CN111696108B - 模型训练方法、焊点缺陷检测方法、装置及电子设备 - Google Patents

模型训练方法、焊点缺陷检测方法、装置及电子设备 Download PDF

Info

Publication number
CN111696108B
CN111696108B CN202010822802.6A CN202010822802A CN111696108B CN 111696108 B CN111696108 B CN 111696108B CN 202010822802 A CN202010822802 A CN 202010822802A CN 111696108 B CN111696108 B CN 111696108B
Authority
CN
China
Prior art keywords
welding
image
images
target
initial
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.)
Active
Application number
CN202010822802.6A
Other languages
English (en)
Other versions
CN111696108A (zh
Inventor
杜义贤
万君社
龚亚忠
黄志双
曾奕雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Lyric Robot Automation Co Ltd
Original Assignee
Guangdong Lyric Robot Intelligent Automation Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Lyric Robot Intelligent Automation Co Ltd filed Critical Guangdong Lyric Robot Intelligent Automation Co Ltd
Priority to CN202010822802.6A priority Critical patent/CN111696108B/zh
Publication of CN111696108A publication Critical patent/CN111696108A/zh
Application granted granted Critical
Publication of CN111696108B publication Critical patent/CN111696108B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及焊点缺陷检测技术领域，具体而言，涉及一种模型训练方法、焊点缺陷检测方法、装置及电子设备。模型训练方法，包括：将多张第二焊接物图像输入目标分割模型，并接收目标分割模型对多张第二焊接物图像进行分割，而获得的多张第一焊印区域图像；为多张第一焊印区域图像中的每张第一焊印区域图像添加缺陷表征标签，缺陷表征标签用于表征第一焊印区域图像中包括的焊点是否存在缺陷；利用多张第一焊印区域图像，以及多张第一焊印区域图像的缺陷表征标签，对初始分类模型进行训练，获得目标分类模型。通过本申请实施例提供的模型训练方法获得的目标分类模型具有较高的可靠性，因此，能够保证通过目标分类模型进行焊点缺陷检测的准确性。

Description

模型训练方法、焊点缺陷检测方法、装置及电子设备
技术领域
本申请涉及焊点缺陷检测技术领域，具体而言，涉及一种模型训练方法、焊点缺陷检测方法、装置及电子设备。
背景技术
焊接，也称作熔接、镕接，是一种以加热、高温或者高压的方式接合金属或其他热塑性材料的制造工艺及技术。在焊接产品的生产制造过程中，通常会对焊接过程中形成的焊点进行缺陷检测，以避免将存在焊点缺陷的焊接产品误判为良品，而降低焊接产品的出厂良品率。但是，由于焊点形态的多样性，有些坏品的样本比较少见，同时，由于焊点区域特征的多样性，基于特征的判断方法，也不成熟。例如，针对焊点区域特征缺少，甚至没有的情况，现有技术中，通常是直接采用像素机进行像素分割的，因此，分割准确度是无法保证的，最终，导致焊点缺陷检测结果的准确率较低。
发明内容
本申请的目的在于，提供一种模型训练方法、焊点缺陷检测方法、装置及电子设备，以解决上述问题。
第一方面，本申请提供的模型训练方法，包括：
将多张第二焊接物图像输入目标分割模型，并接收目标分割模型对多张第二焊接物图像进行分割，而获得的多张第一焊印区域图像；
为多张第一焊印区域图像中的每张第一焊印区域图像添加缺陷表征标签，缺陷表征标签用于表征第一焊印区域图像中包括的焊点是否存在缺陷；
利用多张第一焊印区域图像，以及多张第一焊印区域图像的缺陷表征标签，对初始分类模型进行训练，获得目标分类模型。
结合第一方面，本申请实施例还提供了第一方面的第一种可选的实施方式，将多张第二焊接物图像输入目标分割模型，并接收目标分割模型对多张第二焊接物图像进行分割，而获得的多张第一焊印区域图像之前，模型训练方法，还包括：
对多张第一焊接物图像进行区域标注，获得多张区域标注图像，且区域标注图像中包括标注出的焊印区域；
利用多张第一焊接物图像和多张区域标注图像，对初始分割模型进行训练，获得目标分割模型。
结合第一方面的第一种可选的实施方式，本申请实施例还提供了第一方面的第二种可选的实施方式，对多张第一焊接物图像进行区域标注，获得多张区域标注图像，包括：
调用图像标注软件，以通过图像标注软件对多张第一焊接物图像进行区域标注，获得多张待检测标注图像；
对多张待检测标注图像进行标注检测，以将多张待检测标注图像中，标注成功的待检测标注图像，作为区域标注图像，以及将多张待检测标注图像中，标注失败的待检测标注图像，作为待处理图像；
针对每张待处理图像，接收对待处理图像进行二次区域标注之后，获得的区域标注图像。
结合第一方面的第一种可选的实施方式，本申请实施例还提供了第一方面的第三种可选的实施方式，模型训练方法，还包括：
获取目标焊接物在不同位置光源下对应的N张初始焊接图像，N≥3，且为整数；
对N张初始焊接图像进行融合，获得第二焊接物图像或第一焊接物图像。
结合第一方面的第三种可选的实施方式，本申请实施例还提供了第一方面的第四种可选的实施方式，模型训练方法应用于电子设备，电子设备与摄像设备连接，且摄像设备设置于目标载体上方，目标载体用于放置目标焊接物，且目标载体的不同位置处分别设置有多个光源，获取目标焊接物在不同位置光源下对应的N张初始焊接图像，包括：
针对多个光源中的每个光源，分别在光源开启，而其他光源关闭的情况下，获取摄像设备采集的初始焊接图像，以获得N-1张初始焊接图像；
