CN115829925A - 外观缺陷检测方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请涉及一种外观缺陷检测方法、装置、计算机设备及存储介质。方法包括：根据配置文件，从针对各个预设外观缺陷检测场景配置的数据采集参数中，确定针对目标对象对应的外观缺陷检测场景配置的目标数据采集参数；根据目标数据采集参数，采集目标对象的初始待检测数据；对初始待检测数据进行数据标准化处理，得到标准化的待检测数据；将标准化的待检测数据输入至外观缺陷检测模型中进行检测，输出检测结果；基于检测结果，确定目标对象的外观缺陷类型。采用本方法能够提高外观缺陷检测的效率。

Description

外观缺陷检测方法、装置、计算机设备及存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种外观缺陷检测方法、装置、计算机设备及存储介质。

背景技术

随着计算机技术的发展，利用人工智能方法对生产线上生产的产品或工件等进行外观缺陷检测越来越普遍，为提升产品外观质量提供了便利。比如：采集印制电路板(PCB，Printed Circuit Board)的图像数据，使用人工智能模型进行图像识别，以检出印制电路板的缺陷。

传统的外观缺陷检测方法中，每次针对特定项目，都需要人工针对该项目编写代码来进行数据采集，并且还需要人工整理采集的数据。而且，针对特定项目需要训练仅适用于该特定项目的特定外观缺陷检测模型，再由人工手动将整理的采集数据输入至该特定外观检测模型中进行外观检测。这样导致需要在每个项目中投入大量时间和精力来进行外观缺陷检测，效率很低。

发明内容

基于此，有必要针对上述技术问题，提供一种外观缺陷检测方法、装置、计算机设备、存储介质及计算机程序产品，能够实现提高外观缺陷检测的效率。

第一方面，本申请提供了一种外观缺陷检测方法，包括：

根据配置文件，从针对各个预设外观缺陷检测场景配置的数据采集参数中，确定针对目标对象对应的外观缺陷检测场景配置的目标数据采集参数；

根据目标数据采集参数，采集目标对象的初始待检测数据；

对初始待检测数据进行数据标准化处理，得到标准化的待检测数据；

将标准化的待检测数据输入至外观缺陷检测模型中进行检测，输出检测结果；

基于检测结果，确定目标对象的外观缺陷类型。

第二方面，本申请还提供了一种外观缺陷检测装置，包括：

确定模块，用于根据配置文件，从针对各个预设外观缺陷检测场景配置的数据采集参数中，确定针对目标对象对应的外观缺陷检测场景配置的目标数据采集参数；

采集模块，用于根据目标数据采集参数，采集目标对象的初始待检测数据；

标准化处理模块，用于对初始待检测数据进行数据标准化处理，得到标准化的待检测数据；

检测模块，用于将标准化的待检测数据输入至外观缺陷检测模型中进行检测，输出检测结果；

识别模块，用于基于检测结果，确定目标对象的外观缺陷类型。

第三方面，本申请还提供了一种计算机设备，计算机设备包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现上述的外观缺陷检测方法中的步骤。

第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的外观缺陷检测方法中的步骤。

第五方面，本申请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程序，该计算机程序被处理器执行时实现上述的外观缺陷检测方法中的步骤。

上述外观缺陷检测方法、装置、计算机设备、存储介质及计算机程序产品，通过在配置文件中针对各个预设外观缺陷检测场景配置相应的数据采集参数，从而可以适用于不同项目的外观缺陷检测场景，无需每次针对特定的项目都需要人工针对该项目编写代码来进行数据采集，对采集的初始待检测数据进行数据标准化处理，得到标准化的待检测数据，使得在不同的项目中，采集到的不同数据源的待检测数据都能通过外观缺陷检测模型进行检测，无需对特定项目训练仅适用于该特定项目的特定外观缺陷检测模型，而且全流程自动化执行，无需再由人工手动将整理的采集数据输入至外观检测模型中进行外观检测，这样节省了大量人力和时间，提高了外观缺陷检测的效率。

