本發(fā)明涉及圖像處理和機器學習，具體為一種玻璃表面缺陷分類方法。

背景技術：

1、玻璃行業(yè)是重要的基礎材料產業(yè)，是建材行業(yè)的重要組成部分之一，在國民經濟和社會發(fā)展過程中具有不可替代的作用，主要應用于建筑、交通運輸、新能源和電子信息等領域。而在玻璃生產過程中，由于多種因素的影響，玻璃表面很容易出現氣泡、結石、錫灰、鍍層劃傷和針孔等缺陷，這些缺陷會嚴重影響玻璃產品的質量和性能。傳統(tǒng)的玻璃檢測方法是依靠人眼來判斷玻璃表面各種問題，存在很大的局限性，如人眼對微小的缺陷不敏感，有誤檢、漏檢風險等。深度學習技術的發(fā)展為玻璃表面缺陷檢測提供了新的解決方案。但由于深度學習模型的訓練往往需要大量已標注數據集，而工業(yè)生產過程嚴格把控次品率，缺陷在產品中是罕見的，因此相比更容易獲取的正常樣本，缺陷樣本數量很少，導致深度學習模型面臨著標注數據不充足、難以應對多變的玻璃表面缺陷類型等問題，使得檢測精度和效率無法滿足實際生產需求。

2、公開號為cn114858805a的玻璃鍍膜面缺陷在線檢測裝置包括線光源模塊、成像模塊和與成像模塊輸出端相連的終端數據處理模塊，其中，所述線光源模塊發(fā)出的光線寬度不大于所述玻璃的厚度，所述線光源模塊發(fā)出的光線經玻璃反射后形成反射光，所述成像模塊能夠接收經玻璃上表面鍍膜面反射的反射光，下表面的反射光設置在所述成像模塊接收范圍之外，所述成像模塊輸出端根據成像模塊是否能夠接收鍍膜面的反射光判斷所述玻璃的鍍膜面是否存在缺陷。

3、現有技術一的缺點：

4、1、靈敏度不高：由于線光源模塊發(fā)出的光線寬度不大于玻璃的厚度，可能導致檢測的靈敏度不高。較小的光源寬度可能限制了對細微缺陷的檢測能力，特別是對于非常小的缺陷可能無法準確檢測。

5、2、缺陷判斷依據有限：根據成像模塊是否能夠接收鍍膜面的反射光來判斷玻璃的鍍膜面是否存在缺陷，這種判斷方式可能較為簡單和有限?？赡軣o法對不同類型的缺陷進行準確分類和定量評估，限制了該裝置在復雜缺陷檢測方面的應用能力。

技術實現思路

1、本發(fā)明的目的在于提供一種玻璃表面缺陷分類方法，旨在解決玻璃表面缺陷分類中樣本數量有限的問題。該方法采用深度學習技術代替人工進行缺陷檢測，提高檢測速度和準確性，同時利用主動學習技術，通過篩選出樣本中最具價值的樣本進行標注，提升深度學習模型在有限數據下分類的準確率，從而實現用少量數據達到預期效果，降低標注成本。

2、為實現上述目的，本發(fā)明提供如下技術方案：

3、一種玻璃表面缺陷分類方法，包括以下步驟：

4、s1：玻璃表面圖像采集與處理；

5、s2：對玻璃表面的圖像數據進行重建；

6、s3：特征提??；

7、s4：初始模型訓練；

8、s5：主動學習策略；

9、s6：混合學習策略；

10、s7：模型重新訓練；

11、s8：缺陷分類；

12、s9：迭代循環(huán)。

13、優(yōu)選的，所述s1中使用高精度的工業(yè)相機來捕捉玻璃表面的圖像，通過調整工業(yè)相機的高度和焦距，在不同狀態(tài)下都能獲得清晰、精確的玻璃表面缺陷圖像?。

14、優(yōu)選的，所述s2中通過算法減少、消除圖像中的噪聲，使玻璃圖像更加清晰，通過灰度化處理，將彩色圖像轉換為灰度圖像，減少數據量的同時保留圖像的重要結構信息，通過這些圖像預處理方法，可以深度學習模型能夠準確地識別和分類玻璃表面的缺陷??。

15、優(yōu)選的，所述s3中結合深度卷積神經網絡和自注意力機制作為特征提取器，從修復后的圖像中提取有關缺陷的精細特征??。

16、優(yōu)選的，所述s4從采集到的圖像中隨機選擇少部分樣本進行標注，建立初始訓練集，并用標注好的圖像訓練初始模型。

17、優(yōu)選的，所述s5引入主動學習算法，通過對已標注圖像和未標注圖像進行混合尋找含有新特征的未標注樣本，以此評估圖像的不確定性，通過計算未標注圖像與已標注圖像之間的距離評估它們之間的相似性，相似性越低的圖像越容易被選擇，綜合不確定性和多樣性挑選高價值圖像。

18、優(yōu)選的，所述s6在玻璃表面缺陷分類中，混合學習策略可以應用于模型訓練和分類過程中，結合不同特征提取方法的結果、結合多個分類器的預測結果，提高分類的準確性和魯棒性。

19、優(yōu)選的，所述s7將新標注的圖像加入訓練集并重新訓練深度學習模型，模型可以重新加入的圖像中學習到新特征，從而提高對缺陷的分類能力。

20、優(yōu)選的，所述s8模構建efficientformer分類器，通過其創(chuàng)新的metablock結構，結合深度卷積和自注意力機制，從圖像中提取出精細的特征表示，能夠快速且準確地識別玻璃表面的各種缺陷。

