CN114359602A - 产品缺陷的检测方法及装置、存储介质、电子设备 - Google Patents

Abstract

本公开属于产品检测技术领域，涉及一种产品缺陷的检测方法及装置、存储介质、电子设备。该方法包括：获取边缘侧资源以及与待检测产品对应的任务需求资源，并对边缘侧资源和任务需求资源进行资源匹配计算得到资源匹配值；获取与资源匹配值对应的匹配阈值，并对资源匹配值与匹配阈值进行比较得到匹配比较结果；根据匹配比较结果对待检测产品进行缺陷检测。本公开通过计算资源匹配值对待检测产品进行缺陷检测，提高了产线与边缘侧的关联度，也提高了缺陷检测任务量与边缘资源的匹配度，合理利用了边缘侧的各项资源，降低了网络带宽压力和网络传输损伤，提高了缺陷检测的精度和实时性。

Description

产品缺陷的检测方法及装置、存储介质、电子设备

技术领域

本公开涉及产品检测技术领域，尤其涉及一种产品缺陷的检测方法与产品缺陷的检测装置、计算机可读存储介质及电子设备。

背景技术

缺陷检测是工业制造领域的重要环节，对实时性和精准性的要求极高。随着边缘计算在工业领域的应用，如何有效利用边缘计算架构，提高边缘资源的利用率，降低网络压力，提高缺陷检测的精准性和实时性，已经成为工业领域的研究重点。

通常将缺陷检测图片上传至云端进行缺陷检测。但是，由于缺陷检测图片属于未压缩的超高清图片，因此上传至云端会占用大量带宽，同时网络传输损伤会影响检测精度和实时性需求。虽然在现场侧部署智能网关能够避免网络传输的损伤，但是由于算力资源有限，却无法满足工业缺陷检测的高精度要求。

鉴于此，本领域亟需开发一种新的产品缺陷的检测方法及装置。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种产品缺陷的检测方法、产品缺陷的检测装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制而导致的检测精度低和传输损伤高的技术问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本发明实施例的第一个方面，提供一种产品缺陷的检测方法，应用于边缘计算架构的边缘侧，所述方法包括：

获取边缘侧资源以及与待检测产品对应的任务需求资源，并对所述边缘侧资源和所述任务需求资源进行资源匹配计算得到资源匹配值；

获取与所述资源匹配值对应的匹配阈值，并对所述资源匹配值与所述匹配阈值进行比较得到匹配比较结果；

根据所述匹配比较结果对所述待检测产品进行缺陷检测。

在本发明的一种示例性实施例中，所述任务需求资源包括：需求计算资源、需求存储资源和需求网络资源，

所述获取边缘侧资源以及与待检测产品对应的任务需求资源，包括：

获取与待检测产品对应的检测任务和所述检测任务的检测任务数量，并按照所述检测任务数量对所述检测任务、所述需求计算资源、所述需求存储资源和所述需求网络资源进行资源需求计算得到任务需求资源；

获取所述边缘计算资源、所述边缘存储资源和所述边缘网络资源，以确定所述边缘计算资源、所述边缘存储资源和所述边缘网络资源为边缘侧资源。

在本发明的一种示例性实施例中，所述资源匹配值包括计算资源匹配值、存储资源匹配值和网络资源匹配值，

所述对所述资源匹配值与所述匹配阈值进行比较得到匹配比较结果，包括：

将所述匹配阈值与所述计算资源匹配值、所述存储资源匹配值或所述网络资源匹配分别进行比较得到匹配比较结果；或

对所述计算资源匹配值、所述存储资源匹配值和所述网络资源匹配进行比较得到目标资源匹配值，并将所述目标资源匹配值与所述匹配阈值进行比较得到匹配比较结果。

在本发明的一种示例性实施例中，所述根据所述匹配比较结果对所述待检测产品进行缺陷检测，包括：

若所述匹配比较结果为所述计算资源匹配值、所述存储资源匹配值或所述网络资源匹配大于或等于所述匹配阈值，对所述边缘侧资源和所述任务需求资源进行求参计算得到目标任务数量；

按照所述目标任务数量对所述待检测产品进行缺陷检测。

在本发明的一种示例性实施例中，在所述对所述边缘侧资源和所述任务需求资源进行求参计算得到目标任务数量之后，所述方法还包括：

若与所述目标任务数量对应的资源匹配值小于所述匹配阈值，利用缺陷检测模型对所述待检测产品进行缺陷检测。

若所述匹配比较结果为所述目标资源匹配值小于所述匹配阈值，利用缺陷检测模型对所述待检测产品进行缺陷检测。

在本发明的一种示例性实施例中，所述利用缺陷检测模型对所述待检测产品进行缺陷检测，包括：

将所述缺陷检测模型部署在所述边缘侧的终端设备上，并获取与所述目标任务数量或者所述检测任务数量对应的数量阈值，所述终端设备包括智能网关和边缘计算设备；

若所述目标任务数量或者所述检测任务数量小于所述数量阈值，利用部署在所述智能网关上的缺陷检测模型对所述待检测产品进行缺陷检测；

若为所述目标任务数量或者所述检测任务数量大于或等于所述数量阈值，利用部署在所述智能网关和边缘计算设备上的缺陷检测模型对所述待检测产品进行缺陷检测。

在本发明的一种示例性实施例中，所述利用部署在所述智能网关和边缘计算设备上的缺陷检测模型对所述待检测产品进行缺陷检测，包括：

对所述缺陷检测模型进行模型分层处理得到模型分层参数，并对所述模型分层参数进行模型参数计算得到与所述智能网关对应的网关需求资源；

获取与所述网关需求资源对应的所述智能网关的资源阈值，并将所述网关资源与所述网关需求资源进行比较得到网关比较结果，所述网关需求资源包括网关计算资源、网关存储资源和网关网络资源；

若所述网关比较结果为所述资源阈值小于或等于所述网关计算资源、所述网关存储资源或所述网关网络资源，利用部署在所述智能网关和边缘计算设备上的缺陷检测模型分层对所述待检测产品进行缺陷检测。

根据本发明实施例的第二个方面，提供一种产品缺陷的检测装置，应用于边缘计算架构的边缘侧，包括：

资源匹配模块，被配置为获取边缘侧资源以及与待检测产品对应的任务需求资源，并对所述边缘侧资源和所述任务需求资源进行资源匹配计算得到资源匹配值；

资源比较模块，被配置为获取与所述资源匹配值对应的匹配阈值，并对所述资源匹配值与所述匹配阈值进行比较得到匹配比较结果；

产品检测模块，被配置为根据所述匹配比较结果对所述待检测产品进行缺陷检测。

根据本发明实施例的第三个方面，提供一种电子设备，包括：处理器和存储器；其中，存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现上述任意示例性实施例中的产品缺陷的检测方法。

根据本发明实施例的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意示例性实施例中的产品缺陷的检测方法。

