一种基于深度学习的玻璃生产线缺陷识别方法技术

本发明专利技术公开了一种基于深度学习的玻璃生产线缺陷识别方法，涉及玻璃生产线缺陷识别技术领域，包括以下步骤，S1、系统检测；S2、系统能耗统计；S3、电能质量分析：电能质量分析分为以下三个板块：频率偏差、电压不平衡度、功率因素；S4、能耗分析：通过PC端的能耗走势分析默认展示最近六小时的用电情况，点击底部“查看详细数据记录”按钮，查看当天所有数据，能耗走势分析数据展示能源监测分析系统分析诊断中；S5、生产线检测上。本发明专利技术同时实现了各检测工位计算机与监控主机的实时通讯，能够用于同类型的缺陷检测中，具有广泛的通用性，提高适用范围能快速而准确地查找玻璃划伤缺陷的产生位置，能够提高玻璃的生产线的产能。能够提高玻璃的生产线的产能。能够提高玻璃的生产线的产能。

【技术实现步骤摘要】
一种基于深度学习的玻璃生产线缺陷识别方法


[0001]本专利技术涉及玻璃生产线缺陷识别
，具体涉及一种基于深度学习的玻璃生产线缺陷识别方法。

技术介绍

[0002]目前，玻璃制造步骤是依次这样的：原理选定、配料、混合、融化、压延、退火、定尺 收片、外形深加工、镀膜、钢化。目前，现有的玻璃制造生产工作效率相对较低。所以，对于本 领域内的技术人员，还研发出一种高效的玻璃生产线，主要通过 API 接口方式，集合了能源能耗监测分析系统、管理系统、填报小程序三大系统功能；方便企业查看配料、中控、氮氢站等板块数据，玻璃生产线较长，各工序经常会出现划伤，以往的划伤对策方法只是根据划伤坐标在每个工序使用量具测量查找相应位置，此方法查找划伤不能精确地确定划伤产生的工序，整个对策过程较繁琐，对策时间较长，严重影响产能。划伤对策时间较长是影响液晶玻璃生产线产能的最关键的因素之一，减少划伤查找和对策时间能够间接提升玻璃生产线产能，因此本专利技术提供一种基于深度学习的玻璃生产线缺陷识别方法。针对现有技术存在以下问题：1、现有的基于深度学习的玻璃生产线缺陷识别方法,不便于同时实现各检测工位计算机的监控，适用范围较小；2、现有的基于深度学习的玻璃生产线缺陷识别方法,工序较为复杂，不便于工作人员快速而准确地查找玻璃划伤缺陷的产生位置。

