CN113379745A - 产品缺陷识别方法、装置、电子设备和存储介质 - Google Patents

Abstract

本发明公开了一种产品缺陷识别方法、装置、电子设备和存储介质。其中，方法包括通过设置在产品每个面外的红外传感器获取所述红外传感器照射产品时，每个照射点与相应的产品映射点之间的距离；判断所述每个照射点与相应的产品映射点之间的距离，和相邻照射点与相应的相邻产品映射点之间的距离的差值是否大于预设阈值；在所述差值大于所述预设阈值时，通过摄像头获取包含所述产品映射点的产品局部图像；利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷。采用本发明提供的方案能准备定位缺陷位置，并根据缺陷位置采集局部图像进行识别，图像清晰，识别准确度高。

Description

产品缺陷识别方法、装置、电子设备和存储介质

技术领域

本发明涉及图像识别技术领域，尤其涉及一种产品缺陷识别方法、装置、电子设备和存储介质。

背景技术

木质板材具有坚固、美观等优点，在我国工业生产及人们的办公、家居环境中得到了广泛应用。木质板材在生产过程中，由于生产工艺限制，除了木材本身生长过程中产生的缺陷外，不可避免地还会因为工艺问题产生其他多种类型的缺陷，严重影响木质板材下级产品的美观程度，同时给生产厂家造成较大的经济损失。因此，在板材的生产过程中准确地将先天及后天缺陷实时检测出来并进行反馈是十分必要的。但现有技术中，对木质板材的缺陷检测往往不够准确。