在多个光源中的所有光源开启的情况下，获取摄像设备采集的待处理焊接图像，以获得一张初始焊接图像。
结合第一方面的第三种可选的实施方式，本申请实施例还提供了第一方面的第五种可选的实施方式，对N张初始焊接图像进行融合，获得第二焊接物图像或第一焊接物图像，包括：
获取N张初始焊接图像中，每张初始焊接图像对应的融合权重系数；
针对N张初始焊接图像中的每张初始焊接图像，将初始焊接图像中，每个像素点的像素值与初始焊接图像对应的融合权重系数相乘，以获得N张待叠合图像；
对N张待叠合图像进行叠合，获得第二焊接物图像或第一焊接物图像。
结合第一方面，本申请实施例还提供了第一方面的第六种可选的实施方式，缺陷表征标签包括缺陷标签和良品标签，为多张第一焊印区域图像中的每张第一焊印区域图像添加缺陷表征标签，包括：
针对多张第一焊印区域图像中的每张第一焊印区域图像，将第一焊印区域图像与预设的标准焊印图像进行对比，确定第一焊印区域图像中包括的焊点是否存在缺陷；
在焊点存在缺陷时，为第一焊印区域图像添加缺陷标签，以及在焊点不存在缺陷时，为第一焊印区域图像添加良品标签。
本申请实施例提供的模型训练方法由于采用了统一的目标分割模型对多张第二焊接物图像进行分割，而获得多张第一焊印区域图像，并为多张第一焊印区域图像中的每张第一焊印区域图像添加缺陷表征标签，再利用多张第一焊印区域图像，以及多张第一焊印区域图像的缺陷表征标签，对初始分类模型进行训练，获得目标分类模型，因此，能够避免模型训练过程中，训练结果受到除第一焊印区域图像以外其他区域图像的干扰，从而保证目标分类模型的可靠性，最终，保证通过目标分类模型进行焊点缺陷检测的准确性。
第二方面，本申请实施例提供的焊点缺陷检测方法，包括：
将目标焊接物图像输入上述第一方面，或第一方面的任意一种可选的实施方式所提供的目标分割模型，并接收目标分割模型对目标焊接物图像进行分割，而获得的第二焊印区域图像；
将第二焊印区域图像输入上述第一方面，或第一方面的任意一种可选的实施方式所提供的目标分类模型，并接收用于表征第二焊印区域图像中包括的焊点是否存在缺陷的缺陷检测结果。
本申请实施例提供的焊点缺陷检测方法通过将目标焊接物图像输入目标分割模型，并接收目标分割模型对目标焊接物图像进行分割，而获得的第二焊印区域图像，再将第二焊印区域图像输入目标分类模型，并接收用于表征第二焊印区域图像中包括的焊点是否存在缺陷的缺陷检测结果，因此，能够保证缺陷检测结果的准确性，又因为目标分割模型和目标分类模型均为统一不变的，因此，能够保证结果的标准统一性，同时，能够有效缩短焊点缺陷的检测周期。
第三方面，本申请实施例提供的模型训练装置，包括：
训练图像分割模块，用于将多张第二焊接物图像输入目标分割模型，并接收目标分割模型对多张第二焊接物图像进行分割，而获得的多张第一焊印区域图像；
标记模块，用于为多张第一焊印区域图像中的每张第一焊印区域图像添加缺陷表征标签，缺陷表征标签用于表征第一焊印区域图像中包括的焊点是否存在缺陷；
第一模型训练模块，用于利用多张第一焊印区域图像，以及多张第一焊印区域图像的缺陷表征标签，对初始分类模型进行训练，获得目标分类模型。
本申请提供的模型训练装置具有与第一方面，或第一方面的任意一种可选的实施方式所提供的模型训练方法相同的有益效果，此处不作赘述。
第四方面，本申请实施例提供的焊点缺陷检测装置，包括：
检测图像分割模块，用于将目标焊接物图像输入上述第一方面，或第一方面的任意一种可选的实施方式所提供的目标分割模型，并接收目标分割模型对目标焊接物图像进行分割，而获得的第二焊印区域图像；
检测模块，用于将第二焊印区域图像输入上述第一方面，或第一方面的任意一种可选的实施方式所提供的目标分类模型，并接收用于表征第二焊印区域图像中包括的焊点是否存在缺陷的缺陷检测结果。
本申请提供的模型训练装置具有与第二方面所提供的焊点缺陷检测方法相同的有益效果，此处不作赘述。
第五方面，本申请实施例还提供了一种电子设备，包括控制器和存储器，存储器上存储有计算机程序，控制器用于执行计算机程序，以实现上述第一方面，或第一方面的任意一种可选的实施方式所提供的模型训练方法，或实现上述第二方面所提供的焊点缺陷检测方法。
本申请提供的电子设备具有与第一方面，或第一方面的任意一种可选的实施方式所提供的模型训练方法相同的有益效果，或具有与第二方面所提供的焊点缺陷检测相同的有益效果，此处不作赘述。
第六方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被执行时，实现上述第一方面，或第一方面的任意一种可选的实施方式所提供的模型训练方法，或实现上述第二方面所提供的焊点缺陷检测方法。
本申请提供的计算机可读存储介质具有与第一方面，或第一方面的任意一种可选的实施方式所提供的模型训练方法相同的有益效果，或具有与第二方面所提供的焊点缺陷检测相同的有益效果，此处不作赘述。
本申请实施例提供的模型训练方法、装置、以及应用该模型训练方法、装置的电子设备，由于采用了统一的目标分割模型对多张第二焊接物图像进行分割，而获得多张第一焊印区域图像，并为多张第一焊印区域图像中的每张第一焊印区域图像添加缺陷表征标签，再利用多张第一焊印区域图像，以及多张第一焊印区域图像的缺陷表征标签，对初始分类模型进行训练，获得目标分类模型的方案，因此，能够避免模型训练过程中，训练结果受到除第一焊印区域图像以外其他区域图像的干扰，从而保证目标分类模型的可靠性，最终，保证通过目标分类模型进行焊点缺陷检测的准确性。
进一步地，对于本申请实施例提供的焊点缺陷检测方法、装置，以及应用该焊点缺陷检测方法、装置的电子设备，由于其通过将目标焊接物图像输入目标分割模型，并接收目标分割模型对目标焊接物图像进行分割，而获得的第二焊印区域图像，再将第二焊印区域图像输入目标分类模型，并接收用于表征第二焊印区域图像中包括的焊点是否存在缺陷的缺陷检测结果，因此，能够保证缺陷检测结果的准确性，又因为目标分割模型和目标分类模型均为统一不变的，因此，能够保证结果的标准统一性，同时，能够有效缩短焊点缺陷的检测周期。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种电子设备的示意性结构框图。
图2为本申请实施例提供的一种模型训练方法的步骤流程图。
图3为本申请实施例提供的一种焊印区域展示图。
图4为本申请实施例提供的一种初始焊接图像获取场景俯视图。
图5为本申请实施例提供的一种模型训练装置的示意性结构框图。
图6为本申请实施例提供的一种焊点缺陷检测方法的步骤流程图。
图7为本申请实施例提供的一种焊点缺陷检测装置的步骤流程图。
