CN110517259A - 一种产品表面状态的检测方法、装置、设备及介质 - Google Patents
一种产品表面状态的检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110517259A CN110517259A CN201910816859.2A CN201910816859A CN110517259A CN 110517259 A CN110517259 A CN 110517259A CN 201910816859 A CN201910816859 A CN 201910816859A CN 110517259 A CN110517259 A CN 110517259A
- Authority
- CN
- China
- Prior art keywords
- surface state
- detection result
- detection
- result
- defect detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 512
- 230000007547 defect Effects 0.000 claims abstract description 222
- 238000005286 illumination Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims description 54
- 238000005259 measurement Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000007689 inspection Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 238000005065 mining Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000011176 pooling Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请公开了一种产品表面状态的检测方法、装置、设备及介质，涉及云计算领域、人工智能领域。具体实现方案为：获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片；将各所述表面状态照片分别输入至对应的检测模型中，并根据各所述检测模型的输出结果，得到与每个所述表面状态照片分别对应的缺陷检测结果；其中，所述检测模型使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到；根据与每个所述表面状态照片分别对应的缺陷检测结果，确定所述目标产品的检测结果。本申请实施例的技术方案可以实现根据产品的表面状态照片对产品进行自动化检测，提高了检测效率和检测精度。
Description
技术领域
本申请实施例涉及计算机技术，尤其涉及人工智能技术，具体涉及一种产品表面状态的检测方法、装置、设备及介质。
背景技术
在传统笔记本电脑生产制造场景中，产品的表面状态检测是制造厂商控制出货质量、维持生产关系的重要环节。传统本笔记本厂商，通过对笔记本表面的状态检测，以判断笔记本是否存在瑕疵和缺陷，根据检测结果对笔记本进行相应的处理，从而实现质量控制。常见缺陷种类有水点，毛丝，黑印等。
现有技术中，基于产品表面状态的质检多为纯人工目视质检或半自动化光学仪器辅助的人工质检。在纯人工目视质检的情况下，需要业务专家进行检查，发现缺陷之后人工记录下来再做后续处理。这种方法不仅效率低，容易漏判误判，同时这种方式产生的工业数据不易存储、统计、管理和二次挖掘再利用。在半自动化光学仪器辅助的人工质检的情况下，特征和判定规则都是基于经验固化到机器中的，难以随业务的发展迭代，导致随着生产工艺的发展，***的检测精度越来越低，甚至降低到完全不可用的状态。此外，特征和判定规则都由第三方供应商预先固化在硬件中，升级时不仅需要对生产线进行重大改造，而且价格昂贵。
发明内容
本申请实施例提供了一种产品表面状态的检测方法、装置、设备及介质，实现了根据产品的表面状态照片对产品进行自动化检测，提高了检测效率和检测精度。
第一方面，本申请实施例提供了一种产品表面状态的检测方法，包括：
获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片；
将各所述表面状态照片分别输入至对应的检测模型中，并根据各所述检测模型的输出结果，得到与每个所述表面状态照片分别对应的缺陷检测结果；
其中，所述检测模型使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到；
根据与每个所述表面状态照片分别对应的缺陷检测结果，确定所述目标产品的检测结果。
本申请实施例的技术方案，通过获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片；然后将各表面状态照片分别输入至对应的检测模型中，并根据各检测模型的输出结果，得到与每个表面状态照片分别对应的缺陷检测结果；检测模型使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到；最后，根据与每个表面状态照片分别对应的缺陷检测结果，确定目标产品的检测结果，可以基于使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到的检测模型，得到与每个表面状态照片分别对应的缺陷检测结果，可以通过不同检测模型的检测结果，得到一个最终的目标产品的检测结果，使得目标产品的检测结果参考了不同检测模型的检测结果，检测结果更加准确，提高了检测精度，可以根据产品的表面状态照片对产品进行自动化检测，提高了检测效率。
可选的，根据与每个所述表面状态照片分别对应的缺陷检测结果，确定所述目标产品的检测结果，包括：
根据与每个所述表面状态照片分别对应的缺陷检测结果，以及与每个所述检测模型分别对应的测量参考权重，确定所述目标产品的检测结果。
这样设置的好处在于：通过根据与每个表面状态照片分别对应的缺陷检测结果，以及与每个检测模型分别对应的测量参考权重，确定目标产品的检测结果，可以根据不同检测模型的检测结果，以及每个检测模型分别对应的测量参考权重，得到一个最终的目标产品的检测结果，使得目标产品的检测结果参考了不同检测模型的检测结果和测量参考权重，检测结果更加准确，提高了检测精度。
可选的，根据与每个所述表面状态照片分别对应的缺陷检测结果，以及与每个所述检测模型分别对应的测量参考权重，确定所述目标产品的检测结果，包括：
将与各所述表面状态照片对应的缺陷检测结果，分别输入至决策模型中，并获取所述决策模型输出的所述检测结果；
其中，所述决策模型预先学习与各所述检测模型分别对应的测量参考权重，所述测量参考权重在所述决策模型的使用过程中迭代更新。
