CN115937184A - 一种物品装配检测方法、装置及终端设备 - Google Patents
一种物品装配检测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN115937184A CN115937184A CN202211701964.XA CN202211701964A CN115937184A CN 115937184 A CN115937184 A CN 115937184A CN 202211701964 A CN202211701964 A CN 202211701964A CN 115937184 A CN115937184 A CN 115937184A
- Authority
- CN
- China
- Prior art keywords
- detection
- assembly
- target
- detected
- article
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 645
- 238000012549 training Methods 0.000 claims abstract description 146
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000004590 computer program Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 28
- 238000004519 manufacturing process Methods 0.000 abstract description 23
- 238000012797 qualification Methods 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 65
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本申请适用于神经网络技术领域，提供了一种物品装配检测方法、装置及终端设备，方法包括：在接收到运送管理终端发送的触发指令时，根据触发指令采集对应检测位置上包含检测目标的待检测物品图像数据，根据检测目标确定目标预训练装配检测模型，将待检测物品图像数据输入至目标预训练装配检测模型中处理，得到模型处理结果，基于模型处理结果及与检测目标对应的目标预设检测标准，得到检测目标的装配检测结果，根据装配检测结果生成对应的控制指令，并发送至运送管理终端。本申请实现在生产过程中，基于预训练的装配检测模型检测不同位置上检测目标的装配合格程度，完成自动化的多工序装配检测流程，成本低且操作简单，检测精度高且稳定。
Description
技术领域
本申请属于神经网络技术领域，尤其涉及一种物品装配检测方法、装置及终端设备。
背景技术
在现代工业环境中，制造工厂在对产品进行运输、检测的过程中，易出现由于碰撞、挤压变形或外界环境等造成产品损坏的情况。为了避免上述情况，需要在生产过程中进行产品的装配检测。
相关的产品装配检测方法，主要包括人工检测或使用传统图像处理算法两种方式。其中，人工检测方法需要消耗大量的人力物力，成本高且检测效率较低。传统图像处理算法的流程复杂且检测精度不稳定。
发明内容
本申请实施例提供了一种物品装配检测方法、装置及终端设备，可以解决相关装配检测方法成本较高、流程复杂、检测精度不高的问题。
第一方面，本申请实施例提供了一种物品装配检测方法，包括：
在接收到运送管理终端发送的触发指令时，根据所述触发指令采集对应检测位置上的待检测物品图像数据；其中，所述待检测物品图像数据包含所述触发指令携带的检测目标；
根据所述检测目标确定目标预训练装配检测模型；
将所述待检测物品图像数据输入至所述目标预训练装配检测模型中处理，得到模型处理结果；所述目标预训练装配检测模型用于确定待检测物品是否装配有所述检测目标；
基于所述模型处理结果及与所述检测目标对应的目标预设检测标准，得到所述检测目标的装配检测结果；其中，所述装配检测结果用于表示所述检测目标是否装配合格；
根据所述装配检测结果生成对应的控制指令，并发送至所述运送管理终端；其中，所述控制指令用于触发所述运送管理终端将所述待检测物品运输至目标位置。
在一个实施例中，所述检测目标包括至少两种类型；
对应的，所述在接收到运送管理终端发送的触发指令时，根据所述触发指令采集对应检测位置上的待检测物品图像数据之前，包括：
获取与每个类型的检测目标对应的训练数据集；其中，所述训练数据集包括与所述类型的检测目标对应的装配合格样本数据及装配不合格样本数据；
针对每个类型的检测目标对应的训练数据集，将所述训练数据集输入至装配检测模型进行预训练，得到与所述类型的检测目标对应的预训练的装配检测模型；其中，所述预训练的装配检测模型用于确定是否装配有对应类型的检测目标。
在一个实施例中，所述检测目标包括：第一检测目标、第二检测目标和第三检测目标；
对应的，所述根据所述检测目标确定目标预训练装配检测模型，包括：
所述检测目标为第一检测目标时，确定第一预训练的装配检测模型为所述目标预训练装配检测模型；所述第一预训练的装配检测模型为基于第一训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第一检测目标的装配检测模型；所述第一训练数据集包括与所述第一检测目标对应的第一装配合格样本数据及第一装配不合格样本数据；
或者，所述检测目标为第二检测目标时，确定第二预训练的装配检测模型为所述目标预训练装配检测模型；所述第二预训练的装配检测模型为基于第二训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第二检测目标的装配检测模型；所述第二训练数据集包括与所述第二检测目标对应的第二装配合格样本数据及第二装配不合格样本数据；
或者，所述检测目标为第三检测目标时，确定第三预训练的装配检测模型为所述目标预训练装配检测模型；所述第三预训练的装配检测模型为基于第三训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第三检测目标的装配检测模型；所述第三训练数据集包括与所述第三检测目标对应的第三装配合格样本数据及第三装配不合格样本数据。
在一个实施例中，所述装配检测模型由骨干网络、特征识别网络和预测模型顺次连接构成；所述特征识别网络包括多个GBL_n卷积模块；所述GBL_n卷积模块由递归门控卷积模块、批标准化层和激活函数顺次连接构成。
在一个实施例中，所述基于所述模型处理结果及与所述检测目标对应的目标预设检测标准，得到所述检测目标的装配检测结果，包括：