技术实现思路

[0003]为解决上述技术问题，本专利技术所采用的技术方案是：一种基于深度学习的玻璃生产线缺陷识别方法，包括以下步骤，S1、系统检测：管理员通过管理后台配置的账号信息登陆进入系统，配料系统中实时称重中的数据，通过小程序，配料系统
ꢀ‑ꢀ
实时称重页面，点击通过拍照获取数据，自动识别的数据识别有误“数据获取失败时”，用户通过手动修改对应数据信息，点击保存后，将数据存入管理后台配料系统中；S2、系统能耗统计：系统能耗统计数据展示今日和昨日用电总数，以及起止电码数；数据来源于能，源检测分析系统报表统计各工序用电报表中，各工序用电板块数据，通过 API 接口链接能源监测分析系统的报表统计各工序用电报表，接入昨日各工序用电合计数据情况，包含一线、二线、一线二线共用、三线、氮站、氢站、成品库房、办公楼、原材料车间数据；S3、电能质量分析：电能质量分析分为以下三个板块：频率偏差、电压不平衡度、功率因素；S4、能耗分析：通过PC 端的能耗走势分析默认展示最近六小时的用电情况，点击底部“查看详细数据记录”按钮，查看当天所有数据，能耗走势分析数据展示能源监测分析
系统分析诊断中；S5、生产线检测：确定生产线上各个工序设备与玻璃接触的第一位置，获得该第一位置在生产线的横向方向上的第一坐标数据，在生产线的下游确定玻璃上划伤缺陷的第二位置，获得该第二位置在玻璃的宽度方向上的第二坐标数据，并且该第二位置不在玻璃的宽度方向的中心线上。
[0004]本专利技术技术方案的进一步改进在于：S1在PC 端显示内容页面左下角输入查询时间，点击“查询详细用料清单”按钮，弹出详情弹窗，称量数据通过小程序，配料系统输入，进行保存分析。
[0005]本专利技术技术方案的进一步改进在于：S3频率偏差统计数据展示能源监测分析系统电能质量分析中，从分析类型筛选，出频率偏差数据，展示对应的统计时间、最大值、最，大值时间、平均值、是否异常等数据；电压不平衡度数据展示能源监测分析系统电能质量分析中，从分析类型筛选出电压不平衡度数据，展示对应的统计时间、最大值、最大值时间、平均值、是否异常等数据；功效因素数据展示能源监测分析系统_电能质量分析中，从分析类型筛选出功效因素数据，展示对应的统计时间、最大值、最大值时间、平均值、是否异常等数据。
[0006]本专利技术技术方案的进一步改进在于：S5在生产线的下游再次确定玻璃上划伤缺陷的第三位置是否与第二位置相同，若相同，则判断划伤缺陷的产生位置位于翻转位置的下游工序中。
[0007]本专利技术技术方案的进一步改进在于：若不同，且第三位置和第二位置关于玻璃的宽度方向的中心线对称，且第三位置和第二位置关于玻璃的水平中心线对称，则判断划伤缺陷的产生位置位于翻转位置的上游工序中。
[0008]本专利技术技术方案的进一步改进在于：判断翻转位置上游或下游的第一坐标数据所在的工序的数量是否为一个，若为一个，则根据该第一坐标数据确定第一位置，以获得该划伤缺陷的产生位置，若不为一个，则重复上述第四步和第五步，以获得划伤缺陷的产生位置可选地，在第二步和第五步中，通过用卤素灯照射玻璃的表面以分别获得第二位置和第三位置。
[0009]由于采用了上述技术方案，本专利技术相对现有技术来说，取得的技术进步是：1、本专利技术提供一种基于深度学习的玻璃生产线缺陷识别方法，通过电能质量分析和能耗分析的共同作用下，通过PC 端的能耗走势分析默认展示最近六小时的用电情况，点击底部“查看详细数据记录”按钮，查看当天所有数据，能耗走势分析数据展示能源监测分析系统分析诊断中，采用分布式控制概念，各检测工位之间并 不相互依赖，同时实现了各检测工位计算机与监控主机的实时通讯，能够用于同类型的缺陷检测中，具有广泛的通用性，提高了适用范围。
[0010]2、本专利技术提供一种基于深度学习的玻璃生产线缺陷识别方法，通过生产线检测的共同作用下，确定生产线上各个工序设备与玻璃接触的第一位置，获得该第一位置在生产线的横向方向上的第一坐标数据和第二坐标数据，在生产线的下游再次确定玻璃上划伤缺陷的第三位置，可以快速而准确地查找玻璃划伤缺陷的产生位置，减少划伤查找和对策时间，能够提高玻璃的生产线的产能。
附图说明
[0011]图1为本专利技术的一种基于深度学习的玻璃生产线缺陷识别方法的流程结构示意图；图2为本专利技术的系统能耗统计的流程结构示意图；图3为本专利技术的生产线检测的流程结构示意图。
具体实施方式
[0012]下面结合实施例对本专利技术做进一步详细说明：实施例1如图1
‑
3所示，本专利技术提供了一种基于深度学习的玻璃生产线缺陷识别方法,包括以下步骤，S1、系统检测：管理员通过管理后台配置的账号信息登陆进入系统，配料系统中实时称重中的数据，通过小程序，配料系统
ꢀ‑ꢀ
实时称重页面，点击通过拍照获取数据，自动识别的数据识别有误“数据获取失败时”，用户通过手动修改对应数据信息，点击保存后，将数据存入管理后台配料系统中；S2、系统能耗统计：系统能耗统计数据展示今日和昨日用电总数，以及起止电码数；数据来源于能，源检测分析系统报表统计各工序用电报表中，各工序用电板块数据，通过 API 接口链接能源监测分析系统的报表统计各工序用电报表，接入昨日各工序用电合计数据情况，包含一线、二线、一线二线共用、三线、氮站、氢站、成品库房、办公楼、原材料车间数据；S3、电能质量分析：电能质量分析分为以下三个板块：频率偏差、电压不平衡度、功率因素；S4、能耗分析：通过PC 端的能耗走势分析默认展示最近六小时的用电情况，点击底部“查看详细数据记录”按钮，查看当天所有数据，能耗走势分析数据展示能源监测分析系统分析诊断中；S5、生产线检测：确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的玻璃生产线缺陷识别方法，包括以下步骤，其特征在于：S1、系统检测：管理员通过管理后台配置的账号信息登陆进入系统，配料系统中实时称重中的数据，通过小程序，配料系统
ꢀ‑ꢀ
实时称重页面，点击通过拍照获取数据，自动识别的数据识别有误“数据获取失败时”，用户通过手动修改对应数据信息，点击保存后，将数据存入管理后台配料系统中；S2、系统能耗统计：系统能耗统计数据展示今日和昨日用电总数，以及起止电码数；数据来源于能，源检测分析系统报表统计各工序用电报表中，各工序用电板块数据，通过 API 接口链接能源监测分析系统的报表统计各工序用电报表，接入昨日各工序用电合计数据情况，包含一线、二线、一线二线共用、三线、氮站、氢站、成品库房、办公楼、原材料车间数据；S3、电能质量分析：电能质量分析分为以下三个板块：频率偏差、电压不平衡度、功率因素；S4、能耗分析：通过PC 端的能耗走势分析默认展示最近六小时的用电情况，点击底部“查看详细数据记录”按钮，查看当天所有数据，能耗走势分析数据展示能源监测分析系统分析诊断中；S5、生产线检测：确定生产线上各个工序设备与玻璃接触的第一位置，获得该第一位置在生产线的横向方向上的第一坐标数据，在生产线的下游确定玻璃上划伤缺陷的第二位置，获得该第二位置在玻璃的宽度方向上的第二坐标数据，并且该第二位置不在玻璃的宽度方向的中心线上。2. 根据权利要求1所述的一种基于深度学习的玻璃生产线缺陷识别方法，其特征在于：S1在PC 端显示内容页面左下角输入查询时间，点击“查询详细用料清单”按钮，弹出详情弹窗，称量数据...

【专利技术属性】
技术研发人员：阳挺，
申请(专利权)人：重庆市渝琥玻璃有限公司，
类型：发明
国别省市：