CN120088265A 一种基于深度学习的汽车玻璃屏表面缺陷检测方法及系统 （湖南兴悦科技有限公司）

(19)国家知识产权局(10)申请公布号CN120088265A(21)申请号202510585438.9(22)申请日2025.05.08(71)申请人湖南兴悦科技有限公司道智能智慧产业园1栋GO6VGO6N刘素苗(74)专利代理机构长沙三七知识产权代理事务所(普通合伙)43287专利代理师谢耀明(54)发明名称一种基于深度学习的汽车玻璃屏表面缺陷检测方法及系统(57)摘要本发明公开了一种基于深度学习的汽车玻璃屏表面缺陷检测方法及系统，包括：S1:获取汽车玻璃屏表面的原始图像并进行图像自适应增强和自适应滤波处理，获得预处理图像；S2:对预处理图像进行多尺度小波变换和高斯拉普拉斯金字塔分解，提取多层次的图像特征图；S3:利用改进的注意力机制和多分支卷积神经网络，提取多层次的图像特征图中的缺陷敏感特征向量并进行初步分类；S4:基于缺陷敏感特征向量构建缺陷概率图并进行缺陷区域定位，获得缺陷候选区域；S5:对缺陷候选区域进行定量分析并输出最终检测结果。本发明能够实现高效准确的表面获取汽车玻璃屏表面的原始图像并进行图像自适应增强和自适应滤获取汽车玻璃屏表面的原始图像并进行图像自适应增强和自适应滤波处理，获得预处理图像对预处理图像进行多尺度小波变换和高斯拉普拉斯金字塔分解，提取多层次的图像特征图；所述多层次的图像特征图包括三层小波变换特征图和四层拉普拉斯金字塔特征图利用改进的注意力机制和多分支卷积神经网络，提取多层次的图像特征图中的缺陷敏感特征向量并进行初步分类基于缺陷敏感特征向量构建缺陷概率图并进行缺陷区域定位，获得缺陷候选区域对缺陷候选区域进行定量分析并输出最终检测结果2S1:获取汽车玻璃屏表面的原始图像并进行图像自适应增强和自适应滤波处理，获得S2:对预处理图像进行多尺度小波变换和高斯拉普拉斯金字塔分解，提取多层次的图S3:利用改进的注意力机制和多分支卷积神经网络，提取多层次的图像特征图中的缺S11:获取汽车玻璃屏表面的原始图像M,并对其进行自适应增强，获得增强后的图像Olocal(u,v)分别为原始图像中以像素坐标(u,v)为中心，3×3范围内的像素值均值和标3标(c,d)处的系数值；G'-1)(2u+c,2v+d)为第j-1层高斯金字塔图像G'-1)在像4图集合，X={Xflf=1,2,...7}={Y(1),γ(2),γ(3),L(1),L(2),Z(3),L⁴)};Xf为第f个其中，0g为第9个分支的输出特征；9为分支序号，g=1,2,3;Convg为第9个分P==softmax(W=·U+b=);56其中，Connected为连通区域计算函数；A为第k个缺陷候选区域的像素集合，k为连通区域编号。7.根据权利要求6所述的基于深度学习的汽车玻璃屏表面缺陷检测方法，其特征在于，所述S5包括以下步骤：S51:计算每个缺陷候选区域的形态特征，具体为：个缺陷候选区域的圆形度；L为第k个缺陷候选区域的周长；E为第k个缺陷候选区域的平均能量；π为圆周率；Q(i,j)优化后的概率图Q在像素坐标(i,j)处的概率值；S52:构建可信度得分函数，对每个缺陷候选区域进行评分：其中，M为第k个缺陷候选区域的可信度得分；W1、W2和W3为W₁+W₂+w₃=1;Smax为预设的最大缺陷面积；S53:输出最终的缺陷检测结果：Resultk={Typek,Posit其中，,为第k个缺陷候选区域的类型，返回使P达到最大值的c;Position={(i,j)I(i,j)∈A},为第k个缺陷候选区域的位置坐标集合；Score=M,为第k个缺陷候选区域的可信度得分。8.一种基于深度学习的汽车玻璃屏表面缺陷检测系统，其特征在于，包括：增强模块：获取汽车玻璃屏表面的原始图像并进行图像增强和自适应滤波处理，获得预处理图像；特征提取模块：对预处理图像进行多尺度小波变换和高斯拉普拉斯金字塔分解，提取多层次的图像特征图；分类模块：利用改进的注意力机制和多分支卷积神经网络，提取多层次的图像特征图中的缺陷敏感特征向量并进行初步分类；7定位模块：基于缺陷敏感特征向量构建缺陷概率图并进行缺陷区域定位；分析模块：对缺陷候选区域进行定量分析并输出最终检测结果；以实现如权利要求1-7任意一项所述的一种基于深度学习的汽车玻璃屏表面缺陷检测方法。8一种基于深度学习的汽车玻璃屏表面缺陷检测方法及系统技术领域[0001]本发明涉及汽车玻璃屏检测的技术领域，尤其涉及一种基于深度学习的汽车玻璃屏表面缺陷检测方法及系统。背景技术[0002]随着工业自动化和智能制造的快速发展，产品表面质量检测作为产品质量控制的的及时发现和准确识别直接关系到产品品质和企业效益。传统的人工检测方式不仅效率低下、成本高昂，而且容易受到主观因素和疲劳程度的影响，难以满足现代工业生产对检测精度和效率的要求。[0003]目前，基于机器视觉的自动检测方法已经成为表面缺陷检测的主要技术路线。例如，专利CN202410447295.0公开了一种基于机器视觉的汽车玻璃屏缺陷识别方法，该方法采用高动态范围成像技术进行图像采集，通过自适应直方图均衡化进行图像增强，并利用强度质心构建特征图进行缺陷识别。然而，这类方法主要依赖传统的图像处理技术和简单的特征提取方式，在处理复杂背景、多类型缺陷时存在明显局限性。特别是当缺陷特征不明显或存在干扰因素时，检测准确率会显著下降。[0004]现有的深度学习方法虽然在一定程度上提升了检测性能，但仍然面临着若干技术难题：首先，现有方法在特征提取过程中往往忽视了不同尺度特征的有效融合，导致对不同大小和形状的缺陷适应性不足；其次，检测模型普遍计算复杂度高、资源消耗大，难以满足工业现场实时检测的需求。发明内容[0005]有鉴于此，本发明提供一种基于深度学习的汽车玻璃屏表面缺陷检测方法，目的在于解决现有缺陷检测方法中存在的特征提取不充分、检测结果不稳定、缺陷评估不精确等技术问题，实现高效准确的表面缺陷检测，为工业产品质量控制提供可靠的技术支持。[0006]实现上述目的，本发明提供的一种基于深度学习的汽车玻璃屏表面缺陷检测方S1:获取汽车玻璃屏表面的原始图像并进行图像自适应增强和自适应滤波处理，获得预处理图像；S2:对预处理图像进行多尺度小波变换和高斯拉普拉斯金字塔分解，提取多层次的图像特征图；所述多层次的图像特征图包括三层小波变换特征图和四层拉普拉斯金字塔特征图；S3:利用改进的注意力机制和多分支卷积神经网络，提取多层次的图像特征图中的缺陷敏感特征向量并进行初步分类；S4:基于缺陷敏感特征向量构建缺陷概率图并进行缺陷区域定位，获得缺陷候选9S11:获取汽车玻璃屏表面的原始图像M,并对其进行自适应增强，获得增强后的图像M',具体为：始图像M在像素坐标(u,v)处的像素值；Htarget和Otarget分别为目标亮度均值和标准差；Hlocal(u,v)和σlocal(u,0)分别为原始图像中以像素坐标(u,v)为中心，3×3范围内N在像素坐标(u+a,v+b)处的像素值；Φk为第k层小波变换核；a和b为小波变换核坐标索引，取值范围均为[-3,3]中的整数；Φ(a,b)为第k层小波变换核Φk在坐标在坐标(c,d)处的系数值；Gi-1)(2u+c,2v+d)为第j-1层高斯金字塔图像Gi-1)特征图集合，X={Xflf=1,2,.….7}={Y(1),γ(2),y(3),L(1),L(2),L³),L(4)};Xf为第f其中，0g为第9个分支的输出特征；9为分支序号，g=1,2,3;ConvgP==softmax(W=·U+b=);第k个缺陷候选区域的圆形度；L为第k个缺陷候选区域的周长；Ek为第k个缺陷候选区域的平均能量；π为圆周率；Q(i,j)为优化后的概率图Q在像素坐标(i,j)处的概率值；S52:构建可信度得分函数，对每个缺陷候选区域进行评分：足W₁+w₂+w₃=1;Smax为预设的最大缺陷面积；S53:输出最终的缺陷检测结果：Resultk={Typek,Positi回使P达到最大值的c;Position={(i,j)I(i,j)∈A},为第k个缺陷候选区域的位置坐标集合；Score=M,为第k个缺陷候选区域的可信度得分。[0013]本发明还公开了一种基于深度学习的汽车玻璃屏表面缺陷检测系统，包括：增强模块：获取汽车玻璃屏表面的原始图像并进行图像增强和自适应滤波处理，获得预处理图像；特征提取模块：对预处理图像进行多尺度小波变换和高斯拉普拉斯金字塔分解，提取多层次的图像特征图；分类模块：利用改进的注意力机制和多分支卷积神经网络，提取多层次的图像特征图中的缺陷敏感特征向量并进行初步分类；定位模块：基于缺陷敏感特征向量构建缺陷概率图并进行缺陷区域定位；分析模块：对缺陷候选区域进行定量分析并输出最终检测结果。本发明设计了创新的多尺度特征提取和融合架构，通过多层级的特征金字塔网络提取不同尺度的图像特征，并结合改进的空间注意力机制对特征进行自适应加权。该架构能够充分捕获缺陷的局部细节特征和全局语义信息，有效增强了特征表达能力。同时，通过设计特征融合模块，实现了不同层级特征的互补增强，显著提升了网络对不同大小、形状和类型缺陷的检测能力，保证了检测结果的准确性和鲁棒性。[0015]本发明提出了轻量化的网络结构设计方案，通过优化卷积核设计、采用深度可分离卷积等技术手段，在保持模型表达能力的同时大幅降低了计算复杂度。此外，创新性地设附图说明[0017]图1为本发明一实施例的一种基于深度学习的汽车玻璃屏表面缺陷检测方法的流S1:获取汽车玻璃屏表面的原始图像并进行图像自适应增强和自适应滤波处理，获得预处理图像：S11:获取汽车玻璃屏表面的原始图像M,如图2(a)所示，并对其进行自适应增始图像M在像素坐标(u,v)处的像素值；Htarget和Otarget分别为目标亮度均值和标准差，本实施例中分别为128和20;Hlocal(u,v)和OLocaz(u,D)分别为原始图像中以像素坐标(u,v)为中心，3×3范围内的像素值均值和标准差；e为自然常数；α为亮度调节参数，本实施例中为10;特征图集合，X={Xflf=1,2,.….7}={Y(1),γ(2),y(3),L(1),L(2),L³),L(4)};Xf为第f个分支的卷积层，本实施例中Conv₁为3×3卷P==softmax(W=·U+b=);[0024]S4:基于缺陷敏感特征向量构建缺陷概率图并进行缺陷区域定位，获得缺陷候选S41:利用反卷积网络将缺陷敏感特征向量U映射回原始图像M的尺寸，生成初R=Deconv(U;Odecon);其中，R为初始概率图；Deconv表示反卷积操作，本实施例中反卷积网络为4Resultk={Typek,Position键形态特征，这种多维度的特征分析方法能够全面地描述缺陷的几何和统计特性，有效提高了缺陷识别的准确性；同时，本步骤创新性地设计了基于多特征加权的综合评分函数，通过自适应权重配置，既考虑了不同特征的重要程度，又保证了评分结果的可靠性，使得缺陷评估更加客观和合理。[0028]为验证本发明方法的有效性，本实施例选取工业产品表面缺陷图像共计10000张点、边缘缺口和污渍等五种典型缺陷类型，并按照7:2:1的比例划分训练集、验证集和测试[0029]本发明选取两种主流方法进行性能对比，实验采用精确率、召回率、F1分数作为评价指标。不同方法的性能对比结果如下表1所示：表1不同方法的性能对比精确率召回率传统机器学习方法全卷积网络方法本发明方法[0030]本发明方法对不同类型缺陷的检测准确率如表2所示：表2不同类型缺陷的检测准确率缺陷类型检测准确率(%)划痕气泡石击点边缘缺口污渍[0031]实施例2:本发明还公开了一种基于深度学习的汽车玻璃屏表面缺陷检测系统，包