这样设置的好处在于：通过决策模型预先学习与各所述检测模型分别对应的测量参考权重，使得最终的结果既参考了不同检测模型的检测结果，又同时兼顾了各个检测模型的检测精准度，检测结果更加准确。
可选的，根据与每个所述表面状态照片分别对应的缺陷检测结果，以及与每个所述检测模型分别对应的测量参考权重，确定所述目标产品的检测结果，包括：
获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合；
在所述缺陷检测结果集合中，根据每个缺陷检测结果的测量参考权重，以及缺陷检测结果间的相似度，对每个所述缺陷检测结果进行打分；
根据打分结果，确定与所述当前处理的拍摄角度匹配的局部检测结果；
将所述至少两个拍摄角度下的局部检测结果进行合并处理，得到所述目标产品的检测结果。
这样设置的好处在于：根据每个缺陷检测结果的测量参考权重，以及缺陷检测结果间的相似度，对每个缺陷检测结果进行打分，根据打分结果，确定与当前处理的拍摄角度匹配的局部检测结果，并进一步通过将至少两个拍摄角度下的局部检测结果进行合并处理，得到目标产品的检测结果，，使得目标产品的检测结果参考了缺陷检测结果的重叠程度，检测结果更加准确，检测结果更加准确。
可选的，根据与每个所述表面状态照片分别对应的缺陷检测结果，确定所述目标产品的检测结果，包括：
获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合；
将所述缺陷检测结果集合中的各所述缺陷检测结果映射至同一照片中；
根据所述映射结果中各所述缺陷检测结果的相似度，确定与所述当前处理的拍摄角度匹配的局部检测结果；
将所述至少两个拍摄角度下的局部检测结合进行合并处理，得到所述目标产品的检测结果。
这样设置的好处在于：通过获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合，将缺陷检测结果集合中的各缺陷检测结果映射至同一照片中，然后根据映射结果中各缺陷检测结果的相似度，确定与当前处理的拍摄角度匹配的局部检测结果；最后，将至少两个拍摄角度下的局部检测结合进行合并处理，得到目标产品的检测结果，可以根据缺陷检测结果的相似度，得到一个最终的目标产品的检测结果，使得目标产品的检测结果参考了缺陷检测结果的重叠程度，检测结果更加准确，提高了检测精度。
可选的，将各所述表面状态照片分别输入至对应的检测模型中，并根据各所述检测模型的输出结果，得到与每个所述表面状态照片分别对应的缺陷检测结果，包括：
将当前处理的表面状态照片进行切图，得到多张目标尺寸的局部状态照片，所述目标尺寸与所述目标产品的最小缺陷尺寸相匹配；
将多张所述局部状态照片分别输入至与所述当前处理的表面状态照片匹配的检测模型中，得到与各所述局部状态照片分别对应的缺陷检测结果；
将与各所述局部状态照片分别对应的缺陷检测结果进行组合，得到与所述当前处理的表面状态照片对应的缺陷检测结果。
这样设置的好处在于：根据目标产品的最小缺陷尺寸，对表面状态照片进行切图，得到多张目标尺寸的局部状态照片，然后根据各个局部状态照片的缺陷检测结果，得到与表面状态照片对应的缺陷检测结果，提高了缺陷检测结果的精确性。
可选的，所述检测模型为基于Fast R-CNN算法生成的模型；
在所述检测模型中，使用可变形卷积构造卷积层，使用focal loss函数作为损失函数，使用特征金字塔网络算法提取输入照片的图像特征；以及
所述样本图像中的负样本图像，是使用在线困难样本挖掘算法挖掘得到的。
这样设置的好处在于：检测模型为基于Fast R-CNN算法生成的模型，可以对设定光照强度拍摄得到的样本图像的变形、模糊、光照变化等具有较高的鲁棒性，对于分类任务具有更高的可泛化性；在检测模型中，使用focal loss函数作为损失函数，解决数据样本类别不均衡的问题；使用特征金字塔网络算法提取输入照片的图像特征，提高缺陷召回率；使用在线困难样本挖掘算法挖掘样本图像中的负样本图像，提高检测模型精度。
可选的，所述目标产品为笔记本电脑；
所述目标产品在至少两个拍摄角度下拍摄得到的多张表面状态照片，包括：笔记本电脑正面照片、笔记本电脑侧面照片以及笔记本电脑拐角照片。
这样设置的好处在于：使得本申请实时例适用于所有基于笔记本电脑图像数据来检测产品质量的场景。
第二方面，本申请实施例还提供了一种产品表面状态的检测装置，包括：
照片获取模块，用于获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片；
结果获取模块，用于将各所述表面状态照片分别输入至对应的检测模型中，并根据各所述检测模型的输出结果，得到与每个所述表面状态照片分别对应的缺陷检测结果；
其中，所述检测模型使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到；
结果确定模块，用于根据与每个所述表面状态照片分别对应的缺陷检测结果，确定所述目标产品的检测结果。
本申请实施例的技术方案，通过获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片；然后将各表面状态照片分别输入至对应的检测模型中，并根据各检测模型的输出结果，得到与每个表面状态照片分别对应的缺陷检测结果；检测模型使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到；最后，根据与每个表面状态照片分别对应的缺陷检测结果，确定目标产品的检测结果，可以基于使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到的检测模型，得到与每个表面状态照片分别对应的缺陷检测结果，可以通过不同检测模型的检测结果，得到一个最终的目标产品的检测结果，使得目标产品的检测结果参考了不同检测模型的检测结果，检测结果更加准确，提高了检测精度，可以根据产品的表面状态照片对产品进行自动化检测，提高了检测效率。
第三方面，本申请实施例还提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例提供的产品表面状态的检测方法。
第四方面，本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行本申请任意实施例提供的产品表面状态的检测方法。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1a为本申请第一实施例中的一种产品表面状态的检测方法的流程图；
图1b为本申请第一实施例中的一种Fast R-CNN算法原理图；
图1c为本申请第一实施例中的一种可变形卷积原理示意图；
图2为本申请第二实施例中的一种产品表面状态的检测方法的流程图；
图3a为本申请第三实施例中的一种产品表面状态的检测方法的流程图；
图3b为本申请第三实施例中的一种产品表面状态的检测***的整体架构图；
图4为本申请第四实施例提供的一种产品表面状态的检测装置的结构示意图；
图5是用来实现本申请实施例的产品表面状态的检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
第一实施例