确定与所述检测目标对应的目标预设检测标准；
在检测到所述模型处理结果与所述目标预设检测标准匹配时，判定所述装配检测结果为检测目标装配合格；
或者，
在检测到所述模型处理结果与所述目标预设检测标准不匹配时，判定所述装配检测结果为检测目标装配不合格。
在一个实施例中，根据所述装配检测结果生成对应的控制指令，包括：
在检测到所述装配检测结果为所述检测目标装配合格时，确定所述目标位置为下一检测位置；
根据所述下一检测位置生成对应的传输指令，并发送至所述运送管理终端，以触发所述运送管理终端将所述待检测物品运输至下一检测位置。
在一个实施例中，根据所述装配检测结果生成对应的控制指令，还包括：
在检测到所述装配检测结果为检测目标装配不合格时，确定所述目标位置为不合格区域；
根据所述不合格区域生成滤除指令并发送至所述运送管理终端，以触发所述运送管理终端将所述待检测物品运输至所述不合格区域。
通过在接收到运送管理终端发送的触发指令时，根据触发指令采集对应检测位置上的待检测物品图像数据，根据检测目标确定目标预训练装配检测模型，将待检测物品图像数据输入至目标预训练装配检测模型中处理，得到模型处理结果，基于模型处理结果及与检测目标对应的目标预设检测标准，得到检测目标的装配检测结果，根据装配检测结果生成对应的控制指令，并发送至运送管理终端以触发运送管理终端将待检测物品运输至目标位置。实现在对待检测物品生产装配的过程中，基于预训练的装配检测模型对不同检测位置上待检测物品的不同检测目标装配合格程度进行检测，根据检测目标装配检测结果确定目标位置并进行运输，完成待检测物品的多工序的装配检测流程，成本低且操作简单，检测精度高且稳定。
第二方面，本申请实施例提供了一种物品装配检测装置，包括：
数据采集模块，用于在接收到运送管理终端发送的触发指令时，根据所述触发指令采集对应检测位置上的待检测物品图像数据；其中，所述待检测物品图像数据包含所述触发指令携带的检测目标；
模型确定模块，用于根据所述检测目标确定目标预训练装配检测模型；
图像处理模块，用于将所述待检测物品图像数据输入至所述目标预训练装配检测模型中处理，得到模型处理结果；所述目标预训练装配检测模型用于确定待检测物品是否装配有所述检测目标；
结果检测模块，用于基于所述模型处理结果及与所述检测目标对应的目标预设检测标准，得到所述检测目标的装配检测结果；其中，所述装配检测结果用于表示所述检测目标是否装配合格；
生成模块，用于根据所述装配检测结果生成对应的控制指令，并发送至所述运送管理终端；其中，所述控制指令用于触发所述运送管理终端将所述待检测物品运输至目标位置。
在一个实施例中，所述检测目标包括至少两种类型；
对应的，所述装置，还包括：
数据集获取模块，用于获取与每个类型的检测目标对应的训练数据集；其中，所述训练数据集包括与所述类型的检测目标对应的装配合格样本数据及装配不合格样本数据；
预训练模块，用于针对每个类型的检测目标对应的训练数据集，将所述训练数据集输入至装配检测模型进行预训练，得到与所述类型的检测目标对应的预训练的装配检测模型；其中，所述预训练的装配检测模型用于确定是否装配有对应类型的检测目标。
在一个实施例中，所述检测目标包括：第一检测目标、第二检测目标和第三检测目标；
对应的，模型确定模块，包括：
第一确定单元，用于所述检测目标为第一检测目标时，确定第一预训练的装配检测模型为所述目标预训练装配检测模型；所述第一预训练的装配检测模型为基于第一训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第一检测目标的装配检测模型；所述第一训练数据集包括与所述第一检测目标对应的第一装配合格样本数据及第一装配不合格样本数据；
或者，
第二确定单元，用于所述检测目标为第二检测目标时，确定第二预训练的装配检测模型为所述目标预训练装配检测模型；所述第二预训练的装配检测模型为基于第二训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第二检测目标的装配检测模型；所述第二训练数据集包括与所述第二检测目标对应的第二装配合格样本数据及第二装配不合格样本数据；
或者，
第三确定单元，用于所述检测目标为第三检测目标时，确定第三预训练的装配检测模型为所述目标预训练装配检测模型；所述第三预训练的装配检测模型为基于第三训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第三检测目标的装配检测模型；所述第三训练数据集包括与所述第三检测目标对应的第三装配合格样本数据及第三装配不合格样本数据。
在一个实施例中，所述装配检测模型由骨干网络、特征识别网络和预测模型顺次连接构成；所述特征识别网络包括多个GBL_n卷积模块；所述GBL_n卷积模块由递归门控卷积模块、批标准化层和激活函数顺次连接构成。
在一个实施例中，所述结果检测模块，包括：
标准确定单元，用于确定与所述检测目标对应的目标预设检测标准；
第一结果检测单元，用于在检测到所述模型处理结果与所述目标预设检测标准匹配时，判定所述装配检测结果为检测目标装配合格；
或者，
第一结果检测单元，用于在检测到所述模型处理结果与所述目标预设检测标准不匹配时，判定所述装配检测结果为检测目标装配不合格。
在一个实施例中，所述生成模块，包括：
第一位置确定单元，用于在检测到所述装配检测结果为所述检测目标装配合格时，确定所述目标位置为下一检测位置；
传输单元，用于根据所述下一检测位置生成对应的传输指令，并发送至所述运送管理终端，以触发所述运送管理终端将所述待检测物品运输至下一检测位置。
在一个实施例中，所述生成模块，还包括：
第二位置确定单元，用于在检测到所述装配检测结果为检测目标装配不合格时，确定所述目标位置为不合格区域；
筛选单元，用于根据所述不合格区域生成滤除指令并发送至所述运送管理终端，以触发所述运送管理终端将所述待检测物品运输至所述不合格区域。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述的物品装配检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一项所述的物品装配检测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的物品装配检测方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的物品装配检测***的示意图；
图2是本申请实施例提供的物品装配检测方法的流程示意图；
图3是本申请实施例提供的物品装配检测方法的另一流程示意图
图4是本申请实施例提供的装配检测模型中特征识别网络的结构示意图；
图5是本申请实施例提供的装配检测模型中GBL_n卷积模块的结构示意图；
图6是本申请实施例提供的物品装配检测装置的结构示意图；
