车用玻璃球面度检测装置及其检测方法制造方法及图纸

本申请涉及玻璃球面度检测技术领域，其具体地公开了一种车用玻璃球面度检测装置及其检测方法，其通过第一卷积神经网络模型、第二卷积神经网络模型和非局部神经网络来分别提取出多个检测视角下的实际待检测车用玻璃图像特征以及标准车用玻璃参考图像特征的全局高维隐含关联特征信息，并以这两者的差分特征来表示所述汽车钢化玻璃球面的实际图像全局特征和标准图像全局特征之间的一致性特征，以此进行所述待检测车用特种玻璃的球面度检测，以提高玻璃球面度检测的精准度。以提高玻璃球面度检测的精准度。以提高玻璃球面度检测的精准度。

【技术实现步骤摘要】
车用玻璃球面度检测装置及其检测方法


[0001]本申请涉及玻璃球面度检测
，且更为具体地，涉及一种车用玻璃球面度检测装置及其检测方法。

技术介绍

[0002]汽车用加发热丝天线钢化玻璃，即用银浆在玻璃上印刷通电发热的线条。发热丝通电后可使玻璃表面温度迅速达到40℃
‑
75℃之间，在寒冷的冬季，能够消除玻璃表面上凝结的霜和雾。
[0003]在钢化玻璃的生产过程中，在高温来回加热时，需要严格控制高温度数和高温时间，并且由于钢化玻璃在出炉瞬间就会定型和钢化，因此还需要加速玻璃出炉的时间，使得出炉时间控制为几秒。
[0004]汽车钢化玻璃球面测量需在汽车钢化玻璃烘弯后立即进行，以便确认汽车钢化玻璃球面是否吻合，不合格品及时返炉，因而，对测量的速度及精度要求很高，但现有的人工汽车玻璃球面检测方式大多是接触测量方法，检测速度慢、精度低，根本无法达到检测要求。
[0005]因此，期待一种更为精准快速的车用玻璃球面度检测装置。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种车用玻璃球面度检测装置及其检测方法，其通过第一卷积神经网络模型、第二卷积神经网络模型和非局部神经网络来分别提取出多个检测视角下的实际待检测车用玻璃图像特征以及标准车用玻璃参考图像特征的全局高维隐含关联特征信息，并以这两者的差分特征来表示所述汽车钢化玻璃球面的实际图像全局特征和标准图像全局特征之间的一致性特征，以此进行所述待检测车用特种玻璃的球面度检测，以提高检测的速度和精准度，通过这样的方式，从而大幅度提高生产出的车用特种玻璃的质量和安全性。
[0007]根据本申请的一个方面，提供了一种车用玻璃球面度检测装置，其包括：图像采集模块，用于获取由摄像头从多个拍摄角度采集的被检测车用玻璃的多个检测视角图像和标准车用玻璃的多个参考视角图像；检测视角图像编码模块，用于将所述多个检测视角图像中各个检测视角图像分别通过作为过滤器的第一卷积神经网络模型以得到多个检测视角特征向量；检测视角图像特征局部关联编码模块，用于将所述多个检测视角特征向量排列为二维特征矩阵后通过作为特征提取器的第二卷积神经网络模型以得到检测特征矩阵；检测视角图像特征全局关联编码模块，用于将所述检测特征矩阵通过非局部神经网络以得到全局检测特征矩阵；参考图像编码模块，用于通过所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型和所述非局部神经网络，从所述多个参考视角图像得到全局参考特征矩阵；差分模块，用于计算所述全局检测特征矩阵和所述全局参考特征矩阵之间的差分特征矩阵作为分类特征矩阵；分类特征校正模块，用于对所述
分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及球面度检测结果生成模块，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测车用特种玻璃的球面度是否满足要求。
[0008]根据本申请的另一方面，提供了一种车用玻璃球面度检测方法，其包括：获取由摄像头从多个拍摄角度采集的被检测车用玻璃的多个检测视角图像和标准车用玻璃的多个参考视角图像；将所述多个检测视角图像中各个检测视角图像分别通过作为过滤器的第一卷积神经网络模型以得到多个检测视角特征向量；将所述多个检测视角特征向量排列为二维特征矩阵后通过作为特征提取器的第二卷积神经网络模型以得到检测特征矩阵；将所述检测特征矩阵通过非局部神经网络以得到全局检测特征矩阵；通过所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型和所述非局部神经网络，从所述多个参考视角图像得到全局参考特征矩阵；计算所述全局检测特征矩阵和所述全局参考特征矩阵之间的差分特征矩阵作为分类特征矩阵；对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测车用特种玻璃的球面度是否满足要求。
[0009]与现有技术相比，本申请提供的一种车用玻璃球面度检测装置及其检测方法，其通过第一卷积神经网络模型、第二卷积神经网络模型和非局部神经网络来分别提取出多个检测视角下的实际待检测车用玻璃图像特征以及标准车用玻璃参考图像特征的全局高维隐含关联特征信息，并以这两者的差分特征来表示所述汽车钢化玻璃球面的实际图像全局特征和标准图像全局特征之间的一致性特征，以此进行所述待检测车用特种玻璃的球面度检测，以提高检测的速度和精准度，通过这样的方式，从而大幅度提高生产出的车用特种玻璃的质量和安全性。
附图说明
[0010]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0011]图1图示了根据本申请实施例的车用玻璃球面度检测装置的应用场景图。
[0012]图2图示了根据本申请实施例的车用玻璃球面度检测装置的框图示意图。