图1a为本申请第一实施例中的一种产品表面状态的检测方法的流程图，本实施例的技术方案适用于根据产品表面状态检测产品质量的情况，该方法可以由产品表面状态的检测装置执行，该装置可以通过软件，和/或硬件的方式实现，并一般可以集成在电子设备中，具体包括以下步骤：
步骤101、获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片。
本实施例中，通过自动化机械设备，利用架设的工业摄像头和专业的光源设计，在至少两个拍摄角度下，针对至少两个光照强度拍摄待检测的目标产品，得到多张表面状态照片。示例性的，拍摄角度为待检测的目标产品的正面、侧面以及拐角。通过自动化机械设备在待检测的目标产品的正面，针对三个光照强度拍摄得到三张目标产品的正面照片，在待检测的目标产品的侧面，针对三个光照强度拍摄得到的三张目标产品的侧面照片，在待检测的目标产品的拐角，针对三个光照强度拍摄得到的三张目标产品的拐角照片。总计拍摄得到九张表面状态照片。
可选的，目标产品为笔记本电脑。目标产品在至少两个拍摄角度下拍摄得到的多张表面状态照片，包括：笔记本电脑正面照片、笔记本电脑侧面照片以及笔记本电脑拐角照片。
步骤102、将各表面状态照片分别输入至对应的检测模型中，并根据各检测模型的输出结果，得到与每个表面状态照片分别对应的缺陷检测结果。
其中，检测模型使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到。
检测模型的输入为在设定拍摄角度下，针对设定光照强度拍摄得到的表面状态照片。检测模型的输出为表面状态照片对应的缺陷检测结果。
可选的，缺陷检测结果中包括：至少一个缺陷检测项，缺陷检测项中包括：缺陷类型、缺陷位置以及缺陷检测分数。
本实施例中，基于在不同拍摄角度下，针对不同的光照强度拍摄得到的样本图像照片分别训练不同的检测模型。不同检测模型的样本图像照片是不同的。输入至不同的检测模型中的表面状态照片是不同的。
可选的，检测模型为基于Fast R-CNN算法生成的模型；在检测模型中，使用可变形卷积构造卷积层，使用focal loss函数作为损失函数，使用特征金字塔网络算法提取输入照片的图像特征；以及样本图像中的负样本图像，是使用在线困难样本挖掘算法挖掘得到的。
本实施例使用物体检测算法中的Fast R-CNN算法。Fast R-CNN算法的原理结构如图1b所示。在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像作为检测模型的输入，缺陷类型、缺陷位置以及缺陷检测分数作为输出。网络的结构主要是由卷积层(convlayers)、池化层(Roi pooling)、全连接层等组成。其中，卷积操作利用权值不同的卷积核对原始图像或特征图(feature maps)进行扫描卷积，从中提取各种意义的特征，并输出至特征图中。池化操作则对特征图进行降维操作，保留特征图中的主要特征。利用这种具有卷积、池化操作的深度神经网络模型，可以对设定光照强度拍摄得到的样本图像的变形、模糊、光照变化等具有较高的鲁棒性，对于分类任务具有更高的可泛化性。
Fast R-CNN算法首先利用分类模型的卷积操作，得到其特征图。检测模型提取图像特征时采用的卷积backbone网络为含可变形卷积的resnet50网络。在传统卷积中，一个卷积核在滑动过程中，在每一个位置都会以一个固定的尺寸和形状进行采样和卷积计算，池化层以固定的比例减小空间分辨率，池化层把感兴趣区域roi划分成固定的特征块。在可变性卷积中，打破了这个限制，为卷积核增加了一个卷积神经网络学习卷积采样点的偏移量offset，该卷积生成一个宽高与原特征图相同，channel为2N的offset如图1c所示。如此设计，能够减少卷积核在训练、检测过程中在嘈杂背景上的采样，大幅提高检测模型训练效率，提高缺陷召回率的同时降低合格产品的误检率。图1c展示了卷积核大小为3x3的标准卷积和可变形卷积的采样方式。(a)为标准卷积。(b)(c)(d)为可变形卷积。在正常的采样坐标上加上一个偏移量offset(箭头)，其中(c)(d)作为(b)的特殊情况，展示了可变形卷积可以作为尺度变换，比例变换和旋转变换的特殊情况。
提取特征图后，Fast R-CNN算法利用候选区域网络(Region Proposal Network)计算原图的某一区域内是否包含特定的物体：如果包含物体，则利用卷积网络进行特征提取，然后检测其物体类别和边界盒子(bounding box)；如果不包含物体，则不进行分类。这样，将三个网络分支的损失结合到一起，做组合训练，优化检测模型参数。当检测模型的输出与真实值之间的误差值小于一定阈值时，停止训练。
在检测模型中，使用focal loss函数作为损失函数，解决数据样本类别不均衡的问题；使用特征金字塔网络算法提取输入照片的图像特征，提高缺陷召回率；使用在线困难样本挖掘算法挖掘样本图像中的负样本图像，提高检测模型精度。
可选的，将各表面状态照片分别输入至对应的检测模型中，并根据各检测模型的输出结果，得到与每个表面状态照片分别对应的缺陷检测结果，包括：将当前处理的表面状态照片进行切图，得到多张目标尺寸的局部状态照片，目标尺寸与目标产品的最小缺陷尺寸相匹配；将多张局部状态照片分别输入至与当前处理的表面状态照片匹配的检测模型中，得到与各局部状态照片分别对应的缺陷检测结果；将与各局部状态照片分别对应的缺陷检测结果进行组合，得到与当前处理的表面状态照片对应的缺陷检测结果。
其中，从全部表面状态照片中获取一张表面状态照片作为当前处理的表面状态照片。将当前处理的表面状态照片进行切图，得到与当前处理的表面状态照片匹配的多张目标尺寸的局部状态照片。目标尺寸与目标产品的最小缺陷尺寸相匹配。即局部状态照片的尺寸为目标产品的最小缺陷尺寸。然后将与当前处理的表面状态照片匹配的多张局部状态照片分别输入至与当前处理的表面状态照片匹配的检测模型中，得到与各局部状态照片分别对应的缺陷检测结果。将与各局部状态照片分别对应的缺陷检测结果进行组合，得到与当前处理的表面状态照片对应的缺陷检测结果后，返回执行从全部表面状态照片中获取一张表面状态照片作为当前处理的表面状态照片的操作，直至获取与每个表面状态照片分别对应的缺陷检测结果。
步骤103、根据与每个表面状态照片分别对应的缺陷检测结果，确定目标产品的检测结果。
可选的，根据与每个表面状态照片分别对应的缺陷检测结果，确定目标产品的检测结果，可以包括：根据与每个表面状态照片分别对应的缺陷检测结果，以及与每个检测模型分别对应的测量参考权重，确定目标产品的检测结果。
测量参考权重用于衡量检测模型输出的检测结果的参考价值。检测模型输出的检测结果的参考价值越高，检测模型对应的测量参考权重越高。
可选的，预先根据业务需求，设置每个检测模型分别对应的初始测量参考权重。
在一个具体实例中，根据与每个表面状态照片分别对应的缺陷检测结果，以及与每个检测模型分别对应的测量参考权重，确定目标产品的检测结果的方式可以为：将与各表面状态照片对应的缺陷检测结果，分别输入至决策模型中，并获取决策模型输出的检测结果；其中，决策模型预先学习与各检测模型分别对应的测量参考权重，测量参考权重在决策模型的使用过程中迭代更新。
