缺陷分类方法、缺陷分类装置以及玻璃物品的制造方法制造方法及图纸

玻璃物品的缺陷分类方法具备：第一判定工序(S431)，由第一分类器(12)基于图像数据来判定缺陷F是否属于第一分类；和第二判定工序(S432)，在判定为缺陷F不属于第一分类的情况下，由第二分类器(13)判定该缺陷(F)是否属于第二分类。第二分类。第二分类。

【技术实现步骤摘要】
【国外来华专利技术】缺陷分类方法、缺陷分类装置以及玻璃物品的制造方法


[0001]本专利技术涉及将玻璃物品中所含的缺陷分类的方法以及装置、和通过利用该方法以及装置来制造玻璃物品的方法。

技术介绍

[0002]在液晶显示器、有机EL显示器等显示器中使用玻璃板。在显示器用的玻璃板的制造中，使用各种制造装置来成形玻璃板，但不管哪种方式，一般都是将玻璃原料加热熔解，在将熔融玻璃均质化后成形为给定形状。在该制造方法中，存在由于种种原因而在玻璃板在表面或内部产生缺陷的情况。因此，正确测定玻璃板的缺陷的技术变得非常重要。
[0003]例如在专利文献1中公开了一种玻璃板的制造方法，具备用激光显微镜测定存在于玻璃板的内部的缺陷的尺寸、深度(距玻璃表面的距离)等的检查工序。在该制造方法中，在检查工序中，通过检查员操作激光显微镜，来进行缺陷的测定。
[0004]现有技术文献
[0005]专利文献
[0006]专利文献1：JP特开2015
‑
205811号公报

