开云优惠体育网页版入口

专利名称：一种基板玻璃缺陷检测方法、系统、设备及存储介质

专利类型：发明专利

专利申请号：CN202411287867.X

专利申请（专利权）人：湖南邵虹特种玻璃股份有限公司
权利人地址：湖南省邵阳市双清区邵阳经济开发区F-22地块

专利发明（设计）人：赵乾柏

专利摘要：本发明属于玻璃缺陷检测领域，具体涉及一种基板玻璃缺陷检测方法、系统、设备及存储介质，其方法包括：对标注图像进行特征提。玫缴畈阃枷裉卣骱颓巢阃枷裉卣，并将深层图像特征和浅层图像特征进行融合，得到融合特征，将融合特征输入到训练模型中进行训练，得到优化训练模型，将待检测基板玻璃图像的融合特征输入到优化训练模型中，输出多个带有不同标签的特征点，根据特征点生成多个预测框，计算预测框和标注框的相似度，选择最高相似度的预测框作为最优预测框，根据最优预测框对应的标签类型以及相似度输出基板玻璃的缺陷类型以及该类型的概率。通过提取深层图像特征和浅层图像特征使得图像的语义信息更加完整，提高检测的准确性。

主权利要求：
1.一种基板玻璃缺陷检测方法，其特征是，包括：对训练数据库中的训练图片通过不同标签的标注框进行标注，得到标注图片，所述标签代表基板玻璃不同的缺陷类型；
根据所述标注图片，提取深层图像特征和浅层图像特征；
将所述浅层图像特征和所述深层图像特征融合，得到融合特征；
将所述融合特征输入到训练模型中对训练模型进行训练，改变所述训练模型的权重，得到优化训练模型；
根据所述优化训练模型以及待检测基板玻璃图像的融合特征，输出不同标签对应的特征点，根据所述特征点生成多个预测框；
根据所述预测框、所述标注框以及损失函数，得到所述预测框和所述标注框的相似度；
根据所述相似度从多个所述预测框中选择得到最优预测框；
根据所述最优预测框对应的标签，输出基板玻璃的缺陷的类型；
根据所述相似度从多个所述预测框中选择得到最优预测框包括：通过损失函数，计算每一个所述预测框和所述标注框的相似度，获取相似度最高的预测框作为最优预测框；
所述损失函数包括：
；
其中， 、 分别表示最小外接矩形的宽和高，最小外接矩形为预测框和标注框重叠区域的矩形， 为标注框的宽度， 为标注框的高度， 为预测框的宽度， 为预测框的高度， 表示标注框和预测框在宽度上的欧式距离， 表示标注框和预测框在高度上的欧式距离， 为预测框和标注框重叠区域面积占预测框和标注框并集面积的百分比， 为标注框的中心坐标， 为预测框的中心坐标。
2.如权利要求1所述的基板玻璃缺陷检测方法，其特征是，所述根据所述标注图片，提取深层图像特征和浅层图像特征包括：将所述标注图片输入到卷积神经网络模型中，得到所述浅层图像特征；
将所述标注图片通过卷积神经网络模型的第一层卷积层进行输入，然后通过卷积神经网络模型的第二层卷积层进行增维，得到增维特征；
将所述增维特征通过卷积神经网络模型的第三层卷积层进行深度可分离卷积，得到中间特征；
对所述中间特征通过卷积神经网络模型的第四层卷积层降维，得到降维特征，将所述降维特征作为所述深层图像特征。
3.如权利要求2所述的基板玻璃缺陷检测方法，其特征是，所述将所述浅层图像特征和所述深层图像特征融合，得到融合特征包括：获取卷积神经网络模型的每一层卷积层的卷积权重；
根据每一层卷积层的所述卷积权重、所述浅层图像特征、所述增维特征、所述中间特征、所述深层图像特征以及融合公式，得到所述融合特征。
4.如权利要求1所述的基板玻璃缺陷检测方法，其特征是，所述将所述融合特征输入到训练模型中对训练模型进行训练，改变所述训练模型的权重，得到优化训练模型包括：获取训练模型的初始权重；
将所述融合特征输入到所述训练模型中对训练模型进行训练，得到输出图像；
将所述输出图像通过验证集验证，得到损失值；
根据所述损失值调整所述训练模型的初始权重，得到优化训练模型。
5.如权利要求1所述的基板玻璃缺陷检测方法，其特征是，对训练数据库中的训练图片通过不同标签的标注框进行标注，得到标注图片包括：初始化标签类型；
根据所述标签类型，将训练数据库中的训练图片通过labeliming标注，得到所述标注图片。
6.一种基板玻璃缺陷检测系统，其特征是，包括：标注模块，用于对训练数据库中的训练图片通过不同标签的标注框进行标注，得到标注图片，所述标签代表基板玻璃不同的缺陷类型；