在另一个具体实例中，根据与每个表面状态照片分别对应的缺陷检测结果，以及与每个检测模型分别对应的测量参考权重，确定目标产品的检测结果的方式可以为：获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合；在缺陷检测结果集合中，根据每个缺陷检测结果的测量参考权重，以及缺陷检测结果间的相似度，对每个缺陷检测结果进行打分；根据打分结果，确定与当前处理的拍摄角度匹配的局部检测结果；将至少两个拍摄角度下的局部检测结果进行合并处理，得到目标产品的检测结果。
缺陷检测结果间的相似度指的是各缺陷检测结果的重叠程度。
可选的，根据与每个表面状态照片分别对应的缺陷检测结果，确定目标产品的检测结果，可以包括：获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合；将缺陷检测结果集合中的各缺陷检测结果映射至同一照片中；根据映射结果中各缺陷检测结果的相似度，确定与当前处理的拍摄角度匹配的局部检测结果；将至少两个拍摄角度下的局部检测结合进行合并处理，得到目标产品的检测结果。
本申请实施例的技术方案，通过获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片；然后将各表面状态照片分别输入至对应的检测模型中，并根据各检测模型的输出结果，得到与每个表面状态照片分别对应的缺陷检测结果；检测模型使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到；最后，根据与每个表面状态照片分别对应的缺陷检测结果，确定目标产品的检测结果，可以基于使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到的检测模型，得到与每个表面状态照片分别对应的缺陷检测结果，可以通过不同检测模型的检测结果，得到一个最终的目标产品的检测结果，使得目标产品的检测结果参考了不同检测模型的检测结果，检测结果更加准确，提高了检测精度，可以根据产品的表面状态照片对产品进行自动化检测，提高了检测效率。
第二实施例
图2为本申请第二实施例中的一种产品表面状态的检测方法的流程图，本实施例在上述实施例的基础上进一步细化，将根据与每个表面状态照片分别对应的缺陷检测结果，确定目标产品的检测结果细化为：根据与每个表面状态照片分别对应的缺陷检测结果，以及与每个检测模型分别对应的测量参考权重，确定目标产品的检测结果。
下面结合图2对本申请第二实施例提供的一种产品表面状态的检测方法进行说明，包括以下步骤：
步骤201、获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片。
步骤202、将各表面状态照片分别输入至对应的检测模型中，并根据各检测模型的输出结果，得到与每个表面状态照片分别对应的缺陷检测结果。
步骤203、根据与每个表面状态照片分别对应的缺陷检测结果，以及与每个检测模型分别对应的测量参考权重，确定目标产品的检测结果。
其中，测量参考权重用于衡量检测模型输出的检测结果的参考价值。检测模型输出的检测结果的参考价值越高，检测模型对应的测量参考权重越高。
可选的，预先根据业务需求，设置每个检测模型分别对应的初始测量参考权重。
可选的，根据与每个表面状态照片分别对应的缺陷检测结果，以及与每个检测模型分别对应的测量参考权重，确定目标产品的检测结果，可以包括：将与各表面状态照片对应的缺陷检测结果，分别输入至决策模型中，并获取决策模型输出的检测结果；其中，决策模型预先学习与各检测模型分别对应的测量参考权重，测量参考权重在决策模型的使用过程中迭代更新。
预先训练一个决策模型。决策模型的输入为与每个表面状态照片分别对应的缺陷检测结果。决策模型的输出为目标产品的检测结果。
可选的，将与每个表面状态照片分别对应的缺陷检测结果输入至决策模型后，决策模型根据与每个表面状态照片分别对应的缺陷检测结果，以及与每个检测模型分别对应的测量参考权重，对各缺陷检测结果进行打分，得到各缺陷检测结果的打分结果。然后获取打分结果超过预设分数阈值的缺陷检测结果进行合并处理，得到目标产品的检测结果。
决策模型可以根据目标产品对应的标准质检结果，自动学***台，得到的与目标产品对应的质检结果。决策模型根据标准质检结果，以及与每个表面状态照片分别对应的缺陷检测结果，对各检测模型的参考测量权重进行更新。
可选的，在根据与每个表面状态照片分别对应的缺陷检测结果，以及与每个检测模型分别对应的测量参考权重，确定目标产品的检测结果之后，还包括：将多张表面状态照片发送至专家处理平台，得到与目标产品对应的标准质检结果；通过决策模型，根据标准质检结果，以及与每个表面状态照片分别对应的缺陷检测结果，对各检测模型的参考测量权重进行更新。
可选的，根据与每个表面状态照片分别对应的缺陷检测结果，以及与每个检测模型分别对应的测量参考权重，确定目标产品的检测结果，可以包括：获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合；在缺陷检测结果集合中，根据每个缺陷检测结果的测量参考权重，以及缺陷检测结果间的相似度，对每个缺陷检测结果进行打分；根据打分结果，确定与当前处理的拍摄角度匹配的局部检测结果；将至少两个拍摄角度下的局部检测结果进行合并处理，得到目标产品的检测结果。
缺陷检测结果间的相似度指的是各缺陷检测结果的重叠程度。针对每一个缺陷检测结果，缺陷检测结果间的相似度越高，打分结果越高。
每一个拍摄角度对应一个缺陷检测结果集合。缺陷检测结果集合中为对应拍摄角度下的多个表面状态照片。从全部拍摄角度中获取一个拍摄角度作为当前处理的拍摄角度。获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合。在缺陷检测结果集合中，根据每个缺陷检测结果的测量参考权重，以及缺陷检测结果间的相似度，对每个缺陷检测结果进行打分。根据打分结果，确定与当前处理的拍摄角度匹配的局部检测结果。例如，获取打分结果超过预设分数阈值的缺陷检测结果进行合并处理，得到与当前处理的拍摄角度匹配的局部检测结果。根据打分结果，确定与当前处理的拍摄角度匹配的局部检测结果后，返回执行从全部拍摄角度中获取一个拍摄角度作为当前处理的拍摄角度的操作，直至得到各个拍摄角度下的局部检测结果。
本申请实施例的技术方案，通过根据与每个表面状态照片分别对应的缺陷检测结果，以及与每个检测模型分别对应的测量参考权重，确定目标产品的检测结果，可以根据不同检测模型的检测结果，以及每个检测模型分别对应的测量参考权重，得到一个最终的目标产品的检测结果，使得目标产品的检测结果参考了不同检测模型的检测结果和测量参考权重，检测结果更加准确，提高了检测精度。
第三实施例
图3a为本申请第三实施例中的一种产品表面状态的检测方法的流程图，本实施例在上述实施例的基础上进一步细化，将根据与每个表面状态照片分别对应的缺陷检测结果，确定目标产品的检测结果细化为：获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合；将缺陷检测结果集合中的各缺陷检测结果映射至同一照片中；根据映射结果中各缺陷检测结果的相似度，确定与当前处理的拍摄角度匹配的局部检测结果；将至少两个拍摄角度下的局部检测结合进行合并处理，得到目标产品的检测结果。