附图说明

图1为本申请实施例提供的一种外观缺陷检测方法的应用环境图；

图2为本申请实施例提供的一种外观缺陷检测方法的流程示意图；

图3为本申请实施例提供的一种外观缺陷检测方法的整体流程示意图；

图4为本申请实施例提供的一种外观缺陷检测装置的结构框图；

图5为本申请实施例提供的另一种外观缺陷检测装置的结构框图；

图6为本申请实施例提供的一种计算机设备的内部结构图；

图7为本申请实施例提供的一种计算机可读存储介质的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的外观缺陷检测方法，可以应用于如图1所示的应用环境中。其中，计算机设备102通过通信网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。用户可以通过计算机设备102对配置文件进行设置，服务器104可以执行本申请各实施例中的外观缺陷检测方法，以对目标对象进行外观缺陷检测。其中，计算机设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一些实施例中，如图2所示，提供了一种外观缺陷检测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤202，根据配置文件，从针对各个预设外观缺陷检测场景配置的数据采集参数中，确定针对目标对象对应的外观缺陷检测场景配置的目标数据采集参数。

其中，外观缺陷检测场景，是进行外观缺陷检测所处的设备场景。目标对象，是需要进行外观缺陷检测的对象。数据采集参数，是用于采集初始待检测数据所依据的参数。目标数据采集参数，是指针对目标对象对应的外观缺陷检测场景配置的数据采集参数。

在一些实施例中，外观缺陷检测场景可以包含机台和相机等中的至少一种。

可以理解，不同的外观缺陷检测项目可以是不同的外观缺陷检测场景或者相同的外观缺陷检测场景。比如：不同的外观缺陷检测项目有可能使用的机台型号或相机型号不同，则相当于是不同的外观缺陷检测场景。

在一些实施例中，目标对象可以是生产线上生产的产品或工件等。比如：目标对象可以是印制电路板(PCB，Printed Circuit Board)。

在一些实施例中，在配置文件中，不同的预设外观缺陷检测场景可以对应不同的数据采集参数。

在一些实施例中，数据采集参数可以包括机台型号、相机型号和文件路径等中的至少一种。

在一些实施例中，可以在配置文件中保存不同的预设外观缺陷检测场景与相应的数据采集参数之间的对应关系。在进行外观缺陷检测时，服务器可以根据配置文件中的对应关系，确定目标对象对应的外观缺陷检测场景所对应的目标数据采集参数，然后获取已保存的目标数据采集参数。

在一些实施例中，用户可以通过计算机设备选择针对目标对象对应的外观缺陷检测场景配置的目标数据采集参数。在另一些实施例中，服务器可以自动匹配到针对目标对象对应的外观缺陷检测场景配置的目标数据采集参数。

步骤204，根据目标数据采集参数，采集目标对象的初始待检测数据。

其中，初始待检测数据，是与目标对象相关的未经处理的图像。

在一些实施例中，初始待检测数据可以包括目标对象的切割图、实体图和设计图等中的至少一种。

在一些实施例中，服务器可以根据目标数据采集参数，进行生产任务监控、图像数据采集和机台信息读取。其中，生产任务监控，是指对设备是否采集到图像数据进行监控的处理。图像数据采集，是从设备获取采集到的图像数据的处理。机台信息读取，是读取机台信息的处理。

具体地，服务器可以根据目标数据采集参数，确定相应的设备，对相应设备进行生产任务监控，在监控到设备有采集到图像数据后，服务器可以根据目标数据采集参数从设备进行图像数据采集，并读取机台信息。

在一些实施例中，服务器可以对初始待检测数据进行分类，或者，按照多种分类标准对初始待检测数据进行分类。

在一些实施例中，服务器可以将分类后的初始待检测数据按照划分的类型进行分类存储。

在一些实施例中，服务器可以按照数据源类型对初始待检测数据进行分类，得到初始待检测数据所对应的一个或多个数据源类型。其中，数据源类型，是指根据初始待检测数据的来源划分的类型。比如：数据源类型可以包括彩色图的类型和黑白图的类型等。再比如：数据源类型可以包括切割图的类型、实体图的类型和设计稿的类型等。

在其他实施例中，服务器还可以按照初始待检测数据所属的目标对象、所属的目标对象的型号、所属目标对象的组成部分和所来自的设备等中的至少一种分类标准对初始待检测数据进行分类。