提取模块，用于根据所述标注图片，提取深层图像特征和浅层图像特征；
融合模块，用于将所述浅层图像特征和所述深层图像特征融合，得到融合特征；
训练模块，用于将所述融合特征输入到训练模型中对训练模型进行训练，改变所述训练模型的权重，得到优化训练模型；
预测模块，用于根据所述优化训练模型以及待检测基板玻璃图像的融合特征，输出不同标签对应的特征点，根据所述特征点生成多个预测框；
比较模块，用于根据所述预测框、所述标注框以及损失函数，得到所述预测框和所述标注框的相似度；
选择模块，用于根据所述相似度从多个所述预测框中选择得到最优预测框；
输出模块，用于根据所述最优预测框对应的标签，输出基板玻璃的缺陷的类型。
7.一种终端设备，包括存储器和处理器，其特征在于，所述存储器储存有能够在处理器上运行的计算机程序，所述处理器加载并执行所述计算机程序时，采用如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器加载并执行时，采用如权利要求1至5中任一项所述的方法。 说明书 : 一种基板玻璃缺陷检测方法、系统、设备及存储介质技术领域[0001] 本发明属于玻璃缺陷检测领域，具体涉及一种基板玻璃缺陷检测方法、系统、设备及存储介质。背景技术[0002] 随着我国基板玻璃生产技术不断成熟，基板玻璃产量逐步增加，但是，基板玻璃在生产过程中容易出现瑕疵，而带有瑕疵的产品是无法直接进行销售的，因此，在产品出产线前需要对生产的基板玻璃进行质量检测。[0003] 相关技术中，对于基板玻璃的检测主要采用人工观察，对基板玻璃表面进行观察，看是否有气泡、结石、条纹以及裂纹等缺陷特征。随着深度学习技术的发展，通过卷积神经网络对图片进行特征提取的方式来检测基板玻璃的缺陷也逐渐被应用在缺陷检测中。[0004] 针对上述相关技术，传统的特征提取只能提取到较为表面的浅层图像特征，在卷积过程中，图片有较多的信息丢失导致对缺陷检测的准确性降低。发明内容[0005] 本发明要解决的技术问题是提供一种基板玻璃缺陷检测方法、系统、设备及存储介质，提高了特征提取的准确性，避免卷积过程中的信息丢失，提高检测的准确性。[0006] 一种基板玻璃缺陷检测方法，包括：[0007] 对训练数据库中的训练图片通过不同标签的标注框进行标注，得到标注图片，所述标签代表基板玻璃不同的缺陷类型；[0008] 根据所述标注图片，提取深层图像特征和浅层图像特征；[0009] 将所述浅层图像特征和所述深层图像特征融合，得到融合特征；[0010] 将所述融合特征输入到训练模型中对训练模型进行训练，改变所述训练模型的权重，得到优化训练模型；[0011] 根据所述优化训练模型以及待检测基板玻璃图像的融合特征，输出不同标签对应的特征点，根据所述特征点生成多个预测框；[0012] 根据所述预测框、所述标注框以及损失函数，得到所述预测框和所述标注框的相似度；[0013] 根据所述相似度从多个所述预测框中选择得到最优预测框；[0014] 根据所述最优预测框对应的标签，输出基板玻璃的缺陷的类型。[0015] 可选的，所述根据所述标注图片，提取深层图像特征和浅层图像特征包括：[0016] 将所述标注图片输入到卷积神经网络模型中，得到浅层图像特征；[0017] 将所述标注图片通过卷积神经网络模型的第一层卷积层进行输入，然后通过卷积神经网络模型的第二层卷积层进行增维，得到增维特征；[0018] 将所述增维特征通过卷积神经网络模型的第三层卷积层进行深度可分离卷积，得到中间特征；[0019] 对所述中间特征通过卷积神经网络模型的第四层卷积层降维，得到降维特征，将所述降维特征作为深层图像特征。[0020] 可选的，所述将所述浅层图像特征和所述深层图像特征融合，得到融合特征包括：[0021] 获取卷积神经网络模型的每一层卷积层的卷积权重；[0022] 根据每一层卷积层的所述卷积权重、所述浅层图像特征、所述增维特征、所述中间特征、所述深层图像特征以及融合公式，得到所述融合特征。