基于云计算的基板玻璃缺陷神经网络分类模型研究∗

李青 周波

（1.东旭集团有限公司石家庄050021）（2.平板显示玻璃技术和装备国家工程实验室石家庄050035）

基于云计算的基板玻璃缺陷神经网络分类模型研究∗

李青1，2周波1，2

（1.东旭集团有限公司石家庄050021）（2.平板显示玻璃技术和装备国家工程实验室石家庄050035）

基板玻璃缺陷的种类识别，是调整优化生产工艺的重要依据。论文研究了云计算的基本模式和原理，结合液晶基板玻璃生产中的实际问题，设计了一种基于云计算基板玻璃缺陷神经网络分类模型，对模型中处理工作的分配，传输数据包、调度机、云计算服务器进行了简要研究，该模型具有提升神经网络收敛速度；实现资源共享，提升生产效率；冗余计算和算法热升级；降低维护难度等优势。对于基板玻璃生厂商具有一定的参考意义。

基板玻璃；缺陷分类；云计算；神经网络；图像处理

Class NumberTP391.41

1 引言

液晶基板玻璃是薄膜晶体管液晶显示（thin film transistor-liquid crystal display，TFT-LCD）的关键上游材料。客户对其缺陷有着严苛的要求，同时，缺陷的种类（气泡、结石、铂金颗粒等）的识别，也是调整优化生产工艺的重要依据。因此，玻璃缺陷的识别，成为产品品质管控的必要手段。为满足生产率的要求，通常采用计算机视觉技术和神经网络技术构建玻璃缺陷自动检测分类设备。

在计算机视觉缺陷检测分类的研究中，已有大量的成果。例如，应用不同光源组合照射方式实现基本的缺陷检出和识别的方法［1］；基于莫尔条纹的检测方法［2］；基于图像重构的玻璃检测技术［3］；通过对成像系统所获得的LCD基板图像进行离散余弦变换，K均值聚类等计算进行缺陷和非缺陷区域的区分，从而实现对缺陷区域的标记［4］；基于DSP的玻璃缺陷云纹图像的实时处理方法研究［5］等。这类文献中的研究，集中于光源选择和图像的处理方面，例如图像增强、锐化、边缘提取、图像分割等。对于缺陷分类技术，已有的研究中，BP神经网络的应用比较广泛。例如基于BP神经网络的缺陷分类技术［6-8］，能基本满足生产要求。

技术的进步使得TFT-LCD越来约普及，市场需求催生基板玻璃厂商采取规模化的策略，即每个厂商均建设有大量的生产线，需要大量的分类设备。这种状况使得基于BP神经网络的缺陷分类技术的缺陷和不足更加凸显。所出现的问题在于：

1）神经网络学习速度是固定的，网络的收敛速度慢，需要较长的训练时间［9］，即需要大量的训练样本才能实现较高的分类准确率。尤其是厂商新部署的分类设备。神经网络训练的过程中需要占用很多专业技术人员操作，且这个过程中无法为厂商的工艺对策提供有效依据，这制约了生产效率的提升。

2）神经网络隐含层的层数和单元数的选择尚无理论指导，一般是根据经验或通过反复实验确定［9］，这样增大了厂商研发和优化分类设备的成本，也制约了多台设备间的资源共享。

3）神经网络的训练，对于一般设备使用者来说，是较为复杂的操作。软件操作的培训、维护也成为主要问题之一。

云计算是一种基于互联网的计算模式，可以集中利用企业的计算、存储、数据以及专家知识资源。运用到图书馆、工矿企业、电力等行业，解决了许多问题［10～12］。

本文研究了云计算的基本模式和原理，结合神经网络缺陷分类技术在液晶基板玻璃生产中的实际问题，设计了一种基于云计算基板玻璃缺陷神经网络分类模型，对模型中处理工作的分配，传输数据包、调度机、云计算服务器进行了简要研究，并对该模型的优势进行了分析。

2 神经网络基板玻璃缺陷分类技术及设备

液晶基板玻璃缺陷分类，采用在线方式。设置线阵CCD工业相机，阵列方向与玻璃输送方向垂直，玻璃输送过程中完成扫描和缺陷检测分类。缺陷检测精度为50μm，每个缺陷至少要有10×10个像素才能完成准确的分类，因此线阵CCD工业相机的解析度要达到5μm，采用12K分辨率8位灰度级的工业相机。

核心部分是图像的处理，其流程如图1所示。工业相机采集的图像经过图像增强、边缘提取、图像分割、特征提取、神经网络分类，统计等环节。设备部署初期，由专业人员对分割提取后的缺陷图像进行人工识别，并将识别结果输入计算机，使得神经网络获得学习样本，完成训练。随着学习样本的增多，神经网络逐步获得缺陷分类能力，正式投入使用后，仍可继续训练，以获得更高的分类准确率。

图1神经网络基板玻璃缺陷分类技术流程

对于缺陷的特征，提取长度、宽度、长宽比、偏心率、圆度等尺寸特征；颜色、灰度、色值偏差等颜色特征；能量、熵、惯性矩等纹理特征；共计120个特征值，作为神经网络的输入数据。根据实际需求，神经网络输出缺陷的种类，共分为气泡、结石、方石英、析晶、铂金颗粒、表面划伤、污染等12类缺陷。因此，选择BP神经网络的设计，四层结构，输入层包括120个神经元，两个隐含层，输出层包含12个神经元。每个输入层神经元对应一个特征数据，每个输出层神经元对应一个缺陷种类，输出结果为［0，1］两个值。基于上述技术设计的分类设备，可基本满足生产需求。