21、優(yōu)選的，所述s9重復進行步驟，模型不斷重新加入的圖像中學習到新特征，提高模型分類能力，直到達到預設的性能指標或滿足需求。

22、綜上所述，由于采用了上述技術，本發(fā)明的有益效果是：

23、本發(fā)明提出的玻璃表面缺陷檢測模型引入深度學習技術，能夠更加精確地對不同種類的缺陷進行識別，并且可以準確地定位缺陷出現的區(qū)域，相比于傳統(tǒng)的人工檢測，效率及準確率更高?。

24、2、本發(fā)明提出了一種基于特征混合主動學習的玻璃表面缺陷分類方法，通過引入主動學習算法輔助樣本標注，可以有效挑選最具價值的樣本，降低模型對數據的依賴，提高模型的性能，同時降低標注成本?。

25、3、本技術成功實施后，玻璃表面缺陷將實現智能化檢測，減少檢測階段人工消耗，提高檢測效率，將降低模型對數據的依賴，減少深度學習訓練模型所需數據，降低了標注成本?。

26、4、本技術所采用的檢測流程和方法可以應用于多種工業(yè)產品缺陷檢測中，如金屬、塑料等工業(yè)制造業(yè)，為這些行業(yè)帶來更高效、更準確的缺陷檢測解決方案??。

技術特征：

1.一種玻璃表面缺陷分類方法，其特征在于：包括以下步驟：

2.根據權利要求1所述的一種玻璃表面缺陷分類方法，其特征在于：所述s1中使用高精度的工業(yè)相機來捕捉玻璃表面的圖像，通過調整工業(yè)相機的高度和焦距，在不同狀態(tài)下都能獲得清晰、精確的玻璃表面缺陷圖像?。

3.根據權利要求1所述的一種玻璃表面缺陷分類方法，其特征在于：所述s2中通過算法減少、消除圖像中的噪聲，使玻璃圖像更加清晰，通過灰度化處理，將彩色圖像轉換為灰度圖像，減少數據量的同時保留圖像的重要結構信息，通過這些圖像預處理方法，可以深度學習模型能夠準確地識別和分類玻璃表面的缺陷??。

4.根據權利要求1所述的一種玻璃表面缺陷分類方法，其特征在于：所述s3中結合深度卷積神經網絡和自注意力機制作為特征提取器，從修復后的圖像中提取有關缺陷的精細特征??。

5.根據權利要求1所述的一種玻璃表面缺陷分類方法，其特征在于：所述s4從采集到的圖像中隨機選擇少部分樣本進行標注，建立初始訓練集，并用標注好的圖像訓練初始模型。

6.根據權利要求1所述的一種玻璃表面缺陷分類方法，其特征在于：所述s5引入主動學習算法，通過對已標注圖像和未標注圖像進行混合尋找含有新特征的未標注樣本，以此評估圖像的不確定性，通過計算未標注圖像與已標注圖像之間的距離評估它們之間的相似性，相似性越低的圖像越容易被選擇，綜合不確定性和多樣性挑選高價值圖像。

7.根據權利要求1所述的一種玻璃表面缺陷分類方法，其特征在于：所述s6在玻璃表面缺陷分類中，混合學習策略可以應用于模型訓練和分類過程中，結合不同特征提取方法的結果、結合多個分類器的預測結果，提高分類的準確性和魯棒性。

8.根據權利要求1所述的一種玻璃表面缺陷分類方法，其特征在于：所述s7將新標注的圖像加入訓練集并重新訓練深度學習模型，模型可以重新加入的圖像中學習到新特征，從而提高對缺陷的分類能力。

9.根據權利要求1所述的一種玻璃表面缺陷分類方法，其特征在于：所述s8模構建efficientformer分類器，通過其創(chuàng)新的metablock結構，結合深度卷積和自注意力機制，從圖像中提取出精細的特征表示，能夠快速且準確地識別玻璃表面的各種缺陷。

10.根據權利要求1所述的一種玻璃表面缺陷分類方法，其特征在于：所述s9重復進行步驟，模型不斷重新加入的圖像中學習到新特征，提高模型分類能力，直到達到預設的性能指標或滿足需求?。

技術總結
本發(fā)明公開了一種玻璃表面缺陷分類方法，包括以下步驟：玻璃表面圖像采集與處理；對玻璃表面的圖像數據進行重建；特征提?。怀跏寄Ｐ陀柧?；主動學習策略；混合學習策略；模型重新訓練；缺陷分類；迭代循環(huán)；本發(fā)明提出的玻璃表面缺陷檢測模型引入深度學習技術，能夠更加精確地對不同種類的缺陷進行識別，并且可以準確地定位缺陷出現的區(qū)域，相比于傳統(tǒng)的人工檢測，效率及準確率更高，通過引入主動學習算法輔助樣本標注，可以有效挑選最具價值的樣本，降低模型對數據的依賴，提高模型的性能，同時降低標注成本，本技術成功實施后，玻璃表面缺陷將實現智能化檢測，減少檢測階段人工消耗，提高檢測效率，降低模型對數據的依賴?。

技術研發(fā)人員：朱紹軍,占浩東,吳茂念,鄭博,吳濤
受保護的技術使用者：湖州玖瑞數智科技有限公司
技術研發(fā)日：
技術公布日：2025/5/15