由上述技术方案可知，本公开示例性实施例中的产品缺陷的检测方法、产品缺陷的检测装置、计算机存储介质及电子设备至少具备以下优点和积极效果：

在本公开的示例性实施例提供的方法及装置中，通过计算资源匹配值对待检测产品进行缺陷检测，提高了产线与边缘侧的关联度，也提高了缺陷检测任务量与边缘资源的匹配度，合理利用了边缘侧的各项资源，降低了网络带宽压力和网络传输损伤，提高了缺陷检测的精度和实时性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中一种产品缺陷的检测方法的流程示意图；

图2示意性示出本公开示例性实施例中获取边缘侧资源和任务需求资源的方法的流程示意图；

图3示意性示出本公开示例性实施例中得到匹配比较结果的方法的流程示意图；

图4示意性示出本公开示例性实施例中对待检测产品进行缺陷检测的方法的流程示意图；

图5示意性示出本公开示例性实施例中利用缺陷检测模型对待检测产品进行缺陷检测的方法的流程示意图；

图6示意性示出本公开示例性实施例中进一步利用缺陷检测模型对待检测产品进行缺陷检测的方法的流程示意图的方法的流程示意图；

图7示意性示出本公开示例性实施例中同时利用部署在智能网关和边缘计算设备上的缺陷检测模型对待检测产品进行缺陷检测的方法的流程示意图；

图8示意性示出本公开示例性实施例中卷积神经网络模型的网络结构示意图；

图9示意性示出本公开示例性实施例中卷积神经网络分层执行的结构示意图；

图10示意性示出本公开示例性实施例中应用场景下产品缺陷的检测系统的系统架构图；

图11示意性示出本公开示例性实施例中应用场景下产品缺陷的检测方法的流程示意图；

图12示意性示出本公开示例性实施例中一种产品缺陷的检测装置的结构示意图；

图13示意性示出本公开示例性实施例中一种用于实现产品缺陷的检测方法的电子设备；

图14示意性示出本公开示例性实施例中一种用于实现产品缺陷的检测方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。

缺陷检测是工业制造领域的重要环节，对实时性、精准性的要求极高。随着边缘计算在工业领域的应用，如何有效利用边缘计算架构，提高边缘资源的利用率，降低网络压力，提高缺陷检测精准性和实时性，已成为工业领域的研究重点。

缺陷检测图片属于未压缩的超高清图片，数据速率高达百兆/秒，直接上传至云或者边缘云，会占用大量带宽，同时网络传输损伤会影响检测精度以及实时性需求。

当将智能网关部署在现场侧时，可以避免网络传输损伤，提高检测速度。但是，由于算力资源有限，同样无法很好的满足工业缺陷检测的高精度要求。

基于此，缺陷检测任务与边侧的资源利用率弱相关，通常会出现边侧资源利用率过低带来的资源浪费情况发生，或者边侧资源利用率过载导致的检测精度下降的情况发生。

针对相关技术中存在的问题，本公开提出了一种产品缺陷的检测方法，应用于边缘计算架构的边缘侧。图1示出了产品缺陷的检测方法的流程图，如图1所示，产品缺陷的检测方法至少包括以下步骤：

步骤S110.获取边缘侧资源以及与待检测产品对应的任务需求资源，并对边缘侧资源和任务需求资源进行资源匹配计算得到资源匹配值。

步骤S120.获取与资源匹配值对应的匹配阈值，并对资源匹配值与匹配阈值进行比较得到匹配比较结果。

步骤S130.根据匹配比较结果对待检测产品进行缺陷检测。

在本公开的示例性实施例中，通过计算资源匹配值对待检测产品进行缺陷检测，提高了产线与边缘侧的关联度，也提高了缺陷检测任务量与边缘资源的匹配度，合理利用了边缘侧的各项资源，降低了网络带宽压力和网络传输损伤，提高了缺陷检测的精度和实时性。

下面对产品缺陷的检测方法的各个步骤进行详细说明。

在步骤S110中，获取边缘侧资源以及与待检测产品对应的任务需求资源，并对边缘侧资源和任务需求资源进行资源匹配计算得到资源匹配值。

在本公开的示例性实施例中，当待检测产品为工业产品时，可以利用工业相机拍摄待检测产品。进一步的，部署在边缘计算架构的边缘侧的智能网关能够拉取到工业相机拍摄的视频流，并从该视频流中提取到关键帧图片，以感知并获取到待检测产品的任务需求资源。

在可选的实施例中，任务需求资源包括：需求计算资源、需求存储资源和需求网络资源，图2示出了获取边缘侧资源和任务需求资源的方法的流程示意图，如图2所示，该方法至少包括以下步骤：在步骤S210中，获取与待检测产品对应的检测任务和检测任务的检测任务数量，并按照检测任务数量对所述检测任务、需求计算资源、需求存储资源和需求网络资源进行资源需求计算得到任务需求资源。

任务需求资源可以按照公式(1)进行计算：

R＝(R₁,R₂,…,R_n)

＝(r₁c₁+…+r_nc₁,r₁c₂+…+r_nc₂,r₁c₃+…+r_nc₃) (1)

其中，R为任务需求资源，r₁,r₂,r₃,…,r_n为检测任务，n代表检测任务数量，c₁,c₂,c₃为每个检测任务对计算资源、存储资源和网络资源的需求，亦即需求计算资源、需求存储资源和需求网络资源。

在步骤S220中，获取边缘计算资源、边缘存储资源和边缘网络资源，以确定边缘计算资源、边缘存储资源和边缘网络资源为边缘侧资源。

边缘侧资源可以按照公式(2)确定：

N＝(N₁,N₂,…,N_m) (2)

其中，N为边缘侧资源，包括部署在边缘侧的智能网关的网关资源

以及部署在边缘侧的边缘计算设备的MEC资源

其中，

由于只考虑边缘计算资源、边缘存储资源和边缘网络资源，因此，m＝3。

在本示例性实施例中，通过感知当前的边缘侧资源以及与待检测产品对应的任务需求资源，为产品缺陷的检测调度提供了数据基础和支持，提高了产线与边缘侧的关联度。

在获取到边缘侧资源和任务需求资源之后，可以对边缘侧资源和任务需求资源进行资源匹配计算得到资源匹配值。

具体的，资源匹配计算的方式可以按照公式(3)实现：

其中，T为资源匹配值，T₁为资源匹配值中包括的计算资源匹配值，T₂为资源匹配值中的存储资源匹配值，T₃为资源匹配值中包括的网络资源匹配值。

在步骤S120中，获取与资源匹配值对应的匹配阈值，并对资源匹配值与匹配阈值进行比较得到匹配比较结果。

在本公开的示例性实施例中，计算得到资源匹配值之后，可以获取到与该资源匹配值对应的匹配阈值。

该匹配阈值为任一资源的需求量达到边缘资源的判决门限值，可以设置为a，a的大小可以根据产线资源确定，本示例性实施例对此不做特殊限定。

通过匹配阈值a能够判断边缘侧资源是否满足产线检测任务的要求。

进一步的，可以将资源匹配值与匹配阈值进行比较得到对应的匹配比较结果。

在可选的实施例中，资源匹配值包括计算资源匹配值、存储资源匹配值和网络资源匹配值，图3示出了得到匹配比较结果的方法的流程示意图，如图3所示，该方法至少包括以下步骤：在步骤S310中，将匹配阈值与计算资源匹配值、存储资源匹配值或网络资源匹配分别进行比较得到匹配比较结果。