下面结合图3a对本申请第三实施例提供的一种产品表面状态的检测方法进行说明，包括以下步骤：
步骤301、获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片。
步骤302、将各表面状态照片分别输入至对应的检测模型中，并根据各检测模型的输出结果，得到与每个表面状态照片分别对应的缺陷检测结果。
其中，检测模型使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到。
步骤303、从全部拍摄角度中获取一个拍摄角度作为当前处理的拍摄角度。
其中，每一个拍摄角度对应一个缺陷检测结果集合。缺陷检测结果集合中为对应拍摄角度下的多个表面状态照片。
步骤304、获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合。
步骤305、将缺陷检测结果集合中的各缺陷检测结果映射至同一照片中。
可选的，缺陷检测结果中包括：至少一个缺陷检测项，缺陷检测项中包括：缺陷类型、缺陷位置以及缺陷检测分数。根据缺陷位置，将缺陷检测结果集合中的各缺陷检测结果映射至同一照片中。
步骤306、根据映射结果中各缺陷检测结果的相似度，确定与当前处理的拍摄角度匹配的局部检测结果后，返回执行从全部拍摄角度中获取一个拍摄角度作为当前处理的拍摄角度的操作，直至得到各个拍摄角度下的局部检测结果。
可选的，根据映射结果中各缺陷检测结果的相似度，获取相似度大于预设相似度阈值的缺陷检测结果进行合并处理，得到与当前处理的拍摄角度匹配的局部检测结果。
步骤307、将至少两个拍摄角度下的局部检测结合进行合并处理，得到目标产品的检测结果。
其中，将各个拍摄角度下的局部检测结合进行合并处理，得到目标产品的检测结果。
图3b为本申请第三实施例中的一种产品表面状态的检测***的整体架构图。通过自动化机械设备在待检测的产品的正面，针对至少两个光照强度拍摄得到多张产品的正面照片，在待检测的产品的侧面，针对至少两个光照强度拍摄得到的多张产品的侧面照片，在待检测的目标产品的拐角，针对至少两个光照强度拍摄得到的多张产品的拐角照片，即得到多张产品的表面状态照片。根据最小缺陷比例对各个表面状态照片进行切图，得到与各个表面状态照片对应的局部状态照片。将与各个照片对应的局部状态照片存储至生产数据库。将多张局部状态照片分别输入至对应的检测模型中，得到与各局部状态照片分别对应的缺陷检测结果。将与各局部状态照片分别对应的缺陷检测结果进行合并，得到与当前处理的表面状态照片对应的缺陷检测结果。缺陷检测结果包括：缺陷类别、缺陷位置以及预测分数。将与各表面状态照片对应的缺陷检测结果，分别输入至决策模块中，并获取决策模块输出的产品检测结果。在***运行一段时间后，可以通过质检员人工复核，标注缺陷检测和定位的准确率，然后更新训练据库，对重新训练检测模型，从而对检测模型进行迭代，以提高缺陷检测准确率。
在一个具体实例中，一种产品表面状态的检测***可以包括以下几个模块：数据采集模块，用于通过机械自动化设备，将产线运送来的目标产品依次进行各个拍摄角度的照片拍摄，将图像发送至控制模块；故障判定模块，用于通过人工智能视觉算法，在集群或质检一体机上对产品表面状态的检测请求中的图像数据进行故障判定，并返回检测结果；控制模块，用于协同硬件资源使用状况，调度检测任务的发起操作、终止操作，检测任务的发起操作，接受多模型检测结果，进行最终决策，并发出分料指令；分料模块，用于通过自动化设备，根据决策***的最终检测结果将对应目标产品的实物进行分料；训练引擎，用于基于专家标注的图像数据，在图形处理器(Graphics Processing Unit，GPU)上进行深度学习模型训练；数据库，用于存储产品的原始图像数据、模型检测结果及质量分析数据。
控制模块将生产线上数据采集模块实时产生的照片转化为检测请求(query)，并根据线上检测模型的部署情况实时进行负载均衡和调度，将检测请求发送至最佳的搭载着检测模型的服务器上。该服务器上实时运行着故障判定模块。故障判定模块中的深度学习模型已经由训练引擎训练完成。模型对于到来的监测请求中的图像数据进行预设的预处理后，进行物体检测计算，并给出代表缺陷的类别信息缺陷的位置信息，并将结果传送至控制模块。控制模块与业务场景结合设计，能够根据业务需求，对模型给出的检测结果做出符合生产环境场景要求的响应，如报警、存储日志、控制机械臂等。控制模块会将检测结果及响应的处理行为作为线上生产日志存储到生产数据库中。
在训练引擎模块中，对于每一次训练好的模型可通过小流量上线的方式逐步取代正在线上运行的旧模型，以达到模型随业务动态扩展泛化的目的。在***运行一段时间后，可以通过人工生成数据库中的信息，复查缺陷检测和定位的准确率，然后更新训练据库，重新训练缺陷检测模型，以提高缺陷检测准确率。
本申请实施例的技术方案，通过获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合，将缺陷检测结果集合中的各缺陷检测结果映射至同一照片中，然后根据映射结果中各缺陷检测结果的相似度，确定与当前处理的拍摄角度匹配的局部检测结果；最后，将至少两个拍摄角度下的局部检测结合进行合并处理，得到目标产品的检测结果，可以根据缺陷检测结果的相似度，得到一个最终的目标产品的检测结果，使得目标产品的检测结果参考了缺陷检测结果的重叠程度，检测结果更加准确，提高了检测精度。
第四实施例
图4为本申请第四实施例提供的一种产品表面状态的检测装置的结构示意图，该产品表面状态的检测装置，包括：照片获取模块401、结果获取模块402以及结果确定模块403。
其中，照片获取模块401，用于获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片；结果获取模块402，用于将各表面状态照片分别输入至对应的检测模型中，并根据各检测模型的输出结果，得到与每个表面状态照片分别对应的缺陷检测结果；其中，检测模型使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到；结果确定模块403，用于根据与每个表面状态照片分别对应的缺陷检测结果，确定目标产品的检测结果。
本申请实施例的技术方案，通过获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片；然后将各表面状态照片分别输入至对应的检测模型中，并根据各检测模型的输出结果，得到与每个表面状态照片分别对应的缺陷检测结果；检测模型使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到；最后，根据与每个表面状态照片分别对应的缺陷检测结果，确定目标产品的检测结果，可以基于使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到的检测模型，得到与每个表面状态照片分别对应的缺陷检测结果，可以通过不同检测模型的检测结果，得到一个最终的目标产品的检测结果，使得目标产品的检测结果参考了不同检测模型的检测结果，检测结果更加准确，提高了检测精度，可以根据产品的表面状态照片对产品进行自动化检测，提高了检测效率。
