1.一种玻璃缺陷检测方法，其特征在于，该方法包括以下步骤：

采集玻璃图像得到对应的灰度图像；

利用canny算子对灰度图像进行边缘检测得到轮廓线，采用DBSCAN算法将所述轮廓线划分为多个子轮廓线，根据子轮廓线的长度、子轮廓线上每个采样点的梯度线与子轮廓线之间相交的像素点数量，得到子轮廓线的线状缺陷相似度，将线状缺陷相似度大于设定阈值的子轮廓线标记为线状缺陷，包括：采用canny算子提取玻璃图像中的边缘信息得到轮廓线 ，然后采用形态学的闭运算对断裂的轮廓线 进行填补，考虑到玻璃图像可能出现多个缺陷区域，其包含多条缺陷轮廓线，然后对轮廓线 采用DBSCAN算法，设置邻域半径和数目阈值 ，将轮廓线 分为独立的 条子轮廓线，为正整数；分别对 条子轮廓线进行线状缺陷检测，首先每条子轮廓线进行细化，得到单像素的轮廓骨架，将轮廓骨架包含的像素数目作为子轮廓线的长度，然后在轮廓线上每隔 均匀地对轮廓骨架进行采样，采用sobel算法计算采样点处的水平方向梯度 和竖直方向梯度 ，以采样点为中心，梯度 为斜率做梯度线，将梯度线与子轮廓线相交的像素点数目作为该采样点的宽度，对这五个宽度求取均值得到平均宽度 ，进而得到线状缺陷相似度 ；分别获取 条子轮廓线的线状缺陷相似度 ，设置线状缺陷相似度阈值

5，将线状缺陷相似度大于 的子轮廓线标记为线状缺陷；

对玻璃图像进行超像素分割得到多个超像素块，采用灰度共生矩阵提取每个超像素块的纹理特征，基于灰度图像得到每个超像素块的灰度直方图，提取灰度直方图中的灰度特征，将纹理特征和灰度特征组成每个超像素块的特征描述向量；

以每个超像素块为中心超像素块获取每个超像素块的邻域搜索范围，基于所述特征描述向量分别计算中心超像素块与其邻域搜索范围内N个超像素块之间的距离，得到中心超像素块对应的N个所述距离，N为正整数；将N个所述距离按照从小到大排序后计算前K个所述距离的平均值，K为正整数，且N大于K，当平均值大于平均值阈值时，确认中心超像素块为块状缺陷，所述平均值阈值和K值是对应中心超像素块的自适应参数；

当玻璃图像中存在线状缺陷或块状缺陷时，确认对应玻璃存在缺陷；反之，当玻璃图像中不存在线状缺陷和块状缺陷时，确认对应玻璃正常；

所述以每个超像素块为中心超像素块获取每个超像素块的邻域搜索范围的方法，包括：

以当前超像素块作为中心超像素块构建第一势圈 ，第一势圈 是指与中心超像素块有相交的像素点或轮廓线的超像素块所组成的区域，然后构建第二势圈 ，第二势圈 是指与第一势圈 有相交的像素点或轮廓线的超像素块所组成的区域，依次类推，直到得到第五势圈 ，则当前超像素块的邻域搜索范围 ；

所述基于所述特征描述向量分别计算中心超像素块与其邻域搜索范围内N个超像素块之间的距离的方法，包括：其中，为距离； 为中心超像素块对应特征描述向量中的第 个元素， 表示邻域搜索区域范围内第1个超像素块对应特征描述向量中的第 个元素；

所述平均值阈值和K值的获取方法为：

计算中心超像素块与第一势圈 中所包含的超像素块之间的最小距离和最大距离以构成第一势圈的距离区间 ，进而得到每个势圈的距离区间；根据距离区间计算势圈 中任意两个势圈的落差度 ，其中， 和 代表任意两个势圈的距离区间；

如果存在两个势圈的落差度小于落差度阈值时，得到这两个势圈对应的缺陷距离区间，且将势圈序号较小的势圈作为缺陷干扰势圈，统计缺陷干扰势圈中与中心超像素块的距离落入缺陷距离区间的个数作为缺陷干扰超像素块的个数；

对任意两个势圈进行相同的操作共得到 个缺陷干扰超像素块和多个缺陷距离区间，根据缺陷干扰超像素块的数量得到 ；对缺陷距离区间求取并集，当平均值阈值大于所述并集中的最大值时，则不对平均值阈值进行修改；当平均值阈值小于或等于所述并集中的最大值时，则将所述并集中的上限作为平均值阈值。

2.如权利要求1所述的一种玻璃缺陷检测方法，其特征在于，所述纹理特征是指灰度共生矩阵的能量、熵值、对比度和逆差矩。

3.如权利要求1所述的一种玻璃缺陷检测方法，其特征在于，所述灰度特征是指灰度直方图的统计特征方差、均值、峭度、歪度、熵和能量。