附图标记：100-电子设备；110-处理器；120-存储器；210-目标载体；220-第一光源；230-第二光源；240-第三光源；250-第四光源；260-第五光源；270-目标焊接物；300-模型训练装置；310-训练图像分割模块；320-标记模块；330-第一模型训练模块；400-焊点缺陷检测装置；410-检测图像分割模块；420-检测模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。此外，应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
请参阅图1，为本申请实施例提供的一种电子设备100的示意性结构框图。本申请实施例中，电子设备100可以是终端设备，例如，电脑、个人数字助理（Personal DigitalAssistant，PAD）、移动上网设备(Mobile Internet Device，MID)等，还可以是服务器，本申请实施例对此不作具体限制。
在结构上，电子设备100可以包括处理器110和存储器120。
处理器110和存储器120直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。模型训练装置或焊点缺陷检测装置包括至少一个可以软件或固件（Firmware）的形式存储在存储器120中或固化在电子设备100的操作系统（Operating System，OS）中的软件模块。处理器110用于执行存储器120中存储的可执行模块，例如，模型训练装置所包括的软件功能模块及计算机程序等，以实现模型训练方法，或焊点缺陷检测装置所包括的软件功能模块及计算机程序等，以实现焊点缺陷检测方法。
处理器110可以在接收到执行指令后，执行计算机程序。其中，处理器110可以是一种集成电路芯片，具有信号处理能力。处理器110也可以是通用处理器，例如，可以是数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图，此外，通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是，但不限于，随机存取存储器（Random Access Memory，RAM）、只读存储器（Read Only Memory，ROM）、可编程只读存储器（Programmable Read-OnlyMemory，PROM）、可擦可编程序只读存储器（Erasable Programmable Read-Only Memory，EPROM），以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM）。存储器120用于存储程序，处理器110在接收到执行指令后，执行该程序。
应当理解，图1所示的结构仅为示意，本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件，或是具有与图1所示不同的配置。此外，图1所示的各组件可以通过软件、硬件或其组合实现。
请参阅图2，为本申请实施例提供的模型训练方法的流程示意图，该方法应用于图1所示的电子设备100。需要说明的是，本申请实施例提供的模型训练方法不以图2及以下所示的顺序为限制，以下结合图2对模型训练方法的具体流程及步骤进行描述。
步骤S110，将多张第二焊接物图像输入目标分割模型，并接收目标分割模型对多张第二焊接物图像进行分割，而获得的多张第一焊印区域图像。
本申请实施例中，第二焊接物图像可以是电池焊接处的图像，例如，可以是将电池标签焊接于电芯极耳位置处的图像。在执行步骤S110，将多张第二焊接物图像输入目标分割模型，并接收目标分割模型对多张第二焊接物图像进行分割，而获得的多张第一焊印区域图像之后，便能够突出焊印区域，从而使焊印区域的特征具象化，以便于后续目标分类模型的训练。此外，本申请实施例中，目标分割模型为预先训练好的分割模型，基于此，本申请实施例中，在执行步骤S110之前，还包括步骤S101和步骤S102，用于获得目标分割模型。
步骤S101，对多张第一焊接物图像进行区域标注，获得多张区域标注图像，且区域标注图像中包括标注出的焊印区域。
同样，本申请实施例中，第一焊接物图像可以是电池焊接处的图像，例如，可以是将电池标签焊接于电芯极耳位置处的图像。而实际实施时，可以通过图像标注软件对多张第一焊接物图像进行区域标注，并将进行区域标注之后获得的多张区域标注图像批量转换为Json文件，在通过Pil图像数据库进行存储和/或显示。基于此，本申请实施例中，步骤S101可以包括步骤S1011、步骤S1012和步骤S1013。
步骤S1011，调用图像标注软件，以通过图像标注软件对多张第一焊接物图像进行区域标注，获得多张待检测标注图像。
本申请实施例中，图像标注软件可以是Labelme标注工具，用于将多张第一焊接物图像中，每张第一焊接物图像包括的不同图像区域标注出，例如，电池主体区域、电芯极耳区域、电池标签区域、焊印区域等。但是，可以理解的是，本申请实施例中，图像标注软件主要用于将多张第一焊接物图像中，每张第一焊接物图像包括的焊印区域标注出。需要说明的是，本申请实施例中，在调用图像标注软件，以通过图像标注软件对多张第一焊接物图像进行区域标注，获得多张待检测标注图像之后，还可以为每张待检测标注图像中包括的焊印区域添加目标区域标签。
此外，还需要说明的是，本申请实施例中，针对某些第一焊接物图像，由于其上的焊印区域可能存在无特征或特征不明显的情况，因此，在执行步骤S1011时，并不能保证多张第一焊接物图像中，每张第一焊接物图像均能标注成功，基于此，步骤S1011之后，需要包括步骤S1012，用于对多张待检测标注图像进行检查。可以理解的是，本申请实施例中，前述“无特征或特征不明显”可以理解为，焊印区域中，焊点无特征，或焊点特征不明显。具体可以参阅图3中，左侧焊印区域R1即为焊点特征不明显的焊印区域，而右侧焊印区域R2即为焊点图像明显的焊印区域。在执行步骤S1011时，左侧焊印区域可能无法被成功标注出，而右侧焊印区域则能够被成功标注出。
步骤S1012，对多张待检测标注图像进行标注检测，以将多张待检测标注图像中，标注成功的待检测标注图像，作为区域标注图像，以及将多张待检测标注图像中，标注失败的待检测标注图像，作为待处理图像。
本申请实施例中，针对多张待检测标注图像中的每张待检测标注图像，可以对该张待检测标注图像进行标签检测，以判断该张待检测标注图像是否具有对应的目标区域标签，若该张待检测标注图像具有对应的目标区域标签，则判定该张待检测标注图像为标注成功的待检测标注图像，并将其作为区域标注图像，若该张待检测标注图像不具有对应的目标区域标签，则判定该张待检测标注图像为标注失败的待检测标注图像，并将其作为待处理图像。