[0023] 可选的，所述将所述融合特征输入到训练模型中对训练模型进行训练，改变所述训练模型的权重，得到优化训练模型包括：[0024] 获取训练模型的初始权重；[0025] 将所述融合特征输入到所述训练模型中对训练模型进行训练，得到输出图像；[0026] 将所述输出图像通过验证集验证，得到损失值；[0027] 根据所述损失值调整所述训练模型的初始权重，得到优化训练模型。[0028] 可选的，根据所述相似度从多个所述预测框中选择得到最优预测框包括：[0029] 通过损失函数，计算每一个所述预测框和所述标注框的相似度，获取相似度最高的预测框作为最优预测框。[0030] 可选的，所述损失函数包括：[0031] ；[0032] 其中， 、 分别表示最小外接矩形的宽和高，最小外接矩形为预测框和标注框重叠区域的矩形， 为标注框的宽度， 为标注框的高度， 为预测框的宽度，为预测框的高度， 表示标注框和预测框在宽度上的欧式距离， 表示标注框和预测框在高度上的欧式距离， 为预测框和标注框重叠区域面积占预测框和标注框并集面积的百分比， 为标注框的中心坐标， 为预测框的中心坐标。[0033] 可选的，对训练数据库中的训练图片通过不同标签的标注框进行标注，得到标注图片包括：[0034] 初始化标签类型；[0035] 根据所述标签类型，将训练数据库中的训练图片通过labeliming标注，得到所述标注图片。[0036] 一种基板玻璃缺陷检测系统，包括：[0037] 标注模块，用于对训练数据库中的训练图片通过不同标签的标注框进行标注，得到标注图片，所述标签代表基板玻璃不同的缺陷类型；[0038] 提取模块，用于根据所述标注图片，提取深层图像特征和浅层图像特征；[0039] 融合模块，用于将所述浅层图像特征和深层图像特征融合，得到融合特征；[0040] 训练模块，用于将所述融合特征输入到训练模型中对训练模型进行训练，改变所述训练模型的权重，得到优化训练模型；[0041] 预测模块，用于根据所述优化训练模型以及待检测基板玻璃图像的融合特征，输出不同标签对应的特征点，根据所述特征点生成多个预测框；[0042] 比较模块，用于根据所述预测框、所述标注框以及损失函数，得到所述预测框和所述标注框的相似度；[0043] 选择模块，用于根据所述相似度从多个所述预测框中选择得到最优预测框；[0044] 输出模块，用于根据所述最优预测框对应的标签，输出基板玻璃的缺陷的类型。[0045] 一种终端设备，包括存储器、处理器，所述存储器储存有能够在处理器上运行的计算机程序，所述处理器加载并执行所述计算机程序时，采用了一种基板玻璃缺陷检测方法。[0046] 一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，采用了一种基板玻璃缺陷检测方法。[0047] 本发明的有益效果是：首先将数据库中的图片通过带有不同标签的标注框进行标注，然后对标注图像进行特征提。玫缴畈阃枷裉卣骱颓巢阃枷裉卣，并将深层图像特征和浅层图像特征进行融合，得到融合特征，将融合特征输入到训练模型中对训练模型进行训练，得到优化训练模型，然后将待检测基板玻璃图像的融合特征输入到优化训练模型中，输出多个带有不同标签的特征点，根据特征点随机生成多个预测框，然后将预测框和标注框通过损失函数计算相似度，选择最高相似度的预测框作为最优预测框，最后根据最优预测框对应的标签类型以及相似度输出基板玻璃的缺陷类型以及该类型的概率。通过深层图像特征和浅层图像特征使得图像的语义信息更加完整，提高检测的准确性。附图说明[0048] 图1为本发明的一种基板玻璃缺陷检测方法的流程示意图；[0049] 图2为本发明的一种基板玻璃缺陷检测方法的特征融合的结构示意图；[0050] 图3为本发明的一种基板玻璃缺陷检测方法的主干结构示意图。具体实施方式[0051] 一种基板玻璃缺陷检测方法，如图1所示，本发明包括：[0052] S100、对训练数据库中的训练图片通过不同标签的标注框进行标注，得到标注图片，标签代表基板玻璃不同的缺陷类型。[0053] 对训练数据库中的训练图片通过不同标签的标注框进行标注，得到标注图片包括：[0054] S1000、初始化标签类型。[0055] S1001、根据标签类型，将训练数据库中的训练图片通过labeliming标注，得到标注图片。