CN116228735A - 产品质量检测方法和装置 - Google Patents

产品质量检测方法和装置 Download PDF

Info

Publication number
CN116228735A
CN116228735A CN202310271226.4A CN202310271226A CN116228735A CN 116228735 A CN116228735 A CN 116228735A CN 202310271226 A CN202310271226 A CN 202310271226A CN 116228735 A CN116228735 A CN 116228735A
Authority
CN
China
Prior art keywords
defect
product
image
product quality
grade
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.)
Pending
Application number
CN202310271226.4A
Other languages
English (en)
Inventor
盖顺华
解三霞
周钟海
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.)
Luster LightTech Co Ltd
Original Assignee
Luster LightTech 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 Luster LightTech Co Ltd filed Critical Luster LightTech Co Ltd
Priority to CN202310271226.4A priority Critical patent/CN116228735A/zh
Publication of CN116228735A publication Critical patent/CN116228735A/zh
Pending legal-status Critical Current

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请公开了一种产品质量检测方法和装置，属于工业检测技术领域。所述产品质量检测方法包括：对获取的待测产品对应的产品图像进行缺陷特征识别，获取所述产品图像对应的缺陷等级；接收第一输入，所述第一输入用于输入目标阈值；响应于所述第一输入，基于所述缺陷等级和所述目标阈值，确定产品质量等级。本申请的产品质量检测方法，能够在生产过程中的缺陷基准规格变更的情况下，一键调整待测产品的产品质量等级，无需重新设计拟合公式，操作简单便捷，从而显著节省了参数调整时间，提高了产品的质量检测效率；还能够精准识别待测产品的缺陷等级，识别结果的准确性较高。