在一些实施例中，在分类之后，服务器可以对初始待检测数据进行任务编排，将初始待检测数据划分为多个批次，按照编排的批次顺序依次对各个批次的初始待检测数据执行对初始待检测数据进行数据标准化处理，得到标准化的待检测数据及后续步骤。

在一些实施例中，服务器可以为各个批次的初始待检测数据添加批次序号，按照批次序号的顺序，依次对各个批次的初始待检测数据执行对初始待检测数据进行数据标准化处理，得到标准化的待检测数据及后续步骤。

步骤206，对初始待检测数据进行数据标准化处理，得到标准化的待检测数据。

其中，数据标准化处理，是将初始待检测数据进行标准化以使其适用于外观缺陷检测模型的处理。

在一些实施例中，服务器可以根据数据解析规则，对初始待检测数据进行数据标准化处理，得到标准化的待检测数据。

在一些实施例中，服务器可以确定初始待检测数据所对应的一个或多个数据源类型，根据确定的一个或多个数据源类型对应的数据解析规则，对初始待检测数据进行数据标准化处理，得到标准化的待检测数据。

步骤208，将标准化的待检测数据输入至外观缺陷检测模型中进行检测，输出检测结果。

其中，外观缺陷检测模型，是用于进行外观缺陷检测的模型。检测结果，是外观缺陷检测模型输出的与目标对象的缺陷相关的信息。

在一些实施例中，外观缺陷检测模型可以是机器学习模型或深度学习模型。

具体地，服务器可以将标准化的待检测数据输入至外观缺陷检测模型中，外观缺陷检测模型可以对标准化的待检测数据进行外观缺陷检测，输出检测结果。

在一些实施例中，服务器可以确定初始待检测数据所对应的一个或多个数据源类型，将标准化的待检测数据输入至确定的一个或多个数据源类型对应的外观缺陷检测模型中。

在一些实施例中，检测结果中可以包含目标对象的缺陷的外观缺陷类型、缺陷形状和缺陷位置等信息中的至少一种。

步骤210，基于检测结果，确定目标对象的外观缺陷类型。

在一些实施例中，服务器可以对检测结果进行解析，得到目标对象的外观缺陷类型。

在一些实施例中，服务器可以确定初始待检测数据所对应的一个或多个数据源类型，根据确定的一个或多个数据源类型对应的结果解析规则，解析检测结果，得到目标对象的外观缺陷类型。

上述外观缺陷检测方法，通过在配置文件中针对各个预设外观缺陷检测场景配置相应的数据采集参数，从而可以适用于不同项目的外观缺陷检测场景，无需每次针对特定的项目都需要人工针对该项目编写代码来进行数据采集，对采集的初始待检测数据进行数据标准化处理，得到标准化的待检测数据，使得在不同的项目中，采集到的不同数据源的待检测数据都能通过外观缺陷检测模型进行检测，无需对特定项目训练仅适用于该特定项目的特定外观缺陷检测模型，而且全流程自动化执行，无需再由人工手动将整理的采集数据输入至外观检测模型中进行外观检测，这样节省了大量人力和时间，提高了外观缺陷检测效率。由于可以适用于不同项目的外观缺陷检测场景，所以还提高了外观缺陷检测方法的通用性。

在一些实施例中，在根据目标数据采集参数，采集目标对象的初始待检测数据之前，方法还包括：

若配置文件中不存在针对目标对象对应的外观缺陷检测场景配置的目标数据采集参数，则将针对目标对象对应的外观缺陷检测场景输入的数据采集参数作为目标数据采集参数，并基于目标数据采集参数更新配置文件。

在一些实施例中，在进行外观缺陷检测时，若配置文件中不存在针对目标对象对应的外观缺陷检测场景配置的目标数据采集参数，则用户可以通过计算机设备针对目标对象对应的外观缺陷检测场景输入相应的数据采集参数，作为目标数据采集参数，服务器可以将目标对象对应的外观缺陷检测场景与目标数据采集参数的对应关系更新至配置文件中，以便后续在同一外观缺陷检测场景下使用。