图7是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的物品装配检测方法可以应用于手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
近年来，虽然工业产品装配检测方法已经实现了一定的发展，但是相关产品装配检测还是存在成本高且检测效率较低或者流程复杂且检测精度不稳定的问题，在一定程度上导致了产品质量不稳定的问题。为解决这一问题，本申请提出了一种物品装配检测方法、物品装配检测装置、终端设备及计算机可读存储介质，可在对待检测物品装配的过程中，基于预训练的装配检测模型对不同检测位置上待检测物品的不同检测目标装配合格程度进行检测，并基于检测结果进行对应的目标位置传输，完成待检测物品的多工序装配检测流程。
为实现本申请所提出的技术方案，可先构建一基物品装配检测***。请参阅图1，该物品装配检测***由一个物品装配检测终端、一个运送管理终端构成，且物品装配检测终端与运送管理终端之间通信连接。
其中，运送管理终端具体为一个可用于运输待检测物品，并检测待运输物品实时位置的设备；物品装配检测终端为实现针对待检测物品不同生产工序的装配合格程度进行检测的设备。在待检测物品的生产过程中，运送管理终端用于在检测到待检测物品抵达检测位置时，生成触发指令并发送至物品装配检测终端。物品装配检测终端用于在接收到运送管理终端发送的触发指令时，根据触发指令控制对应检测位置上预先设置的工业相机采集该检测位置上包含检测目标的待检测物品图像数据，根据检测目标确定目标预训练装配检测模型，将待检测物品图像数据输入至目标预训练装配检测模型中处理，得到模型处理结果，基于模型处理结果及与检测目标对应的目标预设检测标准，得到检测目标的装配检测结果，根据装配检测结果生成对应的控制指令，并发送至运送管理终端，以触发运送管理终端将待检测物品运输至目标位置。实现在对待检测物品装配的过程中，基于预训练的装配检测模型对不同检测位置上待检测物品的不同检测目标装配合格程度进行检测，并基于检测结果进行对应的目标位置传输，以触发运送管理终端将待检测物品运输至目标位置，完成待检测物品的多工序装配检测流程，成本低且操作简单，检测精度高且稳定。
为了说明本申请所提出的技术方案，下面通过具体实施例来进行说明。
图2示出了本申请提供的物品装配检测方法的示意性流程图，作为示例而非限定，该方法可以应用于上述笔记本电脑中。
S101、在接收到运送管理终端发送的触发指令时，根据所述触发指令采集对应检测位置上的待检测物品图像数据；其中，所述待检测物品图像数据包含所述触发指令携带的检测目标。
具体的，当前终端与运送管理终端通信连接，在待检测物品的生产过程中，运送管理终端用于运输待检测物品，使待检测物品按照预设的生产流程流转，在待检测物品抵达某个检测位置时，触发运送管理终端上的光电开关信号，运送管理终端随即生成触发指令，当前终端在接收到运送管理终端发送的触发指令时，根据触发指令通过当前终端的摄像头，或与当前终端通信连接的工业线阵相机、线光源、配套相机支架来采集当前检测位置上的包含检测目标的待检测物品图像数据。
作为示例而非限定，预先建立每个检测位置与对应检测目标之间的关联关系并保存。触发指令包括但不限于检测位置、与上述检测位置关联的检测目标、与上述检测目标对应的预设检测标准以及待检测物品的物品ID。
S102、根据所述检测目标确定目标预训练装配检测模型。
具体的，在待检测物品的生产过程中，通常包括多个生产工序，对应需要针对每个生产工序进行一次装配检测。因此，检测目标包括至少两种类型。根据与当前检测位置对应的检测目标确定对应的目标预训练装配检测模型，以根据目标预训练装配检测模型针对当前检测位置上的上述检测目标进行装配检测。目标预训练装配检测模型为经过预训练的改进后的yolov5s网络模型。
S103、将所述待检测物品图像数据输入至所述目标预训练装配检测模型中处理，得到模型处理结果；所述目标预训练装配检测模型用于确定待检测物品是否装配有所述检测目标。
具体的，将待检测物品图像数据输入至目标预训练装配检测模型中处理，得到待检测物品是否装配有当前检测位置上的检测目标的模型处理结果。
作为示例而非限定，基于目标预训练装配检测模型输出的模型处理结果包括装配与未装配两种结果，对应可设定模型处理结果包括1或0；分别用于表示装配或未装配。
S104、基于所述模型处理结果及与所述检测目标对应的目标预设检测标准，得到所述检测目标的装配检测结果；其中，所述装配检测结果用于表示所述检测目标是否装配合格。
具体的，待检测物品上不同的生产工序的装配标准不同，对应的每个检测目标所对应的装配合格标准不同。因此，在获得目标预训练装配检测模型输出的模型处理结果后，需要将模型处理结果和与当前检测目标对应的装配合格标准进行比较，在检测到模型处理结果与上述装配合格标准相匹配时，确定当前检测目标装配合格。
S105、根据所述装配检测结果生成对应的控制指令，并发送至所述运送管理终端；其中，所述控制指令用于触发所述运送管理终端将所述待检测物品运输至目标位置。
具体的，根据装配检测结果确定目标位置，并生成对应的控制指令并发送至运送管理终端，以根据控制指令触发运送管理终端将待检测物品运输至目标位置。
可以理解的是，装配检测结果不同对应的目标位置不相同。例如：在检测到当前检测目标装配合格时，确定待检测物品可以进行下一生产工序或装配检测流程。生成对应的传输指令，并发送至运送管理终端，以触发运送管理终端将待检测物品运输至下一位置。其中，在预先设定的生产流程中，与当前检测目标对应的下一流程为生产程序时，对应的下一位置为下一生产工序所在的生产位置；与当前检测目标对应的下一流程为检测程序时，对应的下一位置为下一检测位置，用于检测下一检测目标是否装配合格。
如图3所示，在一个实施例中，所述检测目标包括至少两种类型；
对应的，所述在接收到运送管理终端发送的触发指令时，根据所述触发指令采集对应检测位置上的待检测物品图像数据之前，包括：
S201、获取与每个类型的检测目标对应的训练数据集；其中，所述训练数据集包括与所述类型的检测目标对应的装配合格样本数据及装配不合格样本数据；
S202、针对每个类型的检测目标对应的训练数据集，将所述训练数据集输入至装配检测模型进行预训练，得到与所述类型的检测目标对应的预训练的装配检测模型；其中，所述预训练的装配检测模型用于确定是否装配有对应类型的检测目标。
具体的，分别针对每个类型的检测目标，获取对应的训练数据集。每个训练数据集包括多个与上述类型的检测目标对应的装配合格样本数据和多个装配不合格的样本数据。
