一种钢化镀膜玻璃缺陷智能识别方法及系统与流程

本发明涉及机器视觉检测与工业人工智能领域，尤其涉及一种钢化镀膜玻璃缺陷智能识别方法及系统。

背景技术：

1、钢化镀膜玻璃生产线通常采用机器视觉装置对玻璃表面和膜层进行在线检测。现有装置多以单一亮场、暗场或固定偏振状态采集图像，再依据灰度阈值、颜色差异或通用图像识别模型判断膜层缺陷。随着镀膜工艺和钢化工艺的组合应用，膜层针孔、划伤、色斑、脱膜、颗粒附着以及钢化应力纹会在不同照明方向和偏振状态下产生相互接近的局部亮度、纹理或边缘表现。

2、现有检测方式难以同时利用反射、透射、角度散射和偏振双折射响应之间的差异，因而容易把钢化应力纹误判为膜层缺陷，或者遗漏在单一光学状态下响应较弱的缺陷。与此同时，不同膜系、玻璃厚度、表面曲率和生产批次会改变图像亮度、颜色分布及局部散射响应；对全部模型参数进行批次更新又可能破坏历史批次的识别能力，导致既有模型难以稳定用于连续生产。

3、因此，需要一种能够解决上述现有技术不足的钢化镀膜玻璃缺陷智能识别方法及系统。

技术实现思路

1、本发明的一个目的在于提出一种钢化镀膜玻璃缺陷智能识别方法及系统，针对现有技术难以区分多类膜层缺陷与钢化应力纹、且模型容易受膜系、厚度、曲率和生产批次变化影响的问题，提出了对同一玻璃坐标采集反射亮场、透射亮场、多入射角暗场和正交偏振图像，经当前玻璃无缺陷参考区校正与配准形成多光学状态图像张量，从候选区域形成外观特征和光学响应轨迹，以参考区基线和生产条件生成通道尺度与偏置，并按照入射角差、反射透射关系和偏振方向差聚合光学状态节点的技术方案；该方案结合类别原型、置信集合与受控参数更新完成缺陷预测和产线决策，具备分离表面散射吸收变化与偏振应力响应、适应生产条件变化并限制历史识别能力退化的技术效果。

2、本发明提供了一种钢化镀膜玻璃缺陷智能识别方法，包括：

3、s1、采集同一钢化镀膜玻璃坐标的反射亮场图像、透射亮场图像、至少两个入射角的暗场图像和两个正交偏振状态图像，关联膜系标识、玻璃厚度、表面曲率参数和生产批次标识，形成多光学状态原始图像组；

4、s2、根据当前钢化镀膜玻璃的无缺陷参考区，对所述多光学状态原始图像组进行校正和坐标配准，形成多光学状态图像张量和参考区响应基线；

5、s3、将所述多光学状态图像张量输入训练得到的候选分割网络以获得候选区域掩膜，提取所述候选区域掩膜的外观特征和按光学状态排列的光学响应轨迹，形成候选级特征组；

6、s4、将所述参考区响应基线、膜系标识、玻璃厚度、表面曲率参数和生产批次标识编码为批次条件向量，由所述批次条件向量生成通道尺度和通道偏置以校正所述候选级特征组；将各光学状态的校正特征设为节点，将入射角差、反射与透射关系和偏振方向差设为节点关系并聚合节点特征，形成候选级机理融合特征；

7、s5、将所述候选级机理融合特征与缺陷类别原型进行比较并执行缺陷预测，输出缺陷位置、缺陷类别、缺陷尺寸、严重度和置信集合，根据所述置信集合和严重度生成合格指令、复核指令或剔除指令；

8、s6、将人工确认样本、所述参考区响应基线的参考区漂移量和缺陷类别原型漂移量输入受控更新模块，在联合漂移触发条件满足时更新批次条件适配参数、缺陷类别原型和分层风险校准参数，形成供后续钢化镀膜玻璃在步骤s4和步骤s5中使用的更新参数。