上述实施例中，用户可以针对外观缺陷检测场景输入相应的数据采集参数，服务器可以基于目标数据采集参数更新配置文件，从而随着执行过的项目增多，可以逐步积累到很多外观缺陷检测场景的数据采集参数，从而在后续的项目中，无需针对特定项目特地编写相应的采集数据的代码，而是可以直接从配置文件中选取相应的数据采集参数，提高了外观缺陷检测效率。由于市面上的机台和相机种类不多，所以可以快速积累到绝大部分外观缺陷检测场景的数据采集参数，提高了外观缺陷检测方法的通用性和外观缺陷检测效率。

在一些实施例中，对初始待检测数据进行数据标准化处理，得到标准化的待检测数据包括：

确定初始待检测数据所对应的一个或多个数据源类型；

根据在配置文件中针对一个或多个数据源类型对应配置的目标数据解析规则，解析初始待检测数据，得到标准化的待检测数据；

将标准化的待检测数据输入至外观缺陷检测模型中进行检测，输出检测结果包括：

将标准化的待检测数据输入至在配置文件中针对一个或多个数据源类型对应配置的目标外观缺陷检测模型中进行检测，输出检测结果。

其中，目标数据解析规则，是针对初始待检测数据所属的数据源类型配置的数据解析规则。数据解析规则，是用于解析初始待检测数据以得到标准化的待检测数据的处理规则。

在一些实施例中，初始待检测数据可以是同一数据源类型的数据，也可以是多种数据源类型的数据。

在一些实施例中，服务器可以在配置文件中保存数据源类型与数据解析规则之间的对应关系。在进行外观缺陷检测时，服务器可以根据初始待检测数据的一个或多个数据源类型，从配置文件中确定相应的目标数据解析规则，根据目标数据解析规则，解析初始待检测数据。

可以理解，初始待检测数据的数据源类型与目标数据解析规则一一对应。若初始待检测数据的数据源类型为一个，则相应的目标数据解析规则为一个；若初始待检测数据的数据源类型为多个，则相应的目标数据解析规则为多个。

在一些实施例中，服务器可以在配置文件中保存数据源类型与外观缺陷检测模型之间的对应关系。在进行外观缺陷检测时，服务器可以根据初始待检测数据的一个或多个数据源类型，从配置文件中确定相应的目标外观缺陷检测模型，将标准化的待检测数据输入至目标外观缺陷检测模型中进行检测，输出检测结果。

可以理解，初始待检测数据的数据源类型与目标外观缺陷检测模型一一对应。若初始待检测数据的数据源类型为一个，则相应的目标外观缺陷检测模型为一个；若初始待检测数据的数据源类型为多个，则相应的目标外观缺陷检测模型为多个。

上述实施例中，通过在配置文件中对不同数据源类型配置相应的数据解析规则和外观缺陷检测模型，从而针对不同数据源类型的待检测数据都能进行外观缺陷检测，提高了外观缺陷检测方法的通用性，而且无需针对每个特定项目训练特定的外观缺陷检测模型，节省了大量时间和人力，提高了外观缺陷检测效率。

在一些实施例中，该方法还包括：

若配置文件中不存在针对一个或多个数据源类型对应配置的数据解析规则和外观缺陷检测模型，则将针对一个或多个数据源类型输入的数据解析规则和外观缺陷检测模型分别作为目标数据解析规则和目标外观缺陷检测模型，并基于目标数据解析规则和目标外观缺陷检测模型更新配置文件。

在一些实施例中，在进行外观缺陷检测时，若配置文件中不存在针对一个或多个数据源类型对应配置的数据解析规则和外观缺陷检测模型，则用户可以通过计算机设备针对一个或多个数据源类型输入相应的数据解析规则和外观缺陷检测模型，分别作为目标数据解析规则和目标外观缺陷检测模型。服务器可以将该一个或多个数据源类型与目标数据解析规则、目标外观缺陷检测模型之间的对应关系更新至配置文件中，以便后续针对同样的数据源类型的初始待检测数据进行检测时使用。其中，数据源类型与数据解析规则、外观缺陷检测模型一一对应。

上述实施例中，用户可以针对一个或多个数据源类型输入相应的数据解析规则和外观缺陷检测模型，分别作为目标数据解析规则和目标外观缺陷检测模型，从而随着执行过的项目增多，可以逐步积累到很多种类的数据源类型对应的数据解析规则和外观缺陷检测模型，从而在后续的项目中，无需针对特定项目训练特定的外观缺陷检测模型，提高了外观缺陷检测方法的通用性，而且节省了大量的人力和时间，提高了外观缺陷检测的效率。