以纸卷生产装配流程为例，纸卷装配检测程序包括塞头、内封头和外包装、外封头。对应的需要获取1、包括多个包含装配合格的塞头的图像数据和多个装配不合格的塞头的图像数据；作为与塞头对应的第一训练数据集；2、包括多个包含装配合格的内封头和外包装的图像数据和多个装配不合格的内封头和外包装的图像数据，作为与内封头和外包装对应的第二训练数据集；3、包括多个包含装配合格的外封头的图像数据和多个装配不合格的外封头的图像数据，作为与外封头对应的第三训练数据集。
具体地，分别针对每个类型的检测目标对应的训练数据集，将上述训练数据集输入至装配检测模型进行预训练，分别得到与每个类型的检测目标对应的预训练的装配检测模型；其中，预训练的装配检测模型用于确定待检测物品是否装配有对应类型的检测目标。
例如，将第一训练数据集输入至装配检测模型进行预训练，得到与塞头对应的第一预训练的装配检测模型，第一预训练的装配检测模型用于确定待检测物品是否装配有塞头。将第二训练数据集输入至装配检测模型进行预训练，得到与内封头和外包装对应的第二预训练的装配检测模型，第二预训练的装配检测模型用于确定待检测物品是否装配有内封头和外包装。将第三训练数据集输入至装配检测模型进行预训练，得到与外封头对应的第三预训练的装配检测模型，第三预训练的装配检测模型用于确定待检测物品是否装配有外封头。
作为示例而非限定，针对每个类型的检测目标对应的训练数据集，将训练数据集输入至装配检测模型进行预训练之前，设定对训练数据集中的各样本数据进行图像增强处理，得到增强处理后的训练数据集，以提高装配检测模型的装配检测结果精度；增强处理包括但不限于增强噪声处理、运动模糊处理、雾化处理中的至少一种。以充分模拟不同光照条件、不同背景颜色、运动模糊、拍摄距离等常见场景，增强了装配检测模型的泛化能力，可以应对更加复杂的生产环境。
在一个实施例中，所述检测目标包括：第一检测目标、第二检测目标和第三检测目标；
对应的，根据所述检测目标确定目标预训练装配检测模型，包括：
所述检测目标为第一检测目标时，确定第一预训练的装配检测模型为所述目标预训练装配检测模型；所述第一预训练的装配检测模型为基于第一训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第一检测目标的装配检测模型；所述第一训练数据集包括与所述第一检测目标对应的第一装配合格样本数据及第一装配不合格样本数据；
或者，所述检测目标为第二检测目标时，确定第二预训练的装配检测模型为所述目标预训练装配检测模型；所述第二预训练的装配检测模型为基于第二训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第二检测目标的装配检测模型；所述第二训练数据集包括与所述第二检测目标对应的第二装配合格样本数据及第二装配不合格样本数据；
或者，所述检测目标为第三检测目标时，确定第三预训练的装配检测模型为所述目标预训练装配检测模型；所述第三预训练的装配检测模型为基于第三训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第三检测目标的装配检测模型；所述第三训练数据集包括与所述第三检测目标对应的第三装配合格样本数据及第三装配不合格样本数据。
具体的，在检测目标包括：第一检测目标、第二检测目标和第三检测目标时，需要从对应的3个预训练的装配检测模型中选取用于检测待检测物品是否装配有当前检测目标的目标预训练装配检测模型：检测目标为第一检测目标时，确定第一预训练的装配检测模型为目标预训练装配检测模型；第一预训练的装配检测模型为基于第一训练数据集预训练得到的、用于确定待检测物品图像数据中的待检测物品是否装配有第一检测目标的装配检测模型；第一训练数据集包括与第一检测目标对应的多个第一装配合格样本数据及多个第一装配不合格样本数据。例如，在纸卷生产装配流程中，检测目标包括塞头、内封头和外包装、外封头。设定第一检测目标具体为塞头，对应的第一预训练的装配检测模型为：经过多个包含装配合格塞头的图像数据(已添加“装配合格”标签)和包含装配不合格塞头的图像数据(已添加“装配不合格”标签)构成的第一训练数据集预训练得到的、具体用于检测待检测物品图像数据中待检测物品是否装配有塞头的模型。
具体的，检测目标为第二检测目标时，确定第二预训练的装配检测模型为目标预训练装配检测模型；第二预训练的装配检测模型为基于第二训练数据集预训练得到的、用于确定待检测物品图像数据中的待检测物品是否装配有第二检测目标的装配检测模型；第二训练数据集包括与第二检测目标对应的多个第二装配合格样本数据及多个第二装配不合格样本数据。
具体地，检测目标为第三检测目标时，确定第三预训练的装配检测模型为目标预训练装配检测模型；第三预训练的装配检测模型为基于第三训练数据集预训练得到的、用于确定待检测物品图像数据中的待检测物品是否装配有第三检测目标的装配检测模型；第三训练数据集包括与第三检测目标对应的多个第三装配合格样本数据及多个第三装配不合格样本数据。
通过针对每个类型的检测目标获得对应的独立的训练数据集，并基于每个类型的检测目标的训练数据集进行单独的预训练的，得到与每个类型的检测目标对应的装配检测模型，以提高针对每种类型检测目标的检测精度及效率。
在一个实施例中，所述装配检测模型由骨干网络、特征识别网络和预测模型顺次连接构成；所述特征识别网络包括多个GBL_n卷积模块；所述GBL_n卷积模块由递归门控卷积模块、批标准化层和激活函数顺次连接构成。
具体的，装配检测模型由骨干网络、特征识别网络和预测模型顺次连接构成，其中，骨干网络和预测模型保留了原始yolov5s模型的结构。如图4所示，特征识别网络具体由第一CSP2_1跨阶段局部网络、CBL卷积模块、UPsample上采样层、Concat卷积层、第二CSP2_1跨阶段局部网络、GBL_1卷积模块、UPsample上采样层、Concat卷积层、第三CSP2_1跨阶段局部网络、GBL_3卷积模块、Downsample下采样层、Concat卷积层、第四CSP2_1跨阶段局部网络、GBL_3卷积模块、Downsample下采样层、Concat卷积层、第五CSP2_1跨阶段局部网络顺次连接，以及所述第三CSP2_1跨阶段局部网络、第四CSP2_1跨阶段局部网络及第五CSP2_1跨阶段局部网络分别与一个卷积层连接构成；
具体地，基于递归门控卷积gnConv提出了递归门控卷积模块GBL_n，将其替换掉yolov5s检测器中Neck端的部分标准卷积CBL模块，提升了Neck端特征图的空间交互性，从而检测结果更精准。其中，递归门控卷积gnConv是由标准卷积和逐元素乘法(element-wisemultiplications)构建的，能够实现特征的长距离及高阶的空间交互，n代表其阶数。
如图5所示，GBL_n卷积模块由递归门控卷积模块(Recursive GatedConvolution,gnConv)、批标准化层(Batch Nomalization，BatchNorm或BN)和leaky relu激活函数顺次连接构成。