可选的，结果确定模块403包括：第一结果确定单元，用于根据与每个表面状态照片分别对应的缺陷检测结果，以及与每个检测模型分别对应的测量参考权重，确定目标产品的检测结果。
可选的，第一结果确定单元包括：结果获取子单元，用于将与各表面状态照片对应的缺陷检测结果，分别输入至决策模型中，并获取决策模型输出的检测结果；其中，决策模型预先学习与各检测模型分别对应的测量参考权重，测量参考权重在决策模型的使用过程中迭代更新。
可选的，第一结果确定单元包括：集合获取子单元，用于获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合；结果打分子单元，用于在缺陷检测结果集合中，根据每个缺陷检测结果的测量参考权重，以及缺陷检测结果间的相似度，对每个缺陷检测结果进行打分；结果确定子单元，用于根据打分结果，确定与当前处理的拍摄角度匹配的局部检测结果；结果合并子单元，用于将至少两个拍摄角度下的局部检测结果进行合并处理，得到目标产品的检测结果。
可选的，结果确定模块403包括：集合获取子单元，用于获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合；结果映射子单元，用于将缺陷检测结果集合中的各缺陷检测结果映射至同一照片中；结果确定子单元，用于根据映射结果中各所述缺陷检测结果的相似度，确定与当前处理的拍摄角度匹配的局部检测结果；结果合并子单元，用于将至少两个拍摄角度下的局部检测结合进行合并处理，得到目标产品的检测结果。
可选的，结果获取模块402包括：照片切图单元，用于将当前处理的表面状态照片进行切图，得到多张目标尺寸的局部状态照片，目标尺寸与目标产品的最小缺陷尺寸相匹配；结果获取单元，用于将多张局部状态照片分别输入至与当前处理的表面状态照片匹配的检测模型中，得到与各局部状态照片分别对应的缺陷检测结果；结果合并单元，用于将与各局部状态照片分别对应的缺陷检测结果进行组合，得到与当前处理的表面状态照片对应的缺陷检测结果。
可选的，检测模型为基于Fast R-CNN算法生成的模型；在检测模型中，使用可变形卷积构造卷积层，使用focal loss函数作为损失函数，使用特征金字塔网络算法提取输入照片的图像特征；以及样本图像中的负样本图像，是使用在线困难样本挖掘算法挖掘得到的。
可选的，目标产品为笔记本电脑；目标产品在至少两个拍摄角度下拍摄得到的多张表面状态照片，包括：笔记本电脑正面照片、笔记本电脑侧面照片以及笔记本电脑拐角照片。
本申请实施例所提供的产品表面状态的检测装置可执行本申请任意实施例所提供的产品表面状态的检测方法，具备执行方法相应的功能模块和有益效果。
第五实施例
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。图5是用来实现本申请实施例的产品表面状态的检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的产品表面状态的检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的产品表面状态的检测方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的产品表面状态的检测方法对应的程序指令/模块(例如，附图4所示的照片获取模块401、结果获取模块402以及结果确定模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的产品表面状态的检测方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据实现产品表面状态的检测方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至实现产品表面状态的检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
产品表面状态的检测方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与实现产品表面状态的检测方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本申请实施例的技术方案，通过获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片；然后将各表面状态照片分别输入至对应的检测模型中，并根据各检测模型的输出结果，得到与每个表面状态照片分别对应的缺陷检测结果；检测模型使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到；最后，根据与每个表面状态照片分别对应的缺陷检测结果，确定目标产品的检测结果，可以基于使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到的检测模型，得到与每个表面状态照片分别对应的缺陷检测结果，可以通过不同检测模型的检测结果，得到一个最终的目标产品的检测结果，使得目标产品的检测结果参考了不同检测模型的检测结果，检测结果更加准确，提高了检测精度，可以根据产品的表面状态照片对产品进行自动化检测，提高了检测效率。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (11)
1.一种产品表面状态的检测方法，其特征在于，包括：
获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片；
将各所述表面状态照片分别输入至对应的检测模型中，并根据各所述检测模型的输出结果，得到与每个所述表面状态照片分别对应的缺陷检测结果；
其中，所述检测模型使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到；
根据与每个所述表面状态照片分别对应的缺陷检测结果，确定所述目标产品的检测结果。
2.根据权利要求1所述的方法，其特征在于，根据与每个所述表面状态照片分别对应的缺陷检测结果，确定所述目标产品的检测结果，包括：
根据与每个所述表面状态照片分别对应的缺陷检测结果，以及与每个所述检测模型分别对应的测量参考权重，确定所述目标产品的检测结果。
3.根据权利要求2所述的方法，其特征在于，根据与每个所述表面状态照片分别对应的缺陷检测结果，以及与每个所述检测模型分别对应的测量参考权重，确定所述目标产品的检测结果，包括：
将与各所述表面状态照片对应的缺陷检测结果，分别输入至决策模型中，并获取所述决策模型输出的所述检测结果；
其中，所述决策模型预先学习与各所述检测模型分别对应的测量参考权重，所述测量参考权重在所述决策模型的使用过程中迭代更新。