在一些实施例中，基于检测结果，确定目标对象的外观缺陷类型包括：

确定在配置文件中针对一个或多个数据源类型对应配置的目标检测结果解析规则；

根据目标检测结果解析规则，解析检测结果，得到目标对象对应的外观缺陷类型。

其中，目标检测结果解析规则，是针对初始待检测数据所对应的一个或多个数据源类型对应配置的检测结果解析规则。检测结果解析规则，是对检测结果进行解析以确定外观缺陷类型的处理规则。

在一些实施例中，服务器可以在配置文件中保存数据源类型与检测结果解析规则之间的对应关系。在进行外观缺陷检测时，服务器可以从配置文件中确定初始待检测数据所属的一个或多个数据源类型对应的目标检测结果解析规则，根据目标检测结果解析规则解析检测结果，得到目标对象对应的外观缺陷类型。

可以理解，初始待检测数据的数据源类型与目标检测结果解析规则一一对应。若初始待检测数据的数据源类型为一个，则相应的目标检测结果解析规则为一个；若初始待检测数据的数据源类型为多个，则相应的目标检测结果解析规则模型为多个。

上述实施例中，确定在配置文件中针对一个或多个数据源类型对应配置的目标检测结果解析规则，根据目标检测结果解析规则，解析检测结果，得到目标对象对应的外观缺陷类型，从而能够对不同数据源类型下通过外观缺陷检测模型得到的检测结果都能解析得到外观缺陷类型，提高了外观缺陷检测方法的通用性。

在一些实施例中，该方法还包括：

若配置文件中不存在针对一个或多个数据源类型对应配置的目标检测结果解析规则，则将针对一个或多个数据源类型输入的检测结果解析规则作为目标检测结果解析规则，并基于目标检测结果解析规则更新配置文件。

在一些实施例中，在进行外观缺陷检测时，若配置文件中不存在针对一个或多个数据源类型配置的目标检测结果解析规则，则用户可以通过计算机设备针对一个或多个数据源类型输入相应的检测结果解析规则，作为目标检测结果解析规则，服务器可以将一个或多个数据源类型与目标检测结果解析规则的对应关系更新至配置文件中，以便后续针对同一数据源类型的初始待检测数据进行检测时使用。其中，数据源类型与目标检测结果解析规则一一对应。

上述实施例中，用户可以针对一个或多个数据源类型输入相应的检测结果解析规则，从而随着执行过的项目增多，可以逐步积累到很多种类的数据源类型对应的检测结果解析规则，从而在后续项目中，无需针对特定项目训练特定的外观缺陷检测模型，以及编写相应的检测结果解析规则，提高了外观缺陷检测方法的通用性，而且节省了人力和时间，提高了外观缺陷检测效率。

在一些实施例中，该方法还包括：

获取针对初始待检测数据进行外观缺陷类型标注的人工标注结果；

根据确定的外观缺陷类型、人工标注结果和标准化的待检测数据，优化外观缺陷检测模型。

其中，外观缺陷类型标注，是指对初始待检测数据中的外观缺陷类型进行标注的人工操作。人工标注结果，是对初始待检测数据标注出的外观缺陷类型。

具体地，用户可以通过计算机设备针对初始待检测数据进行外观缺陷类型标注，计算机设备可以将人工标注结果发送至服务器。服务器可以将依据外观缺陷检测模型的检测结果确定的外观缺陷类型、人工标注结果和标准化的待检测数据输入至外观缺陷检测模型中，优化外观缺陷检测模型的模型参数。

在一些实施例中，在每一次进行外观缺陷检测后，都可以根据确定的外观缺陷类型、人工标注结果和标准化的待检测数据，优化外观缺陷检测模型，然后，在下一次的外观缺陷检测过程中，可以使用优化后的外观缺陷检测模型。

在一些实施例中，在确定外观缺陷类型后，计算机设备可以展示用于提示进行外观缺陷类型标注的提示信息，用户可以通过触发提示信息使计算机设备展示用于进行外观缺陷类型标注的页面。计算机设备可以在用于进行外观缺陷类型标注的页面中展示初始待检测数据，用户可以通过计算机设备对展示的初始待检测数据进行外观缺陷类型标注。