[0056] 具体的，首先用工业相机将玻璃进行一步步区域扫描，获得整张基本玻璃的图像，图像大小为224*224。扫描多张基本玻璃图像组成训练数据库，训练数据库中的图片包括有没有缺陷的基板玻璃以及有缺陷的基板玻璃的图片。[0057] 标签类型对应基板玻璃缺陷种类，基板玻璃缺陷种类包括正常、划伤、颗粒以及脏污，每一种缺陷种类对应有不同的标签。采用labeliming标注进行标准的时候，根据不同的基板玻璃缺陷种类，标注不同的标注框。标准若干张基板玻璃的图像，然后将所有的已经标准完成的图像建立训练数据库，按照7:3的比例将训练数据库中的图片分为训练集和验证集。采用labeliming标注时标注的图片为XML格式，将其划分为训练集与验证集的时候转换为TXT格式以匹配本申请采用的yolov5模型的格式。[0058] S110、根据标注图片，提取深层图像特征和浅层图像特征。[0059] 根据标注图片，提取深层图像特征和浅层图像特征包括：[0060] S1100、将标注图片输入到卷积神经网络模型中，得到浅层图像特征。[0061] S1101、将标注图片通过卷积神经网络模型的第一层卷积层进行输入，然后通过卷积神经网络模型的第二层卷积层进行增维，得到增维特征。[0062] S1102、将增维特征通过卷积神经网络模型的第三层卷积层进行深度可分离卷积，得到中间特征.[0063] S1103、对中间特征通过卷积神经网络模型的第四层卷积层降维，得到降维特征，将降维特征作为深层图像特征。[0064] 具体的，提取图片的特征的时候，采用卷积神经网络，直接采用卷积神经网络提取特征的时候，由于使用的激活函数ReLU在低维的可用信息较少，容易造成信息丢失，只能得到浅层图像特征。因此，改进卷积神经网络结构，采用残差网络结构，残差结构采用先减维后增维的方法，扩展进行特征提。缓蠼醒顾，首先使用1×1卷积来增加维度，然后通过3×3深度可分离卷积（DWConv）减少计算参数的数量，然后通过1×1卷积减少维度，最后将结果连接到输入。此外，在卷积层进行降维后，不再添加ReLU等激活函数进行非线性变换，尽可能避免信息丢失。[0065] 卷积神经网络模型第一层卷积层为输入层，将标签图像输入，然后在第二层通过1×1卷积来增加维度，然后在第三次卷积层进行深度可分离卷积，最后通过第四层卷积层通过1×1卷积减少维度。[0066] S120、将浅层图像特征和深层图像特征融合，得到融合特征。[0067] 将浅层图像特征和深层图像特征融合，得到融合特征包括：[0068] S1200、获取卷积神经网络的每一层卷积层的卷积权重。[0069] S1210、根据每一层卷积层卷积权重、浅层图像特征、增维特征、中间特征、深层图像特征以及融合公式，得到融合特征。[0070] 具体的，特征图融合的时候，采用的为BiFPN结构，将BiFPN结构添加到颈部结构中的Concat中，同时设置自顶向下和自底向上两条特征融合通道。如图2所示，从主干特征中C3S结构中特征层的P2和P3输入节点上，引出1条连接线到同一层级的特征层。主干特征为卷积神经网络的原始网络所采用的结构，CS3结构如图3所示，将C3S结构输入点直接输入到BiFPN的第4个节点中，然后将1×1卷积输入到第3个节点，将3×3卷积输入到第2个节点，将1×1卷积输入到第3个节点，将C3S结构输出点输入到第4个节点中。然后自顶向下进行特种融合，中间进行交叉融合，之后自底向上进行融合，可以学习到不同输入特征所具备的不同程度的重要性。然后根据重要程度的不同对输入特征进行有区分的融合。[0071] BiFPN采用了带权特征融合方式，其带权特征融合公式如下：[0072][0073] 其中， 是学习权重， 是卷积层， 为学习率，用于避免数值不稳定，通常取0.0001，为卷积层层数。[0074] 以BiFPN第2个节点输出为例，3×3卷积输入到第2个节点，到中间变量，公式如下：[0075][0076] 将中间变量往后卷积，得到输出，公式如下：[0077][0078] Con（）表示卷积， 表示卷积的输入， 表示缩放函数， 、 以及分别为第一层卷积层、第二层卷积层和第三层卷积层的学习权重。[0079] S130、将融合特征输入到训练模型中对模型进行训练，改变训练模型的权重，得到优化训练模型。