基于BP神经网络的玻璃缺陷检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113706468A(43)申请公布日2021.11.26(21)申请号202110852729.1G06N3/08(2006.01)(22)申请日2021.07.27G06K9/62(2006.01)G06K9/46(2006.01)(71)申请人河北光兴半导体技术有限公司地址050035河北省石家庄市高新区黄河大道9号(72)发明人周波孙玉亮胡恒广闫冬成王丽红(74)专利代理机构北京润平知识产权代理有限公司11283代理人肖冰滨王晓晓(51)Int.Cl.G06T7/00(2017.01)G06T7/12(2017.01)G06T7/13(2017.01)G06T7/62(2017.01)权利要求书3页说明书9页附图2页(54)发明名称基于BP神经网络的玻璃缺陷检测方法(57)摘要本发明实施方式提供一种基于BP神经网络的玻璃缺陷检测方法，涉及玻璃缺陷检测技术领域。方法包括：获取待检测玻璃图像；从待检测玻璃图像中提取包括玻璃缺陷的目标图像；从目标图像中提取玻璃缺陷的特征参数；以玻璃缺陷的特征参数为输入，经玻璃缺陷检测模型识别待检测玻璃的缺陷类型；玻璃缺陷检测模型通过多个包括玻璃缺陷的玻璃图像样本对BP神经网络进行训练后得到。本发明上述技术方案通过采集玻璃基板的图像并提取玻璃缺陷的特征参数，利用经包括不同玻璃缺陷的图像样本训练后的BP神经网络识别玻璃缺陷的类型，对不同类别的铂金缺陷的分类适用性强，大幅提升了玻璃基板中常见缺陷的识别准确率。CN113706468ACN113706468A权利要求书1/3页1.一种基于BP神经网络的玻璃缺陷检测方法，其特征在于，包括：获取待检测玻璃图像；从所述待检测玻璃图像中提取包括玻璃缺陷的目标图像；从所述目标图像中提取玻璃缺陷的特征参数；以所述玻璃缺陷的特征参数为输入，经玻璃缺陷检测模型识别待检测玻璃的缺陷类型；所述玻璃缺陷检测模型通过多个包括玻璃缺陷的玻璃图像样本对BP神经网络进行训练后得到。2.根据权利要求1所述的基于BP神经网络的玻璃缺陷检测方法，其特征在于，从所述待检测玻璃图像中提取包括玻璃缺陷的目标图像，包括：检测所述待检测玻璃图像中所有玻璃缺陷的第一玻璃缺陷边缘；对于每个玻璃缺陷：获取属于所述第一玻璃缺陷边缘的所有像素的灰度值并计算所述第一玻璃缺陷边缘的灰度值均值及标准差；以所述灰度值均值与所述标准差的差值作为分割阈值；依据所述分割阈值对所述第一玻璃缺陷边缘进行阈值分割以提取所述玻璃缺陷的第二玻璃缺陷边缘，以第二玻璃缺陷边缘围合形成的区域作为目标区域；以包括所述目标区域的图像作为包括玻璃缺陷的目标图像。3.根据权利要求2所述的基于BP神经网络的玻璃缺陷检测方法，其特征在于，从所述目标图像中提取玻璃缺陷的特征参数，包括：基于所述目标图像建立像素坐标系；获取所述目标图像中所有目标区域的像素的坐标；依据每个目标区域的像素的坐标确定每个目标区域的第一形心，以及依据所有目标区域的像素的坐标确定所有目标区域的第二形心，所述第二形心为所有目标区域的共同形心；获取每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值；依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数。4.根据权利要求3所述的基于BP神经网络的玻璃缺陷检测方法，其特征在于，依据所有目标区域的像素的坐标确定所有目标区域的第二形心，包括：依据所有目标区域的像素的坐标确定所有目标区域的像素中，在所述像素坐标系中最上端的第一像素、在所述像素坐标系中最下端的第二像素、在所述像素坐标系中最左端的第三像素及在所述像素坐标系中最右端的第四像素；以所述第一像素、第二像素、第三像素及第四像素围合形成的区域的形心作为第二形心。5.根据权利要求4所述的基于BP神经网络的玻璃缺陷检测方法，其特征在于，依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征2CN113706468A权利要求书2/3页参数，包括：通过以下公式确定玻璃缺陷的特征参数：其中，Xn为第n个目标区域的第一形心的横坐标，Yn为第n个目标区域的第一形心的纵坐标，Xc为第二形心的横坐标；Yc为第二形心的纵坐标，Sn为第n个目标区域的面积，Sc为所有目标区域的总面积，N为目标区域的数量。6.根据权利要求3所述的基于BP神经网络的玻璃缺陷检测方法，其特征在于，依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区