技术实现思路

[0007]专利技术要解决的课题
[0008]所测定的缺陷存在泡、异物、污渍这样的类别，存在在检查工序中由检查员将缺陷的类别进行分类的情况。在该情况下，检查中的人员增加、各检查员的负担增加，有可能招致作业效率的降低。此外，根据本专利技术的专利技术者们的锐意研究，若使分类器将泡、异物、污渍全都机器学习，用该分类器进行缺陷的类别的分类，则精度不够。
[0009]本专利技术鉴于上述的事情而提出，技术课题在于，通过用分类器精度良好地进行玻璃物品所涉及的缺陷的类别的分类，来使检查的作业效率提升。
[0010]用于解决课题的手段
[0011]本专利技术用于解决上述的课题，提供一种缺陷分类方法，将玻璃物品中所含的缺陷作为图像数据检测出来，由缺陷分类装置基于所述图像数据将所述缺陷的类别分类，所述缺陷的类别包含第一分类和第二分类，所述缺陷分类装置具备：通过机器学习所述第一分类所涉及的第一训练数据而生成的第一分类器；和通过机器学习所述第二分类所涉及的第二训练数据而生成的第二分类器，所述缺陷分类方法具备：第一判定工序，由所述第一分类器基于所述图像数据来判定所述缺陷是否属于所述第一分类；和第二判定工序，在判定为所述缺陷不属于所述第一分类的情况下，由所述第二分类器基于所述图像数据来判定所述缺陷是否属于所述第二分类。
[0012]根据相关的结构，通过由缺陷分类装置将缺陷的类别的分类自动化，能效率良好地进行缺陷的检查所涉及的作业。在本专利技术中，进行第一判定工序的第一分类器和进行第二判定工序的第二分类器通过机器学习第一训练数据以及第二训练数据来生成，因此能精
度良好地进行第一分类以及第二分类所涉及的缺陷的类别的分类。
[0013]在本专利技术所涉及的缺陷分类方法中，也可以是，所述第一分类器的正解率比所述第二分类器的正解率高。由此，能将玻璃物品中所含的缺陷的类别进一步精度良好地分类。
[0014]在本专利技术所涉及的缺陷分类方法中，所述第一分类所涉及的所述第一训练数据包含形成于所述玻璃物品的给定的深度的缺陷所涉及的图像数据，还具备：深度判定工序，在所述第一判定工序前，判定从所述玻璃物品检测到的所述图像数据中的所述缺陷的深度是否是所述给定的深度，在所述深度判定工序中判定为所述缺陷的深度是所述给定的深度的情况下执行所述第一判定工序。
[0015]伤痕、污渍仅存在于玻璃物品的表面，不存在于中间部分。为此，在深度判定工序中，通过设定与缺陷的深度相关的基准值，能筛选缺陷的类别，能使第一分类器以及第二分类器的正解率提升。由此，能将缺陷的类别进一步精度良好地分类。
[0016]在本专利技术所涉及的缺陷分类方法中，所述第一训练数据所涉及的所述图像数据可以仅包含与泡相关的图像数据，所述第二训练数据所涉及的所述图像数据可以仅包含与铂异物相关的图像数据。
[0017]通过本专利技术的专利技术者们的锐意研究，相比于根据与泡相关的图像数据和与铂异物相关的图像数据混合存在的训练数据进行机器学习而生成的分类器，根据仅包含与泡相关的图像数据的第一训练数据和仅包含与铂异物相关的图像数据的第二训练数据生成的第一分类器以及第二分类器，更加提升缺陷的分类所涉及的正解率。由此，能精度良好地进行与泡以及铂异物相关的缺陷的分类。
[0018]与所述泡相关的所述图像数据可以包含与所述泡的形状及/或颜色相关的信息。如此地，通过使第一训练数据中包含泡的形状及/或颜色的信息，能将与泡相关的缺陷的类别细分化至其形状、颜色。
[0019]与所述铂异物相关的所述图像数据可以包含与所述铂异物的形状及/或颜色相关的信息。如此地，通过在第二训练数据中包含铂异物的形状及/或颜色的信息，能将与铂异物相关的缺陷的类别细分化至其形状、颜色。
[0020]本专利技术是为了解决上述的课题，提供一种玻璃物品的制造方法，具备：取得所述玻璃物品中所含的缺陷的图像数据的摄像工序；和基于所述图像数据，并通过上述任一者缺陷分类方法将所述缺陷的类别分类的工序。
[0021]根据相关的结构，通过基于摄像工序中取得的图像数据用上述的缺陷分类方法将缺陷的类别分类，能效率良好地进行缺陷的检查所涉及的作业。由此，能使玻璃物品的制造效率提升。
[0022]本专利技术用于解决上述的课题，提供一种缺陷分类装置，将玻璃物品中所含的缺陷检测作为图像数据，基于所述图像数据来将所述缺陷的类别分类，所述缺陷的类别包含第一分类和第二分类，具备：第一分类器，其通过机器学习所述第一分类所涉及的第一训练数据来生成，基于所述图像数据来判定所述缺陷是否属于所述第一分类；和第二分类器，其通过机器学习所述第二分类所涉及的第二训练数据来生成，在判定为所述缺陷不属于所述第一分类的情况下，基于所述图像数据来判定所述缺陷是否属于所述第二分类。
[0023]根据相关的结构，通过由缺陷分类装置将缺陷的类别的分类自动化，能效率良好地进行缺陷的检查所涉及的作业。本专利技术所涉及的缺陷分类装置的第一分类器以及第二分
类器由于通过机器学习第一训练数据以及第二训练数据来生成，因此能精度良好地进行缺陷的类别的分类。
[0024]专利技术的效果
[0025]根据本专利技术，通过用分类器精度良好地进行玻璃物品所涉及的缺陷的类别的分类，能使检查的作业效率提升。
附图说明
[0026]图1是表示玻璃物品的检查装置的侧视图。
[0027]图2是表示玻璃物品的检查装置的功能框图。
[0028]图3是表示缺陷的图像数据的示例的照片。
[0029]图4是表示缺陷的图像数据的示例的照片。
[0030]图5是表示缺陷的图像数据的示例的照片。
[0031]图6是表示缺陷的图像数据的示例的照片。
[0032]图7是表示缺陷的图像数据的示例的照片。
[0033]图8是表示缺陷的图像数据的示例的照片。
[0034]图9是表示玻璃物品的制造方法的流程图。
[0035]图10是表示检查工序的流程图本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种缺陷分类方法，将玻璃物品中所含的缺陷作为图像数据检测出来，由缺陷分类装置基于所述图像数据将所述缺陷的类别分类，所述缺陷分类方法的特征在于，所述缺陷的类别包含第一分类和第二分类，所述缺陷分类装置具备：通过机器学习所述第一分类所涉及的第一训练数据而生成的第一分类器；和通过机器学习所述第二分类所涉及的第二训练数据而生成的第二分类器，所述缺陷分类方法具备：第一判定工序，由所述第一分类器基于所述图像数据来判定所述缺陷是否属于所述第一分类；和第二判定工序，在判定为所述缺陷不属于所述第一分类的情况下，由所述第二分类器基于所述图像数据来判定所述缺陷是否属于所述第二分类。2.根据权利要求1所述的缺陷分类方法，其特征在于，所述第一分类器的正解率比所述第二分类器的正解率高。3.根据权利要求1或2所述的缺陷分类方法，其特征在于，所述第一分类所涉及的所述第一训练数据以及所述第二分类所涉及的所述第二训练数据包含形成于所述玻璃物品的给定的深度的所述缺陷的所述图像数据，所述缺陷分类方法具备：深度判定工序，在所述第一判定工序前，判定从所述玻璃物品检测到的所述图像数据中的所述缺陷的深度是否是所述给定的深度，在所述深度判定工序中判定为所述缺陷的深度是所述给定的深度的情况下执行所述第一判定工序。4.根据权利要求1～3中...

【专利技术属性】
技术研发人员：茗原贵裕，北川干将，井上厚司，
申请(专利权)人：日本电气硝子株式会社，
类型：发明
国别省市：