步骤S1013，针对每张待处理图像，接收对待处理图像进行二次区域标注之后，获得的区域标注图像。
本申请实施例中，针对每张待处理图像，可以生成标注提示信息，以提示工作人员手动对该张待处理图像进行二次区域标注，并接收对该张待处理图像进行二次区域标注之后，获得的区域标注图像。
步骤S102，利用多张第一焊接物图像和多张区域标注图像，对初始分割模型进行训练，获得目标分割模型。
本申请实施例中，初始分割模型可以是Unet分割模型，基于此，对于步骤S102，本申请实施例中，可以利用多张第一焊接物图像，以及与多张第一焊接物图像一一对应的多张区域标注图像，对Unet分割模型进行训练，获得目标分割模型。
进一步地，为提高第二焊接物图像和第一焊接物图像的图像质量，本申请实施例提供的模型训练方法，还可以包括步骤S103和步骤S104，用于获取第二焊接物图像和第一焊接物图像。
步骤S103，获取目标焊接物在不同位置光源下对应的N张初始焊接图像，N≥3，且为整数。
本申请实施例中，目标焊接物可以是电池，此外，本申请实施例提供的模型训练方法可以应用于电子设备，电子设备与摄像设备连接，且摄像设备设置于目标载体的上方，并使摄像面朝向目标载体，而目标载体则用于放置目标焊接物，且目标载体的不同位置处分别设置有多个光源。本申请实施例中，摄像设备可以是线扫描相机，具体可以是分辨率为4K的线扫描相机，也可以是分辨率为8K的线扫描相机，还可以是分辨率为16K的线扫描相机。
进一步地，请结合图4所示的初始焊接图像获取场景俯视图，对于多个光源的具体设置位置，本申请实施例中，作为一种可选的实施方式，多个光源可以包括设置于目标载体210正上方的第一光源220，以及设置于目标载体210上方，且以第一光源220为中心，按照圆周阵列的方式均匀设置的多个辅助光源，以辅助光源的设置数量为四个为例，为方便描述，可以定义四个辅助光源为第二光源230、第三光源240、第四光源250和第五光源260，也可以理解为，多个光源可以包括设置于目标焊接物270正上方，且朝向目标焊接物270的第一光源220，以及设置于目标焊接物270上方，且以第一光源220为中心，按照圆周阵列的方式均匀设置的多个辅助光源，多个辅助光源同样朝向目标焊接物270。
基于以上设置，本申请实施例中，步骤S103可以包括步骤S1031和步骤S1032。
步骤S1031，针对多个光源中的每个光源，分别在光源开启，而其他光源关闭的情况下，获取摄像设备采集的初始焊接图像，以获得N-1张初始焊接图像。
以图4所示的初始焊接图像获取场景俯视图为例，在执行步骤S0011时，可以在第一时间节点控制第一光源220开启，而第二光源230、第三光源240、第四光源250和第五光源260关闭，并获取摄像设备在第一时间节点采集的第一初始焊接图像，在第二时间节点控制第二光源230开启，而第一光源220、第三光源240、第四光源250和第五光源260关闭，并获取摄像设备在第二时间节点采集的第二初始焊接图像，在第三时间节点控制第三光源240开启，而第一光源220、第二光源230、第四光源250和第五光源260关闭，并获取摄像设备在第三时间节点采集的第三初始焊接图像，在第四时间节点控制第四光源250开启，而第一光源220、第二光源230、第三光源240和第五光源260关闭，并获取摄像设备在第四时间节点采集的第四初始焊接图像，在第五时间节点控制第五光源260开启，而第一光源220、第二光源230、第三光源240和第四光源250关闭，并获取摄像设备在第五时间节点采集的第五初始焊接图像，其中，第一初始焊接图像、第二初始焊接图像、第三初始焊接图像、第四初始焊接图像和第五初始焊接图像即为N-1张初始焊接图像。基于此，可以理解的是，本申请实施例中，N-1的取值即为光源的设置数量。
步骤S1032，在多个光源中的所有光源开启的情况下，获取摄像设备采集的待处理焊接图像，以获得一张初始焊接图像。
再次，以图4所示的初始焊接图像获取场景俯视图为例，在执行步骤S1032时，可以在第六时间节点控制第一光源220、第二光源230、第三光源240、第四光源250和第五光源260全部开启，并获取摄像设备在第六时间节点采集的第六初始焊接图像。
步骤S104，对N张初始焊接图像进行融合，获得第二焊接物图像或第一焊接物图像。
本申请实施例中，可以为N张初始焊接图像中的每张初始焊接图像设置对应的融合权重系数，再根据N张初始焊接图像，以及N张初始焊接图像中，每张初始焊接图像对应的融合权重系数，对N张初始焊接图像进行融合，获得第二焊接物图像或第一焊接物图像。基于此，本申请实施例中，步骤S104可以包括步骤S1041、步骤S1042和步骤S1043。
步骤S1041，获取N张初始焊接图像中，每张初始焊接图像对应的融合权重系数。
本申请实施例中，N张初始焊接图像中，每张初始焊接图像对应的融合权重系数可以是相同的，也即，1/N。但是，需要说明的是，本申请实施例中，也可以将N张初始焊接图像中，每张初始焊接图像对应的融合权重系数设置为不同数值，例如，可以将执行步骤S1032时，获得的初始焊接图像对应的第一融合权重系数设置为最大，将执行步骤S1031时，获得的N-1张初始焊接图像对应的第二融合权重系数设置为相等数值，而第一融合权重系数与N-1个第二融合权重系数的数值总和为1。
步骤S1042，针对N张初始焊接图像中的每张初始焊接图像，将初始焊接图像中，每个像素点的像素值与初始焊接图像对应的融合权重系数相乘，以获得N张待叠合图像。
步骤S1043，对N张待叠合图像进行叠合，获得第二焊接物图像或第一焊接物图像。
本申请实施例中，若N张初始焊接图像中，每张初始焊接图像对应的融合权重系数是相同的，则步骤S1042和步骤S1043的执行过程，可以通过以下逻辑计算公式表示：
B=1/N*A1+1/N*A2……+1/N*AN
其中，B为第二焊接物图像或第一焊接物图像，1/N为N张初始焊接图像中，每张初始焊接图像对应的融合权重系数，A1为N张初始焊接图像中的第一张初始焊接图像，A2为N张初始焊接图像中的第二张初始焊接图像，以此类推，AN为N张初始焊接图像中的第N张初始焊接图像。
基于以上描述，可以理解的是，对于图4所示的初始焊接图像获取场景，B=1/6*A1+1/6*A2+1/6*A3+1/6*A4+1/6*A5+1/6*A6=1/6*（A1+A2+A3+A4+A5+A6）。
上述步骤S103和步骤S104中，获取目标焊接物在不同位置光源下对应的N张初始焊接图像，对N张初始焊接图像进行融合，获得第二焊接物图像或第一焊接物图像的方案相对于现有技术中，仅仅在单一方向光源下获取焊接图像的方案而言，能够避免焊接物表面凹陷、反光、裂纹等情况而造成的焊接物图像质量低下问题，从而进一步地提高目标分类模型的可靠性。
