同打光(相机的一种成像技术，不同打光对应不同成像)条件下成像明显程度不同，比如缺陷1在a打光下成像明显，缺陷2在b打光下成像明显，不同打光会形成若干通道图像，例如，这里形成了6个通道分别为a,b,c,d,e,f。选取最合适提取边缘系统的一个通道的图像提取边缘系统roi(闭合点集形成的感兴趣区域)，这里选取c通道图像提取边缘系统，因为c通道图像成像中边缘区和视窗区的区分程度最高，而且成像最稳定，提取出的边缘系统应用于每个通道图像，每个通道划分为视窗区和边缘区。对每个通道图像切割小图块集合，并且对缺陷进行位置加类别的标注，通过深度学习训练出缺陷检测加分类模型，再利用模型预测缺陷位置和类别。利用传统机器视觉算法计算出缺陷的各种属性后，利用缺陷属性，通过自发设计的传统机器学习训练出等级区分器，对相关缺陷划分等级，最后根据缺陷类别和等级，综合评价该产品是否良品。

本发明创造的有益效果是，可以在产品切换的过程中缺陷检测加分类模型可保持比较稳定的检测加分类效果，如果需要增加缺陷类别，只需标注训练，不需要额外设计分类器，比较方便地实现产品切换；根据检出缺陷的类别和级别，可根据实际需要保留所需缺陷，保证了产品的良率，而且不同产品间的类别和级别基本可以通用；增加了快速过滤算法，大大地提高了检测效率。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种玻璃缺陷视觉检测算法，其特征在于，包括：

针对每种不同的缺陷不同打光从而分别获得每种缺陷在不同打光时的多个通道图像；

为每种缺陷分别选取最合适提取边缘系统的一个通道图像的图像提取边缘系统；

将选取的图像提取边缘系统应用于该通道的图像从而将每个通道的通道图像划分为视窗区和边缘区；

把每张通道图像按照合适的步长切割为预定大小的小图块，小图块分为边缘区小图块和视窗区小图块，根据边缘区小图块和视窗区小图块分别对边缘区和视窗区的缺陷进行标注，标注上需要体现缺陷位置与缺陷类别，从而利用深度学习训练出检测模型和分类模型；

利用机器视觉算法筛选出几乎没有缺陷的区域，剩下的少部分带有缺陷的小图块留给深度学习模型进一步分析，从而达到加速效果；

利用缺陷检测模型和分类模型检测出带类别的缺陷位置，利用机器视觉算法计算出每个缺陷的各种缺陷属性，如：形状、长度、对比度、面积等；

根据缺陷的缺陷属性，利用机器学习训练出等级区分器，在把不同类别的缺陷再区分形状的基础上，把缺陷明显度从弱到强划分为多个级别。

保留等级和类别均符合要求的缺陷，最后综合决定该产品是否良品。

2.根据权利要求1所述的玻璃缺陷视觉检测，其特征在于，利用机器视觉算法筛选出几乎没有缺陷的区域包括：在视窗区过滤掉几乎平滑的小图块，在边缘区采用平滑结构线判定算法过滤掉平滑结构线小图块。

技术总结
一种玻璃缺陷视觉检测算法，包括：针对每种不同的缺陷不同打光从而分别获得每种缺陷在不同打光时的多个通道图像；为每种缺陷分别选取最合适提取边缘系统的一个通道图像的图像提取边缘系统；将选取的图像提取边缘系统应用于该通道的图像从而将每个通道的通道图像划分为视窗区和边缘区；对边缘区和视窗区的缺陷进行标注；利用机器视觉算法筛选出带有缺陷的小图块留给深度学习模型进一步分析；利用缺陷检测模型和分类模型检测出带类别的缺陷位置、属性；根据缺陷的缺陷属性，利用机器学习训练出等级区分器，把缺陷明显度从弱到强划分为多个级别。如果需要增加缺陷类别，只需标注训练，不需要额外设计分类器，比较方便地实现产品切换。

技术研发人员：许琦;王立军;朱天同;潘勇;莫仲念;刘飞月
受保护的技术使用者：深圳市深视创新科技有限公司
技术研发日：2020.06.01
技术公布日：2020.09.25