一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法和系统技术方案

本发明专利技术公开了一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法和系统，包括：

【技术实现步骤摘要】
一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法和系统


[0001]本专利技术涉及钢化玻璃膜缺陷的
，尤其涉及一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法和系统
。

技术介绍

[0002]手机钢化玻璃膜是智能手机保护屏的重要组成部分，但在生产过程中往往会出现裂纹问题，可能源自原材料质量
、
制造工艺或操作不当等因素
。
这些裂纹在生产线上很难被迅速
、
准确地检测和分类，给制造商带来了生产质量控制上的困扰
。
目前，针对手机钢化玻璃膜生产过程中容易出现的裂纹，已经存在一些方法尝试解决这一问题
。
然而，这些方法仍然存在一些局限性和缺点
。
传统人工检测方法依赖人工视觉检查，劳动密集且容易出现疲劳导致错误
。
人工检测方法检测效率低，无法满足高产量生产线的要求，同时难以对微小
、
隐蔽的裂纹进行准确识别，可能造成漏检
。
而基于传统图像处理的自动化方法特征设计和选择困难，不一定能全面捕捉裂纹的复杂特征
。
对于不同尺寸和形状的裂纹，可能需要针对性地设计不同的算法，增加了开发和维护成本
。

技术实现思路

[0003]有鉴于此，本专利技术提供一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法，目的在于综合运用图像处理
、
深度学习和遗传算法等先进技术，通过对图像进行预处理
、
特征提取和深度学习网络构建，并结合遗传算法优化分类网络参数，实现对裂纹的高准确率
、
高效率的自动分类
。
[0004]实现上述目的，本专利技术提供的一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法，包括以下步骤：
[0005]S1
：收集包含不同裂纹类型的手机钢化玻璃膜图像数据集，并对图像进行尺寸调整，获得预处理后的图像；
[0006]S2
：使用图像处理算法从预处理后的图像中提取特征；
[0007]S3
：使用提取到的特征数据和预处理后的图像，基于深度学习构建裂纹分类网络并设定裂纹分类网络优化目标；
[0008]S4
：根据裂纹分类网络优化目标训练裂纹分类网络参数；
[0009]S5
：基于遗传算法优化裂纹分类网络参数，对于新采集到的手机钢化玻璃膜图像，使用优化好的裂纹分类网络进行自动分类，判断裂纹类型
。
[0010]作为本专利技术的进一步改进方法：
[0011]可选地，所述
S1
步骤中收集包含不同裂纹类型的手机钢化玻璃膜图像数据集，并对图像进行尺寸调整，获得预处理后的图像，包括：
[0012]S11
：计算协方差矩阵：
[0013]基于图像的列计算图像的协方差矩阵，协方差矩阵第
m
行第
n
列元素的计算方式
为：
[0014][0015]其中，
Cov
col
为基于图像的列的协方差矩阵；和分别为图像的第
z
和第
r
列列向量，
z,r
＝
1,2,
…
,N
，
N
为图像的列数；和分别为图像的第
z
和第
r
列列向量的均值；
[0016]S12
：计算协方差矩阵的特征值与特征向量：
[0017]求解基于图像的列的协方差矩阵的特征值与特征向量，求解公式为：
[0018]Cov
col
W
＝
λ
W
[0019]其中，
λ
为特征值，
W
为特征向量矩阵；
[0020]S13
：计算特征向量的贡献率和权重：
[0021]根据特征值计算每一个特征向量的贡献率：
[0022][0023]其中，
i,j
＝
1,2,
…
,N
；，
i
′
,j
′
＝
1,2,
…
,N
；
[0024]根据特征向量的贡献率计算每一个特征向量的权重：
[0025][0026]其中，
W
ij
和
W
i
′
j
′
分别代表特征向量矩阵第
i
行第
j
列和第
i
′
行第
j
′
列的值；
[0027]S14
：缩放图像尺寸：
[0028]对于图像尺寸缩小，根据特征向量的权重删除权重最低的特征向量，直到达到目标列数；
[0029]对于图像尺寸放大，根据特征向量的权重，选取权重最低的特征向量与其相邻特征向量计算平均值插入选取的两个特征向量之间，直到达到目标列数；
[0030]基于图像的行计算
S11
‑