步骤S120，为多张第一焊印区域图像中的每张第一焊印区域图像添加缺陷表征标签，缺陷表征标签用于表征第一焊印区域图像中包括的焊点是否存在缺陷。
本申请实施例中，缺陷表征标签包括缺陷标签和良品标签。此外，对于步骤S120，作为一种可选的实施方式，其可以包括步骤S121和步骤S122。
步骤S121，针对多张第一焊印区域图像中的每张第一焊印区域图像，将第一焊印区域图像与预设的标准焊印图像进行对比，确定第一焊印区域图像中包括的焊点是否存在缺陷。
本申请实施例中，针对多张第一焊印区域图像中的每张第一焊印区域图像，可以将该张第一焊印区域图像与预设的标准焊印图像进行对比，通过两张焊印区域图像中焊点的对比结果，确定第一焊印区域图像中包括的焊点是否存在缺陷。
对于步骤S121，本申请实施例，作为一种可选的实施方式，可以针对多张第一焊印区域图像中的每张第一焊印区域图像，获取该张第一焊印区域图像中焊点的数量、各个焊点之间的位置关系，以及各个焊点的形状大小等，并分别与预设的标准焊印图像中焊点的数量、各个焊点之间的位置关系，以及各个焊点的形状大小等进行对比，从而确定该张第一焊印区域图像中包括的焊点是否存在缺陷。例如，若该张第一焊印区域图像中焊点的数量与预设的标准焊印图像中焊点的数量相等，该张第一焊印区域图像中各个焊点之间的位置关系与预设的标准焊印图像中各个焊点之间的位置关系相同，该张第一焊印区域图像中各个焊点的形状大小与预设的标准焊印图像中各个焊点的形状大小相同时，则确定第一焊印区域图像中包括的焊点不存在缺陷，否则，确定第一焊印区域图像中包括的焊点存在缺陷。
步骤S122，在焊点存在缺陷时，为第一焊印区域图像添加缺陷标签，以及在焊点不存在缺陷时，为第一焊印区域图像添加良品标签。
步骤S130，利用多张第一焊印区域图像，以及多张第一焊印区域图像的缺陷表征标签，对初始分类模型进行训练，获得目标分类模型。
本申请实施例中，初始分类模型可以是InceptionV3网络模型，基于此，对于步骤S130，本申请实施例中，可以利用多张第一焊印区域图像，以及多张第一焊印区域图像的缺陷表征标签，对InceptionV3网络模型进行训练，获得目标分类模型。
基于与上述模型训练方法同样的发明构思，本申请实施例还提供了一种模型训练装置300。请参阅图5，本申请实施例提供的模型训练装置300包括训练图像分割模块310、标记模块320和第一模型训练模块330。
训练图像分割模块310，用于将多张第二焊接物图像输入目标分割模型，并接收目标分割模型对多张第二焊接物图像进行分割，而获得的多张第一焊印区域图像。
标记模块320，用于为多张第一焊印区域图像中的每张第一焊印区域图像添加缺陷表征标签，缺陷表征标签用于表征第一焊印区域图像中包括的焊点是否存在缺陷。
第一模型训练模块330，用于利用多张第一焊印区域图像，以及多张第一焊印区域图像的缺陷表征标签，对初始分类模型进行训练，获得目标分类模型。
本申请实施例提供的模型训练装置300还可以包括标注模块和第二模型训练模块。
标注模块，用于对多张第一焊接物图像进行区域标注，获得多张区域标注图像，且区域标注图像中包括标注出的焊印区域。
第二模型训练模块，用于利用多张第一焊接物图像和多张区域标注图像，对初始分割模型进行训练，获得目标分割模型。
本申请实施例中，标注模块可以包括第一标注单元、检测单元和第二标注单元。
第一标注单元，用于调用图像标注软件，以通过图像标注软件对多张第一焊接物图像进行区域标注，获得多张待检测标注图像。
检测单元，用于对多张待检测标注图像进行标注检测，以将多张待检测标注图像中，标注成功的待检测标注图像，作为区域标注图像，以及将多张待检测标注图像中，标注失败的待检测标注图像，作为待处理图像。
第二标注单元，用于针对每张待处理图像，接收对待处理图像进行二次区域标注之后，获得的区域标注图像。
本申请实施例中，模型训练装置300还可以包括焊接图像获取模块和图像融合模块。
焊接图像获取模块，用于获取目标焊接物在不同位置光源下对应的N张初始焊接图像，N≥3，且为整数。
图像融合模块，用于对N张初始焊接图像进行融合，获得第二焊接物图像或第一焊接物图像。
本申请实施例中，模型训练方法应用于电子设备，电子设备与摄像设备连接，且摄像设备设置于目标载体上方，目标载体用于放置目标焊接物，且目标载体的不同位置处分别设置有多个光源，基于此，焊接图像获取模块可以包括第一图像获取单元和第二图像获取单元。
第一图像获取单元，用于针对多个光源中的每个光源，分别在光源开启，而其他光源关闭的情况下，获取摄像设备采集的初始焊接图像，以获得N-1张初始焊接图像。
第二图像获取单元，用于在多个光源中的所有光源开启的情况下，获取摄像设备采集的待处理焊接图像，以获得一张初始焊接图像。
本申请实施例中，图像融合模块可以包括权重系数获取单元、待叠合图像获取单元和图像融合单元。
权重系数获取单元，用于获取N张初始焊接图像中，每张初始焊接图像对应的融合权重系数。
待叠合图像获取单元，用于针对N张初始焊接图像中的每张初始焊接图像，将初始焊接图像中，每个像素点的像素值与初始焊接图像对应的融合权重系数相乘，以获得N张待叠合图像。
图像融合单元，用于对N张待叠合图像进行叠合，获得第二焊接物图像或第一焊接物图像。
本申请实施例中，缺陷表征标签包括缺陷标签和良品标签，基于此，本申请实施例中，标记模块320可以包括图像对比单元和图像标记单元。
图像对比单元，用于针对多张第一焊印区域图像中的每张第一焊印区域图像，将第一焊印区域图像与预设的标准焊印图像进行对比，确定第一焊印区域图像中包括的焊点是否存在缺陷。
图像标记单元，用于在焊点存在缺陷时，为第一焊印区域图像添加缺陷标签，以及在焊点不存在缺陷时，为第一焊印区域图像添加良品标签。
由于本申请实施例提供的模型训练装置300是基于与上述模型训练方法同样的发明构思实现的，因此，模型训练装置300中，每个软件模块的具体描述，均可参见上述模型训练方法实施例中对应步骤的相关描述，此处不作赘述。
请参阅图6，为本申请实施例提供的焊点缺陷检测方法的流程示意图，该方法可以应用于图1所示的电子设备100。需要说明的是，本申请实施例提供的焊点缺陷检测方法不以图6及以下所示的顺序为限制，以下结合图6对焊点缺陷检测方法的具体流程及步骤进行描述。
步骤S210，将目标焊接物图像输入目标分割模型，并接收目标分割模型对目标焊接物图像进行分割，而获得的第二焊印区域图像。
可以理解的是，本申请实施例中，目标分割模型为上述模型训练方法实施例中，通过步骤S 101和步骤S102获得的目标分割模型，在执行步骤S210时，便可以将目标焊接物图像输入目标分割模型，并接收目标分割模型对目标焊接物图像进行分割，而获得的第二焊印区域图像，而该第二焊印区域图像，则作为焊点缺陷检测的感兴趣（Region OfInterest，ROI）区域。
