一种基于深度学习的玻璃缺陷监测方法技术

本发明专利技术公开了一种基于深度学习的玻璃缺陷监测方法，包括如下步骤：S1、通过两个以上的传感器采集玻璃的检测信号；S2、使用经训练的基于注意力机制的长短时记忆网络LSTM模型，将所述两个以上的传感器采集到的信号进行融合串联，形成一个多通道信号，并作为输入传递给LSTM模型，以预测玻璃是否存在缺陷。本发明专利技术结合多个传感器的检测信号，将多个传感器数据进行融合串联来对缺陷进行检测，具有较强的适应性，在不同环境和应用场景下具有较好的稳定性和可靠性，能够提供更加精准和完整的玻璃缺陷检测信息，从而能够实现对玻璃缺陷的准确识别。别。别。

【技术实现步骤摘要】
一种基于深度学习的玻璃缺陷监测方法


[0001]本专利技术涉及的玻璃监测的
，特别是涉及一种基于深度学习的玻璃缺陷监测方法。

技术介绍

[0002]玻璃作为一种广泛应用的材料，其质量对于许多应用场景至关重要。玻璃缺陷可能导致结构弱化、光学性能降低以及美观问题，因此对玻璃进行缺陷检测具有重要意义。现有的玻璃缺陷检测方法主要依赖于传统的光学成像技术和机器视觉算法。这些方法通常需要借助透镜进行成像，并依赖外部光源提供光照。然而，这些方法存在以下问题。
[0003]对光源和成像设备的依赖：传统的检测方法需要依赖外部光源和成像设备，这会增加系统的复杂性和成本。同时，这种依赖性导致了对环境光照变化的敏感性，从而影响检测效果(对光照条件敏感、设备昂贵)。
[0004]检测维度有限：现有方法往往只能检测玻璃是否存在缺陷，而不能提供关于缺陷位置、类型等多维度信息。这限制了检测方法在实际应用中的效果。
[0005]对环境和场景的适应性较差：由于对光源和成像设备的依赖，现有方法在面对不同环境和应用场景时，往往需要进行参数调整和设备更换，导致系统的适应性较差。