由于资源匹配值中包括计算资源匹配值、存储资源匹配值和网络资源匹配值三部分内容，因此可以分别将这三种资源匹配值与匹配阈值进行比较得到匹配比较结果。

该匹配比较结果可以是任意一种资源匹配值大于或等于匹配阈值，也可以是任意一种资源匹配值小于匹配阈值。

在步骤S320中，对计算资源匹配值、存储资源匹配值和网络资源匹配进行比较得到目标资源匹配值，并将目标资源匹配值与匹配阈值进行比较得到匹配比较结果。

由于资源匹配值中包括计算资源匹配值、存储资源匹配值和网络资源匹配值三部分内容，因此可以先将计算资源匹配值、存储资源匹配值和网络资源匹配值进行比较得到目标资源匹配值，然后再将该目标资源匹配值与匹配阈值进行比较得到匹配比较结果。

该匹配比较结果可以是目标资源匹配值小于匹配阈值，也可以是目标资源匹配值大于或等于匹配阈值。

其中，目标资源匹配值可以是计算资源匹配值、存储资源匹配值和网络资源匹配值中最大的一个资源匹配值，也可以根据实际情况设定其他目标资源匹配值的确定方式，本示例性实施例对此不做特殊限定。

在本示例性实施例中，提供了多种资源匹配值与匹配阈值之间比较的方式，丰富了缺陷检测的应用场景，也为缺陷检测的方式提供了依据和基础。

在步骤S130中，根据匹配比较结果对待检测产品进行缺陷检测。

在本公开的示例性实施例中，得到匹配比较结果之后，能够对待检测产品进行缺陷检测。

在可选的实施例中，图4示出了对待检测产品进行缺陷检测的方法的流程示意图，如图4所示，该方法至少包括以下步骤：在步骤S410中，若匹配比较结果为计算资源匹配值、存储资源匹配值或网络资源匹配大于或等于匹配阈值，对边缘侧资源和任务需求资源进行求参计算得到目标任务数量。

在步骤S310提供的资源匹配值与匹配阈值进行比较的方式中，可以得到的匹配比较结果为计算资源匹配值、存储资源匹配值和网络资源匹配中任意一种资源匹配值大于或等于匹配阈值。

在该种匹配比较结果下，表明边缘侧资源出现资源不足的情况，可以对产线任务进行动态调整。

具体的，可以是控制产线任务量，亦即检测任务量适当降低，以缓解边缘侧的检测压力。

那么，降低的目标任务数量可以根据公式(4)进行计算：

n^*＝argmax_n∈[1,n](f(N,R)) (4)

其中，n^*为目标任务数量。

argmax是一种函数，是对函数求参数的函数。当有另一个函数y＝f(x)时，若有结果x0＝argmax(f(x))，则表示当函数f(x)取x＝x0的时候，得到f(x)取值范围的最大值。因此，n^*为(f(N,R)取最大值时对应的任务数量。

在步骤S420中，按照目标任务数量对待检测产品进行缺陷检测。

在计算出目标任务数量之后，可以将检测任务数量调整为目标任务数量的大小，并按照该目标任务数量进行待检测产品的缺陷检测。

在本示例性实施例中，根据匹配比较结果可以对产线任务进行调度实现待检测产品的缺陷检测，提高了任务数量与边缘资源的匹配度，实现了边缘资源的合理利用。

除此之外，在得到目标任务数量之后，还可以进一步对任务数量对应的资源匹配值进行匹配，以通过边缘任务分配的方式实现待检测产品的缺陷检测。

在可选的实施例中，图5示出了利用缺陷检测模型对待检测产品进行缺陷检测的方法的流程示意图，如图5所示，该方法至少包括以下步骤：在步骤S510中，若与目标任务数量对应的资源匹配值小于匹配阈值，利用缺陷检测模型对待检测产品进行缺陷检测。

当检测任务数量等于目标任务数量时，可以按照图2所示的方式和步骤S110的计算方式得到对应的资源匹配值。该资源匹配值中也可以包括计算资源匹配值、存储资源匹配值和网络资源匹配值。

进一步的，按照步骤S320的比较方式可以得到与此时的计算资源匹配值、存储资源匹配值和网络资源匹配值对应的目标资源匹配值与匹配阈值之间的匹配比较结果。

当此时的匹配比较结果为目标资源匹配值小于匹配阈值时，可以利用缺陷检测模型对待检测产品进行缺陷检测。

在步骤S520中，若匹配比较结果为目标资源匹配值小于匹配阈值，利用缺陷检测模型对待检测产品进行缺陷检测。

除了步骤S510的情况，还可以在步骤S320的匹配比较结果为目标资源匹配值小于匹配阈值时，利用缺陷检测模型对待检测产品进行缺陷检测。

对于步骤S510和步骤S520中利用缺陷检测模型对待检测产品进行缺陷检测的方式可以是通过部署在智能网关和边缘计算设备上的缺陷检测模型实现的。

在可选的实施例中，图6示出了进一步利用缺陷检测模型对待检测产品进行缺陷检测的方法的流程示意图的方法的流程示意图，如图6所示，该方法至少包括以下步骤：在步骤S610中，将缺陷检测模型部署在边缘侧的终端设备上，并获取与目标任务数量或者检测任务数量对应的数量阈值，终端设备包括智能网关和边缘计算设备。

将缺陷检测模型部署在边缘侧的智能网关和边缘计算设备上，可以是将一个卷积神经网络布置在边缘侧的智能网关和边缘计算设备上。亦即，该缺陷检测模型可以是卷积神经网络模型，也可以是其他模型，本示例性实施例对此不做特殊限定。

其中，部署一部分卷积神经网络模型的智能网关提供第一级边缘检测，部署一部分卷积神经网络模型的边缘计算设备提供第二级边缘检测。

该边缘计算设备可以是能够实现边缘计算技术的设备。

值得说明的是，该智能网关一定是部署在现场侧的，但是边缘计算设备可以布置在现场侧，也可以布置在运营商的机房，或者是更远的地方，本示例性实施例对此不做特殊限定。

该数量阈值可以是判断此时的目标任务数量或者检测任务数量属于较多或者较少情况的阈值，可以根据实际情况进行设置。一般的，该数量阈值可以是由智能网关的资源阈值决定的，也可以与该资源阈值相等，本示例性实施例对此不做特殊限定。