具体地，原始yolov5s模型包含输入端、Backbone、Neck以及Prediction四个部分，输入端即为输入图像，Backbone用于提取图像特征得到不同尺寸的特征图，Neck用于将不同尺寸的特征图进行融合以凸显有用特征，Prediction用于对特征进行预测得到最终的检测结果。本实施例中，将部分的Neck端标准卷积模块CBL替换成了递归门控卷积模块GBL_n，在增强特征空间交互性以及提升检测精度的同时，保证了运行速度仍能达到在线检测的效果。
具体地，基于gnConv提出的GBL_n卷积模块，将原始的CBL标准卷积模块中的标准卷积替换为gnConv，以原始标准卷积核的大小来对应gnConv的阶数，若被替换的卷积步长为2则在该模块后加入下采样。例如：CBL中原始标准卷积核大小为3，且步长为2，则将该卷积替换为g3Conv构成GBL_3，且在模块后添加下采样层。
在一个实施例中，所述待检测物品包括至少两个检测面。
具体的，工业生产的产品通常由多个面构成。对应的，相同检测目标可能对应有不同的检测面，也即待检测物品的同一检测目标可能对应至少两个检测面。例如，在纸卷生产装配流程中，纸卷通常包括由前端面和后端面，对应的需要设置2台工业线阵相机分别用于纸卷前端面和后端面的图像采集。在检测塞头是否装配合格时，需要通过目标预训练装配检测模型分别对前端面进行塞头装配与否的检测，及后端面进行塞头装配与否的检测。
在一个实施例中，所述基于所述模型处理结果及与所述检测目标对应的目标预设检测标准，得到所述检测目标的装配检测结果，包括：
确定与所述检测目标对应的目标预设检测标准；
在检测到所述模型处理结果与所述目标预设检测标准匹配时，判定所述装配检测结果为检测目标装配合格；
或者，
在检测到所述模型处理结果与所述目标预设检测标准不匹配时，判定所述装配检测结果为检测目标装配不合格。
具体的，针对产品的不同检测目标，对应设定的预设检测标准不同。因此，需要预先建立每个检测目标与对应的预设检测标准之间的关联关系并存储。在确定检测目标后，需要确定与当前检测目标关联的预设检测标准，作为目标预设检测标准。并将模型处理结果与上述目标预设检测标准进行比较，在检测到模型处理结果与目标预设检测标准匹配时，判定待检测物品的当前检测目标装配合格。或者，在检测到模型处理结果与目标预设检测标准不匹配时，判定装配检测结果为检测目标装配不合格。
例如，当前检测目标为塞头，与检测目标对应关联的预设检测标准为装配塞头，在确定模型处理结果为装配有塞头时，判定待检测物品的塞头装配合格。在确定模型处理结果为未装配塞头时，判定待检测物品的塞头装配不合格。
在一个实施例中，根据所述装配检测结果生成对应的控制指令，包括：
在检测到所述装配检测结果为所述检测目标装配合格时，确定所述目标位置为下一检测位置；
根据所述下一检测位置生成对应的传输指令，并发送至所述运送管理终端，以触发所述运送管理终端将所述待检测物品运输至下一检测位置。
具体地，在检测到模型处理结果与目标预设检测标准匹配时，确定装配检测结果为检测目标装配合格，确定待检测物品的目标位置为下一检测位置，根据下一检测位置生成对应的传输指令，并发送至运送管理终端，以触发运送管理终端将待检测物品运输至下一检测位置，便于对待检测物品进行下一生产、检测流程。
在一个实施例中，所述根据所述装配检测结果生成对应的控制指令，还包括：
在检测到所述装配检测结果为检测目标装配不合格时，确定所述目标位置为不合格区域；
根据所述不合格区域生成滤除指令并发送至所述运送管理终端，以触发所述运送管理终端将所述待检测物品运输至所述不合格区域。
具体的，将模型处理结果与目标预设检测标准进行比较，在检测到模型处理结果与目标预设检测标准不匹配时，判定待检测物品的当前检测目标装配不合格，确定目标位置为不合格区域。根据不合格区域生成滤除指令并发送至运送管理终端，以触发运送管理终端从生产线上排出待检测物品，将待检测物品运输至不合格区域。不合格区域用于存放装配不合格的待检测物品。
通过运送管理终端实现智能输送，灵活性强，降低了人力成本的同时提高了生产、运输、检测过程的自动化程度。
在一个实施例中，在接收到运送管理终端发送的触发指令后，还包括：
获取触发指令携带的待检测物品的物品ID。
具体地，通过解析触发指令，得到触发指令携带的待检测物品的物品ID。
对应的，根据所述不合格区域生成滤除指令并发送至所述运送管理终端之后，包括：
根据所述物品ID生成装配失败通知，并显示；
或者，
根据所述下一检测位置生成对应的传输指令，并发送至所述运送管理终端之后，包括：
根据所述物品ID生成所述检测目标装配成功通知，并显示。
具体的，通过确定每个待检测物品的物品ID，实现基于物品ID实时生成该待检测物品的当前检测目标装配状态的相关通知、并向用户展示。
本实施例通过在接收到运送管理终端发送的触发指令时，根据触发指令采集对应检测位置上的待检测物品图像数据，根据检测目标确定目标预训练装配检测模型，将待检测物品图像数据输入至目标预训练装配检测模型中处理，得到模型处理结果，基于模型处理结果及与检测目标对应的目标预设检测标准，得到检测目标的装配检测结果，根据装配检测结果生成对应的控制指令，并发送至运送管理终端以触发运送管理终端将待检测物品运输至目标位置。实现在对待检测物品生产装配的过程中，基于预训练的装配检测模型对不同检测位置上待检测物品的不同检测目标装配合格程度进行检测，根据检测目标装配检测结果确定目标位置并进行运输，完成待检测物品的多工序的装配检测流程，成本低且操作简单，检测精度高且稳定。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的物品装配检测方法，图6示出了本申请实施例提供的物品装配检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，该物品装配检测装置100，包括：
数据采集模块101，用于在接收到运送管理终端发送的触发指令时，根据所述触发指令采集对应检测位置上的待检测物品图像数据；其中，所述待检测物品图像数据包含所述触发指令携带的检测目标；
模型确定模块102，用于根据所述检测目标确定目标预训练装配检测模型；
图像处理模块103，用于将所述待检测物品图像数据输入至所述目标预训练装配检测模型中处理，得到模型处理结果；所述目标预训练装配检测模型用于确定待检测物品是否装配有所述检测目标；
结果检测模块104，用于基于所述模型处理结果及与所述检测目标对应的目标预设检测标准，得到所述检测目标的装配检测结果；其中，所述装配检测结果用于表示所述检测目标是否装配合格；
生成模块105，用于根据所述装配检测结果生成对应的控制指令，并发送至所述运送管理终端；其中，所述控制指令用于触发所述运送管理终端将所述待检测物品运输至目标位置。
