基于云計算的基板玻璃缺陷神經網絡分類模型研究?

李青 周波

（1.東旭集團有限公司石家莊050021）（2.平板顯示玻璃技術和裝備國家工程實驗室石家莊050035）

基于云計算的基板玻璃缺陷神經網絡分類模型研究?

李青1，2周波1，2

（1.東旭集團有限公司石家莊050021）（2.平板顯示玻璃技術和裝備國家工程實驗室石家莊050035）

基板玻璃缺陷的種類識別，是調整優化生產工藝的重要依據。論文研究了云計算的基本模式和原理，結合液晶基板玻璃生產中的實際問題，設計了一種基于云計算基板玻璃缺陷神經網絡分類模型，對模型中處理工作的分配，傳輸數據包、調度機、云計算服務器進行了簡要研究，該模型具有提升神經網絡收斂速度；實現資源共享，提升生產效率；冗余計算和算法熱升級；降低維護難度等優勢。對于基板玻璃生廠商具有一定的參考意義。

基板玻璃；缺陷分類；云計算；神經網絡；圖像處理

Class NumberTP391.41

1 引言

液晶基板玻璃是薄膜晶體管液晶顯示（thin film transistor-liquid crystal display，TFT-LCD）的關鍵上游材料。客戶對其缺陷有著嚴苛的要求，同時，缺陷的種類（氣泡、結石、鉑金顆粒等）的識別，也是調整優化生產工藝的重要依據。因此，玻璃缺陷的識別，成為產品品質管控的必要手段。為滿足生產率的要求，通常采用計算機視覺技術和神經網絡技術構建玻璃缺陷自動檢測分類設備。

在計算機視覺缺陷檢測分類的研究中，已有大量的成果。例如，應用不同光源組合照射方式實現基本的缺陷檢出和識別的方法［1］；基于莫爾條紋的檢測方法［2］；基于圖像重構的玻璃檢測技術［3］；通過對成像系統所獲得的LCD基板圖像進行離散余弦變換，K均值聚類等計算進行缺陷和非缺陷區域的區分，從而實現對缺陷區域的標記［4］；基于DSP的玻璃缺陷云紋圖像的實時處理方法研究［5］等。這類文獻中的研究，集中于光源選擇和圖像的處理方面，例如圖像增強、銳化、邊緣提取、圖像分割等。對于缺陷分類技術，已有的研究中，BP神經網絡的應用比較廣泛。例如基于BP神經網絡的缺陷分類技術［6-8］，能基本滿足生產要求。

技術的進步使得TFT-LCD越來約普及，市場需求催生基板玻璃廠商采取規模化的策略，即每個廠商均建設有大量的生產線，需要大量的分類設備。這種狀況使得基于BP神經網絡的缺陷分類技術的缺陷和不足更加凸顯。所出現的問題在于：

1）神經網絡學習速度是固定的，網絡的收斂速度慢，需要較長的訓練時間［9］，即需要大量的訓練樣本才能實現較高的分類準確率。尤其是廠商新部署的分類設備。神經網絡訓練的過程中需要占用很多專業技術人員操作，且這個過程中無法為廠商的工藝對策提供有效依據，這制約了生產效率的提升。

2）神經網絡隱含層的層數和單元數的選擇尚無理論指導，一般是根據經驗或通過反復實驗確定［9］，這樣增大了廠商研發和優化分類設備的成本，也制約了多臺設備間的資源共享。

3）神經網絡的訓練，對于一般設備使用者來說，是較為復雜的操作。軟件操作的培訓、維護也成為主要問題之一。

云計算是一種基于互聯網的計算模式，可以集中利用企業的計算、存儲、數據以及專家知識資源。運用到圖書館、工礦企業、電力等行業，解決了許多問題［10～12］。

本文研究了云計算的基本模式和原理，結合神經網絡缺陷分類技術在液晶基板玻璃生產中的實際問題，設計了一種基于云計算基板玻璃缺陷神經網絡分類模型，對模型中處理工作的分配，傳輸數據包、調度機、云計算服務器進行了簡要研究，并對該模型的優勢進行了分析。

2 神經網絡基板玻璃缺陷分類技術及設備

液晶基板玻璃缺陷分類，采用在線方式。設置線陣CCD工業相機，陣列方向與玻璃輸送方向垂直，玻璃輸送過程中完成掃描和缺陷檢測分類。缺陷檢測精度為50μm，每個缺陷至少要有10×10個像素才能完成準確的分類，因此線陣CCD工業相機的解析度要達到5μm，采用12K分辨率8位灰度級的工業相機。