在步骤S620中，若目标任务数量或者检测任务数量小于数量阈值，利用部署在智能网关上的缺陷检测模型对待检测产品进行缺陷检测。

当获取到数量阈值之后，可以将目标任务数量或者检测任务数量与该数量阈值进行比较。

当比较结果为目标任务数量或者检测任务数量小于数量阈值时，表明此时的任务较少。

更进一步的，还可以判断智能网关提供的计算资源、存储资源和网络资源是否满足目标任务数量或者检测任务数量的需求。

当智能网关提供的计算资源、存储资源和网络资源能够满足目标任务数量或者检测任务数量的需求时，可以利用部署在智能网关上的缺陷检测模型对待检测产品进行缺陷检测。

在步骤S630中，若目标任务数量或者检测任务数量大于或等于数量阈值，利用部署在智能网关和边缘计算设备上的缺陷检测模型对待检测产品进行缺陷检测。

当获取到数量阈值之后，可以将目标任务数量或者检测任务数量与该数量阈值进行比较。

当比较结果为目标任务数量或者检测任务数量大于或等于数量阈值时，表明此时的任务较多。因此，可以利用部署在智能网关和边缘计算设备上的缺陷检测模型对待检测产品进行缺陷检测。

在可选的实施例中，图7示出了同时利用部署在智能网关和边缘计算设备上的缺陷检测模型对待检测产品进行缺陷检测的方法的流程示意图，如图7所示，该方法至少包括以下步骤：在步骤S710中，对缺陷检测模型进行模型分层处理得到模型分层参数，并对模型分层参数进行模型参数计算得到与智能网关对应的网关需求资源。

图8示出了卷积神经网络模型的网络结构示意图，如图8所示，当目标任务数量或者检测任务数量为n个时，可以将卷积神经网络模型中的任一层分割成n个任务的任务分割层h₁,h₂,…,h_n。

因此，可以获取到卷积核的高度等模型分层参数。

进一步的，可以按照公式(5)、公式(6)和公式(7)计算智能网关的网关需求资源：

其中，TX为网关需求资源中的网关网络资源，τ为要求卷积神经网络模型等缺陷检测模型的处理时间，TD为智能网关向边缘计算设备传输的数据总量，

为输入卷积层的数据深度，

为输入卷积层的高度，

为第h_n层卷积层输出的数据深度，

为第h_n层卷积层输出的高度。

其中，TM为智能网关计算所需的内存，亦即网关存储资源。

为输入卷积层的数据深度，

为输入卷积层的高度，

为卷积核的高度，

为第h_n层卷积层输出的数据深度，

为第h_n层卷积层输出的高度。

其中，TC为智能网关所需的计算资源，亦即网关计算资源。

为输入卷积层的数据深度，

为输入卷积层的高度，

为卷积核的高度，

为第h_n层卷积层输出的数据深度，

为第h_n层卷积层输出的高度。

在步骤S720中，获取与网关需求资源对应的智能网关的资源阈值，并将网关资源与网关需求资源进行比较得到网关比较结果，网关需求资源包括网关计算资源、网关存储资源和网关网络资源。

由于网关需求资源中包括网关计算资源、网关存储资源和网关网络资源，因此可以获取与该网关需求资源对应的智能网关的资源阈值。该资源阈值可以是根据智能网关的资源N^g确定的。

具体的，资源阈值可以为λN^g。其中，

引入λ，可以为智能网关一端预留算力，避免智能网关高并发的情况发生。

进一步的，可以将资源阈值与网关计算资源、网关存储资源和网关网络资源中的任意一个进行比较得到网关比较结果。

在步骤S730中，若网关比较结果为资源阈值小于或等于网关计算资源、网关存储资源或网关网络资源，利用部署在智能网关和边缘计算设备上的缺陷检测模型分层对待检测产品进行缺陷检测。

当网关比较结果为资源阈值小于网关计算资源、网关存储资源和网关网络资源中的任意一个时，此时h₁,h₂,…,h_n为n个任务在智能网关侧执行的如卷积神经网络等缺陷检测模型的网络层数。

图9示出了卷积神经网络分层执行的结构示意图，如图9所示，对于第i个对待检测产品进行缺陷检测的检测任务，智能网关执行部署的卷积神经网络的

层的缺陷检测模型，边缘计算设备上执行

层的缺陷检测模型。

在本示例性实施例中，通过目标任务数量或者检测任务数量与数量阈值的不同比较结果，可以确定不同终端设备上执行的缺陷检测任务，充分发挥了智能网关的近场优势，合理利用了边缘资源，降低了网络压力和网络传输损伤，提高了缺陷检测的精度和实时性。

下面结合一应用场景对本公开实施例中产品缺陷的检测方法做出详细说明。

图10示出了应用场景下产品缺陷的检测系统的系统架构图，如图10所示，该系统中包括基于边缘侧的网络资源、计算资源和存储资源，共包括缺陷检测模块、资源感知模块、任务调度模块和模型训练优化模块。

其中，资源感知模块能够根据智能网关和边缘计算设备的资源情况和产线检测任务量判断边缘资源和产线任务的匹配度，并将预测结果发送到任务调模块。

具体的，资源感知模块所采用的智能资源感知算法可以是获取与待检测产品对应的检测任务和检测任务的检测任务数量，并按照检测任务数量对所述检测任务、需求计算资源、需求存储资源和需求网络资源进行资源需求计算得到任务需求资源。

其中，任务需求资源可以按照公式(1)进行计算。

获取边缘计算资源、边缘存储资源和边缘网络资源，以确定边缘计算资源、边缘存储资源和边缘网络资源为边缘侧资源。

其中，边缘侧资源可以按照公式(2)确定。

在获取到边缘侧资源和任务需求资源之后，可以对边缘侧资源和任务需求资源进行资源匹配计算得到资源匹配值。

具体的，资源匹配计算的方式可以按照公式(3)实现。

当计算出资源匹配值T之后，资源感知模块可以将资源匹配值T传输至任务调度模块，并根据边缘侧资源的情况进行调整。

在计算得到资源匹配值之后，可以获取到与该资源匹配值对应的匹配阈值。

该匹配阈值为任一资源的需求量达到边缘资源的判决门限值，可以设置为a，a的大小可以根据产线资源确定，本示例性实施例对此不做特殊限定。通过匹配阈值a能够判断边缘侧资源是否满足产线检测任务的要求。

进一步的，可以将资源匹配值与匹配阈值进行比较得到对应的匹配比较结果。

其一，将匹配阈值与计算资源匹配值、存储资源匹配值或网络资源匹配分别进行比较得到匹配比较结果。

由于资源匹配值中包括计算资源匹配值、存储资源匹配值和网络资源匹配值三部分内容，因此可以分别将这三种资源匹配值与匹配阈值进行比较得到匹配比较结果。

该匹配比较结果可以是任意一种资源匹配值大于或等于匹配阈值，也可以是任意一种资源匹配值小于匹配阈值。

其二，对计算资源匹配值、存储资源匹配值和网络资源匹配进行比较得到目标资源匹配值，并将目标资源匹配值与匹配阈值进行比较得到匹配比较结果。

由于资源匹配值中包括计算资源匹配值、存储资源匹配值和网络资源匹配值三部分内容，因此可以先将计算资源匹配值、存储资源匹配值和网络资源匹配值进行比较得到目标资源匹配值，然后再将该目标资源匹配值与匹配阈值进行比较得到匹配比较结果。