9、可选的，s1包括：

10、由玻璃输送编码器的脉冲计数确定玻璃输送方向坐标，并由相机标定参数确定垂直于输送方向的坐标；

11、在所述坐标进入各成像工位时依次触发反射亮场光源、透射亮场光源、至少两个不同入射角的暗场光源和正交偏振成像组件；

12、将各次曝光的编码器坐标变换到同一玻璃坐标系；

13、从生产执行系统读取膜系标识和生产批次标识，从在线测厚仪读取玻璃厚度，从表面轮廓传感器读取表面曲率参数，按照玻璃标识和采集时间戳执行一致性校验后写入对应图像的采集记录，当任一生产参数缺失或一致性校验失败时写入参数无效标记，终止对应玻璃的步骤s2至步骤s5的自动处理，生成复核指令并禁止对应玻璃样本进入步骤s6的受控更新。

14、可选的，s2包括：

15、以标定板在各光学状态下的目标响应与实测响应之比确定曝光校正系数，以平场图像和暗场图像确定像素增益及偏置，以所述无缺陷参考区的颜色通道统计量或灰度统计量确定尺度校正量；

16、所述无缺陷参考区选自避开玻璃边缘和产品标记的预定区域，当所述预定区域内像素梯度或离群像素比例超过由历史无缺陷玻璃对应统计量分位数确定的有效性阈值时，改用预定备用参考区，当所述备用参考区仍超过所述有效性阈值时终止对应玻璃的步骤s3至步骤s5的自动处理，生成复核指令并禁止对应玻璃样本进入步骤s6的受控更新；

17、根据各成像工位的标定变换和玻璃坐标对校正后的图像进行重采样配准；

18、分别计算有效参考区在各光学状态下的亮度统计量、颜色统计量、纹理统计量和偏振响应统计量，组成所述参考区响应基线；

19、当任一图像通道的校正残差超过由历史标定残差分位数确定的通道阈值时将该图像通道标记为无效，终止对应玻璃的步骤s3至步骤s5的自动处理，生成复核指令并禁止对应玻璃样本进入步骤s6的受控更新。

20、可选的，s3包括：

21、由所述候选区域掩膜内及其边界邻域的像素计算边缘连续性、长宽比、颜色偏移、局部纹理和面积，并以候选区域中心至边界的多个方向上的暗场灰度衰减序列和亮点离散度表示颗粒散射形态，组成所述外观特征；

22、以所述无缺陷参考区的对应光学状态响应为归一化基准，计算候选区域的反射响应差、透射响应差、各暗场入射角的归一化响应、沿玻璃输送方向与垂直于玻璃输送方向的纹理能量差以及正交偏振响应差，按照反射亮场、透射亮场、暗场入射角和正交偏振状态的顺序排列所述响应，形成所述光学响应轨迹。

23、可选的，s4包括：

24、批次条件向量按照如下方式生成：将所述参考区响应基线分别与按膜系和玻璃厚度分层存储的历史参考基线作差，得到参考响应差；

25、对所述玻璃厚度和表面曲率参数进行数值编码，对所述膜系标识和生产批次标识进行类别编码；

26、将所述参考响应差、数值编码和类别编码输入批次条件适配器，输出与所述外观特征和光学响应轨迹各通道一一对应的通道尺度和通道偏置，并以所述通道尺度与对应通道相乘后叠加所述通道偏置，分别得到校正外观特征和各光学状态的校正响应特征；

27、进一步的，节点关系包括：以反射亮场校正响应特征与透射亮场校正响应特征之差表示表面散射和吸收响应，以相邻暗场入射角的校正响应特征之差除以对应入射角差得到校正后角度响应斜率，以两个正交偏振状态的校正响应特征之差表示偏振应力响应；

28、将各节点关系对应的特征差、校正后角度响应斜率和偏振应力响应作为关系特征，根据关系类型分别确定关系权重，对与同一候选区域对应的校正响应特征进行加权聚合，并将聚合结果与所述校正外观特征拼接后输入交互融合层，得到所述候选级机理融合特征。

29、可选的，s5包括：

30、分别计算所述候选级机理融合特征与膜层针孔、划伤、色斑、脱膜、颗粒附着、钢化应力纹和无缺陷类别原型的距离，将所述距离输入分类预测头得到类别分数，并由分割预测头和严重度预测头分别得到像素掩膜以及面积或长度严重度；

31、利用按膜系和玻璃厚度分层的校准样本构造各类别的非一致性分数，并按目标覆盖率对应的分位数确定置信集合；

32、当所述置信集合仅含无缺陷类别时生成合格指令，当所述置信集合仅含一个缺陷类别且所述严重度达到该类别的剔除阈值时生成剔除指令，其余情形生成复核指令，并记录判定所用的校准样本层级、分位数和阈值；

33、进一步的，所述候选分割网络、批次条件适配器、关系权重、交互融合层、分类预测头、分割预测头和严重度预测头的训练包括：将标注有玻璃坐标、缺陷类别、像素掩膜、面积或长度、严重度以及膜系标识、玻璃厚度、表面曲率参数和生产批次标识的生产样本划分为训练样本组与校准样本组；

34、利用所述训练样本组对候选分割损失、类别原型距离损失、缺陷分类损失、像素分割损失和严重度预测损失进行联合优化，使所述联合优化覆盖候选分割网络、批次条件适配器、关系权重、交互融合层和各预测头；

35、按生产批次对同一类别的机理融合特征求取批次类别中心，按照各批次中对应类别的样本数量对所述批次类别中心进行加权平均以形成全局缺陷类别原型，并将各批次类别中心存储为历史缺陷类别原型；

36、利用所述校准样本组确定目标覆盖率对应的非一致性分数分位数和各缺陷类别的剔除阈值。

37、可选的，s6包括：

38、在生产批次切换后，由预设校准窗口内经人工确认无缺陷的校准玻璃的有效参考区响应统计量建立当前生产批次初始响应基线，记录基线版本、校准窗口和样本批次标识；

39、分别计算所述参考区响应基线相对当前生产批次初始响应基线的参考区漂移量以及人工确认样本的机理融合特征相对对应缺陷类别原型的缺陷类别原型漂移量；

40、以历史验证批次中参考区漂移量的两个分位数确定适配触发下限和适配上限，以缺陷类别原型漂移量的分位数确定回放约束上限；

41、当所述参考区漂移量小于所述适配触发下限时保留当前参数，当所述参考区漂移量不小于所述适配触发下限且不超过所述适配上限、并且所述缺陷类别原型漂移量不超过所述回放约束上限时，冻结候选分割网络以及用于生成所述外观特征和光学响应轨迹的特征提取参数，仅生成所述批次条件适配器、缺陷类别原型和分层风险校准参数的候选更新版本，并在更新损失中加入历史缺陷类别原型的回放约束；

42、以分类错误率、分割损失和严重度误差的加权和作为验证损失，利用历史验证批次样本和当前生产批次人工确认样本分别计算候选更新版本与当前版本的验证损失，仅在当前生产批次验证损失不大于当前版本且历史验证批次验证损失增加量不超过由历史回放验证结果确定的回放容限时部署候选更新版本，否则保留当前版本、生成更新异常记录和复核指令；

43、当任一漂移量超过对应上限时停止参数更新并生成更新异常记录和复核指令。

44、另一方面，本发明还提供一种钢化镀膜玻璃缺陷智能识别系统，包括：

45、多光学状态采集模块，用于形成多光学状态原始图像组；校正配准模块，用于形成多光学状态图像张量和参考区响应基线；候选特征形成模块，用于形成候选区域掩膜、外观特征和光学响应轨迹；条件校正与机理融合模块，用于根据批次条件向量校正候选级特征组并形成候选级机理融合特征；缺陷预测与指令模块，用于输出缺陷位置、缺陷类别、缺陷尺寸、严重度和置信集合并生成合格指令、复核指令或剔除指令；受控更新模块，用于依据参考区漂移量和缺陷类别原型漂移量更新批次条件适配参数、缺陷类别原型和分层风险校准参数。

46、本发明的有益效果是：

47、1、通过在同一玻璃坐标下组合反射亮场、透射亮场、多入射角暗场和正交偏振状态，并对各状态图像进行校正和配准，可使候选区域的表面散射、吸收、角度响应和偏振应力响应处于可比较的坐标与尺度基础上。

48、2、通过由无缺陷参考区响应基线和膜系、厚度、曲率、批次信息生成通道尺度与偏置，并按照光学状态节点关系形成机理融合特征，可降低生产条件分布变化对候选表征的影响，并增强膜层缺陷响应与钢化应力纹偏振响应的可分性。

49、3、通过类别原型比较、置信集合决策以及带漂移触发、历史原型回放、候选版本验证和拒绝部署分支的受控更新，可将不确定候选导向人工复核，并在限定更新范围的条件下适应新生产批次。