核心部分是圖像的處理，其流程如圖1所示。工業相機采集的圖像經過圖像增強、邊緣提取、圖像分割、特征提取、神經網絡分類，統計等環節。設備部署初期，由專業人員對分割提取后的缺陷圖像進行人工識別，并將識別結果輸入計算機，使得神經網絡獲得學習樣本，完成訓練。隨著學習樣本的增多，神經網絡逐步獲得缺陷分類能力，正式投入使用后，仍可繼續訓練，以獲得更高的分類準確率。

圖1神經網絡基板玻璃缺陷分類技術流程

對于缺陷的特征，提取長度、寬度、長寬比、偏心率、圓度等尺寸特征；顏色、灰度、色值偏差等顏色特征；能量、熵、慣性矩等紋理特征；共計120個特征值，作為神經網絡的輸入數據。根據實際需求，神經網絡輸出缺陷的種類，共分為氣泡、結石、方石英、析晶、鉑金顆粒、表面劃傷、污染等12類缺陷。因此，選擇BP神經網絡的設計，四層結構，輸入層包括120個神經元，兩個隱含層，輸出層包含12個神經元。每個輸入層神經元對應一個特征數據，每個輸出層神經元對應一個缺陷種類，輸出結果為［0，1］兩個值。基于上述技術設計的分類設備，可基本滿足生產需求。

3 基于云計算的缺陷分類網絡模式及關鍵技術

廠商通常擁有多條配備分類設備的生產線。隨著設備數量的增長，設備在使用、維護、學習速度、資源共享等方面逐漸暴露出許多問題：神經網絡訓練過程復雜，周期長，需要專業人員操作；初期研發、優化網絡結構時，即改變隱含層數和神經元數量時需要重新訓練，這個過程較為漫長；訓練好的或優化后的神經網絡難以移植到其它設備上等。因此，采用云計算思想，對原有的分類設備的進行優化，問題可有效得到解決。基本設計思想如下：

1）將多臺分類設備獲得的訓練樣本，集中于少數云計算服務器上訓練神經網絡，本數量大幅增加，以提升神經網絡收斂速度；

2）將神經網絡的計算、訓練、結構優化、軟件維護置于云端，現場設備完成簡單的圖像處理；

3）網絡中傳遞的數據量應最小化，以獲得最佳的傳輸速度，因此選擇特征提取環節與神經網絡計算之間的連接作為分割點；

4）對于缺陷的分類，現場設備操作人員通常是玻璃廠家的工藝人員，具有更為專業的知識。因此，人工分類環節置于現場，分類結果作為數據包的內容之一，此時數據包為訓練樣本。

5）考慮冗余配備的云計算服務器，并設置調度機為各現場設備提供一個統一的接口，并隱藏云計算服務器的結構。

基于以上思想，設計的基于云計算的玻璃缺陷神經網絡分類模型如圖2所示。

圖2基于云計算的玻璃缺陷神經網絡分類模型

4 優勢分析

基于云計算的基板玻璃缺陷神經網絡分類模型，將神經網絡分類環節轉至云端的計算服務器進行，調度機是生產現場配備的缺陷檢測分類設備的統一接口；對現場設備而言，僅完成圖像采集、增強、分割和特征提取等環節；互聯網中傳遞的為特征值和分類結果數據包，為數據量最小設計，滿足高速傳輸的要求，具有以下優勢。

1）可提升網絡收斂速度：多臺現場設備的缺陷樣本集中由同一神經網絡學習，成倍地提升了學習的樣本數量，大幅提高了網絡收斂速度。

2）可實現資源共享，提升生產效率：新投入運行的現場設備，不需進行神經網絡訓練即可投產，提升廠商的整體生產效率。

3）可冗余計算和算法熱升級：幾臺計算服務器之間互為備份，由調度機統一調度運算資源。神經網絡的結構可在運行中實時優化、調試、試運行和評估，有效解決神經網絡結構設計過度依賴經驗的問題。

4）可降低維護難度：生產現場配備的分類設備，完成的圖像采集、增強、分割和特征提取等圖像處理工作，是較為成熟的技術，軟件操作簡單。

5 結語

本文研究了基于云計算的基板玻璃缺陷神經網絡分類方法的基本模型，該模型選擇特征提取環節與神經網絡計算之間的連接作為分割點，將神經網絡的計算、訓練、結構優化、軟件維護置于云端，現場設備完成簡單的圖像處理，具有提升神經網絡收斂速度；實現資源共享，提升生產效率；冗余計算和算法熱升級；降低維護難度等顯著優勢。對于建設有多條基板玻璃生產線的廠商或專業的檢測分類設備供應商來說，具有一定的參考意義。

［1］王麗紅，齊彥民，王建鑫，等.光源在液晶玻璃基板在線檢測系統中的應用研究［J］.玻璃與搪瓷，2014（5）：41-45. WANG Lihong，QI Yanmin，WANG Jianxin，et al.Study on the application of light source in the on line detection system of liquid crystal glass substrate［J］.glass and enam?el，2014（5）：41-45.