技术实现思路

[0006]本专利技术的目的在于解决现有技术存在的上述至少一种问题，提供一种基于深度学习的玻璃缺陷监测方法。
[0007]为实现上述目的，本专利技术采用以下技术方案：
[0008]一种基于深度学习的玻璃缺陷监测方法，包括如下步骤：S1、通过两个以上的传感器采集玻璃的检测信号；S2、使用经训练的基于注意力机制的长短时记忆网络LSTM模型，将所述两个以上的传感器采集到的信号进行融合串联，形成一个多通道信号，并作为输入传递给LSTM模型，以预测玻璃是否存在缺陷。
[0009]在本专利技术的一些实施例中，所述LSTM模型包括输入门、遗忘门和输出门，在处理时间序列数据的每个时间步，所述LSTM模型根据当前输入和上一时刻的隐状态来更新各个门的状态，并输出当前时刻的隐状态，所述注意力机制引入用于确定不同信号通道之间的权重的加权向量，从而使所述LSTM模型在每个时间步关注不同通道信号的重要程度。
[0010]在本专利技术的一些实施例中，注意力权重通过Softmax函数计算，然后与输入信号加权求和，得到加权后的输入信号。
[0011]在本专利技术的一些实施例中，在训练过程中，所述LSTM模型通过反向传播算法更新权重参数，从而自动学习到与缺陷相关的信号特征和时序信息；在测试阶段，对于输入的每个新数据点，所述LSTM模型计算输出层的激活值，并通过Softmax函数进行归一化，得到缺陷有无的概率分布。
[0012]在本专利技术的一些实施例中，步骤S2中，先对检测信号进行预处理，具体包括如下一
种或多种：
[0013]通过自适应滤波，在滤除噪声的同时保留信号的重要信息；
[0014]通过经验模态分解，将原始信号分解成不同的局部信号特征，以便提取信号中的缺陷信息，减少干扰。
[0015]在本专利技术的一些实施例中，所述两个以上的传感器包括设置在玻璃侧边的两种传感器，其中一种为光学传感器，其余包括红外传感器、电磁波传感器、声学传感器、电容传感器中的一种或多种，每种传感器的数量为一个或多个；能够在玻璃使用过程中实时检测缺陷。
[0016]在本专利技术的一些实施例中，步骤S2还包括通过多任务图神经网络MT
‑
GNN提取不同传感器的数据；其中，将所述玻璃表面划分为一组网格，并将每个网格单元视为图中的一个节点，节点之间的连接表示相邻网格单元之间的关系，为每个节点分配特征向量，其包含来自所述传感器的特征数据，由此构建所述玻璃表面的图结构；其中，所述图神经网络具有输入层、若干层图卷积层和输出层，所述输入层接收根据所述物理信号获得的特征向量，所述图卷积层用于学习节点之间的关系和传播节点之间的信息，所述输出层输出关于缺陷预测任务的数据。
[0017]在本专利技术的一些实施例中，步骤S1中包括使用光谱图像传感器采集玻璃的光谱图像；步骤S2中，利用光谱图像的特征，根据玻璃反射、吸收或传递的光的光谱分布来识别其表面和内部的物理性质，从而侦测玻璃的缺陷；
[0018]优选地，步骤S1中，设置一组多光谱相机，使其能够从不同的角度和距离捕捉到玻璃的光谱图像；所述多光谱相机分别沿着多个不同方向进行扫描，从而能够全面地检测到玻璃的表面和内部。
[0019]在本专利技术的一些实施例中，步骤S2还包括：采用自适应深度卷积神经网络(Adaptive Convolutional Neural Network，ACNN)进行光谱图像特征的提取和分类，以实现缺陷识别；所述自适应深度卷积神经网络包含一系列的卷积层和全连接层，其中，所述卷积层用于提取出图像特征，所述全连接层用于将特征整合起来进行分类；所述自适应深度卷积神经网络具有自适应的卷积层，所述自适应的卷积层能够根据输入图像的特性自动调整其卷积核的大小和步长，以提取出图像中的重要特征。
[0020]在本专利技术的一些实施例中，步骤S2还包括：使用时间卷积神经网络(Temporal Convolutional Neural Network,TCNN)对光谱图像的特征序列进行处理，以提取出反映缺陷发展过程的时序信息；优选地，先将连续的光谱图像转化为特征序列，然后将这些序列输入到所述时间卷积神经网络中；所述时间卷积神经网络中使用多个卷积层和循环层来处理输入的特征序列，从而捕捉到序列中的时序信息；优选地，对于TCNN的训练采用反向传播算法和随机梯度下降法，通过优化损失函数来更新网络的参数，以使得网络能够更好地识别和预测缺陷的发展。
[0021]本专利技术具有如下有益效果：
[0022]本专利技术实施例提出的基于深度学习的玻璃缺陷监测方法，通过两个以上的传感器采集玻璃的检测信号，再通过使用经训练的基于注意力机制的长短时记忆网络LSTM模型，将两个以上的传感器采集到的信号进行融合串联，形成一个多通道信号，并作为输入传递给LSTM模型，能够预测玻璃是否存在缺陷；结合多个传感器的检测信号，利用长短时记忆网
络LSTM模型将多个传感器数据进行融合串联来对缺陷进行预测，具有较强的适应性，在不同环境和应用场景下具有较好的稳定性和可靠性，能够提供更加精准和完整的玻璃缺陷检测信息，从而能够实现对玻璃缺陷的准确识别。由于该LSTM模型还引入了注意力机制，使得LSTM网络在每个时间步都能关注到不同通道信号的重要程度，在训练过程中，网络将自动学习到与缺陷相关的信号特征和时序信息，实现了对关键信息的重点关注，提高了缺陷检测的准确性。
[0023]在一些实施例中，本专利技术的方法通过集成无透镜、无外加光源的检测、自适应深度卷积神经网络和时间卷积神经网络，实现了精准且高效的玻璃缺陷监测。
[0024]此外，在一些实施例中，还具有如下有益效果：
[0025]进一步地，将传感器安装在各种设备上的玻璃的侧边对玻璃进行原位、实时的缺陷监测，不需要额外的透镜和光源等设备，监测过程中能够摆脱对光源和成像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的玻璃缺陷监测方法，其特征在于，包括如下步骤：S1、通过两个以上的传感器采集玻璃的检测信号；S2、使用经训练的基于注意力机制的长短时记忆网络LSTM模型，其中，将所述两个以上的传感器采集到的信号进行融合串联，形成一个多通道信号，并作为输入传递给LSTM模型，以预测玻璃是否存在缺陷。2.如权利要求1所述的玻璃缺陷监测方法，其特征在于，所述LSTM模型包括输入门、遗忘门和输出门，在处理时间序列数据的每个时间步，所述LSTM模型根据当前输入和上一时刻的隐状态来更新各个门的状态，并输出当前时刻的隐状态，所述注意力机制引入用于确定不同信号通道之间的权重的加权向量，从而使所述LSTM模型在每个时间步关注不同通道信号的重要程度。3.如权利要求2所述的玻璃缺陷监测方法，其特征在于，注意力权重通过Softmax函数计算，然后与输入信号加权求和，得到加权后的输入信号。4.如权利要求1至3任一项所述的玻璃缺陷监测方法，其特征在于，在训练过程中，所述LSTM模型通过反向传播算法更新权重参数，从而自动学习到与缺陷相关的信号特征和时序信息；在测试阶段，对于输入的每个新数据点，所述LSTM模型计算输出层的激活值，并通过Softmax函数进行归一化，得到缺陷有无的概率分布。5.如权利要求1至4任一项所述的玻璃缺陷监测方法，其特征在于，步骤S2中，先对检测信号进行预处理，具体包括如下一种或多种：通过自适应滤波，在滤除噪声的同时保留信号的重要信息；通过经验模态分解，将原始信号分解成不同的局部信号特征，以便提取信号中的缺陷信息，减少干扰。6.如权利要求1至5任一项所述的玻璃缺陷监测方法，其特征在于，所述两个以上的传感器包括设置在玻璃侧边的两种传感器，其中一种为光学传感器，其余包括红外传感器、电磁波传感器、声学传感器、电容传感器中的一种或多种，每种传感器的数量为一个或多个；能够在玻璃使用过程中实时检测缺陷。7.如权利要求1至6任一项所述的玻璃缺陷监测方法，其特征在于，步骤S2还包括通过多任务图神经网络MT
‑
GNN提...

【专利技术属性】
技术研发人员：金欣，曾云辉，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：