一种基于深度学习的平板玻璃异物影像分析方法技术

本发明专利技术提供一种基于深度学习的平板玻璃异物影像分析方法，其包括以下步骤：步骤S1：对多个玻璃异物AOI影像图片进行标注；步骤S2：将所述已处理的图片按一定比例划分为训练集图片，剩余部分归于测试集图片；步骤S3：构建AlexNet网络；步骤S4：把所述训练集输入到深度卷积神经网络中，进行迭代训练后得到深度学习模型；步骤S5：把所述的测试集输入到所述深度学习模型中，测试是否满足准确度要求，如果不满足则返回步骤S3。本发明专利技术提出的基于深度学习的平板玻璃AOI影像处理模型，可以快速识别平板玻璃中的异物类型，且该方法具有大于95%的准确度。所述方法的提出有助于生产线上监控人员更加及时准确的识别玻璃产品的缺陷状况，来获取充分的时间应对与解决这个问题。

Image analysis method for foreign body in flat glass based on deep learning

The present invention provides a flat glass foreign body image analysis method based on in-depth learning, which includes the following steps: labeling multiple glass foreign body AOI image pictures; 2: dividing the processed pictures into training set pictures according to a certain proportion, and the rest of them are attributed to test set pictures; and 6. Establish AlexNet network; (4) Input the training set into the deep convolution neural network, and get the deep learning model after iterative training; (5) Input the test set into the deep learning model, and test whether it meets the accuracy requirements, if not, return to. The AOI image processing model of flat glass based on in-depth learning proposed by the invention can quickly identify foreign body types in flat glass, and the accuracy of the method is more than 95%. The proposed method is helpful for the supervisors on the production line to identify the defects of glass products more timely and accurately, so as to obtain sufficient time to deal with and solve this problem.