[0013]图3图示了根据本申请实施例的车用玻璃球面度检测装置中检测视角图像特征全局关联编码模块的框图。
[0014]图4图示了根据本申请实施例的车用玻璃球面度检测装置中球面度检测结果生成模块的框图。
[0015]图5图示了根据本申请实施例的车用玻璃球面度检测方法的流程图。
[0016]图6图示了根据本申请实施例的车用玻璃球面度检测方法的系统架构的示意图。
[0017]图7图示了根据本申请实施例的车用玻璃球面度检测方法中，将所述检测特征矩阵通过非局部神经网络以得到全局检测特征矩阵的流程图。
具体实施方式
[0018]下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
[0019]场景概述如上所述，汽车钢化玻璃球面测量需在汽车钢化玻璃烘弯后立即进行，以便确认汽车钢化玻璃球面是否吻合，不合格品及时返炉，因而，对测量的速度及精度要求很高，但现有的人工汽车玻璃球面检测方式大多是接触测量方法，检测速度慢、精度低，根本无法达到检测要求。因此，期待一种更为精准快速的车用玻璃球面度检测装置。
[0020]相应地，考虑到对于汽车钢化玻璃球面的检测可以根据其在多个视角的图像特征与标准合格产品相对应的各个视角的图像特征进行一致性比较来进行。并且还考虑到在所述多个视角下的汽车钢化玻璃球面的图像之间具有隐藏的关联性特征，因此，在本申请的技术方案中，采用基于深度学习的人工智能检测方法来分别提取出多个检测视角下的实际待检测车用玻璃图像特征以及标准车用玻璃参考图像特征的全局高维隐含关联特征信息，并以这两者的差分特征来表示所述汽车钢化玻璃球面的实际图像全局特征和标准图像全局特征之间的一致性特征，以此进行所述待检测车用特种玻璃的球面度检测，以提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车用玻璃球面度检测装置，其特征在于，包括：图像采集模块，用于获取由摄像头从多个拍摄角度采集的被检测车用玻璃的多个检测视角图像和标准车用玻璃的多个参考视角图像；检测视角图像编码模块，用于将所述多个检测视角图像中各个检测视角图像分别通过作为过滤器的第一卷积神经网络模型以得到多个检测视角特征向量；检测视角图像特征局部关联编码模块，用于将所述多个检测视角特征向量排列为二维特征矩阵后通过作为特征提取器的第二卷积神经网络模型以得到检测特征矩阵；检测视角图像特征全局关联编码模块，用于将所述检测特征矩阵通过非局部神经网络以得到全局检测特征矩阵；参考图像编码模块，用于通过所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型和所述非局部神经网络，从所述多个参考视角图像得到全局参考特征矩阵；差分模块，用于计算所述全局检测特征矩阵和所述全局参考特征矩阵之间的差分特征矩阵作为分类特征矩阵；分类特征校正模块，用于对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及球面度检测结果生成模块，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测车用特种玻璃的球面度是否满足要求。2.根据权利要求1所述的车用玻璃球面度检测装置，其特征在于，所述检测视角图像编码模块，进一步用于：所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行基于特征矩阵的全局均值池化处理以生成池化特征图；以及对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述第一卷积神经网络模型的最后一层的输出为所述多个检测视角特征向量。3.根据权利要求2所述的车用玻璃球面度检测装置，其特征在于，所述检测视角图像特征局部关联编码模块，进一步用于：所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：基于二维卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行沿通道维度的均值池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述检测特征矩阵。4.根据权利要求3所述的车用玻璃球面度检测装置，其特征在于，所述检测视角图像特征全局关联编码模块，包括：第一卷积单元，用于将所述检测特征矩阵通过所述非局部神经网络的第一点卷积层以得到第一特征图；第二卷积单元，用于将所述检测特征矩阵通过所述非局部神经网络的第二点卷积层以得到第二特征图；第三卷积单元，用于将所述检测特征矩阵通过所述非局部神经网络的第三点卷积层以得到第三特征图；第一加权和计算单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到第一融合特征图；归一化单元，用于将所述第一融合特征图通过Softmax函数以对所述第一融合特征图中各个位置的特征值进行归一化处理以得到归一化第一融合特征图；第二加权和计算单元，用于计算所述归一化第一融合特征图和所述第三特征图之间的按位置加权和以得到第二融合特征图；相似性度量值计算单元，用于以嵌入高斯相似性函数计算所述第二融合特征图中各个位置间的相似性度量值以得到全局感知特征矩阵；第三加权和计算单元，用于计算所述全局感知特征矩阵和所述检测特征矩阵的按位置加权和以得到所述全局检测特征矩阵。
5.根据权利要求4所述的车用玻璃球面度检测装置，其特征在...

【专利技术属性】
技术研发人员：李世利，刘振平，郝小连，
申请(专利权)人：江苏长欣车辆装备有限公司，
类型：发明
国别省市：