玻璃生产过程中会产生诸如气泡、疖瘤和夹杂等不同类型的不利缺陷,玻璃缺陷准确识别的研究有助于改进生产技术,提高玻璃质量。缺陷特征的提取直接决定了缺陷类型识别的准确率,但是当前方法中的特征选取很大程度上依靠经验和运气,并且需要大量的时间进行调节。本文采用基于深度学习的特征提取技术,以实现多样性的缺陷类型的准确识别,主要工作如下:1).在分析深度学习的基本理论的基础上,重点研究了前馈神经网络、堆栈自编码网络和卷积神经网络三类深度学习模型结构以及训练算法。构建了常见的玻璃缺陷类型的样本数据库。2).采用前馈神经网络、堆栈自编码网络和卷积神经网络与SoftMax分类器相结合的缺陷识别算法,实现了玻璃缺陷类型的识别,研究了缺陷识别时间、准确率与网络结构之间的关系。根据对比结果,选取了卷积神经网络作为玻璃缺陷类型识别的深度学习网络。3).针对卷积神经网络在训练时参数调节困难、易陷入局部最优值等问题,采取无监督学习和遗传算法相结合的方式对卷积神经网络训练方法进行改进,从训练样本中随机选取一部分局部图像块并进行ZCA白化处理,构建一个自编码器并利用遗传算法强大的全局寻优能力对自编码器初始权值进行优化,然后训练自编码器学习图像块的隐藏特征,把学到的特征作为卷积神经网络的卷积核,训练样本经卷积和采样后训练一个SoftMax分类器用于识别缺陷。实验结果表明,改进后的卷积神经网络模型不仅解决了网络易陷入局部最优值等问题,对玻璃缺陷的识别准确率也提高到97.8%。