步骤S220，将第二焊印区域图像输入目标分类模型，并接收用于表征第二焊印区域图像中包括的焊点是否存在缺陷的缺陷检测结果。
本申请实施例中，目标分类模型为上述模型训练方法实施例中，通过步骤S110、步骤S120和步骤S130获得的目标分类模型，在执行步骤S220时，便可以将第二焊印区域图像输入目标分类模型，并接收用于表征第二焊印区域图像中包括的焊点是否存在缺陷的缺陷检测结果。
基于与上述焊点缺陷检测方法同样的发明构思，本申请实施例还提供了一种焊点缺陷检测装置400。请参阅图7，本申请实施例提供的焊点缺陷检测装置400包括检测图像分割模块410和检测模块420。
检测图像分割模块410，用于将目标焊接物图像输入目标分割模型，并接收目标分割模型对目标焊接物图像进行分割，而获得的第二焊印区域图像。
检测模块420，用于将第二焊印区域图像输入目标分类模型，并接收用于表征第二焊印区域图像中包括的焊点是否存在缺陷的缺陷检测结果。
由于本申请实施例提供的焊点缺陷检测装置400是基于与上述焊点缺陷检测方法同样的发明构思实现的，因此，焊点缺陷检测装置400中，每个软件模块的具体描述，均可参见上述焊点缺陷检测方法实施例中对应步骤的相关描述，此处不作赘述。
此外，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被执行时，实现上述方法实施例所提供的模型训练方法或焊点缺陷检测方法，具体可参见上述方法实施例，本申请实施例中对此不作赘述。
综上所述，本申请实施例提供的模型训练方法、装置、以及应用该模型训练方法、装置的电子设备，由于采用了统一的目标分割模型对多张第二焊接物图像进行分割，而获得多张第一焊印区域图像，并为多张第一焊印区域图像中的每张第一焊印区域图像添加缺陷表征标签，再利用多张第一焊印区域图像，以及多张第一焊印区域图像的缺陷表征标签，对初始分类模型进行训练，获得目标分类模型的方案，因此，能够避免模型训练过程中，训练结果受到除第一焊印区域图像以外其他区域图像的干扰，从而保证目标分类模型的可靠性，最终，保证通过目标分类模型进行焊点缺陷检测的准确性。
进一步地，对于本申请实施例提供的焊点缺陷检测方法、装置，以及应用该焊点缺陷检测方法、装置的电子设备，由于其通过将目标焊接物图像输入目标分割模型，并接收目标分割模型对目标焊接物图像进行分割，而获得的第二焊印区域图像，再将第二焊印区域图像输入目标分类模型，并接收用于表征第二焊印区域图像中包括的焊点是否存在缺陷的缺陷检测结果，因此，能够保证缺陷检测结果的准确性，又因为目标分割模型和目标分类模型均为统一不变的，因此，能够保证结果的标准统一性，同时，能够有效缩短焊点缺陷的检测周期。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这将依据所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。此外，在本申请每个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是每个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
此外，所述功能如果以软件功能模块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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请每个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，需要说明的是，在本申请的描述中，术语“前”、“后”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此，不能理解为对本申请的限制。此外，还需要说明的是，在本申请的描述中，如“第一”、“第二”、“第三”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

Claims (8)

1.一种模型训练方法，其特征在于，包括：
对多张第一焊接物图像进行区域标注，获得多张区域标注图像，且所述区域标注图像中包括标注出的焊印区域，所述对多张第一焊接物图像进行区域标注包括将多张第一焊接物图像中每张第一焊接物图像包括的焊印区域标注出；
利用所述多张第一焊接物图像和所述多张区域标注图像，对初始分割模型进行训练，获得目标分割模型；
将多张第二焊接物图像输入目标分割模型，并接收所述目标分割模型对所述多张第二焊接物图像进行分割，而获得的多张第一焊印区域图像；
为所述多张第一焊印区域图像中的每张第一焊印区域图像添加缺陷表征标签，所述缺陷表征标签用于表征所述第一焊印区域图像中包括的焊点是否存在缺陷；
利用所述多张第一焊印区域图像，以及所述多张第一焊印区域图像的缺陷表征标签，对初始分类模型进行训练，获得目标分类模型；
所述模型训练方法，还包括：
获取目标焊接物在不同位置光源下对应的N张初始焊接图像，N≥3，且为整数；
对所述N张初始焊接图像进行融合，获得所述第二焊接物图像或所述第一焊接物图像；
所述模型训练方法应用于电子设备，所述电子设备与摄像设备连接，且所述摄像设备设置于目标载体上方，所述目标载体用于放置所述目标焊接物，且所述目标载体的不同位置处分别设置有多个光源，所述获取目标焊接物在不同位置光源下对应的N张初始焊接图像，包括：
针对所述多个光源中的每个光源，分别在所述光源开启，而其他光源关闭的情况下，获取所述摄像设备采集的初始焊接图像，以获得N-1张初始焊接图像；
在所述多个光源中的所有光源开启的情况下，获取所述摄像设备采集的待处理焊接图像，以获得一张初始焊接图像；
所述对所述N张初始焊接图像进行融合，获得所述第二焊接物图像或所述第一焊接物图像，包括：
将所述N-1张初始焊接图像对应的第二融合权重系数设置为相等数值，且在所述多个光源中的所有光源开启的情况下，所述摄像设备采集获得的初始焊接图像对应的第一融合权重系数设置为最大，且所述第一融合权重系数和N-1个第二融合权重系数的数值总和为1；
针对所述N张初始焊接图像中的每张初始焊接图像，将所述初始焊接图像中，每个像素点的像素值与所述初始焊接图像对应的融合权重系数相乘，以获得N张待叠合图像；
对所述N张待叠合图像进行叠合，获得所述第二焊接物图像或所述第一焊接物图像。
2.根据权利要求1所述的模型训练方法，其特征在于，所述对多张第一焊接物图像进行区域标注，获得多张区域标注图像，包括：
调用图像标注软件，以通过所述图像标注软件对所述多张第一焊接物图像进行区域标注，获得多张待检测标注图像；