发明内容

为解决产品缺陷识别不准确的技术问题，本发明实施例提供一种产品缺陷识别方法、装置、电子设备和存储介质。

本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种产品缺陷识别方法，方法包括：

通过设置在产品每个面外的红外传感器获取所述红外传感器照射产品时，每个照射点与相应的产品映射点之间的距离；

判断所述每个照射点与相应的产品映射点之间的距离，和相邻照射点与相应的相邻产品映射点之间的距离的差值是否大于预设阈值；

在所述差值大于所述预设阈值时，通过摄像头获取包含所述产品映射点的产品局部图像；

利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷。

上述方案中，所述预设阈值为0.1毫米。

上述方案中，所述利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷包括：

利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷的类型包括以下至少之一：异物、凹凸、裂痕。

上述方案中，确定所述局部图像所对应的产品缺陷之后，所述方法还包括：

将所述局部图像所对应的产品缺陷输入至样本库中，以用于继续训练所述预设识别模型。

上述方案中，所述通过摄像头获取包含所述产品映射点的产品局部图像包括：

确定所述产品映射点所在平面与相邻产品平面之间的交线；

判断所述产品映射点与所述交线之间的距离是否小于或等于预设距离；

在所述产品映射点与所述交线之间的距离小于或等于预设距离时，获取所述产品映射点所在平面的图像和所述相邻产品平面的图像；

根据所述产品映射点所在平面的图像和所述相邻产品平面的图像，合成包含产品三维信息的检测图像；

将所述检测图像作为所述产品局部图像。

上述方案中，所述通过摄像头获取包含所述产品映射点的产品局部图像包括：

确定所述产品映射点的位置信息；

根据所述位置信息将所述摄像头移动至所述产品映射点的正前方；

利用移动后的摄像头进行拍摄，获取所述产品局部图像。

上述方案中，所述方法包括：

通过设置在产品每个面外的红外传感器获取所述产品每个面的热力图；

基于所述产品每个面的热力图生成所述产品的三维图。

本发明实施例还提供了一种产品缺陷识别装置，产品缺陷识别装置包括：

照射模块，用于通过设置在产品每个面外的红外传感器获取所述红外传感器照射产品时，每个照射点与相应的产品映射点之间的距离；

判断模块，用于判断所述每个照射点与相应的产品映射点之间的距离，和相邻照射点与相应的相邻产品映射点之间的距离的差值是否大于预设阈值；

获取模块，用于在所述差值大于所述预设阈值时，通过摄像头获取包含所述产品映射点的产品局部图像；

识别模块，用于利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷。

本发明实施例还提供了一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，

处理器用于运行计算机程序时，执行上述任一方法的步骤。

本发明实施例还提供了一种存储介质，存储介质中存储有计算机程序，计算机程序被处理器执行时，实现上述任一方法的步骤。

本发明实施例提供的产品缺陷识别方法、装置、电子设备和存储介质，通过设置在产品每个面外的红外传感器获取所述红外传感器照射产品时，每个照射点与相应的产品映射点之间的距离；判断所述每个照射点与相应的产品映射点之间的距离，和相邻照射点与相应的相邻产品映射点之间的距离的差值是否大于预设阈值；在所述差值大于所述预设阈值时，通过摄像头获取包含所述产品映射点的产品局部图像；利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷。采用本发明提供的方案能准备定位缺陷位置，并根据缺陷位置采集局部图像进行识别，图像清晰，识别准确度高。

附图说明

图1为本发明实施例产品缺陷识别方法的流程示意图；

图2为本发明应用实施例识别装置结构示意图；

图3为本发明实施例产品缺陷识别装置的结构示意图；

图4为本发明实施例计算机设备的内部结构图。

具体实施方式

下面将结合附图及实施例对本发明作进一步详细的描述。

目前，针对木质板材的缺陷检查，主要采取以下几种方式：

（1）通过人工识别缺陷

这种方式采用人工进行识别，虽然人工对于缺陷能够较容易地识别出来，但在缺陷形貌和缺陷标准的边界条件较为接近的情况下，由于人为判定存在主观性，导致标准不一致，因此存在检测结果不一致的问题。且人工识别，难以保证识别人员长久保持专注，易出现遗漏。

（2）通过工业相机及传统视觉检测算法进行识别

在该方式中，采用传统视觉检测算法进行识别。传统视觉检测算法对图像质量要求较高，且比较容易受到木材自身诸多其他因素（纹理等）的影响，检测算法鲁棒性不强，难以准确检测缺陷。

（3）通过工业相机及深度学习进行识别

深度学习目前在图像缺陷检测上有较好的表现，对工件自身纹理具有一定的鲁棒性。但目前主要采取的是直接对整个输入图像进行缺陷检测，只能实现二维的识别，没有针对性，容易导致错误判断缺陷类型，降低了鲁棒性。

基于此，本发明实施例提供一种基于三维成像来识别木板缺陷的检测装置系统。该检测装置系统能够对木板的厚度，上下左右进行全方位的检测识别，形成三维立体图像，通过该三维成像，针对选择区域进行AI算法缺陷检测，突破传统二维图片识别信息少的问题，提高缺陷识别检测精度和准确度。

本发明实施例提供了一种产品缺陷识别方法，如图1所示，该方法包括：

步骤101：通过设置在产品每个面外的红外传感器获取所述红外传感器照射产品时，每个照射点与相应的产品映射点之间的距离；

步骤102：判断所述每个照射点与相应的产品映射点之间的距离，和相邻照射点与相应的相邻产品映射点之间的距离的差值是否大于预设阈值；

步骤103：在所述差值大于所述预设阈值时，通过摄像头获取包含所述产品映射点的产品局部图像；

步骤104：利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷。

具体地，红外传感器的分布位置可以根据产品形状而进行相应的设置，以使得红外传感器在照射产品每面时是以相同的距离进行照射。例如，当产品为木质板材等长方体形状时，可以将多个红外传感器布置的位置设置成6面长方体形状，以保证以该位置进行设置的红外传感器在照射产品每面时，都是以相同的距离进行照射。再例如，当产品行为为圆形时，可以将红外传感器的布置位置设置成具有一定半径的球形，以实现以相同的距离照射产品每一点。

实际应用时，预设阈值可以根据产品工艺精度进行设定。例如，针对木质板材，预设阈值可以设定为0.1毫米。即当该照射点与相应的产品映射点之间的距离，和相邻照射点与相应的相邻产品映射点之间的距离的差值大于0.1毫米时，即说明该点处平面不均匀，可能存在产品缺陷。

具体地，在一实施例中，所述利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷包括：

利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷的类型包括以下至少之一：异物、凹凸、裂痕。

实际应用时，该预设识别模型可以为深度学习类的神经网络模型。可以事先对该预设识别模型进行训练，然后，利用训练好的神经网络模型进行缺陷的识别。这里，在本实施例中，在识别产品缺陷时，获取的新的产品图像，可进行对该预设识别模型进行训练，以提高产品识别精度和准确度。