在一个实施例中，所述检测目标包括至少两种类型；
对应的，所述装置，还包括：
数据集获取模块，用于获取与每个类型的检测目标对应的训练数据集；其中，所述训练数据集包括与所述类型的检测目标对应的装配合格样本数据及装配不合格样本数据；
预训练模块，用于针对每个类型的检测目标对应的训练数据集，将所述训练数据集输入至装配检测模型进行预训练，得到与所述类型的检测目标对应的预训练的装配检测模型；其中，所述预训练的装配检测模型用于确定是否装配有对应类型的检测目标。
在一个实施例中，所述检测目标包括：第一检测目标、第二检测目标和第三检测目标；
对应的，模型确定模块，包括：
第一确定单元，用于所述检测目标为第一检测目标时，确定第一预训练的装配检测模型为所述目标预训练装配检测模型；所述第一预训练的装配检测模型为基于第一训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第一检测目标的装配检测模型；所述第一训练数据集包括与所述第一检测目标对应的第一装配合格样本数据及第一装配不合格样本数据；
或者，
第二确定单元，用于所述检测目标为第二检测目标时，确定第二预训练的装配检测模型为所述目标预训练装配检测模型；所述第二预训练的装配检测模型为基于第二训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第二检测目标的装配检测模型；所述第二训练数据集包括与所述第二检测目标对应的第二装配合格样本数据及第二装配不合格样本数据；
或者，
第三确定单元，用于所述检测目标为第三检测目标时，确定第三预训练的装配检测模型为所述目标预训练装配检测模型；所述第三预训练的装配检测模型为基于第三训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第三检测目标的装配检测模型；所述第三训练数据集包括与所述第三检测目标对应的第三装配合格样本数据及第三装配不合格样本数据。
在一个实施例中，所述装配检测模型由骨干网络、特征识别网络和预测模型顺次连接构成；所述特征识别网络包括多个GBL_n卷积模块；所述GBL_n卷积模块由递归门控卷积模块、批标准化层和激活函数顺次连接构成。
在一个实施例中，所述结果检测模块，包括：
标准确定单元，用于确定与所述检测目标对应的目标预设检测标准；
第一结果检测单元，用于在检测到所述模型处理结果与所述目标预设检测标准匹配时，判定所述装配检测结果为检测目标装配合格；
或者，
第二结果检测单元，用于在检测到所述模型处理结果与所述目标预设检测标准不匹配时，判定所述装配检测结果为检测目标装配不合格。
在一个实施例中，所述生成模块，包括：
第一位置确定单元，用于在检测到所述装配检测结果为所述检测目标装配合格时，确定所述目标位置为下一检测位置；
传输单元，用于根据所述下一检测位置生成对应的传输指令，并发送至所述运送管理终端，以触发所述运送管理终端将所述待检测物品运输至下一检测位置。
在一个实施例中，所述生成模块，还包括：
第二位置确定单元，用于在检测到所述装配检测结果为检测目标装配不合格时，确定所述目标位置为不合格区域；
滤除单元，用于根据所述不合格区域生成滤除指令并发送至所述运送管理终端，以触发所述运送管理终端将所述待检测物品运输至所述不合格区域。
本实施例通过在接收到运送管理终端发送的触发指令时，根据触发指令采集对应检测位置上的待检测物品图像数据，根据检测目标确定目标预训练装配检测模型，将待检测物品图像数据输入至目标预训练装配检测模型中处理，得到模型处理结果，基于模型处理结果及与检测目标对应的目标预设检测标准，
得到检测目标的装配检测结果，根据装配检测结果生成对应的控制指令，并发5送至运送管理终端以触发运送管理终端将待检测物品运输至目标位置。实现在对待检测物品生产装配的过程中，基于预训练的装配检测模型对不同检测位置上待检测物品的不同检测目标装配合格程度进行检测，根据检测目标装配检测结果确定目标位置并进行运输，完成待检测物品的多工序的装配检测流程，成本低且操作简单，检测精度高且稳定。
0需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图7为本实施例提供的终端设备的结构示意图。如图7所示，该实施例的5终端设备7包括：至少一个处理器70(图7中仅示出一个)、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现上述任意各个物品装配检测方法实施例中的步骤。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等0计算设备。该终端设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的举例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，该5处理器70还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71在一些实施例中可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71在另一些实施例中也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字卡(Secure Digital,SD)，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述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形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种物品装配检测方法，其特征在于，包括：
在接收到运送管理终端发送的触发指令时，根据所述触发指令采集对应检测位置上的待检测物品图像数据；其中，所述待检测物品图像数据包含所述触发指令携带的检测目标；
根据所述检测目标确定目标预训练装配检测模型；
将所述待检测物品图像数据输入至所述目标预训练装配检测模型中处理，得到模型处理结果；所述目标预训练装配检测模型用于确定待检测物品是否装配有所述检测目标；
基于所述模型处理结果及与所述检测目标对应的目标预设检测标准，得到所述检测目标的装配检测结果；其中，所述装配检测结果用于表示所述检测目标是否装配合格；
根据所述装配检测结果生成对应的控制指令，并发送至所述运送管理终端；其中，所述控制指令用于触发所述运送管理终端将所述待检测物品运输至目标位置。
2.如权利要求1所述的物品装配检测方法，其特征在于，所述检测目标包括至少两种类型；
对应的，所述在接收到运送管理终端发送的触发指令时，根据所述触发指令采集对应检测位置上的待检测物品图像数据之前，包括：