对所述多张待检测标注图像进行标注检测，以将所述多张待检测标注图像中，标注成功的待检测标注图像，作为所述区域标注图像，以及将所述多张待检测标注图像中，标注失败的待检测标注图像，作为待处理图像；
针对每张所述待处理图像，接收对所述待处理图像进行二次区域标注之后，获得的区域标注图像。
3.根据权利要求1所述的模型训练方法，其特征在于，所述缺陷表征标签包括缺陷标签和良品标签，所述为所述多张第一焊印区域图像中的每张第一焊印区域图像添加缺陷表征标签，包括：
针对所述多张第一焊印区域图像中的每张第一焊印区域图像，将所述第一焊印区域图像与预设的标准焊印图像进行对比，确定所述第一焊印区域图像中包括的焊点是否存在缺陷；
在所述焊点存在缺陷时，为所述第一焊印区域图像添加所述缺陷标签，以及在所述焊点不存在缺陷时，为所述第一焊印区域图像添加所述良品标签。
4.一种焊点缺陷检测方法，其特征在于，包括：
将目标焊接物图像输入权利要求1~3中任意一项所述的目标分割模型，并接收所述目标分割模型对所述目标焊接物图像进行分割，而获得的第二焊印区域图像；
将所述第二焊印区域图像输入权利要求1~3中任意一项所述的目标分类模型，并接收用于表征所述第二焊印区域图像中包括的焊点是否存在缺陷的缺陷检测结果。
5.一种模型训练装置，其特征在于，包括：
标注模块，用于对多张第一焊接物图像进行区域标注，获得多张区域标注图像，且所述区域标注图像中包括标注出的焊印区域，所述对多张第一焊接物图像进行区域标注包括将多张第一焊接物图像中每张第一焊接物图像包括的焊印区域标注出；
第二模型训练模块，用于利用所述多张第一焊接物图像和所述多张区域标注图像，对初始分割模型进行训练，获得目标分割模型；
训练图像分割模块，用于将多张第二焊接物图像输入所述目标分割模型，并接收所述目标分割模型对所述多张第二焊接物图像进行分割，而获得的多张第一焊印区域图像；
标记模块，用于为所述多张第一焊印区域图像中的每张第一焊印区域图像添加缺陷表征标签，所述缺陷表征标签用于表征所述第一焊印区域图像中包括的焊点是否存在缺陷；
第一模型训练模块，用于利用所述多张第一焊印区域图像，以及所述多张第一焊印区域图像的缺陷表征标签，对初始分类模型进行训练，获得目标分类模型；
所述模型训练装置还包括焊接图像获取模块和图像融合模块；
所述焊接图像获取模块用于获取目标焊接物在不同位置光源下对应的N张初始焊接图像，N≥3，且为整数；
所述图像融合模块用于对所述N张初始焊接图像进行融合，获得所述第二焊接物图像或所述第一焊接物图像；
所述模型训练方法应用于电子设备，所述电子设备与摄像设备连接，且所述摄像设备设置于目标载体上方，所述目标载体用于放置所述目标焊接物，且所述目标载体的不同位置处分别设置有多个光源，所述焊接图像获取模块具体用于：
针对所述多个光源中的每个光源，分别在所述光源开启，而其他光源关闭的情况下，获取所述摄像设备采集的初始焊接图像，以获得N-1张初始焊接图像；
在所述多个光源中的所有光源开启的情况下，获取所述摄像设备采集的待处理焊接图像，以获得一张初始焊接图像；
所述图像融合模块具体用于：
将所述N-1张初始焊接图像对应的第二融合权重系数设置为相等数值，且在所述多个光源中的所有光源开启的情况下，所述摄像设备采集获得的初始焊接图像对应的第一融合权重系数设置为最大，且所述第一融合权重系数和N-1个第二融合权重系数的数值总和为1；
针对所述N张初始焊接图像中的每张初始焊接图像，将所述初始焊接图像中，每个像素点的像素值与所述初始焊接图像对应的融合权重系数相乘，以获得N张待叠合图像；
对所述N张待叠合图像进行叠合，获得所述第二焊接物图像或所述第一焊接物图像。
6.一种焊点缺陷检测装置，其特征在于，包括：
检测图像分割模块，用于将目标焊接物图像输入权利要求1~3中任意一项所述的目标分割模型，并接收所述目标分割模型对所述目标焊接物图像进行分割，而获得的第二焊印区域图像；
检测模块，用于将所述第二焊印区域图像输入权利要求1~3中任意一项所述的目标分类模型，并接收用于表征所述第二焊印区域图像中包括的焊点是否存在缺陷的缺陷检测结果。
7.一种电子设备，其特征在于，包括控制器和存储器，所述存储器上存储有计算机程序，所述控制器用于执行所述计算机程序，以实现权利要求1~3中任意一项所述的模型训练方法，或实现权利要求4所述的焊点缺陷检测方法。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被执行时，实现权利要求1~3中任意一项所述的模型训练方法，或实现权利要求4所述的焊点缺陷检测方法。
CN202010822802.6A 2020-08-17 2020-08-17 模型训练方法、焊点缺陷检测方法、装置及电子设备 Active CN111696108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010822802.6A CN111696108B (zh) 2020-08-17 2020-08-17 模型训练方法、焊点缺陷检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010822802.6A CN111696108B (zh) 2020-08-17 2020-08-17 模型训练方法、焊点缺陷检测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111696108A CN111696108A (zh) 2020-09-22
CN111696108B true CN111696108B (zh) 2021-07-09

Family

ID=72487141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010822802.6A Active CN111696108B (zh) 2020-08-17 2020-08-17 模型训练方法、焊点缺陷检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111696108B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036514B (zh) * 2020-11-04 2021-07-13 腾讯科技（深圳）有限公司 一种图像分类方法、装置、服务器及计算机可读存储介质
CN114742832B (zh) * 2022-06-13 2022-09-09 惠州威尔高电子有限公司 一种MiniLED薄板的焊接缺陷检测方法
CN115156093A (zh) * 2022-06-29 2022-10-11 上海商汤智能科技有限公司 电池外壳缺陷检测方法、系统及装置