S14
完成图像行的缩放，获得预处理后的图像
I
；
[0031]可选地，所述
S2
步骤中使用图像处理算法从预处理后的图像中提取特征，包括：
[0032]S21
：提取空间特征：
[0033]计算预处理后的图像
I
的尺度空间图像
I
′
，计算方法为：
[0034]I
′
(m
，
n)
＝
Filter(m
，
n
，
σ
)*I(m,n)
[0035]其中，
(m,n)
表示图像像素位置；
*
表示卷积；
Filter(m,n,
σ
)
表示尺度核，表达式为：
[0036][0037]其中，
σ
表示尺度参数；
π
和
e
分别表示圆周率和自然常数；
[0038]基于尺度空间图像
I
′
计算梯度
G
和梯度方向
θ
作为空间特征：
[0039][0040][0041]S22
：提取颜色特征：
[0042]对预处理后的图像
I
进行颜色组合，获得颜色特征
C
：
[0043][0044]其中，
Red、Green
和
Blue
分别代表预处理后的图像
I
的红
、
绿和蓝通道；
[0045]可选地，所述
S3
步骤中使用提取到的特征数据和预处理后的图像，基于深度学习构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法，其特征在于，包括以下步骤：
S1
：收集包含不同裂纹类型的手机钢化玻璃膜图像数据集，并对图像进行尺寸调整，获得预处理后的图像；
S2
：使用图像处理算法从预处理后的图像中提取特征；
S3
：使用提取到的特征数据和预处理后的图像，基于深度学习构建裂纹分类网络并设定裂纹分类网络优化目标；
S4
：根据裂纹分类网络优化目标训练裂纹分类网络参数；
S5
：基于遗传算法优化裂纹分类网络参数，对于新采集到的手机钢化玻璃膜图像，使用优化好的裂纹分类网络进行自动分类，判断裂纹类型
。2.
根据权利要求1所述的一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法，其特征在于，所述步骤
S1
中，包括以下步骤：
S11
：计算协方差矩阵：基于图像的列计算图像的协方差矩阵，协方差矩阵第
m
行第
n
列元素的计算方式为：其中，
Cov
col
为基于图像的列的协方差矩阵；和分别为图像的第
z
和第
r
列列向量，
z,r
＝
1,2,
…
,N
，
N
为图像的列数；和分别为图像的第
z
和第
r
列列向量的均值；
S12
：计算协方差矩阵的特征值与特征向量：求解基于图像的列的协方差矩阵的特征值与特征向量，求解公式为：
Cov
col
W
＝
λ
W
其中，
λ
为特征值，
W
为特征向量矩阵；
S13
：计算特征向量的贡献率和权重：根据特征值计算每一个特征向量的贡献率：其中，
i,j
＝
1,2,
…
,N
；根据特征向量的贡献率计算每一个特征向量的权重：其中，
W
ij
和
W
i
′
j
′
分别代表特征向量矩阵第
i
行第
j
列和第
i
′
行第
j
′
列的值，
i
′
,j
′
＝
1,2,
…
,N
；
S14
：缩放图像尺寸：对于图像尺寸缩小，根据特征向量的权重删除权重最低的特征向量，直到达到目标列数；对于图像尺寸放大，根据特征向量的权重，选取权重最低的特征向量与其相邻特征向量计算平均值插入选取的两个特征向量之间，直到达到目标列数；
基于图像的行计算
S11
‑
S14
完成图像行的缩放，获得预处理后的图像
I。3.
根据权利要求2所述的一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法，其特征在于，所述步骤
S2
中，包括以下步骤：
S21
：提取空间特征：计算预处理后的图像
I
的尺度空间图像
I
′
，计算方法为：
I
′
(m,n)
＝
Filter(m,n,
σ
)*I(m,n)
其中，
(m,n)
表示图像像素位置；
*
表示卷积；
Filter(m,n,
σ
)
表示尺度核，表达式为：其中，
σ
表示尺度参数；
π
和
e
分别表示圆周率和自然常数；基于尺度空间图像
I
′
计算梯度
G
和梯度方向
θ
作为空间特征：作为空间特征：
S22
：提取颜色特征：对预处理后的图像
I
进行颜色组合，获得颜色特征
C
：其中，
Red、Green
和
Blue
分别代表预处理后的图像
I
的红
、
绿和蓝通道
。4.
根据权利要求3所述的一种基于机器视觉的手机钢化玻璃膜裂纹自动分类方法，其特征在于，所述步骤

【专利技术属性】
技术研发人员：伍东辉，蔡海应，
申请(专利权)人：湖南景为电子科技有限公司，
类型：发明
国别省市：