[0080] 将融合特征输入到训练模型中对训练模型进行训练，改变训练模型的权重，得到优化训练模型包括：[0081] S1300、获取训练模型的初始权重。[0082] S1310、将融合特征输入到训练模型中对训练模型进行训练，得到输出图像。[0083] S1320、将输出图像通过验证集验证，得到损失值。[0084] S1330、根据损失值调整训练模型的初始权重，得到优化训练模型。[0085] S140、根据优化训练模型以及待检测基板玻璃图像的融合特征，输出不同标签对应的特征点，根据特征点生成多个预测框。[0086] 具体的，训练模型的权重是实现数据分布学习和预测的核心参数，通过优化这些权重，模型能够不断提升其性能，达到更好的预测能力。初始权重可以自行设定。[0087] 待检测基板玻璃图像的融合特征也是通过先提取深层图像特征和浅层图像特征，然后进行融合得到的。[0088] 使用训练集中的数据对训练模型进行训练，本申请中采用的模型为yolov5，训练过程如下：将训练数据输入到yolov5模型中，通过网络层，使用当前的模型权重计算预测值（输出），使用损失函数（例如均方误差、交叉熵等）来衡量模型输出与真实标签（验证集）之间的差距（损失值）。损失函数的值越。硎灸Ｐ偷脑げ庠浇咏媸到峁，通过反向传播算法计算损失函数相对于模型权重的梯度。这表示损失函数对每个权重的影响程度，根据计算得到的梯度，优化算法会调整模型的权重，常用的优化算法有：随机梯度下降算法。通过在训练过程中进行反复迭代，得到最终的优化训练模型。[0089] 得到优化训练模型之后，将待检测基板玻璃图像的融合特征输入到优化训练模型中，优化训练模型则会输出多个不同的特征点，每个特征点对应有不同的标签类型。在一张图片上，可以有多个不同类型的特征点以及同一类型的特征点也可以有多个。[0090] S150、根据预测框、标注框以及损失函数，得到预测框和标注框的相似度。[0091] 具体的，通过特征点，随机生成不同大小的预测框，然后将预测框和标注框通过损失函数比较，得到预测框和标注框的相似度。损失函数包括：[0092] ；[0093] 其中， 、 分别表示最小外接矩形的宽和高，最小外接矩形为预测框和标注框重叠区域的矩形， 为标注框的宽度， 为标注框的高度， 为预测框的宽度，为预测框的高度， 表示标注框和预测框在宽度上的欧式距离， 表示标注框和预测框在高度上的欧式距离， 为预测框和标注框重叠区域面积占预测框和标注框并集面积的百分比， 为标注框的中心坐标， 为预测框的中心坐标。[0094] 其中， 的计算方式为：[0095] ；[0096] 其中， 为预测框与真实框的交集面积， 为代表预测框与真实框的并集面积。[0097] 一个特征点会生成多个不同大小的预测框，通过损失函数计算出预测框和标注框的相似度，找到相似度最高的预测框作为最优预测框。[0098] S160、根据相似度从多个预测框中得到最优预测框。[0099] S170、根据最优预测框对应的标签，输出基板玻璃的缺陷类型。[0100] 具体的，基板玻璃的缺陷类型以及相似度为在输出的预测框上，会显示相似度的百分比，该百分比表示此缺陷的概率。例如，某预测框对应的缺陷的类型为划痕，相似度为70%，表示此处有70%的可能为划痕缺陷。[0101] 本实施例中采用4类玻璃缺陷进行训练，缺陷分别为：正常、划伤、颗粒以及脏污。将4类缺陷打标签建立数据集。[0102] 本实施例的实验环境配置为：模型训练过程中，学习率设置为0.01，权重衰减设置为0.0005，训练批次大小为16，训练300轮，采用动量为0.937的SGD优化，实验结果如表1所示：[0103] 表1[0104][0105] 其中，基准模型为YOLOv5，A、B、C以及D分别对应于残差模块(残差网络结构)、BiFPN模块、RIOU损失函数和EIoU损失函数，其中RIOU损失函数为本申请所使用的损失函数，P为精确率，R为召回率，mAP为所有类别在IoU=0.5的平均精确率。[0106] 结果显示，引入A、B以及C对基准性能具有一定的提升效果。通过添加这些可以提升模型对基板玻璃检测效果，并且，RIOU损失函数的精准率和召回率都高于EIoU损失函数，精准率和召回率是评价分类模型的重要指标，因此，采用本申请的损失函数，提高了对基板玻璃缺陷分类的准确性。