CN117642622A (zh) * 2022-06-30 2024-03-01 宁德时代新能源科技股份有限公司 检测焊印的方法、装置和电子设备
CN116630264A (zh) * 2023-05-21 2023-08-22 阿里巴巴（中国）有限公司 密封钉焊接缺陷的检测方法、存储介质以及电子设备
CN117078620B (zh) * 2023-08-14 2024-02-23 正泰集团研发中心(上海)有限公司 Pcb焊点缺陷检测方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427970A (zh) * 2018-03-29 2018-08-21 厦门美图之家科技有限公司 图片标注方法和装置
CN110135521A (zh) * 2019-05-28 2019-08-16 陕西何止网络科技有限公司 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统
CN110363770A (zh) * 2019-07-12 2019-10-22 安徽大学 一种边缘引导式红外语义分割模型的训练方法及装置
CN110473178A (zh) * 2019-07-30 2019-11-19 上海深视信息科技有限公司 一种基于多光源融合的外观缺陷检测方法及系统
CN110636715A (zh) * 2019-08-27 2019-12-31 杭州电子科技大学 一种基于自学习的自动焊接及缺陷检测方法
CN111127571A (zh) * 2019-12-03 2020-05-08 歌尔股份有限公司 一种小样本缺陷分类方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492997A (zh) * 2018-10-31 2019-03-19 四川长虹电器股份有限公司 一种基于SpringBoot的图像标注平台系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427970A (zh) * 2018-03-29 2018-08-21 厦门美图之家科技有限公司 图片标注方法和装置
CN110135521A (zh) * 2019-05-28 2019-08-16 陕西何止网络科技有限公司 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统
CN110363770A (zh) * 2019-07-12 2019-10-22 安徽大学 一种边缘引导式红外语义分割模型的训练方法及装置
CN110473178A (zh) * 2019-07-30 2019-11-19 上海深视信息科技有限公司 一种基于多光源融合的外观缺陷检测方法及系统
CN110636715A (zh) * 2019-08-27 2019-12-31 杭州电子科技大学 一种基于自学习的自动焊接及缺陷检测方法
CN111127571A (zh) * 2019-12-03 2020-05-08 歌尔股份有限公司 一种小样本缺陷分类方法和装置

Also Published As

Publication number Publication date
CN111696108A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111696108B (zh) 模型训练方法、焊点缺陷检测方法、装置及电子设备
US7885528B2 (en) System and method for focusing a charge coupled device lens on a selected surface of an object
CN111060515A (zh) Pcba质量检测方法、系统、计算机设备
CN112651949B (zh) 3d打印监控方法、装置、电子设备及存储介质
US10684321B2 (en) Printed circuit board inspecting apparatus, method for detecting anomaly in solder paste and computer readable recording medium
CN109741296B (zh) 产品质量检测方法及装置
CN109741295B (zh) 产品质量检测方法及装置
CN108871185B (zh) 零件检测的方法、装置、设备以及计算机可读存储介质
CN111681243B (zh) 焊接图像处理方法、装置及电子设备
CN110928235B (zh) 工件贴合方法、装置、电子设备及工件贴合系统
CN107315140B (zh) 一种aoi检测的方法、装置、设备及存储介质
KR100994417B1 (ko) 피씨비 표면실장 자동광학검사기용 작업데이터 생성방법
CN111932531A (zh) 模型训练方法、焊点缺陷检测方法、装置及电子设备
CN105136818A (zh) 印刷基板的影像检测方法
US20040126002A1 (en) System and method for measuring an object
EP2282510A2 (en) Calibration of imaging devices for minimizing individual color reproducing errors of such devices
CN108241118B (zh) 一种pcb连板贴片加工系统及方法
US20110161029A1 (en) Surface mount technology measurement system and method
CN112633439A (zh) 一种电子产品的生产卡控方法、装置、系统、设备及介质
US11150849B2 (en) Device and method for checking the printing of an article
CN113687799A (zh) 一种打印系统、方法、装置、存储介质及电子设备
TWI758134B (zh) 依據元件識別資料使用圖形特徵二次檢測之系統及方法
TWI771908B (zh) 圖像分類標注方法、裝置、電子設備及存儲介質
WO1993001558A1 (en) Image processing method for industrial visual sensor
CN117715302A (zh) 元器件的配参方法、配参装置、配参设备及存储介质

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