该匹配比较结果可以是目标资源匹配值小于匹配阈值，也可以是目标资源匹配值大于或等于匹配阈值。

其中，目标资源匹配值可以是计算资源匹配值、存储资源匹配值和网络资源匹配值中最大的一个资源匹配值，也可以根据实际情况设定其他目标资源匹配值的确定方式，本示例性实施例对此不做特殊限定。

若匹配比较结果为计算资源匹配值、存储资源匹配值或网络资源匹配大于或等于匹配阈值，对边缘侧资源和任务需求资源进行求参计算得到目标任务数量。

在第一种提供的资源匹配值与匹配阈值进行比较的方式中，可以得到的匹配比较结果为计算资源匹配值、存储资源匹配值和网络资源匹配中任意一种资源匹配值大于或等于匹配阈值，因此，可以对产线任务进行调度。

在该种匹配比较结果下，表明边缘侧资源出现资源不足的情况，可以对产线任务进行动态调整。

具体的，可以是控制产线任务量，亦即检测任务量适当降低，以缓解边缘侧的检测压力。

那么，降低的目标任务数量可以根据公式(4)进行计算。

在计算出目标任务数量之后，可以将检测任务数量调整为目标任务数量的大小，并按照该目标任务数量进行待检测产品的缺陷检测。

除此之外，在得到目标任务数量之后，还可以进一步对任务数量对应的资源匹配值进行匹配，以通过边缘任务分配的方式实现待检测产品的缺陷检测。

若与目标任务数量对应的资源匹配值小于匹配阈值，利用缺陷检测模型对待检测产品进行缺陷检测，实现模型分层执行。

当检测任务数量等于目标任务数量时，可以计算得到对应的资源匹配值。该资源匹配值中也可以包括计算资源匹配值、存储资源匹配值和网络资源匹配值。

进一步的，得到与此时的计算资源匹配值、存储资源匹配值和网络资源匹配值对应的目标资源匹配值与匹配阈值之间的匹配比较结果。

当此时的匹配比较结果为目标资源匹配值小于匹配阈值时，可以利用缺陷检测模型对待检测产品进行缺陷检测。

或者是，若匹配比较结果为目标资源匹配值小于匹配阈值，利用缺陷检测模型对待检测产品进行缺陷检测。

当匹配比较结果为目标资源匹配值小于匹配阈值时，利用缺陷检测模型对待检测产品进行缺陷检测，实现模型分层执行。

利用缺陷检测模型对待检测产品进行缺陷检测的方式可以是通过部署在智能网关和边缘计算设备上的缺陷检测模型实现的。

将缺陷检测模型部署在边缘侧的终端设备上，并获取与目标任务数量或者检测任务数量对应的数量阈值，终端设备包括智能网关和边缘计算设备。

将缺陷检测模型部署在边缘侧的智能网关和边缘计算设备上，可以是将一个卷积神经网络布置在边缘侧的智能网关和边缘计算设备上。亦即，该缺陷检测模型可以是卷积神经网络模型，也可以是其他模型，本示例性实施例对此不做特殊限定。

其中，部署一部分卷积神经网络模型的智能网关提供第一级边缘检测，部署一部分卷积神经网络模型的边缘计算设备提供第二级边缘检测。

该边缘计算设备可以是能够实现边缘计算技术的设备。

值得说明的是，该智能网关一定是部署在现场侧的，但是边缘计算设备可以布置在现场侧，也可以布置在运营商的机房，或者是更远的地方，本示例性实施例对此不做特殊限定。

该数量阈值可以是判断此时的目标任务数量或者检测任务数量属于较多或者较少情况的阈值，可以根据实际情况进行设置。一般的，该数量阈值可以是由智能网关的资源阈值决定的，也可以与该资源阈值相等，本示例性实施例对此不做特殊限定。

进一步的，根据产线的目标任务数量或者检测任务数量智能分配智能网关和边缘计算设备执行的神经网络层数，采用优先使利用智能网关资源的策略。

若目标任务数量或者检测任务数量小于数量阈值，利用部署在智能网关上的缺陷检测模型对待检测产品进行缺陷检测。

当获取到数量阈值之后，可以将目标任务数量或者检测任务数量与该数量阈值进行比较。

当比较结果为目标任务数量或者检测任务数量小于数量阈值时，表明此时的任务较少。

更进一步的，还可以判断智能网关提供的计算资源、存储资源和网络资源是否满足目标任务数量或者检测任务数量的需求。

当智能网关提供的计算资源、存储资源和网络资源能够满足目标任务数量或者检测任务数量的需求时，可以利用部署在智能网关上的缺陷检测模型对待检测产品进行缺陷检测。

若目标任务数量或者检测任务数量大于或等于数量阈值，利用部署在智能网关和边缘计算设备上的缺陷检测模型对待检测产品进行缺陷检测。

当获取到数量阈值之后，可以将目标任务数量或者检测任务数量与该数量阈值进行比较。

当比较结果为目标任务数量或者检测任务数量大于或等于数量阈值时，表明此时的任务较多。因此，可以利用部署在智能网关和边缘计算设备上的缺陷检测模型对待检测产品进行缺陷检测。

对缺陷检测模型进行模型分层处理得到模型分层参数，并对模型分层参数进行模型参数计算得到与智能网关对应的网关需求资源。

具体的，可以获取到卷积核的高度等模型分层参数。

进一步的，可以按照公式(5)、公式(6)和公式(7)计算智能网关的网关需求资源，网关需求资源包括网关计算资源、网关存储资源和网关网络资源。

获取与网关需求资源对应的智能网关的资源阈值，并将网关资源与网关需求资源进行比较得到网关比较结果。

由于网关需求资源中包括网关计算资源、网关存储资源和网关网络资源，因此可以获取与该网关需求资源对应的智能网关的资源阈值。该资源阈值可以是根据智能网关的资源N^g确定的。

具体的，资源阈值可以为λN^g。其中，

引入λ，可以为智能网关一端预留算力，避免智能网关高并发的情况发生。

进一步的，可以将资源阈值与网关计算资源、网关存储资源和网关网络资源中的任意一个进行比较得到网关比较结果。

若网关比较结果为资源阈值小于或等于网关计算资源、网关存储资源或网关网络资源，利用部署在智能网关和边缘计算设备上的缺陷检测模型分层对待检测产品进行缺陷检测。

当网关比较结果为资源阈值小于网关计算资源、网关存储资源和网关网络资源中的任意一个时，此时h₁,h₂,…,h_n为n个任务在智能网关侧执行的如卷积神经网络等缺陷检测模型的网络层数。