［2］王文超.玻璃缺陷檢測系統關鍵技術研究［D］.秦皇島：燕山大學，2007. WANG Wenchao.Research on key technology of glass de?fect detection system［D］.Qinhuangdao：Yanshan Univer?sity，2007.

［3］魏濤，王召巴，金永，等.基于圖像重構的玻璃缺陷檢測技術研究［J］.化工自動化及儀表，2010（6）：58-61. WEI Tao，WANG Zhaoba，JIN Yong，et al.Research on the detection technology of glass defects based on image reconstruction［J］.Chemical Automation and Instrumenta?tion，2010（6）：58-61.

［4］李力，王耀南，陳鐵健.大尺寸LCD玻璃基板多視覺缺陷檢測系統研究［J］.控制工程，2016（2）：222-226. LI Li，WANG Yaonan，CHEN Tiejian.Research on multi vision defect detection system for large size LCD glass sub?strate［J］.Control Engineering，2016（2）：222-226.

［5］孔小麗.基于DSP的玻璃缺陷云紋圖像的實時處理方法研究［D］.太原：中北大學，2015. KONG Xiaoli.Research on real time processing method of DSP based glass defect cloud image［D］.Taiyuan：North Central University，2015.

［6］王夙喆.基于BP神經網絡的玻璃缺陷識別技術研究［D］.太原：中北大學，2010. WANG Suzhe.Research on identification technology of glass defect based on BP neural network［D］.Taiyuan：North Central University，2010.

［7］陳天寶.基于BP網絡的浮法玻璃缺陷分類算法研究［D］.武漢：華中科技大學，2007. CHEN Tianbao.Study on the classification algorithm of float glass defects based on BP neural network［D］.Wu?han：Huazhong University of Science and Technology，2007.

［8］羅超，高軍，沙豐永，等.基于機器視覺的缺陷在線檢測系統的研究［J］.數字技術與應用，2016（4）：46-48. LUO Chao，GAO Jun，SHA Fengyong，et al.Based on ma?chine vision system for on-line defect detection［J］.Digi?tal technology and application，2016（4）：46-48.

［9］周品.MATLAB神經網絡設計與應用［M］.北京：清華大學出版社，2013. ZHOU Pin.Design and application of.MATLAB neural net?work for Zhou product［M］.Beijing：Tsinghua University press，2013.

［10］宋戈，魏志鵬.基于云計算的圖書館建設與服務發展［J］.圖書與情報，2011（1）：79-81. SONG Ge，WEI Zhipeng.Cloud computing library con?struction and service of Library and information based on［J］.Library&Information，2011（1）：79-81.

［11］顧闖.云計算技術煤炭企業信息化建設中的應用［J］.工礦自動化，2016，42（1）：13-16. GU Chuang.The application of cloud computing technol?ogy in the construction of coal enterprise information［J］. Industrial and Mining Automation，2016，42（1）：13-16.

［12］謝世清.論云計算及其在金融領域中的應用［J］.金融與經濟，2010（11）：9-11. XIE Shiqing.On the application of cloud computing in the financial sector［J］.finance and economics，2010（11）：9-11.

LI Qing1，2ZHOU Bo1，2
（1.Tunghsu Group，Shijiazhuang050021）（2.National Engineering Laboratory of Flat Panel Display Glass Technology and Equipment，Shijiazhuang050035）

Identify types of glass substrate defects is an important basis for the adjustment and optimization of the production process.In this paper basic mode and principle of cloud computing are studied，combined with practical problems of LCD glass sub?strate production，based on cloud computing glass substrate defects classify model of neural network is designed，the allocation mod?el in processing and transmission of data packets，machine scheduling，cloud computing server are studied briefly，the model has to enhance the convergence speed of neural network，the sharing of resources is realized，production efficiency，is improved redun?dant computation and algorithm of thermally are upgraded，the maintenance difficulty and other advantages are reduced.For the glass substrate manufacturer it has a certain reference value.

substrate glass，defect classification，cloud computing，neural network，image processing

TP391.41

10.3969/j.issn.1672-9722.2017.07.030

2017年1月3日，

2017年2月19日

國家科技支撐計劃（編號：2013BAE03B02）資助。

李青，女，碩士，高級工程師，研究方向：機械設計。周波，男，碩士，研究方向：機械設計與自動化。

Study on Neural Network Classification Model of Substrate Glass Defects Based on Cloud Computing