4.根据权利要求2所述的方法，其特征在于，根据与每个所述表面状态照片分别对应的缺陷检测结果，以及与每个所述检测模型分别对应的测量参考权重，确定所述目标产品的检测结果，包括：
获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合；
在所述缺陷检测结果集合中，根据每个缺陷检测结果的测量参考权重，以及缺陷检测结果间的相似度，对每个所述缺陷检测结果进行打分；
根据打分结果，确定与所述当前处理的拍摄角度匹配的局部检测结果；
将所述至少两个拍摄角度下的局部检测结果进行合并处理，得到所述目标产品的检测结果。
5.根据权利要求1所述的方法，其特征在于，根据与每个所述表面状态照片分别对应的缺陷检测结果，确定所述目标产品的检测结果，包括：
获取与当前处理的拍摄角度下的多个表面状态照片对应的缺陷检测结果集合；
将所述缺陷检测结果集合中的各所述缺陷检测结果映射至同一照片中；
根据所述映射结果中各所述缺陷检测结果的相似度，确定与所述当前处理的拍摄角度匹配的局部检测结果；
将所述至少两个拍摄角度下的局部检测结合进行合并处理，得到所述目标产品的检测结果。
6.根据权利要求1－5任一项所述的方法，其特征在于，将各所述表面状态照片分别输入至对应的检测模型中，并根据各所述检测模型的输出结果，得到与每个所述表面状态照片分别对应的缺陷检测结果，包括：
将当前处理的表面状态照片进行切图，得到多张目标尺寸的局部状态照片，所述目标尺寸与所述目标产品的最小缺陷尺寸相匹配；
将多张所述局部状态照片分别输入至与所述当前处理的表面状态照片匹配的检测模型中，得到与各所述局部状态照片分别对应的缺陷检测结果；
将与各所述局部状态照片分别对应的缺陷检测结果进行组合，得到与所述当前处理的表面状态照片对应的缺陷检测结果。
7.根据权利要求1－5任一项所述的方法，其特征在于：
所述检测模型为基于FastR－CNN算法生成的模型；
在所述检测模型中，使用可变形卷积构造卷积层，使用focalloss函数作为损失函数，使用特征金字塔网络算法提取输入照片的图像特征；以及
所述样本图像中的负样本图像，是使用在线困难样本挖掘算法挖掘得到的。
8.根据权利要求1－5任一项所述的方法，其特征在于，所述目标产品为笔记本电脑；
所述目标产品在至少两个拍摄角度下拍摄得到的多张表面状态照片，包括：笔记本电脑正面照片、笔记本电脑侧面照片以及笔记本电脑拐角照片。
9.一种产品表面状态的检测装置，其特征在于，包括：
照片获取模块，用于获取待检测的目标产品在至少两个拍摄角度下，针对至少两个光照强度拍摄得到的多张表面状态照片；
结果获取模块，用于将各所述表面状态照片分别输入至对应的检测模型中，并根据各所述检测模型的输出结果，得到与每个所述表面状态照片分别对应的缺陷检测结果；
其中，所述检测模型使用在设定拍摄角度下，针对设定光照强度拍摄得到的样本图像训练得到；
结果确定模块，用于根据与每个所述表面状态照片分别对应的缺陷检测结果，确定所述目标产品的检测结果。
10.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1－8中任一项所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1－8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910816859.2A CN110517259A (zh) | 2019-08-30 | 2019-08-30 | 一种产品表面状态的检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910816859.2A CN110517259A (zh) | 2019-08-30 | 2019-08-30 | 一种产品表面状态的检测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110517259A true CN110517259A (zh) | 2019-11-29 |
Family
ID=68628872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910816859.2A Pending CN110517259A (zh) | 2019-08-30 | 2019-08-30 | 一种产品表面状态的检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110517259A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110261392A (zh) * | 2019-06-19 | 2019-09-20 | 北京百度网讯科技有限公司 | 质量检测方法、装置、电子设备和*** |
| CN111325744A (zh) * | 2020-03-06 | 2020-06-23 | 成都数之联科技有限公司 | 一种面板缺陷检测中的样本处理方法 |
| CN111402220A (zh) * | 2020-03-11 | 2020-07-10 | 北京百度网讯科技有限公司 | 用于获取信息的方法及装置 |
| CN111768386A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、电子设备和存储介质 |
| CN112184622A (zh) * | 2020-08-31 | 2021-01-05 | 广东三和管桩股份有限公司 | 管桩外观质量检验方法、***、计算机设备及存储介质 |
| CN112686852A (zh) * | 2020-12-25 | 2021-04-20 | 浙江伟星实业发展股份有限公司 | 一种产品缺陷识别方法、装置、设备及存储介质 |
| CN112907560A (zh) * | 2021-03-16 | 2021-06-04 | 中科海拓(无锡)科技有限公司 | 一种基于深度学习的笔记本外观瑕疵分割方法 |
| CN113176278A (zh) * | 2021-03-19 | 2021-07-27 | 哈工大机器人(中山)无人装备与人工智能研究院 | 一种面板缺陷检测设备及面板缺陷检测方法 |
| CN113192056A (zh) * | 2021-05-21 | 2021-07-30 | 北京市商汤科技开发有限公司 | 图像检测方法和相关装置、设备、存储介质 |
| CN113252678A (zh) * | 2021-03-24 | 2021-08-13 | 上海万物新生环保科技集团有限公司 | 一种移动终端的外观质检方法及设备 |
| CN113361413A (zh) * | 2021-06-08 | 2021-09-07 | 南京三百云信息科技有限公司 | 一种里程显示区域检测方法、装置、设备及存储介质 |
| CN114926441A (zh) * | 2022-05-26 | 2022-08-19 | 昆山缔微致精密电子有限公司 | 一种注塑件加工成型的缺陷检测方法及*** |
-