【技术实现步骤摘要】
一种基于深度学习的平板玻璃异物影像分析方法
本专利技术属于影响分析方法，具体涉及一种基于深度学习的平板玻璃异物影像分析方法。
技术介绍
平板玻璃工业生产中，受技术条件等因素影响，初期制造过程中玻璃内部难免会出现各式各样的瑕疵，诸如玻璃异物，这些异物会直接影响到玻璃的品质，而玻璃异物的类型又直接关系到生产解决的方向。随着科技的进步，AOI（自动光学检测）设备已广泛应用于线下玻璃产品的检测，该设备通过运用高速高精度视觉处理技术可自动检测玻璃内部的各种缺陷，然而由于玻璃内部异物类型的复杂性，我们很难将每种异物的特征编写入该设备中。所以，仅靠AOI本身无法完成不同类型异物的区分，尤其是当二种异物的影像非常相似时为解决上述问题，现有的方法是人工将带异物的玻璃逐一挑选出来进行光学或理化分析，进而依据检测结果进行异物类型的分析判定。此种方法检测效率低，而且当异物数量很多时，几乎不可能做到全检。为此,如何依据AOI缺陷影像准确快速地分析出异物所属类型将是一个亟待解决的重要课题。
技术实现思路
根据现有技术的不足，本专利技术提供一种基于深度学习的平板玻璃异物影像分析方法，该方法不仅能够快速识别出AOI异物影像的类别，而且准确度高，对玻璃生产具有很大的指导意义。本专利技术采用以下技术方案：一种基于深度学习的平板玻璃异物影像分析方法，其特征在于：包括以下步骤：步骤S1：对多个玻璃异物AOI影像图片进行标注；步骤S2：将所述已处理的图片按一定比例划分为训练集图片，剩余部分归于测试集图片；步骤S3：构建AlexNet网络；步骤S4：把所述训练集输入到深度卷积神经网络中，进行迭代训练后得到深度学习模型；步骤S5：把所述的测试集输入到所述深度学习模型中，测试是否满足准确度要求，如果不满足则返回步骤S3。进一步的，将标注好后的图片转换为227×227像素的图片。在本专利技术一实施例中，步骤S2中还包括以下步骤：将原始图片进行一些变换来生成新的资料，用于扩大训练资料的形式，具体的所述变换方式有：从原始图像中随机裁剪出一些图像；水平翻转、伸缩、尺度变换；给图像增加一些随机的光照。在本专利技术一实施例中，所述步骤S3中构建AlexNet网络的具体过程如下：步骤S31：首先导入tensorflow、TFlearn、numpy相关Python库；步骤S32：准备训练数据设置预留位置；步骤S33：使用神经网络运算搭建卷积神经网络模型；步骤S34：设置训练参数和开启会话开始训练；步骤S35：保存训练好的网络模型。在本专利技术一实施例中，所述AlexNet网络共有8层，其中前5层为卷积层，后3层为全连接层，最后一个全连接层的output是softmax的多分类器；所述softmax层输出准确度。在本专利技术一实施例中，步骤S2中按70%比例划分为训练集图片。在本专利技术一实施例中，步骤S4中图像是以二维矩阵的形式输入到卷积神经网络中。与现有技术相比，本专利技术提出的基于深度学习的平板玻璃AOI影像处理模型，可以快速识别平板玻璃中的异物类型，且该方法具有大于95%的准确度。所述方法的提出有助于生产线上监控人员更加及时准确的识别玻璃产品的缺陷状况，来获取充分的时间应对与解决这个问题。附图说明图1为本专利技术的主要流程示意图。具体实施方式下面结合附图和具体实施例对本专利技术做进一步解释说明。本专利技术提供一种基于深度学习的平板玻璃异物影像分析方法，主要流程示意图参见图1。本专利技术按以下技术方案实现：步骤一：对大量的玻璃异物AOI影像图片进行标注，并将标注好后的图片转换为227×227像素；步骤二：将所述已处理的图片按一定比例划分为训练集图片，剩余部分归于测试集图片；较佳的本专利技术中的比例为70%；步骤三：构建AlexNet网络；步骤四：把所述训练集输入到深度卷积神经网络中，进行迭代训练后得到深度学习模型；步骤五：把所述的测试集输入到所述深度学习模型中，测试是否满足准确度要求，如果不满足则返回上一步骤；优选的是，在步骤二中，将原始图片进行一些变换来生成新的资料，用于扩大训练资料的形式，所述变换方式有：1）从原始图像中随机裁剪出一些图像；2）水平翻转、伸缩、尺度变换等；3）、给图像增加一些随机的光照。优选的是，所述步骤三中构建AlexNet网络的具体过程如下：1）首先导入tensorflow、TFlearn、numpy相关Python库；2）准备训练数据设置预留位置；3）使用神经网络运算搭建卷积神经网络模型；4）设置训练参数和开启会话开始训练；5）保存训练好的网络模型。优选的是，所述AlexNet网络共有8层，其中前5层为卷积层，后3层为全连接层，最后一个全连接层的output是softmax的多分类器。所述softmax层输出准确度。优选的是，步骤四中图像是以二维矩阵的形式输入到卷积神经网络中。本专利技术中提及的准确度，即为对用训练样本训练好的神经网络进行测试时，分类正确的测试样本占所有测试样本的比重。本专利技术的基于深度学习的平板玻璃异物影像分析方法准确度高达95%以上，优选的的高于98%。上述实施例仅供说明本专利技术之用，本
的普通技术人员，在不脱离本专利技术的精神和范围的情况下，还可以作出各种变换或变化，因此，所有等同的技术方案也应该属于本专利技术的范畴。本文档来自技高网...

【技术保护点】
1.一种基于深度学习的平板玻璃异物影像分析方法，其特征在于：包括以下步骤：步骤S1：对多个玻璃异物AOI影像图片进行标注；步骤S2：将所述已处理的图片按一定比例划分为训练集图片，剩余部分归于测试集图片；步骤S3：构建AlexNet网络；步骤S4：把所述训练集输入到深度卷积神经网络中，进行迭代训练后得到深度学习模型；步骤S5：把所述的测试集输入到所述深度学习模型中，测试是否满足准确度要求，如果不满足则返回步骤S3。

【技术特征摘要】
1.一种基于深度学习的平板玻璃异物影像分析方法，其特征在于：包括以下步骤：步骤S1：对多个玻璃异物AOI影像图片进行标注；步骤S2：将所述已处理的图片按一定比例划分为训练集图片，剩余部分归于测试集图片；步骤S3：构建AlexNet网络；步骤S4：把所述训练集输入到深度卷积神经网络中，进行迭代训练后得到深度学习模型；步骤S5：把所述的测试集输入到所述深度学习模型中，测试是否满足准确度要求，如果不满足则返回步骤S3。2.根据权利要求1所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：步骤S1中并将标注好后的图片转换为227×227像素的图片。3.根据权利要求1所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：步骤S2中还包括以下步骤：将原始图片进行一些变换来生成新的资料，用于扩大训练资料的形式，具体的所述变换方式有：1）从原始图像中随机裁剪出一些图像；2）水平翻转、伸缩、尺度变换；3）给图像增加一些随机的光照。4.根据权利要...

【专利技术属性】
技术研发人员：陈招娣，洪立昕，
申请(专利权)人：科立视材料科技有限公司，
类型：发明
国别省市：福建,35