上述实施例中，在确定外观缺陷类型后，可以人工对初始待检测数据进行外观缺陷类型标注得到人工标注结果，然后根据确定的外观缺陷类型、人工标注结果和标准化的待检测数据，优化外观缺陷检测模型，在后续的外观缺陷检测中可以使用优化后的外观缺陷检测模型，从而形成流程闭环，快速对外观缺陷检测模型进行优化迭代，无需再人工整理模型检测得到的外观缺陷类型和人工标注结果，再人工进行外观缺陷检测模型的优化，提高了外观缺陷检测模型的优化的效率，通过快速优化迭代外观缺陷检测模型，提高了外观缺陷检测的准确性。

在一些实施例中，该方法还包括：

根据确定的外观缺陷类型与人工标注结果之间的差异，对各组初始待检测数据对应的检测结果进行准确性统计分析，得到统计分析结果；

根据统计分析结果，生成可视化图表。

其中，准确性统计分析，是对根据外观检测模型的检测结果确定的外观缺陷类型的准确性进行统计分析的处理。可视化图表，用于表征准确性统计分析结果。

在一些实施例中，可视化图表可以包括表格和统计图等中的至少一种。

在一些实施例中，服务器可以对根据初始待检测数据的检测结果进行分组，然后根据检测结果对应的外观缺陷类型与人工标注结果之间的差异，对各组检测结果进行准确性统计分析，然后根据各组检测结果的统计分析结果，生成各组初始待检测数据的检测结果分别对应的可视化图表。

在一些实施例中，服务器可以按照外观缺陷检测的批次，将初始待检测数据的检测结果进行分组，服务器可以生成每个批次的初始待检测数据的检测结果分别对应的可视化图表。

在一些实施例中，服务器可以按照外观缺陷类型，将初始待检测数据的检测结果进行分组，服务器可以生成每个外观缺陷类型的检测结果分别对应的可视化图表。

在一些实施例中，服务器可以按照所使用的外观缺陷检测模型的不同，将初始待检测数据的检测结果进行分组，服务器可以生成各个外观缺陷检测模型分别对应的可视化图表。

上述实施例中，能够自动对外观缺陷检测的准确性进行统计分析，并生成可视化图表，快速且直观地展示外观缺陷检测的准确性。

如图3所示，是本申请各实施例中的外观缺陷检测方法的整体流程示意图。首先服务器可以根据配置的数据采集参数对初始待检测数据进行采集，初始待检测数据可以为不同数据源类型的数据(图中包含A类数据源、B类数据源和C类数据源)，采集过程具体可以包含图中的生产任务监控、图像数据采集和机台信息读取。服务器还可以对采集到的初始待检测数据进行分类并按照分类结果进行分类存储。接着，服务器可以进行任务编排，将初始待检测数据划分成多个批次，然后可以按批次依次对各个批次的初始待检测数据进行后续处理。服务器可以对初始待检测数据进行图像预处理，图像预处理包括对初始待检测数据进行解析得到标准化的待检测数据以及一些常规的预处理方法，接着服务器可以通过外观缺陷检测模型对标准化的待检测数据进行检测(即，图中的AI检测)，得到检测结果，不同的数据源类型的待检测数据对应不同的外观缺陷检测模型。接着，服务器可以对检测结果进行解析，如图所示不同的数据源类型对应不同的检测结果解析规则，解析得到外观缺陷类型，服务器可以将检测结果进行存储。接着，可以人工对初始待检测数据进行复判(即，图中的人工复判)，根据复判结果对初始待检测数据进行外观缺陷类型标注(即，图中的人工标注)，服务器可以根据人工标注结果和根据检测结果确定的外观缺陷类型进行统计分析，并将人工标注结果和确定的外观缺陷类型导出(即，图中的数据导出)，将导出的人工标注数据、确定的外观缺陷类型和待检测数据作为训练数据，对外观缺陷检测模型进行深度学习训练，以优化外观缺陷检测模型，优化后的外观缺陷检测模型可以应用到后续外观缺陷检测中，形成流程闭环。

