[发明专利]基于深度学习的玻璃缺陷分类与检测方法及系统

说明书

本申请公开了一种基于深度学习的玻璃缺陷分类与检测方法及系统，涉及玻璃缺陷识别的技术领域。该方法包括：获取待分类、待检测的玻璃原始图像；对所述待分类、待检测的玻璃原始图像进行预处理操作；基于VGG‑16网络并修改网络最后的全连接层，使VGG‑16网络能够识别预处理后的玻璃原始图像包含的缺陷数目和缺陷种类；基于训练后的玻璃缺陷分类网络，进一步训练玻璃缺陷检测网络；通过所述玻璃缺陷检测网络检测玻璃缺陷所在的具体位置与类别，输出检测结果；通过VGG‑16网络分段微调策略充分保留了已预训练完成的参数，同时也能针对不同的玻璃缺陷检测目的做更充分训练，从而提高深度学习网络对玻璃缺陷检测的准确率。

技术领域

本申请属于玻璃缺陷识别的技术领域，尤其涉及一种基于深度学习的玻璃缺陷分类与检测方法及系统。

背景技术

玻璃生产过程中经常出现表面不平整或内部含有气泡和杂质等玻璃缺陷。由于这些缺陷很多并不明显，使用人工检测往往会出现漏检、错检的错误，给汽车挡风玻璃、液晶显示器和电脑显示器等高精密平板玻璃的玻璃等级划分和选择带来很大的麻烦。基于这种情况，迫切需要一种更自动化并有效的检测方法。

目前，部分机器学习算法已成功应用至玻璃缺陷检测中。Zhao等人在2011年发表的A method for detection and classification of glass defects in lowresolution images(一种低分辨率图像中玻璃缺陷的检测和分类方法)中使用SVM和经典机器视觉算法来解决玻璃缺陷检测问题。这个工作依赖手工特征提取，例如前景二值化，并假设非常严格的条件才能成功运作。Tabernik等人在2019年发表的Segmentation-baseddeep-learning approach for surface-defect detection(基于分割的深度学习方法用于表面缺陷检测)中提出了一种深度神经网络架构，该架构允许对图像表面进行分割，然后将提取的特征传递给决策网络以检测表面裂纹。这种方法改善了检测结果，但是所提出的方法只关注裂纹检测。

发明内容

有鉴于此，本申请提供一种基于深度学习的玻璃缺陷分类与检测方法及系统，目的在于(1)实现玻璃缺陷的自动分类，训练深度学习网络提取玻璃全局特征并进行缺陷类型的识别；(2)实现玻璃缺陷的精确检测，利用训练好的玻璃缺陷分类网络，进一步训练深度学习网络对缺陷的位置进行精确的定位，标记检测出的缺陷位置与类别。

为实现上述目的，本申请采用的技术方案为：

一方面，本申请提供了一种基于深度学习的玻璃缺陷分类与检测方法，所述方法应用于计算机设备当中，所述方法包括以下步骤：

S1、获取待分类、待检测的玻璃原始图像；

S2、对所述待分类、待检测的玻璃原始图像进行预处理操作；

S3、基于VGG-16网络并修改网络最后的全连接层，使VGG-16网络能够识别预处理后的玻璃原始图像包含的缺陷数目和缺陷种类；

S4、基于训练后的玻璃缺陷分类网络，进一步训练玻璃缺陷检测网络；

S5、通过所述玻璃缺陷检测网络检测玻璃缺陷所在的具体位置与类别，输出检测结果。

进一步地，所述步骤S2包括：将所述玻璃原始图像的尺寸进行裁剪以及缩放。

进一步地，所述步骤S3包括：将VGG-16网络最后的全连接层分出两个分支，分别输出包含的缺陷数目以及缺陷种类；修改全连接层后，损失函数修改为：