获取与每个类型的检测目标对应的训练数据集；其中，所述训练数据集包括与所述类型的检测目标对应的装配合格样本数据及装配不合格样本数据；
针对每个类型的检测目标对应的训练数据集，将所述训练数据集输入至装配检测模型进行预训练，得到与所述类型的检测目标对应的预训练的装配检测模型；其中，所述预训练的装配检测模型用于确定是否装配有对应类型的检测目标。
3.如权利要求2所述的物品装配检测方法，其特征在于，所述检测目标包括：第一检测目标、第二检测目标和第三检测目标；
对应的，所述根据所述检测目标确定目标预训练装配检测模型，包括：
所述检测目标为第一检测目标时，确定第一预训练的装配检测模型为所述目标预训练装配检测模型；所述第一预训练的装配检测模型为基于第一训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第一检测目标的装配检测模型；所述第一训练数据集包括与所述第一检测目标对应的第一装配合格样本数据及第一装配不合格样本数据；
或者，所述检测目标为第二检测目标时，确定第二预训练的装配检测模型为所述目标预训练装配检测模型；所述第二预训练的装配检测模型为基于第二训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第二检测目标的装配检测模型；所述第二训练数据集包括与所述第二检测目标对应的第二装配合格样本数据及第二装配不合格样本数据；
或者，所述检测目标为第三检测目标时，确定第三预训练的装配检测模型为所述目标预训练装配检测模型；所述第三预训练的装配检测模型为基于第三训练数据集预训练得到的、用于确定所述待检测物品图像数据中的待检测物品是否装配有所述第三检测目标的装配检测模型；所述第三训练数据集包括与所述第三检测目标对应的第三装配合格样本数据及第三装配不合格样本数据。
4.如权利要求2所述的物品装配检测方法，其特征在于，所述装配检测模型由骨干网络、特征识别网络和预测模型顺次连接构成；所述特征识别网络包括多个GBL_n卷积模块；所述GBL_n卷积模块由递归门控卷积模块、批标准化层和激活函数顺次连接构成。
5.如权利要求1至4任一项所述的物品装配检测方法，其特征在于，所述基于所述模型处理结果及与所述检测目标对应的目标预设检测标准，得到所述检测目标的装配检测结果，包括：
确定与所述检测目标对应的目标预设检测标准；
在检测到所述模型处理结果与所述目标预设检测标准匹配时，判定所述装配检测结果为检测目标装配合格；
或者，
在检测到所述模型处理结果与所述目标预设检测标准不匹配时，判定所述装配检测结果为检测目标装配不合格。
6.如权利要求5所述的物品装配检测方法，其特征在于，所述根据所述装配检测结果生成对应的控制指令，包括：
在检测到所述装配检测结果为所述检测目标装配合格时，确定所述目标位置为下一检测位置；
根据所述下一检测位置生成对应的传输指令，并发送至所述运送管理终端，以触发所述运送管理终端将所述待检测物品运输至下一检测位置。
7.如权利要求5所述的物品装配检测方法，其特征在于，所述根据所述装配检测结果生成对应的控制指令，还包括：
在检测到所述装配检测结果为检测目标装配不合格时，确定所述目标位置为不合格区域；
根据所述不合格区域生成滤除指令并发送至所述运送管理终端，以触发所述运送管理终端将所述待检测物品运输至所述不合格区域。
8.一种物品装配检测装置，其特征在于，包括：
数据采集模块，用于在接收到运送管理终端发送的触发指令时，根据所述触发指令采集对应检测位置上的待检测物品图像数据；其中，所述待检测物品图像数据包含所述触发指令携带的检测目标；
模型确定模块，用于根据所述检测目标确定目标预训练装配检测模型；
图像处理模块，用于将所述待检测物品图像数据输入至所述目标预训练装配检测模型中处理，得到模型处理结果；所述目标预训练装配检测模型用于确定待检测物品是否装配有所述检测目标；
结果检测模块，用于基于所述模型处理结果及与所述检测目标对应的目标预设检测标准，得到所述检测目标的装配检测结果；其中，所述装配检测结果用于表示所述检测目标是否装配合格；
生成模块，用于根据所述装配检测结果生成对应的控制指令，并发送至所述运送管理终端；其中，所述控制指令用于触发所述运送管理终端将所述待检测物品运输至目标位置。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211701964.XA CN115937184B (zh) | 2022-12-28 | 2022-12-28 | 一种物品装配检测方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211701964.XA CN115937184B (zh) | 2022-12-28 | 2022-12-28 | 一种物品装配检测方法、装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115937184A true CN115937184A (zh) | 2023-04-07 |
| CN115937184B CN115937184B (zh) | 2024-07-05 |
Family
ID=86557611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211701964.XA Active CN115937184B (zh) | 2022-12-28 | 2022-12-28 | 一种物品装配检测方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115937184B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846841A (zh) * | 2018-07-02 | 2018-11-20 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
| CN109239075A (zh) * | 2018-08-27 | 2019-01-18 | 北京百度网讯科技有限公司 | 电池检测方法及装置 |
| CN109544548A (zh) * | 2018-11-30 | 2019-03-29 | 北京百度网讯科技有限公司 | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 |
| US20220036533A1 (en) * | 2020-12-25 | 2022-02-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Image defect detection method and apparatus, electronic device, storage medium and product |