[0107] 一种基板玻璃缺陷检测系统，包括：[0108] 标注模块，用于对训练数据库中的训练图片通过不同标签的标注框进行标注，得到标注图片，标签代表基板玻璃不同的缺陷类型；[0109] 提取模块，用于根据标注图片，提取深层图像特征和浅层图像特征；[0110] 融合模块，用于将浅层图像特征和深层图像特征融合，得到融合特征；[0111] 训练模块，用于将融合特征输入到训练模型中对训练模型进行训练，改变训练模型的权重，得到优化训练模型；[0112] 预测模块，用于根据优化训练模型以及待检测基板玻璃图像的融合特征，输出不同标签对应的特征点，根据特征点生成多个预测框；[0113] 比较模块，用于根据预测框、标注框以及损失函数，得到预测框和标注框的相似度；[0114] 选择模块，用于根据相似度从多个预测框中选择得到最优预测框；[0115] 输出模块，用于根据最优预测框对应的标签，输出基板玻璃的缺陷的类型。[0116] 本申请实施例还公开一种终端设备，包括存储器、处理器，存储器储存有能够在处理器上运行的计算机程序，处理器加载并执行计算机程序时，采用了一种基板玻璃缺陷检测方法。[0117] 其中，终端设备可以采用台式电脑、笔记本电脑或者云端服务器等计算机设备，并且，终端设备包括但不限于处理器以及存储器，例如，终端设备还可以包括输入输出设备、网络接入设备以及总线等。[0118] 其中，处理器可以采用中央处理单元（CPU），当然，根据实际的使用情况，也可以采用其他通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以采用微处理器或者任何常规的处理器等，本申请对此不做限制。[0119] 其中，存储器可以为终端设备的内部存储单元，例如，终端设备的硬盘或者内存，也可以为终端设备的外部存储设备，例如，终端设备上配备的插接式硬盘、智能存储卡（SMC）、安全数字卡（SD）或者闪存卡（FC）等，并且，存储器还可以为终端设备的内部存储单元与外部存储设备的组合，存储器用于存储计算机程序以及终端设备所需的其他程序和数据，存储器还可以用于暂时地存储已经输出或者将要输出的数据，本申请对此不做限制。[0120] 其中，通过本终端设备，将上述实施例中的一种基板玻璃缺陷检测方法存储于终端设备的存储器中，并且，被加载并执行于终端设备的处理器上，方便使用。[0121] 本申请实施例还公开一种计算机可读存储介质，并且，计算机可读存储介质存储有计算机程序，其中，计算机程序被处理器执行时，采用了上述实施例中的一种基板玻璃缺陷检测方法。[0122] 其中，计算机程序可以存储于计算机可读介质中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等，计算机可读介质包括能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM）、随机存取存储器（RAM）、电载波信号、电信信号以及软件分发介质等，需要说明的是，计算机可读介质包括但不限于上述元器件。[0123] 其中，通过本计算机可读存储介质，将上述实施例中的一种基板玻璃缺陷检测方法存储于计算机可读存储介质中，并且，被加载并执行于处理器上，以方便上述方法的存储及应用。[0124] 所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的保护范围限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请中一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。[0125] 本申请中一个或多个实施例旨在涵盖落入本申请的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请中一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

专利地区：湖南

专利申请日期：2024-09-14

专利公开日期：2024-11-19

专利公告号：CN118799324B