应该理解的是，虽然如上述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种外观缺陷检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的外观缺陷检测装置实施例中的具体限定可以参见上文中对于外观缺陷检测方法的限定，在此不再赘述。

在一些实施例中，如图4所示，提供了一种外观缺陷检测装置400，包括：

确定模块402，用于根据配置文件，从针对各个预设外观缺陷检测场景配置的数据采集参数中，确定针对目标对象对应的外观缺陷检测场景配置的目标数据采集参数；

采集模块404，用于根据目标数据采集参数，采集目标对象的初始待检测数据；

处理模块406，用于对初始待检测数据进行数据标准化处理，得到标准化的待检测数据；

检测模块408，用于将标准化的待检测数据输入至外观缺陷检测模型中进行检测，输出检测结果；

识别模块410，用于基于检测结果，确定目标对象的外观缺陷类型。

在一些实施例中，确定模块402还用于若配置文件中不存在针对目标对象对应的外观缺陷检测场景配置的目标数据采集参数，则将针对目标对象对应的外观缺陷检测场景输入的数据采集参数作为目标数据采集参数，并基于目标数据采集参数更新配置文件。

在一些实施例中，在对初始待检测数据进行数据标准化处理，得到标准化的待检测数据方面，处理模块406具体用于：

确定初始待检测数据所对应的一个或多个数据源类型；

根据在配置文件中针对一个或多个数据源类型对应配置的目标数据解析规则，解析初始待检测数据，得到标准化的待检测数据。

检测模块408还用于将标准化的待检测数据输入至在配置文件中针对一个或多个数据源类型对应配置的目标外观缺陷检测模型中进行检测，输出检测结果。

在一些实施例中，确定模块402还用于若配置文件中不存在针对一个或多个数据源类型对应配置的数据解析规则和外观缺陷检测模型，则将针对一个或多个数据源类型输入的数据解析规则和外观缺陷检测模型分别作为目标数据解析规则和目标外观缺陷检测模型，并基于目标数据解析规则和目标外观缺陷检测模型更新配置文件。

在一些实施例中，在基于检测结果，确定目标对象的外观缺陷类型方面，识别模块410具体用于：

确定在配置文件中针对一个或多个数据源类型对应配置的目标检测结果解析规则；

根据目标检测结果解析规则，解析检测结果，得到目标对象对应的外观缺陷类型。

在一些实施例中，确定模块402还用于若配置文件中不存在针对一个或多个数据源类型对应配置的目标检测结果解析规则，则将针对一个或多个数据源类型输入的检测结果解析规则作为目标检测结果解析规则，并基于目标检测结果解析规则更新配置文件。

在一些实施例中，如图5所示，该装置还包括：

优化模块412，用于获取针对初始待检测数据进行外观缺陷类型标注的人工标注结果；根据确定的外观缺陷类型、人工标注结果和标准化的待检测数据，优化外观缺陷检测模型。

在一些实施例中，如图5所示，该装置还包括：

分析模块414，用于根据确定的外观缺陷类型与人工标注结果之间的差异，对各组初始待检测数据对应的检测结果进行准确性统计分析，得到统计分析结果；根据统计分析结果，生成可视化图表。

上述外观缺陷检测装置，通过在配置文件中针对各个预设外观缺陷检测场景配置相应的数据采集参数，从而可以适用于不同项目的外观缺陷检测场景，无需每次针对特定的项目都需要人工针对该项目编写代码来进行数据采集，对采集的初始待检测数据进行数据标准化处理，得到标准化的待检测数据，使得在不同的项目中，采集到的不同数据源的待检测数据都能通过外观缺陷检测模型进行检测，无需对特定项目训练仅适用于该特定项目的特定外观缺陷检测模型，而且全流程自动化执行，无需再由人工手动将整理的采集数据输入至外观检测模型中进行外观检测，这样节省了大量人力和时间，提高了外观缺陷检测效率。由于可以适用于不同项目的外观缺陷检测场景，所以还提高了外观缺陷检测的通用性。

上述外观缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器，也可以以软件形式存储于计算机设备中的存储器，以便于处理器调用执行以上各个模块对应的操作。

在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)及通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的通信接口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执行时以实现上述的外观缺陷检测方法中的步骤。

