一种基于变分自编码器的玻璃瑕疵检测方法技术

本发明专利技术公开了一种基于变分自编码器的玻璃瑕疵检测方法，属于玻璃瑕疵检测技术领域。所述方法通过VAE编码器对玻璃无瑕疵样本进行建模，可以对随机样本进行重构，得到与无瑕疵样本接近的重构图像。检测时，将有瑕疵的玻璃图像输入训练好的VAE编码解码网络生成与无瑕疵样本接近的重构图，再通过比对重构图与原图像间的差异区域确定差异的像素点，即瑕疵区域。对于得到的瑕疵区域会有噪声的干扰，本发明专利技术通过投影法与MAD方法结合的方式减少噪声干扰，对于VAE模型生成过程中存在的噪声，通过投影法和MAD方法结合将非目标区域去除，提升分割准确率。割准确率。割准确率。

【技术实现步骤摘要】
一种基于变分自编码器的玻璃瑕疵检测方法


[0001]本专利技术涉及一种基于变分自编码器的玻璃瑕疵检测方法，属于玻璃瑕疵检测


技术介绍

[0002]玻璃制品作为一种常见的工业材料，在生产加工过程中会出现多种情况的瑕疵，如气泡、划痕、脏污、碎裂、边缘凹凸及毛边等缺陷，这些缺陷对于玻璃制品的性能和美观造成了影响。因此需要在玻璃生产过程设定检测机制。
[0003]目前大部分方法采用人工或计算机视觉的方式进行玻璃瑕疵检测。人工检测的方式费时费力，不符合工业智能化的发展趋势；而在计算机视觉领域，瑕疵检测的方法通常可分为两类。第一类是采用传统特征提取的方法，针对指定类别的瑕疵，可以通过人为设定不同的算子提取特征，然后进行检测，但此类方法特征提取算子过于依赖于人的主观经验，而且在玻璃生产过程中也无法预测所产生的瑕疵的类型。第二类是基于深度学习的方法，利用卷积神经网络自动提取瑕疵的特征，这些特征相比于传统方法提取的特征有更好的通用性和可迁移性，但这种特征提取主要以数据驱动的方式学习，获得标注样本需要耗费大量的人力。
[0004]综上，可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变分自编码器的玻璃瑕疵检测方法，其特征在于，所述方法包括：获取待检测的玻璃制品的灰度图像；将待检测的玻璃制品的灰度图像输入训练好的VAE重构模型获得重构图像；将重构图像与原测试图像做像素对比，找到有差异的区域，得到差异分割图；使用投影法和MAD方法去除所述差异分割图中存在的噪点，得到最终分割图；根据最终分割图中是否存在瑕疵像素确定待检测的玻璃制品是否存在瑕疵。2.根据权利要求1所述的方法，其特征在于，所述VAE重构模型包括编码器和解码器两部分；VAE重构模型的编码器将灰度图像编码为隐变量Z，解码器根据隐变量Z重构得到与灰度图像相似的重构图像；所述编码器由三层神经网络组成，输入层有16384个神经元，中间层有400个神经元，输出层由两个并行的全连接神经网络组成；输出层的两个并行的全连接神经网络根据输入层输入的待检测的玻璃制品的灰度图像，一个输出20维的均值特征向量，另一个输出20维的方差特征向量；所述解码网络由两层神经网络组成，第一层有400个神经元，第二层为16384个神经元，最终输出分割二值图像，即与灰度图像相似的重构图像。3.根据权利要求2所述的方法，其特征在于，所述编码器将灰度图像编码为隐变量Z服从d维高斯分布：其中，该分布均值为μ
z
，方差为I是由N(0,1)分布中采样得到特征矩阵，隐变量Z表示为：每个隐变量的均值μ
z
和标准差μ
z
＝f1(x
i
；W
μ
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)σ
z
＝f2(x
i
；W
σ
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，x
i
表示灰度图像；W
μ
表示编码器的输出层中输出均值特征向量的全连接神经网络的可学习权重；W
σ
表示编码器的输出层中输出方差特征向量的全连接神经网络的可学习权重；f1表示输出层中输出均值特征向量的全连接神经网络的Sigmoid非线性激活函数，f2表示编码器的输出层中输出方差特征向量的全连接神经网络的Sigmoid非线性激活函数；解码器通过从隐变量Z中采样经由解码网络生成重构图像解码器通过从隐变量Z中采样经由解码网络生成重构图像其中，z
i
表示隐变量Z的第i维的特征，W
γ
表示解码器神经网络的可学习权重；g表示解码器神经网络的的Sigmoid非线...

【专利技术属性】
技术研发人员：李岳阳，王续澎，罗海驰，
申请(专利权)人：江南大学，
类型：发明
国别省市：