[发明专利]基于BP神经网络的玻璃缺陷检测方法

说明书

本发明实施方式提供一种基于BP神经网络的玻璃缺陷检测方法，涉及玻璃缺陷检测技术领域。方法包括：获取待检测玻璃图像；从待检测玻璃图像中提取包括玻璃缺陷的目标图像；从目标图像中提取玻璃缺陷的特征参数；以玻璃缺陷的特征参数为输入，经玻璃缺陷检测模型识别待检测玻璃的缺陷类型；玻璃缺陷检测模型通过多个包括玻璃缺陷的玻璃图像样本对BP神经网络进行训练后得到。本发明上述技术方案通过采集玻璃基板的图像并提取玻璃缺陷的特征参数，利用经包括不同玻璃缺陷的图像样本训练后的BP神经网络识别玻璃缺陷的类型，对不同类别的铂金缺陷的分类适用性强，大幅提升了玻璃基板中常见缺陷的识别准确率。

技术领域

本发明涉及玻璃缺陷检测技术领域，具体地涉及一种基于BP神经网络的玻璃缺陷检测方法。

背景技术

玻璃基板缺陷的准确分类对及时改进调整生产工艺参数、对策缺陷、提高良品率具有重要的意义。显示用玻璃基板的主要生产方式有两种：溢流法和浮法。两种工艺过程不同，所用生产设备、材料、工艺流程不尽相同，因此夹杂在玻璃基板中的缺陷类型有所差异。

基板玻璃生产过程中，往往通过铂金通道对窑炉熔化的高温玻璃液进行澄清、均化，减少气泡、减轻条纹，调整温度、粘度，使之满足成型工艺要求，并控制进入成型区的玻璃液流量。而铂金缺陷是该工艺过程中品质管控的重要和关键缺陷之一。根据铂金缺陷的形貌和产生机理，一般分为规则形铂金(三角形、正六边形)、不规则形铂金(也称颗粒状铂金)和针状铂金。尤其是针状铂金缺陷，尺寸极小，长度在几十μm至一百多μm，直径小于1μm，现有技术目前难以对上述铂金缺陷进行准确识别。

发明内容

本发明实施方式的目的是提供一种于BP神经网络的玻璃缺陷检测方法，以解决现有技术目前难以对玻璃基板的铂金缺陷进行准确识别的问题。

为了实现上述目的，在本发明的第一方面，提供一种基于BP神经网络的玻璃缺陷检测方法，包括：

获取待检测玻璃图像；

从所述待检测玻璃图像中提取包括玻璃缺陷的目标图像；

从所述目标图像中提取玻璃缺陷的特征参数；

以所述玻璃缺陷的特征参数为输入，经玻璃缺陷检测模型识别待检测玻璃的缺陷类型；所述玻璃缺陷检测模型通过多个包括玻璃缺陷的玻璃图像样本对BP神经网络进行训练后得到。

可选地，从所述待检测玻璃图像中提取包括玻璃缺陷的目标图像，包括：

检测所述待检测玻璃图像中所有玻璃缺陷的第一玻璃缺陷边缘；

对于每个玻璃缺陷：

获取属于所述第一玻璃缺陷边缘的所有像素的灰度值并计算所述第一玻璃缺陷边缘的灰度值均值及标准差；

以所述灰度值均值与所述标准差的差值作为所述分割阈值；

依据所述分割阈值对所述第一玻璃缺陷边缘进行阈值分割以提取所述玻璃缺陷的第二玻璃缺陷边缘，以第二玻璃缺陷边缘围合形成的区域作为目标区域；

以包括所述目标区域的图像作为包括玻璃缺陷的目标图像。

可选地，从所述目标图像中提取玻璃缺陷的特征参数，包括：

基于所述目标图像建立像素坐标系；

获取所述目标图像中所有目标区域的像素的坐标；

依据每个目标区域的像素的坐标确定每个目标区域的第一形心，以及依据所有目标区域的像素的坐标确定所有目标区域的第二形心，所述第二形心为所有目标区域的共同形心；

获取每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值；