对于第i个对待检测产品进行缺陷检测的检测任务，智能网关执行部署的卷积神经网络的

层的缺陷检测模型，边缘计算设备上执行

层的缺陷检测模型。

在图10所示的系统架构图中，缺陷检测模块部署在边缘侧，包括部署在现场侧的智能网关和部署在区域的边缘计算设备。缺陷检测模块将边缘侧的计算资源、存储资源和网络资源的使用情况上传至资源感知模块，为后续的任务调度提供了基础。

缺陷检测模块对接模型训练优化模型，支持向云侧传输图像特征数据，部署与更新云侧下发的缺陷检测模型。

模型训练优化模块能够根据边缘侧上传的图像特征数据进行模型训练和更新，并对缺陷检测模型进行压缩、剪枝、量化等操作，以在保证缺陷检测准确率的前提下得到更为精简的缺陷检测模型。并且，还能够将精简后的缺陷检测模型下发至边缘侧进行模型更新和部署。

在该产品缺陷的检测系统中，采用云边协同的处理方式，合理使用云边端设备，提升了资源利用率。并且，采用边缘计算架构，边缘侧采用近场智能网关和边缘计算设备协同的方式，降低了网络带宽压力和网络传输损伤，提高了缺陷检测的精度和实时性。

针对相关技术中产线任务与边缘资源弱相关的问题，该产品缺陷的检测系统中还引入了资源感知模块和任务分配模块，提出智能资源感知算法，提高了任务量与边缘资源的匹配度。

除此之外，还引入了任务分配模块，提出了缺陷检测模型的分层策略，对卷积神经网络等缺陷检测模型进行拆分式部署，协调利用智能网关和边缘计算设备的资源，实现了边缘资源的合理利用。

图11示出了应用场景下产品缺陷的检测方法的流程示意图，如图11所示，在步骤S1110中，产线任务量。

当待检测产品为工业产品时，可以利用工业相机拍摄待检测产品。进一步的，部署在边缘计算架构的边缘侧的智能网关能够拉取到工业相机拍摄的视频流，并从该视频流中提取到关键帧图片，以感知并获取到待检测产品的任务需求资源。

在步骤S1120中，业务与边缘资源匹配值T_m。

获取与待检测产品对应的检测任务和检测任务的检测任务数量，并按照检测任务数量对所述检测任务、需求计算资源、需求存储资源和需求网络资源进行资源需求计算得到任务需求资源。

其中，任务需求资源可以按照公式(1)进行计算。

获取边缘计算资源、边缘存储资源和边缘网络资源，以确定边缘计算资源、边缘存储资源和边缘网络资源为边缘侧资源。

其中，边缘侧资源可以按照公式(2)确定。

在获取到边缘侧资源和任务需求资源之后，可以对边缘侧资源和任务需求资源进行资源匹配计算得到资源匹配值。

具体的，资源匹配计算的方式可以按照公式(3)实现。

在资源匹配值T_m中，m＝3。T₁为资源匹配值中包括的计算资源匹配值，T₂为资源匹配值中的存储资源匹配值，T₃为资源匹配值中包括的网络资源匹配值。

进一步的，还可以发送给任务调度模块。

在步骤S1130中，判断max(T)＜a。

在计算得到资源匹配值之后，可以获取到与该资源匹配值对应的匹配阈值。

该匹配阈值为任一资源的需求量达到边缘资源的判决门限值，可以设置为a，a的大小可以根据产线资源确定，本示例性实施例对此不做特殊限定。通过匹配阈值a能够判断边缘侧资源是否满足产线检测任务的要求。

进一步的，可以将资源匹配值与匹配阈值进行比较得到对应的匹配比较结果。

具体的，对计算资源匹配值、存储资源匹配值和网络资源匹配进行比较得到目标资源匹配值，并将目标资源匹配值与匹配阈值进行比较得到匹配比较结果。

由于资源匹配值中包括计算资源匹配值、存储资源匹配值和网络资源匹配值三部分内容，因此可以先将计算资源匹配值、存储资源匹配值和网络资源匹配值进行比较得到目标资源匹配值，然后再将该目标资源匹配值与匹配阈值进行比较得到匹配比较结果。

该匹配比较结果可以是目标资源匹配值小于匹配阈值，也可以是目标资源匹配值大于或等于匹配阈值。

其中，目标资源匹配值可以是计算资源匹配值、存储资源匹配值和网络资源匹配值中最大的一个资源匹配值，也可以根据实际情况设定其他目标资源匹配值的确定方式，本示例性实施例对此不做特殊限定。

在步骤S1140中，计算适配任务量n^*。

当任意Tm≥a，亦即匹配比较结果为目标资源匹配值大于或等于匹配阈值时，表明边缘侧资源出现资源不足的情况，可以对产线任务进行动态调整。

具体的，可以是控制产线任务量，亦即检测任务量适当降低，以缓解边缘侧的检测压力。

那么，降低的目标任务数量可以根据公式(4)进行计算得到目标任务数量n^*。

进一步的，将目标任务数量n^*发送给OT系统对产线进行调整，以使任务调度模块同步进行边缘任务分配。

在步骤S1150中，判断R＜N_g。

当匹配比较结果为目标资源匹配值大于或等于匹配阈值时，还可以进一步判断目标任务数量或者检测任务数量是否小于数量阈值。

在步骤S1160中，任务分割层h₁,h₂,…,h_n。

当比较结果为目标任务数量或者检测任务数量小于数量阈值时，表明此时的任务较少。

更进一步的，还可以判断智能网关提供的计算资源、存储资源和网络资源是否满足目标任务数量或者检测任务数量的需求。

当智能网关提供的计算资源、存储资源和网络资源能够满足目标任务数量或者检测任务数量的需求时，可以利用部署在智能网关上的缺陷检测模型对待检测产品进行缺陷检测。

该缺陷检测模型可以部署在边缘侧的终端设备上，可以是将一个卷积神经网络布置在边缘侧的智能网关和边缘计算设备上。亦即，该缺陷检测模型可以是卷积神经网络模型，也可以是其他模型，本示例性实施例对此不做特殊限定。

其中，部署一部分卷积神经网络模型的智能网关提供第一级边缘检测，部署一部分卷积神经网络模型的边缘计算设备提供第二级边缘检测。

该边缘计算设备可以是能够实现边缘计算技术的设备。

值得说明的是，该智能网关一定是部署在现场侧的，但是边缘计算设备可以布置在现场侧，也可以布置在运营商的机房，或者是更远的地方，本示例性实施例对此不做特殊限定。

更进一步的，还可以判断智能网关提供的计算资源、存储资源和网络资源是否满足目标任务数量或者检测任务数量的需求。

当智能网关提供的计算资源、存储资源和网络资源能够满足目标任务数量或者检测任务数量的需求时，可以利用部署在智能网关上的缺陷检测模型对待检测产品进行缺陷检测。

若目标任务数量或者检测任务数量大于或等于数量阈值，利用部署在智能网关和边缘计算设备上的缺陷检测模型对待检测产品进行缺陷检测。

当获取到数量阈值之后，可以将目标任务数量或者检测任务数量与该数量阈值进行比较。

当比较结果为目标任务数量或者检测任务数量大于或等于数量阈值时，表明此时的任务较多。因此，可以利用部署在智能网关和边缘计算设备上的缺陷检测模型对待检测产品进行缺陷检测。