| CN114549968A (zh) * | 2022-01-11 | 2022-05-27 | 深圳绿米联创科技有限公司 | 目标检测方法、装置以及电子设备 |
| CN114792390A (zh) * | 2022-02-28 | 2022-07-26 | 河海大学 | 一种基于深度学习的低空安防目标检测方法与*** |
| CN115294063A (zh) * | 2022-08-05 | 2022-11-04 | 中国电信股份有限公司 | 电子元件的缺陷检测方法、装置、***、电子设备及介质 |
-
2022
- 2022-12-28 CN CN202211701964.XA patent/CN115937184B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846841A (zh) * | 2018-07-02 | 2018-11-20 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
| CN109239075A (zh) * | 2018-08-27 | 2019-01-18 | 北京百度网讯科技有限公司 | 电池检测方法及装置 |
| CN109544548A (zh) * | 2018-11-30 | 2019-03-29 | 北京百度网讯科技有限公司 | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 |
| US20220036533A1 (en) * | 2020-12-25 | 2022-02-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Image defect detection method and apparatus, electronic device, storage medium and product |
| CN114549968A (zh) * | 2022-01-11 | 2022-05-27 | 深圳绿米联创科技有限公司 | 目标检测方法、装置以及电子设备 |
| CN114792390A (zh) * | 2022-02-28 | 2022-07-26 | 河海大学 | 一种基于深度学习的低空安防目标检测方法与*** |
| CN115294063A (zh) * | 2022-08-05 | 2022-11-04 | 中国电信股份有限公司 | 电子元件的缺陷检测方法、装置、***、电子设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 李鹤;: "基于神经网络的零件缺陷机器视觉识别***", 计算机测量与控制, no. 11 * |
| 潘雪涛 等: "虚拟仪器技术在工程教育实践中的应用研究", 31 December 2021, 江苏大学出版社, pages: 148 - 151 * |
| 赵秀粉;殷国富;陈珂;: "基于自组织神经网络的发动机在线品质检测方法研究", 机械制造与自动化, no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115937184B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109905293B (zh) | 一种终端设备识别方法、***及存储介质 | |
| CN110335313B (zh) | 音频采集设备定位方法及装置、说话人识别方法及*** | |
| CN109116129B (zh) | 终端检测方法、检测设备、***及存储介质 | |
| CN110705651A (zh) | 用于对视频识别准确率测试的方法、装置、设备及介质 | |
| CN115829921B (zh) | 检测电芯缺陷的方法、装置和计算机可读存储介质 | |
| CN112149583A (zh) | 烟雾检测方法、终端设备及存储介质 | |
| US20210272170A1 (en) | Method, Device, Electronic Apparatus and Storage Medium for Generating Order | |
| CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
| CN114495103B (zh) | 文本识别方法、装置、电子设备和介质 | |
| CN114170269B (zh) | 一种基于时空相关性的多目标跟踪方法、设备及存储介质 | |
| CN107071553B (zh) | 一种修改视频语音的方法、装置和计算机可读存储介质 | |
| CN115471439A (zh) | 显示面板缺陷的识别方法、装置、电子设备及存储介质 | |
| CN115937184B (zh) | 一种物品装配检测方法、装置及终端设备 | |
| CN115690747B (zh) | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 | |
| CN109144379B (zh) | 对终端进行操作的方法、终端检测设备、***及存储介质 | |
| CN116433936A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| CN115984786A (zh) | 车辆损伤检测方法及装置、终端、存储介质 | |
| CN113191202B (zh) | 一种图像处理方法、装置及电子设备 | |
| CN114549348A (zh) | 一种全景图像去噪方法、装置、服务器以及可读存储介质 | |
| CN114581711A (zh) | 目标对象检测方法、装置、设备、存储介质以及程序产品 | |
| CN114757201A (zh) | 收货地址的识别方法、存储介质和处理器 | |
| CN113642425A (zh) | 基于多模态的图像检测方法、装置、电子设备及存储介质 | |
| CN111626075A (zh) | 一种目标识别方法及装置 | |
| CN115049620B (zh) | 一种纸垛外观检测方法、装置、设备及存储介质 | |
| CN111524097B (zh) | 一种两器喇叭口的检测方法、装置、存储介质及设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |