本發(fā)明涉及人工智能，特別是一種基于人工智能的玻璃產(chǎn)品表面凹凸檢測(cè)系統(tǒng)及方法。

背景技術(shù)：

1、玻璃產(chǎn)品表面凹凸檢測(cè)技術(shù)是現(xiàn)代工業(yè)質(zhì)量控制領(lǐng)域的核心研究方向之一，其發(fā)展經(jīng)歷了從傳統(tǒng)人工檢測(cè)到自動(dòng)化光學(xué)檢測(cè)的演變，人工智能技術(shù)的快速發(fā)展，特別是卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的應(yīng)用，為缺陷分類和特征提取提供了新的解決方案，推動(dòng)了檢測(cè)精度和自動(dòng)化的進(jìn)一步提升。

2、不過現(xiàn)有的玻璃表面凹凸檢測(cè)方法還有很多問題，首先，傳統(tǒng)機(jī)器視覺方法和單一光學(xué)檢測(cè)技術(shù)通常需要大量特定材料的訓(xùn)練數(shù)據(jù)支持，而玻璃缺陷樣本因生產(chǎn)工藝限制往往稀缺，導(dǎo)致泛化能力受限，難以適應(yīng)多樣化缺陷模式。其次，傳統(tǒng)的技術(shù)多聚焦于玻璃表面缺陷的二維識(shí)別，缺乏對(duì)宏觀凹凸和微觀裂紋等多尺度特征的綜合分析能力。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種基于人工智能的玻璃產(chǎn)品表面凹凸檢測(cè)方法解決玻璃缺陷樣本稀缺和缺乏對(duì)宏觀凹凸和微觀裂紋等多尺度特征的綜合分析能力的問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明提供了一種基于人工智能的玻璃產(chǎn)品表面凹凸檢測(cè)方法，其包括；

5、采集玻璃產(chǎn)品的表面圖像，并輸入進(jìn)構(gòu)建完成的跨材料遷移學(xué)習(xí)網(wǎng)絡(luò)生成初始缺陷分類圖；

6、根據(jù)初始缺陷分類圖使用偏振干涉儀采集干涉紋圖像；

7、建立雙分支結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)，將干涉紋圖像輸入進(jìn)去，輸出表面形變場(chǎng)；

8、將玻璃產(chǎn)品置于太赫茲時(shí)域光譜儀下，基于表面形變場(chǎng)篩選凹凸區(qū)域，所述凹凸區(qū)域通過設(shè)定缺陷閾值篩選表面形變場(chǎng)圖中高度絕對(duì)值超過缺陷閾值的像素點(diǎn)，并通過聚類合并鄰近像素點(diǎn)生成，使用光電探測(cè)器捕獲所述凹凸區(qū)域的時(shí)域信號(hào)；

9、將時(shí)域信號(hào)輸入進(jìn)預(yù)先建立的時(shí)域信號(hào)處理專用網(wǎng)絡(luò)中生成時(shí)域特征、頻域信號(hào)和頻域特征，并將時(shí)域特征和頻域特征融合，得到缺陷信號(hào)，將缺陷信號(hào)和頻域信號(hào)輸入構(gòu)建完成的多尺度缺陷關(guān)聯(lián)模型，生成最終缺陷分布圖。

10、作為本發(fā)明所述基于人工智能的玻璃產(chǎn)品表面凹凸檢測(cè)方法的一種優(yōu)選方案，其中：所述生成初始缺陷分類圖是指構(gòu)建跨材料遷移學(xué)習(xí)網(wǎng)絡(luò)；

11、使用跨材料遷移學(xué)習(xí)網(wǎng)絡(luò)的resnet-50從帶缺陷標(biāo)注的金屬和陶瓷缺陷圖像訓(xùn)練集中提取多個(gè)特征，生成金屬特征向量和陶瓷特征向量，分別代表金屬和陶瓷的缺陷模式，同時(shí)從待測(cè)玻璃表面圖像提取特征，得到玻璃特征向量，所述金屬和陶瓷缺陷圖像為帶缺陷標(biāo)注的訓(xùn)練數(shù)據(jù)，通過訓(xùn)練使跨材料遷移學(xué)習(xí)網(wǎng)絡(luò)學(xué)習(xí)跨材料的缺陷知識(shí)；

12、將金屬特征向量和陶瓷特征向量拼接生成聯(lián)合特征向量，再將聯(lián)合特征向量與玻璃特征向量拼接生成跨材料融合特征；

13、通過跨材料遷移學(xué)習(xí)網(wǎng)絡(luò)中的全連接層和senet注意力機(jī)制處理跨材料融合特征，生成玻璃缺陷特征；

14、通過跨材料遷移學(xué)習(xí)網(wǎng)絡(luò)的缺陷分類器處理玻璃缺陷特征，生成初始缺陷分類圖。

15、作為本發(fā)明所述基于人工智能的玻璃產(chǎn)品表面凹凸檢測(cè)方法的一種優(yōu)選方案，其中：所述生成玻璃缺陷特征是指通過跨材料遷移學(xué)習(xí)網(wǎng)絡(luò)的全連接層對(duì)跨材料融合特征進(jìn)行維度轉(zhuǎn)換；

16、使用senet注意力機(jī)制對(duì)跨材料融合特征進(jìn)行加權(quán)優(yōu)化，生成玻璃缺陷特征。

17、作為本發(fā)明所述基于人工智能的玻璃產(chǎn)品表面凹凸檢測(cè)方法的一種優(yōu)選方案，其中：根據(jù)初始缺陷分類圖使用偏振干涉儀采集干涉紋圖像，具體包括如下步驟；

18、將玻璃置于偏振干涉儀，根據(jù)初始缺陷分類圖提取缺陷區(qū)域坐標(biāo)，基于缺陷區(qū)域坐標(biāo)定位并采集干涉紋圖像。

19、作為本發(fā)明所述基于人工智能的玻璃產(chǎn)品表面凹凸檢測(cè)方法的一種優(yōu)選方案，其中：所述雙分支結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)包含編碼器、物理約束分支和解碼器，所述物理約束分支包含光程差計(jì)算單元；

20、通過輸入到編碼器的干涉紋圖像，進(jìn)行特征提取，得到空間特征；

21、物理約束分支通過對(duì)空間特征進(jìn)行傅里葉變換獲得相位信息，根據(jù)相位信息通過光程差計(jì)算單元生成光程差，并將光程差擴(kuò)展至與空間特征相同的張量后，與空間特征進(jìn)行拼接，再通過上采樣生成表面形變場(chǎng)。

22、作為本發(fā)明所述基于人工智能的玻璃產(chǎn)品表面凹凸檢測(cè)方法的一種優(yōu)選方案，其中：所述將時(shí)域信號(hào)輸入進(jìn)預(yù)先建立的時(shí)域信號(hào)處理專用網(wǎng)絡(luò)中生成頻域信號(hào)，并將時(shí)域信號(hào)和頻域信號(hào)融合，得到缺陷信號(hào)，具體包括如下步驟；

23、所述時(shí)域信號(hào)處理專用網(wǎng)絡(luò)由時(shí)域處理單元、頻域處理單元、融合處理單元和序列處理單元組成；

24、通過時(shí)域處理單元對(duì)時(shí)域信號(hào)進(jìn)行處理，得到時(shí)域特征；

25、頻域處理單元通過短時(shí)傅里葉變換對(duì)時(shí)域特征進(jìn)行處理，得到頻域信號(hào)和頻域特征，并對(duì)頻域特征使用注意力機(jī)制進(jìn)行增強(qiáng)，得到增強(qiáng)的頻域特征；

26、通過融合處理單元將時(shí)域特征和增強(qiáng)的頻域特征進(jìn)行融合，生成融合特征，并利用序列處理單元對(duì)融合特征進(jìn)行處理，輸出缺陷信號(hào)。

27、作為本發(fā)明所述基于人工智能的玻璃產(chǎn)品表面凹凸檢測(cè)方法的一種優(yōu)選方案，其中：所述生成最終缺陷分布圖，具體包括如下步驟；

28、將缺陷信號(hào)和頻域信號(hào)輸入進(jìn)構(gòu)建完成的多尺度缺陷關(guān)聯(lián)模型，通過時(shí)域分析、頻域分析和缺陷量化，生成最終缺陷分布圖。

29、第二方面，本發(fā)明提供了一種基于人工智能的玻璃產(chǎn)品表面凹凸檢測(cè)系統(tǒng)，包括；

30、初始缺陷模塊，采集玻璃產(chǎn)品的表面圖像，并輸入進(jìn)構(gòu)建完成的跨材料遷移學(xué)習(xí)網(wǎng)絡(luò)生成初始缺陷分類圖；

31、數(shù)據(jù)采集模塊，根據(jù)初始缺陷分類圖使用偏振干涉儀采集干涉紋圖像；

32、表面形變模塊，建立雙分支結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)，將干涉紋圖像輸入進(jìn)去，輸出表面形變場(chǎng)；

33、時(shí)域捕獲模塊，將玻璃產(chǎn)品置于太赫茲時(shí)域光譜儀下，基于表面形變場(chǎng)篩選凹凸區(qū)域，所述凹凸區(qū)域通過設(shè)定缺陷閾值篩選表面形變場(chǎng)圖中高度絕對(duì)值超過缺陷閾值的像素點(diǎn)，并通過聚類合并鄰近像素點(diǎn)生成，使用光電探測(cè)器捕獲所述凹凸區(qū)域的時(shí)域信號(hào)；

34、最終缺陷模塊，將時(shí)域信號(hào)輸入進(jìn)預(yù)先建立的時(shí)域信號(hào)處理專用網(wǎng)絡(luò)中生成時(shí)域特征、頻域信號(hào)和頻域特征，并將時(shí)域特征和頻域特征融合，得到缺陷信號(hào)，將缺陷信號(hào)和頻域信號(hào)輸入構(gòu)建完成的多尺度缺陷關(guān)聯(lián)模型，生成最終缺陷分布圖。

35、第三方面，本發(fā)明提供了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于人工智能的玻璃產(chǎn)品表面凹凸檢測(cè)方法的任一步驟。

36、第四方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于人工智能的玻璃產(chǎn)品表面凹凸檢測(cè)方法的任一步驟。

37、本發(fā)明有益效果為：通過構(gòu)建跨材料遷移學(xué)習(xí)網(wǎng)絡(luò)，利用金屬和陶瓷的豐富缺陷樣本（如劃痕、裂紋）彌補(bǔ)玻璃數(shù)據(jù)不足，通過注意力機(jī)制突出關(guān)鍵特征（如紋理），生成包含凹、凸、無缺陷概率的分類圖，用于快速篩選玻璃表面缺陷區(qū)域。突破玻璃樣本稀缺的限制，增強(qiáng)了泛化能力，尤其對(duì)微小缺陷敏感度提高，減少數(shù)據(jù)采集成本并支持多材料檢測(cè)場(chǎng)景。此外，通過時(shí)域信號(hào)處理網(wǎng)絡(luò)和多尺度缺陷聯(lián)合模型，將時(shí)域特征和頻域特征融合，生成缺陷分布圖，便于快速?zèng)Q策和缺陷分類，提升生產(chǎn)效率和產(chǎn)品質(zhì)量。