对缺陷检测模型进行模型分层处理得到模型分层参数，并对模型分层参数进行模型参数计算得到与智能网关对应的网关需求资源。

当目标任务数量或者检测任务数量为n个时，可以将卷积神经网络模型中的任一层分割成n个任务的任务分割层h₁,h₂,…,h_n。

因此，可以获取到卷积核的高度等模型分层参数。

在步骤S1170中，计算TX、TM、TC。

按照公式(5)、公式(6)和公式(7)计算智能网关的网关需求资源，网关需求资源包括网关计算资源TC、网关存储资源TM和网关网络资源TX。

在步骤S1180中，缺陷检测。

获取与网关需求资源对应的智能网关的资源阈值，并将网关资源与网关需求资源进行比较得到网关比较结果，网关需求资源包括网关计算资源、网关存储资源和网关网络资源。

由于网关需求资源中包括网关计算资源、网关存储资源和网关网络资源，因此可以获取与该网关需求资源对应的智能网关的资源阈值。该资源阈值可以是根据智能网关的资源N^g确定的。

具体的，资源阈值可以为λN^g。其中，

引入λ，可以为智能网关一端预留算力，避免智能网关高并发的情况发生。

进一步的，可以将资源阈值与网关计算资源、网关存储资源和网关网络资源中的任意一个进行比较得到网关比较结果。

若网关比较结果为资源阈值小于或等于网关计算资源、网关存储资源或网关网络资源，利用部署在智能网关和边缘计算设备上的缺陷检测模型分层对待检测产品进行缺陷检测。

当网关比较结果为资源阈值小于网关计算资源、网关存储资源和网关网络资源中的任意一个时，此时h₁,h₂,…,h_n为n个任务在智能网关侧执行的如卷积神经网络等缺陷检测模型的网络层数。

对于第i个对待检测产品进行缺陷检测的检测任务，智能网关执行部署的卷积神经网络的

层的缺陷检测模型，边缘计算设备上执行

层的缺陷检测模型。

在步骤S1190中，数据上传与模型训练优化。

边缘侧上传的图像特征数据进行模型训练和更新，并对缺陷检测模型进行压缩、剪枝、量化等操作，以在保证缺陷检测准确率的前提下得到更为精简的缺陷检测模型。并且，还能够将精简后的缺陷检测模型下发至边缘侧进行模型更新和部署。

在该应用场景下的产品缺陷的检测方法，引入了资源感知模块和任务调度模块，提出了智能感知算法。除此之外，通过产线任务量和边缘资源计算匹配值，并根据匹配值对产线任务量进行调整。采用边缘计算的方法，将缺陷检测模型在智能网关和边缘计算设备上分层部署，根据神经网络推理需要消耗的资源对模型进行分层，充分发挥了智能网关的近场优势。

基于产线任务所需的计算资源、存储资源、网络资源和边缘侧已有资源计算匹配值，并上传至任务调度模块，提高了产线与边缘侧的关联度。

针对匹配值不满足要求的情况，根据匹配值对产线任务进行动态调整，直到满足要求；针对匹配值满足要求的情况，根据模型推理消耗的资源对卷积神经网络等缺陷检测模型进行分层部署，合理利用边缘资源，降低了网络压力。

图12示出了产品缺陷的检测装置的结构示意图，如图12所示，应用于边缘计算架构的边缘侧，产品缺陷的检测装置1200可以包括：资源匹配模块1210、资源比较模块1220和产品检测模块1230。其中：

资源匹配模块1210，被配置为获取边缘侧资源以及与待检测产品对应的任务需求资源，并对所述边缘侧资源和所述任务需求资源进行资源匹配计算得到资源匹配值；

资源比较模块1220，被配置为获取与所述资源匹配值对应的匹配阈值，并对所述资源匹配值与所述匹配阈值进行比较得到匹配比较结果；

产品检测模块1230，被配置为根据所述匹配比较结果对所述待检测产品进行缺陷检测。

在本发明的一种示例性实施例中，所述任务需求资源包括：需求计算资源、需求存储资源和需求网络资源，

所述获取边缘侧资源以及与待检测产品对应的任务需求资源，包括：

获取与待检测产品对应的检测任务和所述检测任务的检测任务数量，并按照所述检测任务数量对所述检测任务、所述需求计算资源、所述需求存储资源和所述需求网络资源进行资源需求计算得到任务需求资源；

获取所述边缘计算资源、所述边缘存储资源和所述边缘网络资源，以确定所述边缘计算资源、所述边缘存储资源和所述边缘网络资源为边缘侧资源。

在本发明的一种示例性实施例中，所述资源匹配值包括计算资源匹配值、存储资源匹配值和网络资源匹配值，

所述对所述资源匹配值与所述匹配阈值进行比较得到匹配比较结果，包括：

将所述匹配阈值与所述计算资源匹配值、所述存储资源匹配值或所述网络资源匹配分别进行比较得到匹配比较结果；或

对所述计算资源匹配值、所述存储资源匹配值和所述网络资源匹配进行比较得到目标资源匹配值，并将所述目标资源匹配值与所述匹配阈值进行比较得到匹配比较结果。

在本发明的一种示例性实施例中，所述根据所述匹配比较结果对所述待检测产品进行缺陷检测，包括：

若所述匹配比较结果为所述计算资源匹配值、所述存储资源匹配值或所述网络资源匹配大于或等于所述匹配阈值，对所述边缘侧资源和所述任务需求资源进行求参计算得到目标任务数量；

按照所述目标任务数量对所述待检测产品进行缺陷检测。

在本发明的一种示例性实施例中，在所述对所述边缘侧资源和所述任务需求资源进行求参计算得到目标任务数量之后，所述方法还包括：

若与所述目标任务数量对应的资源匹配值小于所述匹配阈值，利用缺陷检测模型对所述待检测产品进行缺陷检测。

若所述匹配比较结果为所述目标资源匹配值小于所述匹配阈值，利用缺陷检测模型对所述待检测产品进行缺陷检测。

在本发明的一种示例性实施例中，所述利用缺陷检测模型对所述待检测产品进行缺陷检测，包括：

将所述缺陷检测模型部署在所述边缘侧的终端设备上，并获取与所述目标任务数量或者所述检测任务数量对应的数量阈值，所述终端设备包括智能网关和边缘计算设备；

若所述目标任务数量或者所述检测任务数量小于所述数量阈值，利用部署在所述智能网关上的缺陷检测模型对所述待检测产品进行缺陷检测；

若为所述目标任务数量或者所述检测任务数量大于或等于所述数量阈值，利用部署在所述智能网关和边缘计算设备上的缺陷检测模型对所述待检测产品进行缺陷检测。

在本发明的一种示例性实施例中，所述利用部署在所述智能网关和边缘计算设备上的缺陷检测模型对所述待检测产品进行缺陷检测，包括：

对所述缺陷检测模型进行模型分层处理得到模型分层参数，并对所述模型分层参数进行模型参数计算得到与所述智能网关对应的网关需求资源；

获取与所述网关需求资源对应的所述智能网关的资源阈值，并将所述网关资源与所述网关需求资源进行比较得到网关比较结果，所述网关需求资源包括网关计算资源、网关存储资源和网关网络资源；