即在一实施例中，确定所述局部图像所对应的产品缺陷之后，所述方法还包括：

将所述局部图像所对应的产品缺陷输入至样本库中，以用于继续训练所述预设识别模型。

当该差值大于预设阈值时，获取包含该点的局部图像，以针对该局部图像进行识别。这里，获取的局部图像的大小，可以根据实际情况进行设定。

由于产品缺陷往往具有较大的面积范围，不仅是一个映射点会存在差值大于预设阈值的情况，因此，可以根据该映射点附近存在差值大于预设阈值的情况的映射点的范围大小，确定局部图像的大小。

例如，在一实施例中，确定局部图像的大小包括：

确定所述产品映射点相邻的产品映射点；

判断该相邻的产品映射点与对应的照射点之间的距离，和与该相邻的产品映射点相邻的产品映射点与对应的照射点之间的距离的差值是否大于预设阈值；

在所述差值大于预设阈值时，继续判断与该相邻的产品映射点相邻的其他产品映射点的差值是否大于预设阈值；当判断某一产品映射点的距离与相邻的产品映射点的距离的差值都不大于预设阈值时，结束此次判断；

获取该过程中所有差值大于预设阈值的产品映射点；

基于该过程中所有差值大于预设阈值的产品映射点的位置确定局部图像大小。

另外，除此之外，还可以根据产品类型可能存在的缺陷的范围大小设定固定的局部图像的大小。例如，对于木质板材等产品，可能出现的缺陷的范围大小为A，则根据该产品可能出现的缺陷的范围大小，设定大于A的B为局部图像的大小。

进一步地，在确定局部图像的大小后，可以设定合适的拍摄距离和摄像参数（例如焦距等）以实现以较高的清晰度对产品进行拍摄，获取图片中产品范围为预设范围的图片（即获取局部图像的大小为预设大小的图片）。

另外，在获取局部图像时，缺陷可以位于产品的边缘位置，甚至可以位于多个平面，这里，针对该情况，在一实施例中，所述通过摄像头获取包含所述产品映射点的产品局部图像包括：

确定所述产品映射点所在平面与相邻产品平面之间的交线；

判断所述产品映射点与所述交线之间的距离是否小于或等于预设距离；

在所述产品映射点与所述交线之间的距离小于或等于预设距离时，获取所述产品映射点所在平面的图像和所述相邻产品平面的图像；

根据所述产品映射点所在平面的图像和所述相邻产品平面的图像，合成包含产品三维信息的检测图像；

将所述检测图像作为所述产品局部图像。

实际应用时，产品为多面体时，通过多个平面相交形成，一个平面会与其他平面相交。相邻产品平面指产品多个平面中与该产品映射点所在平面相交的产品平面。

这里，获取产品映射点所在平面的图像和所述相邻产品平面的图像后，可以采用常规的合成方式进行包含产品三维信息的检测图像的合成。这里，现有技术中存在多种合成方式，这里不再赘述。

上述方式是针对摄像头不能移动的情况，可以采用合成的方式获取产品局部图像。那么，针对摄像头能够进行移动的情况，可以采用移动摄像头的方式获取品局部图像。

这里，在一实施例中，所述通过摄像头获取包含所述产品映射点的产品局部图像包括：

确定所述产品映射点的位置信息；

根据所述位置信息将所述摄像头移动至所述产品映射点的正前方；

利用移动后的摄像头进行拍摄，获取所述产品局部图像。

这里的正前方指能使得该产品映射点位于摄像镜头正中心位置，并该摄像头的中心点与该产品映射点的距离为一定距离的平面。

另外，在一实施例中，所述方法包括：

通过设置在产品每个面外的红外传感器获取所述产品每个面的热力图；

基于所述产品每个面的热力图生成所述产品的三维图。

由于在产品每个面外都设置有红外传感器，因此，可以根据设置的红外传感器合成产品的三维图，以实现准确确定产品缺陷位置。

本发明实施例提供的产品缺陷识别方法，通过设置在产品每个面外的红外传感器获取所述红外传感器照射产品时，每个照射点与相应的产品映射点之间的距离；判断所述每个照射点与相应的产品映射点之间的距离，和相邻照射点与相应的相邻产品映射点之间的距离的差值是否大于预设阈值；在所述差值大于所述预设阈值时，通过摄像头获取包含所述产品映射点的产品局部图像；利用预设识别模型识别对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷。采用本发明提供的方案能准备定位缺陷位置，并根据缺陷位置采集局部图像进行识别，图像清晰，识别准确度高。