3 基于云计算的缺陷分类网络模式及关键技术

厂商通常拥有多条配备分类设备的生产线。随着设备数量的增长，设备在使用、维护、学习速度、资源共享等方面逐渐暴露出许多问题：神经网络训练过程复杂，周期长，需要专业人员操作；初期研发、优化网络结构时，即改变隐含层数和神经元数量时需要重新训练，这个过程较为漫长；训练好的或优化后的神经网络难以移植到其它设备上等。因此，采用云计算思想，对原有的分类设备的进行优化，问题可有效得到解决。基本设计思想如下：

1）将多台分类设备获得的训练样本，集中于少数云计算服务器上训练神经网络，本数量大幅增加，以提升神经网络收敛速度；

2）将神经网络的计算、训练、结构优化、软件维护置于云端，现场设备完成简单的图像处理；

3）网络中传递的数据量应最小化，以获得最佳的传输速度，因此选择特征提取环节与神经网络计算之间的连接作为分割点；

4）对于缺陷的分类，现场设备操作人员通常是玻璃厂家的工艺人员，具有更为专业的知识。因此，人工分类环节置于现场，分类结果作为数据包的内容之一，此时数据包为训练样本。

5）考虑冗余配备的云计算服务器，并设置调度机为各现场设备提供一个统一的接口，并隐藏云计算服务器的结构。

基于以上思想，设计的基于云计算的玻璃缺陷神经网络分类模型如图2所示。

图2基于云计算的玻璃缺陷神经网络分类模型

4 优势分析

基于云计算的基板玻璃缺陷神经网络分类模型，将神经网络分类环节转至云端的计算服务器进行，调度机是生产现场配备的缺陷检测分类设备的统一接口；对现场设备而言，仅完成图像采集、增强、分割和特征提取等环节；互联网中传递的为特征值和分类结果数据包，为数据量最小设计，满足高速传输的要求，具有以下优势。

1）可提升网络收敛速度：多台现场设备的缺陷样本集中由同一神经网络学习，成倍地提升了学习的样本数量，大幅提高了网络收敛速度。

2）可实现资源共享，提升生产效率：新投入运行的现场设备，不需进行神经网络训练即可投产，提升厂商的整体生产效率。

3）可冗余计算和算法热升级：几台计算服务器之间互为备份，由调度机统一调度运算资源。神经网络的结构可在运行中实时优化、调试、试运行和评估，有效解决神经网络结构设计过度依赖经验的问题。

4）可降低维护难度：生产现场配备的分类设备，完成的图像采集、增强、分割和特征提取等图像处理工作，是较为成熟的技术，软件操作简单。

5 结语

本文研究了基于云计算的基板玻璃缺陷神经网络分类方法的基本模型，该模型选择特征提取环节与神经网络计算之间的连接作为分割点，将神经网络的计算、训练、结构优化、软件维护置于云端，现场设备完成简单的图像处理，具有提升神经网络收敛速度；实现资源共享，提升生产效率；冗余计算和算法热升级；降低维护难度等显著优势。对于建设有多条基板玻璃生产线的厂商或专业的检测分类设备供应商来说，具有一定的参考意义。

［1］王丽红，齐彦民，王建鑫，等.光源在液晶玻璃基板在线检测系统中的应用研究［J］.玻璃与搪瓷，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.玻璃缺陷检测系统关键技术研究［D］.秦皇岛：燕山大学，2007. WANG Wenchao.Research on key technology of glass de⁃fect detection system［D］.Qinhuangdao：Yanshan Univer⁃sity，2007.

［3］魏涛，王召巴，金永，等.基于图像重构的玻璃缺陷检测技术研究［J］.化工自动化及仪表，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，陈铁健.大尺寸LCD玻璃基板多视觉缺陷检测系统研究［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］孔小丽.基于DSP的玻璃缺陷云纹图像的实时处理方法研究［D］.太原：中北大学，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神经网络的玻璃缺陷识别技术研究［D］.太原：中北大学，2010. WANG Suzhe.Research on identification technology of glass defect based on BP neural network［D］.Taiyuan：North Central University，2010.

［7］陈天宝.基于BP网络的浮法玻璃缺陷分类算法研究［D］.武汉：华中科技大学，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］罗超，高军，沙丰永，等.基于机器视觉的缺陷在线检测系统的研究［J］.数字技术与应用，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神经网络设计与应用［M］.北京：清华大学出版社，2013. ZHOU Pin.Design and application of.MATLAB neural net⁃work for Zhou product［M］.Beijing：Tsinghua University press，2013.

［10］宋戈，魏志鹏.基于云计算的图书馆建设与服务发展［J］.图书与情报，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］顾闯.云计算技术煤炭企业信息化建设中的应用［J］.工矿自动化，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］谢世清.论云计算及其在金融领域中的应用［J］.金融与经济，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

国家科技支撑计划（编号：2013BAE03B02）资助。

李青，女，硕士，高级工程师，研究方向：机械设计。周波，男，硕士，研究方向：机械设计与自动化。

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