若所述网关比较结果为所述资源阈值小于或等于所述网关计算资源、所述网关存储资源或所述网关网络资源，利用部署在所述智能网关和边缘计算设备上的缺陷检测模型分层对所述待检测产品进行缺陷检测。

上述产品缺陷的检测装置1200的具体细节已经在对应的产品缺陷的检测方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了产品缺陷的检测装置1200的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

下面参照图13来描述根据本发明的这种实施例的电子设备1300。图13显示的电子设备1300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图13所示，电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于：上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330、显示单元1340。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1310执行，使得所述处理单元1310执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

存储单元1320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)1321和/或高速缓存存储单元1322，还可以进一步包括只读存储单元(ROM)1323。

存储单元1320还可以包括具有一组(至少一个)程序模块1325的程序/实用工具1324，这样的程序模块1325包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1300也可以与一个或多个外部设备1500(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1300交互的设备通信，和/或与使得该电子设备1300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1350进行。并且，电子设备1300还可以通过网络适配器1360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1360通过总线1330与电子设备1300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

参考图14所示，描述了根据本发明的实施例的用于实现上述方法的程序产品1400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (10)

1.一种产品缺陷的检测方法，其特征在于，应用于边缘计算架构的边缘侧，所述方法包括：

获取边缘侧资源以及与待检测产品对应的任务需求资源，并对所述边缘侧资源和所述任务需求资源进行资源匹配计算得到资源匹配值；

获取与所述资源匹配值对应的匹配阈值，并对所述资源匹配值与所述匹配阈值进行比较得到匹配比较结果；

根据所述匹配比较结果对所述待检测产品进行缺陷检测。

2.根据权利要求1所述的产品缺陷的检测方法，其特征在于，所述任务需求资源包括：需求计算资源、需求存储资源和需求网络资源，

所述获取边缘侧资源以及与待检测产品对应的任务需求资源，包括：

获取与待检测产品对应的检测任务和所述检测任务的检测任务数量，并按照所述检测任务数量对所述检测任务、所述需求计算资源、所述需求存储资源和所述需求网络资源进行资源需求计算得到任务需求资源；

获取所述边缘计算资源、所述边缘存储资源和所述边缘网络资源，以确定所述边缘计算资源、所述边缘存储资源和所述边缘网络资源为边缘侧资源。

3.根据权利要求2所述的产品缺陷的检测方法，其特征在于，所述资源匹配值包括计算资源匹配值、存储资源匹配值和网络资源匹配值，

所述对所述资源匹配值与所述匹配阈值进行比较得到匹配比较结果，包括：

将所述匹配阈值与所述计算资源匹配值、所述存储资源匹配值或所述网络资源匹配分别进行比较得到匹配比较结果；或

对所述计算资源匹配值、所述存储资源匹配值和所述网络资源匹配进行比较得到目标资源匹配值，并将所述目标资源匹配值与所述匹配阈值进行比较得到匹配比较结果。

4.根据权利要求3所述的产品缺陷的检测方法，其特征在于，所述根据所述匹配比较结果对所述待检测产品进行缺陷检测，包括：

若所述匹配比较结果为所述计算资源匹配值、所述存储资源匹配值或所述网络资源匹配大于或等于所述匹配阈值，对所述边缘侧资源和所述任务需求资源进行求参计算得到目标任务数量；

按照所述目标任务数量对所述待检测产品进行缺陷检测。

5.根据权利要求4所述的产品缺陷的检测方法，其特征在于，在所述对所述边缘侧资源和所述任务需求资源进行求参计算得到目标任务数量之后，所述方法还包括：

若与所述目标任务数量对应的资源匹配值小于所述匹配阈值，利用缺陷检测模型对所述待检测产品进行缺陷检测；

若所述匹配比较结果为所述目标资源匹配值小于所述匹配阈值，利用缺陷检测模型对所述待检测产品进行缺陷检测。

6.根据权利要求5所述的产品缺陷的检测方法，其特征在于，所述利用缺陷检测模型对所述待检测产品进行缺陷检测，包括：

将所述缺陷检测模型部署在所述边缘侧的终端设备上，并获取与所述目标任务数量或者所述检测任务数量对应的数量阈值，所述终端设备包括智能网关和边缘计算设备；

若所述目标任务数量或者所述检测任务数量小于所述数量阈值，利用部署在所述智能网关上的缺陷检测模型对所述待检测产品进行缺陷检测；

若所述目标任务数量或者所述检测任务数量大于或等于所述数量阈值，利用部署在所述智能网关和边缘计算设备上的缺陷检测模型对所述待检测产品进行缺陷检测。

7.根据权利要求6所述的产品缺陷的检测方法，其特征在于，所述利用部署在所述智能网关和边缘计算设备上的缺陷检测模型对所述待检测产品进行缺陷检测，包括：

对所述缺陷检测模型进行模型分层处理得到模型分层参数，并对所述模型分层参数进行模型参数计算得到与所述智能网关对应的网关需求资源；

获取与所述网关需求资源对应的所述智能网关的资源阈值，并将所述网关资源与所述网关需求资源进行比较得到网关比较结果，所述网关需求资源包括网关计算资源、网关存储资源和网关网络资源；

若所述网关比较结果为所述资源阈值小于或等于所述网关计算资源、所述网关存储资源或所述网关网络资源，利用部署在所述智能网关和边缘计算设备上的缺陷检测模型分层对所述待检测产品进行缺陷检测。

8.一种产品缺陷的检测装置，其特征在于，应用于边缘计算架构的边缘侧，包括：

资源匹配模块，被配置为获取边缘侧资源以及与待检测产品对应的任务需求资源，并对所述边缘侧资源和所述任务需求资源进行资源匹配计算得到资源匹配值；

资源比较模块，被配置为获取与所述资源匹配值对应的匹配阈值，并对所述资源匹配值与所述匹配阈值进行比较得到匹配比较结果；

产品检测模块，被配置为根据所述匹配比较结果对所述待检测产品进行缺陷检测。

9.一种计算机可读存储介质，其上存储有计算机程序，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1-7中任意一项所述的产品缺陷的检测方法。

10.一种电子设备，其特征在于，包括：

处理器；

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器被配置为经由执行所述可执行指令来执行权利要求1-7中任意一项所述的产品缺陷的检测方法。

Images