2019
- 2019-08-30 CN CN201910816859.2A patent/CN110517259A/zh active Pending
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110261392A (zh) * | 2019-06-19 | 2019-09-20 | 北京百度网讯科技有限公司 | 质量检测方法、装置、电子设备和*** |
| CN111325744A (zh) * | 2020-03-06 | 2020-06-23 | 成都数之联科技有限公司 | 一种面板缺陷检测中的样本处理方法 |
| WO2021179565A1 (zh) * | 2020-03-11 | 2021-09-16 | 北京百度网讯科技有限公司 | 用于获取信息的方法及装置 |
| CN111402220A (zh) * | 2020-03-11 | 2020-07-10 | 北京百度网讯科技有限公司 | 用于获取信息的方法及装置 |
| CN111402220B (zh) * | 2020-03-11 | 2023-06-09 | 北京百度网讯科技有限公司 | 用于获取信息的方法及装置 |
| CN111768386A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、电子设备和存储介质 |
| CN111768386B (zh) * | 2020-06-30 | 2024-02-20 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、电子设备和存储介质 |
| CN112184622A (zh) * | 2020-08-31 | 2021-01-05 | 广东三和管桩股份有限公司 | 管桩外观质量检验方法、***、计算机设备及存储介质 |
| CN112686852A (zh) * | 2020-12-25 | 2021-04-20 | 浙江伟星实业发展股份有限公司 | 一种产品缺陷识别方法、装置、设备及存储介质 |
| CN112907560A (zh) * | 2021-03-16 | 2021-06-04 | 中科海拓(无锡)科技有限公司 | 一种基于深度学习的笔记本外观瑕疵分割方法 |
| CN113176278B (zh) * | 2021-03-19 | 2022-07-22 | 哈工大机器人(中山)无人装备与人工智能研究院 | 一种面板缺陷检测设备及面板缺陷检测方法 |
| CN113176278A (zh) * | 2021-03-19 | 2021-07-27 | 哈工大机器人(中山)无人装备与人工智能研究院 | 一种面板缺陷检测设备及面板缺陷检测方法 |
| CN113252678A (zh) * | 2021-03-24 | 2021-08-13 | 上海万物新生环保科技集团有限公司 | 一种移动终端的外观质检方法及设备 |
| CN113192056A (zh) * | 2021-05-21 | 2021-07-30 | 北京市商汤科技开发有限公司 | 图像检测方法和相关装置、设备、存储介质 |
| CN113361413A (zh) * | 2021-06-08 | 2021-09-07 | 南京三百云信息科技有限公司 | 一种里程显示区域检测方法、装置、设备及存储介质 |
| CN114926441A (zh) * | 2022-05-26 | 2022-08-19 | 昆山缔微致精密电子有限公司 | 一种注塑件加工成型的缺陷检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110517259A (zh) | 一种产品表面状态的检测方法、装置、设备及介质 | |
| CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN111986178A (zh) | 产品缺陷检测方法、装置、电子设备和存储介质 | |
| CN111693534B (zh) | 表面缺陷的检测方法、模型训练方法、装置、设备和介质 | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
| US20200175673A1 (en) | Method and device for detecting defect of meal box, server, and storage medium | |
| CN110726724A (zh) | 缺陷检测方法、***和装置 | |
| CN111539347B (zh) | 用于检测目标的方法和装置 | |
| CN111369602A (zh) | 点云数据的处理方法、装置、电子设备及可读存储介质 | |
| CN111626027B (zh) | 表格结构还原方法、装置、设备、***和可读存储介质 | |
| CN106845494A (zh) | 一种检测图像中轮廓角点的方法及装置 | |
| CN112241716B (zh) | 训练样本的生成方法和装置 | |
| CN111967490A (zh) | 用于地图检测的模型训练方法和地图检测方法 | |
| WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN111524113A (zh) | 提升链异常识别方法、***、设备及介质 | |
| CN112288699A (zh) | 图像相对清晰度的评估方法、装置、设备和介质 | |
| CN114202074A (zh) | 用于目标检测任务的预训练模型生成方法、装置及设备 | |
| CN115908988A (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
| CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
| CN116977257A (zh) | 缺陷检测方法、装置、电子设备、存储介质及程序产品 | |
| US11961218B2 (en) | Machine vision systems and methods for automatically generating one or more machine vision jobs based on region of interests (ROIs) of digital images | |
| CN109598712A (zh) | 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质 | |
| CN112749701A (zh) | 车牌污损分类模型的生成方法和车牌污损分类方法 | |
| CN117173154A (zh) | 玻璃瓶的在线图像检测***及其方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |