陈 晨，董 帅，梁椅辉，邹 昆

(电子科技大学 中山学院，广东 中山528400)

0 引 言

随着汽车行业的高速发展，汽车玻璃需求大增，每年以20%的增长率不断增加，中国汽车玻璃在全球市场份额占比高达25%以上。汽车玻璃生产过程中由于尺寸大、设备切割不精细，容易引起不规则断裂、划痕、轮廓不方正等缺陷如图1所示，给企业生产效率造成较大影响。目前很多企业依靠人眼识别，不仅无法保障识别准确率，同时也浪费巨大人力。

图1 玻璃断裂、轮廓不方正等缺陷Fig.1 Defects such as glass breakage and irregular contour

随着计算机技术的飞速发展，很多学者提出采用计算机视觉方法进行检测，张彩霞结合边缘检测、Otsu阈值分割、K均值聚类算法对缺陷标记［1］；Rosli提出传统图像处理方法检测［2］；Zhou，Xianen提出利用小波变换和频域方法进行检测［3］；Yao则使用特殊的光配合视觉算法进行检测［4］。近些年随着深度学习的兴起，许多学者使用深度学习来提高识别准确度，例如Xiong，Honglin提出多尺度卷积神经网络进行玻璃表面检测［5］；亓手动设计特征提取和识别，再使用简单的BP网络进行缺陷分类［6］；Tao，Zhang提出提取玻璃的敲击声，并通过复杂变换提取特征，最终使用神经网络进行缺陷分类［7］，该方法主要针对玻璃内部结构缺陷，非表面缺陷。总体而言深度神经网络相关方法优于传统方法，但其准确率是需要足够多的缺陷样本支撑，本文也提出相应方法解决该问题，同时在神经网络分类功能部分使用多分类，有效提高检测准确率。

1 缺陷样本自动生成

众所周知，深度学习的强大来源于大量高质量的数据作为驱动，因此采集大量高质量玻璃正负样本可以有效提高模型对缺陷的识别率。……