下面结合应用实施例对本发明再作进一步详细的描述。

本实施例提供了一种基于三维成像的木材识别装置系统，该装置四周遍布红外传感器及摄像装置，将木板放置于该装置中（如图2所示），通过红外传感器对该木板进行拍摄，进行三维成像。获取到三维成像后，通过木板上映射点与映射点之间的距离（映射点的距离为红外照射点到木板映射点的距离）来进行判断，若相邻两个映射点的距离超过0.1毫米，则通过摄像装置获取包含该映射点的局部图片。获取多张局部图片（图片1、图片2、图片3）（每个距离超过0.1毫米的映射点获取一张图片，多张图片分别对应多个距离超过0.1毫米的映射点），并通过AI算法对每个图片进行缺陷检测，如对异物、凹凸、裂痕等缺陷进行识别。获取检测结果，并将检测结果加入到缺陷库中，使AI算法处于不断学习的进程中。

具体地，所述缺陷检测方法包含以下步骤：

（1）获得待进行缺陷检测的三维成像数据；

（2）将输入图像根据点与点之间的距离，划分为多个图片；

（3）从待检测的区域中选取1个未进行缺陷检测的区域；

（4）对于当前选中的区域，从模型库中通过AI算法进行缺陷识别，如果识别到缺陷，则跳转到所述步骤（6）；

（5）如果还存在未进行缺陷识别的区域，则跳转到所述步骤（3），否则跳转到所述步骤（7）；

（6）将该图像的缺陷数据加入到缺陷库中；

（7）返回当前图像的缺陷检测结果。

本实施例提供了一种基于三维成像来识别木板缺陷的检测装置系统。该检测装置系统能够对木板的厚度，上下左右进行全方位的检测识别，通过三维成像，针对选择区域进行AI算法缺陷检测，突破传统二维图片识别信息少问题；提高了木材缺陷检测的准确率，提高种类识别率，能够大幅降低企业生产中的损失。

为了实现本发明实施例的方法，本发明实施例还提供了一种产品缺陷识别装置，如图3所示，产品缺陷识别装置300包括：照射模块301、判断模块302、获取模块303和识别模块304；其中，

照射模块301，用于通过设置在产品每个面外的红外传感器获取所述红外传感器照射产品时，每个照射点与相应的产品映射点之间的距离；

判断模块302，用于判断所述每个照射点与相应的产品映射点之间的距离，和相邻照射点与相应的相邻产品映射点之间的距离的差值是否大于预设阈值；

获取模块303，用于在所述差值大于所述预设阈值时，通过摄像头获取包含所述产品映射点的产品局部图像；

识别模块304，用于利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷。

实际应用时，照射模块301、判断模块302、获取模块303和识别模块304可由产品缺陷识别装置中的处理器实现。

需要说明的是：上述实施例提供的上述装置在执行时，仅以上述各程序模块的划分进行举例说明，实际应用时，可以根据需要而将上述处理分配由不同的程序模块完成，即将终端的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的上述装置与上述方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

为了实现本发明实施例的方法，本发明实施例还提供了一种计算机程序产品，计算机程序产品包括计算机指令，计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取计算机指令，处理器执行计算机指令，使得计算机设备执行上述方法的步骤。

基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供了一种电子设备（计算机设备）。具体地，在一个实施例中，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、显示屏A04、输入装置A05和存储器（图中未示出）。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A06。该非易失性存储介质A06存储有操作系统B01和计算机程序B02。该内存储器A03为非易失性存储介质A06中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序被处理器A01执行时以实现上述任意一项实施例的方法。该计算机设备的显示屏A04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置A05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本发明实施例提供的设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现上述任意一项实施例的方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

