传统玻璃缺陷检验测试其实是靠人工进行全方位检查判断产品的质量，受个人主观因素的影响难以达到统一的检验测试标准，导致检测成本比较高、检测结果差，不利于生产的基本工艺的发展，难以适应工业生产要求。
传统机器视觉检测的新方法：随工业技术的发展，非接触式的机器视觉目标检测方式运用于工业检测中，这种方法主要是根据目标特性，缺陷特征，选择和目标有强相关性的几何参数，并设置合适的阈值，采用设置不一样尺度和长宽比窗口的方式达到减少滑动窗口数量的目的，利用机器学习算法将特征提取阶段产生的特征图传递给每一个分类器，最终判断出该窗口是否包含某一类目标。传统机器学习方法虽能对缺陷进行分类和定位，但是总体的检测准确率较低，为越来越好的提取图像特征通常使用不相同的特征算子来对图像进行遍历，导致整体的计算量较大，模型的检测速度较慢，不能够满足现代工业对检测精度和速度的要求。
基于深度学习的目标检测的新方法：随着机器视觉的持续不断的发展和进步，基于深度学习的自动提取玻璃缺陷特征方法，慢慢的变成为主流的玻璃缺陷检验测试方式，可以很好地弥补传统机器学习方法的不足。基于深度学习的目标检测能轻松实现对多类别目标进行仔细的检测，首先通过深度学习网络对完成标注的数据集进行训练，得到对应的权重矩阵和参数，然后使用训练得到的模型进行仔细的检测，最终获得待检测目标的分类和精确位置。这种方法具有更加好的鲁棒性和普适性，随着深度学习算法的持续不断的发展和处理器硬件性能的提升，模型的检测速度和检测精度获得了极大的提高，满足工业上对目标检测的要求。相比于传统的机器视觉检测的新方法，基于深度学习的目标检测具有更加好的鲁棒性和检测性能。
赛拓自主研发的玻璃光检机（玻璃视觉检测设备），基于传统机器视觉检测技术与深度学习的目标检测技术双引擎驱动，经历了从早期的“实验室”版本，到形成玻璃检测设备入驻玻璃深加工工厂与一线生产现场验证修正、反复打磨、一直更新迭代，以玻璃光检机（玻璃视觉检测设备）柔性标准化服务中国玻璃制造企业。
2、精准标记玻璃缺陷：玻璃视觉检测系统检出缺陷后，自动判断缺陷位置，同时给出信号，发出声光报警，打标装置进行喷墨打标，工人能够迅速准确地追踪找到缺陷位置。
官方微信
官方微博