本领域技术人员可以理解，图6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。

在一些实施例中，提供了一种计算机可读存储介质700，其上存储有计算机程序702，计算机程序702被处理器执行时实现上述各方法实施例中的步骤，其内部结构图如图7所示。

在一些实施例中，提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一些实施例中，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(FerroelectricRandom Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(StaticRandom Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (11)

1.一种外观缺陷检测方法，其特征在于，包括：

根据配置文件，从针对各个预设外观缺陷检测场景配置的数据采集参数中，确定针对目标对象对应的外观缺陷检测场景配置的目标数据采集参数；

根据所述目标数据采集参数，采集所述目标对象的初始待检测数据；

对所述初始待检测数据进行数据标准化处理，得到标准化的待检测数据；

将所述标准化的待检测数据输入至外观缺陷检测模型中进行检测，输出检测结果；

基于所述检测结果，确定所述目标对象的外观缺陷类型。

2.根据权利要求1所述的方法，其特征在于，在所述根据所述目标数据采集参数，采集所述目标对象的初始待检测数据之前，所述方法还包括：

若所述配置文件中不存在针对所述目标对象对应的外观缺陷检测场景配置的所述目标数据采集参数，则将针对所述目标对象对应的外观缺陷检测场景输入的数据采集参数作为所述目标数据采集参数，并基于所述目标数据采集参数更新所述配置文件。

3.根据权利要求1所述的方法，其特征在于，所述对所述初始待检测数据进行数据标准化处理，得到标准化的待检测数据，包括：

确定所述初始待检测数据所对应的一个或多个数据源类型；

根据在所述配置文件中针对所述一个或多个数据源类型对应配置的目标数据解析规则，解析所述初始待检测数据，得到标准化的待检测数据；

所述将所述标准化的待检测数据输入至外观缺陷检测模型中进行检测，输出检测结果，包括：

将所述标准化的待检测数据输入至在所述配置文件中针对所述一个或多个数据源类型对应配置的目标外观缺陷检测模型中进行检测，输出检测结果。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

若所述配置文件中不存在针对所述一个或多个数据源类型对应配置的数据解析规则和外观缺陷检测模型，则将针对所述一个或多个数据源类型输入的数据解析规则和外观缺陷检测模型分别作为所述目标数据解析规则和所述目标外观缺陷检测模型，并基于所述目标数据解析规则和所述目标外观缺陷检测模型更新所述配置文件。

5.根据权利要求3所述的方法，其特征在于，所述基于所述检测结果，确定所述目标对象的外观缺陷类型，包括：

确定在所述配置文件中针对所述一个或多个数据源类型对应配置的目标检测结果解析规则；

根据所述目标检测结果解析规则，解析所述检测结果，得到所述目标对象对应的外观缺陷类型。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

若所述配置文件中不存在针对所述一个或多个数据源类型对应配置的所述目标检测结果解析规则，则将针对所述一个或多个数据源类型输入的检测结果解析规则作为所述目标检测结果解析规则，并基于所述目标检测结果解析规则更新所述配置文件。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取针对所述初始待检测数据进行外观缺陷类型标注的人工标注结果；

根据确定的外观缺陷类型、所述人工标注结果和所述标准化的待检测数据，优化所述外观缺陷检测模型。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

根据确定的外观缺陷类型与所述人工标注结果之间的差异，对各组初始待检测数据对应的检测结果进行准确性统计分析，得到统计分析结果；

根据所述统计分析结果，生成可视化图表。

9.一种外观缺陷检测装置，其特征在于，包括：

确定模块，用于根据配置文件，从针对各个预设外观缺陷检测场景配置的数据采集参数中，确定针对目标对象对应的外观缺陷检测场景配置的目标数据采集参数；

采集模块，用于根据所述目标数据采集参数，采集所述目标对象的初始待检测数据；

处理模块，用于对所述初始待检测数据进行数据标准化处理，得到标准化的待检测数据；

检测模块，用于将所述标准化的待检测数据输入至外观缺陷检测模型中进行检测，输出检测结果；

识别模块，用于基于所述检测结果，确定所述目标对象的外观缺陷类型。

10.一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

11.一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至8中任一项所述的方法的步骤。

Images