可以理解，本发明实施例的存储器可以是易失性存储器或者非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（ROM，ReadOnly Memory）、可编程只读存储器（PROM，Programmable Read-Only Memory）、可擦除可编程只读存储器（EPROM，Erasable Programmable Read-Only Memory）、电可擦除可编程只读存储器（EEPROM，Electrically Erasable Programmable Read-Only Memory）、磁性随机存取存储器（FRAM，ferromagnetic random access memory）、快闪存储器（Flash Memory）、磁表面存储器、光盘、或只读光盘（CD-ROM，Compact Disc Read-Only Memory）；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器（RAM，RandomAccess Memory），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（SRAM，Static Random Access Memory）、同步静态随机存取存储器（SSRAM，Synchronous Static Random Access Memory）、动态随机存取存储器（DRAM，Dynamic Random Access Memory）、同步动态随机存取存储器（SDRAM，SynchronousDynamic Random Access Memory）、双倍数据速率同步动态随机存取存储器（DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory）、增强型同步动态随机存取存储器（ESDRAM，Enhanced Synchronous Dynamic Random Access Memory）、同步连接动态随机存取存储器（SLDRAM，SyncLink Dynamic Random Access Memory）、直接内存总线随机存取存储器（DRRAM，Direct Rambus Random Access Memory）。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种产品缺陷识别方法，其特征在于，所述方法包括：

通过设置在产品每个面外的红外传感器获取所述红外传感器照射产品时，每个照射点与相应的产品映射点之间的距离；

判断所述每个照射点与相应的产品映射点之间的距离，和相邻照射点与相应的相邻产品映射点之间的距离的差值是否大于预设阈值；

在所述差值大于所述预设阈值时，通过摄像头获取包含所述产品映射点的产品局部图像；

利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷。

2.根据权利要求1所述的方法，其特征在于，所述预设阈值为0.1毫米。

3.根据权利要求1所述的方法，其特征在于，所述利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷包括：

利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷的缺陷类型，其中，所述缺陷类型包括以下至少之一：异物、凹凸、裂痕。

4.根据权利要求1所述的方法，其特征在于，确定所述局部图像所对应的产品缺陷之后，所述方法还包括：

将所述局部图像所对应的产品缺陷输入至样本库中，以用于继续训练所述预设识别模型。

5.根据权利要求1所述的方法，其特征在于，所述通过摄像头获取包含所述产品映射点的产品局部图像包括：

确定所述产品映射点所在平面与相邻产品平面之间的交线；

判断所述产品映射点与所述交线之间的距离是否小于或等于预设距离；

在所述产品映射点与所述交线之间的距离小于或等于预设距离时，获取所述产品映射点所在平面的图像和所述相邻产品平面的图像；

根据所述产品映射点所在平面的图像和所述相邻产品平面的图像，合成包含产品三维信息的检测图像；

将所述检测图像作为所述产品局部图像。

6.根据权利要求1所述的方法，其特征在于，所述通过摄像头获取包含所述产品映射点的产品局部图像包括：

确定所述产品映射点的位置信息；

根据所述位置信息将所述摄像头移动至所述产品映射点的正前方；

利用移动后的摄像头进行拍摄，获取所述产品局部图像。

7.根据权利要求1所述的方法，其特征在于，所述方法包括：

通过设置在产品每个面外的红外传感器获取所述产品每个面的热力图；

基于所述产品每个面的热力图生成所述产品的三维图。

8.一种产品缺陷识别装置，其特征在于，所述产品缺陷识别装置包括：

照射模块，用于通过设置在产品每个面外的红外传感器获取所述红外传感器照射产品时，每个照射点与相应的产品映射点之间的距离；

判断模块，用于判断所述每个照射点与相应的产品映射点之间的距离，和相邻照射点与相应的相邻产品映射点之间的距离的差值是否大于预设阈值；

获取模块，用于在所述差值大于所述预设阈值时，通过摄像头获取包含所述产品映射点的产品局部图像；

识别模块，用于利用预设识别模型对所述局部图像进行识别，确定所述局部图像所对应的产品缺陷。

9.一种电子设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，

所述处理器用于运行所述计算机程序时，执行权利要求1至7任一项所述方法的步骤。

10.一种存储介质，所述存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7任一项所述方法的步骤。

Images