Description

产品质量检测方法和装置
技术领域
本申请属于工业检测技术领域，尤其涉及一种产品质量检测方法和装置。
背景技术
在工业缺陷检测领域，需要依据缺陷的严重程度对缺陷进行分级处理。常用的缺陷分级方法在生产过程中的缺陷基准变更的情况下，需要调整外观检查中的规则参数或重新设计拟合公式，以修改待测产品对应的产品质量等级，且需要较长时间评估参数变更后的生产效果，步骤繁琐，费时费力，检测效率较低。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种产品质量检测方法和装置，能够在生产过程中的缺陷基准规格变更的情况下，一键调整待测产品的产品质量等级，节省了参数调整时间，进而提高了产品的质量检测效率。
第一方面，本申请提供了一种产品质量检测方法，该方法包括：
对获取的待测产品对应的产品图像进行缺陷特征识别，获取所述产品图像对应的缺陷等级；
接收第一输入，所述第一输入用于输入目标阈值；
响应于所述第一输入，基于所述缺陷等级和所述目标阈值，确定产品质量等级。
根据本申请实施例提供的产品质量检测方法，通过对产品图像进行缺陷特征识别以获取产品图像对应的缺陷等级，然后基于第一输入的目标阈值和缺陷等级，再确定产品质量等级，能够精准识别待测产品的缺陷等级，且能够在生产过程中的缺陷基准规格变更的情况下，一键调整待测产品的产品质量等级，节省了参数调整时间，进而提高了产品的质量检测效率。
本申请一个实施例的产品质量检测方法，所述基于所述缺陷等级和所述目标阈值，确定产品质量等级，包括：
在所述缺陷等级低于所述目标阈值的情况下，确定所述产品质量等级为合格；
在所述缺陷等级不低于所述目标阈值的情况下，确定所述产品质量等级为不合格。
本申请一个实施例的产品质量检测方法，所述对获取的待测产品对应的产品图像进行缺陷特征识别，获取所述产品图像对应的缺陷等级，包括：
对所述产品图像进行缺陷特征识别，获取所述产品图像对应的缺陷类别；
基于所述缺陷类别对所述产品图像进行分级识别，获取所述缺陷等级。
本申请一个实施例的产品质量检测方法，所述对获取的待测产品对应的产品图像进行缺陷特征识别，获取所述缺陷图像对应的缺陷等级，包括：
将所述产品图像输入至目标神经网络模型的分类层，获取所述分类层输出的所述缺陷类别；
在所述缺陷类别满足目标分级条件的情况下，将所述产品图像输入至所述目标神经网络模型的分级层，获取所述分级层输出的所述缺陷等级；
其中，所述分类层的输出与所述分级层的输入连接，所述分类层是以样本产品图像为样本，以与所述样本产品图像对应的样本缺陷类别为样本标签训练得到；所述分级层是以所述样本产品图像为样本，以与所述样本产品图像对应的样本缺陷等级为样本标签训练得到。
本申请一个实施例的产品质量检测方法，所述分级层为多个，多个所述分级层的输入分别与所述分类层的输出连接，且所述分级层与所述缺陷类别相对应；所述将所述产品图像输入至所述目标神经网络模型的分级层，获取所述分级层输出的所述缺陷等级，包括：
将所述产品图像输入至与所述缺陷类别对应的分级层，获取所述分级层输出的所述缺陷等级。
本申请一个实施例的产品质量检测方法，所述对获取的待测产品对应的产品图像进行缺陷特征识别，获取所述产品图像对应的缺陷等级，包括：
对所述产品图像进行缺陷特征提取，获取所述产品图像对应的缺陷区域；
对所述缺陷区域进行滑窗切图处理，获取所述缺陷区域对应的缺陷图像；
对所述缺陷图像进行缺陷特征识别，获取所述产品图像对应的缺陷等级。
第二方面，本申请提供了一种产品质量检测装置，该装置包括：
第一处理模块，用于对获取的待测产品对应的产品图像进行缺陷特征识别，获取所述产品图像对应的缺陷等级；
第二处理模块，用于接收第一输入，所述第一输入用于输入目标阈值；
第三处理模块，用于响应于所述第一输入，基于所述缺陷等级和所述目标阈值，确定产品质量等级。
根据本申请实施例提供的产品质量检测装置，通过在对产品图像进行缺陷特征识别以获取产品图像对应的缺陷等级的基础上，基于第一输入所输入的目标阈值和所确定的缺陷等级来确定产品质量等级，使得产品质量能够基于输入的目标阈值的变化而对应变化，能够在生产过程中的缺陷基准规格变更的情况下，一键调整待测产品的产品质量等级，无需重新设计拟合公式进行重新计算，操作简单便捷，从而显著节省了参数调整时间，提高了产品的质量检测效率；除此之外，该方法也能精准识别待测产品的缺陷等级，识别结果的准确性较高。
第三方面，本申请提供了一种产品质量检测系统，包括存储器、处理器及存储在所述存储器上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所述的产品质量检测方法。
第四方面，本申请提供了一种非暂态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如上述第一方面所述的产品质量检测方法。
第五方面，本申请提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的产品质量检测方法。
本申请实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：
通过在对产品图像进行缺陷特征识别以获取产品图像对应的缺陷等级的基础上，基于第一输入所输入的目标阈值和所确定的缺陷等级来确定产品质量等级，使得产品质量能够基于输入的目标阈值的变化而对应变化，能够在生产过程中的缺陷基准规格变更的情况下，一键调整待测产品的产品质量等级，无需重新设计拟合公式进行重新计算，操作简单便捷，从而显著节省了参数调整时间，提高了产品的质量检测效率；除此之外，该方法也能精准识别待测产品的缺陷等级，识别结果的准确性较高。
进一步的，通过对产品图像进行缺陷特征提取以获得缺陷区域，能够将缺陷特征从背景区域中分离出来；然后对缺陷区域进行滑窗切图处理获得缺陷图像，使得缺陷图像能够完整地包含缺陷信息；再对缺陷图像进行缺陷特征识别，以获取产品图像对应的缺陷等级，能够直接利用完整的图像信息对缺陷进行分级判别，降低漏检风险，进而提高了产品质量检测的精准度。
更进一步的，通过对产品图像进行缺陷特征识别，以获取产品图像对应的缺陷类别，然后对缺陷类别进行分级识别，获取缺陷等级，能够准确判断出产品对应的缺陷类别以及等级，无需设计拟合公式强行计算缺陷等级，减少了人工工作量，且产品质量检测的准确度和效果较好。
再进一步的，通过基于缺陷等级和目标阈值的大小，确定产品质量等级为合格或者为不合格，可以在生产过程中的缺陷基准规格变更的情况下，一键调整待测产品的产品质量等级，节省了参数调整时间，进而提高了产品的质量检测效率。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请实施例提供的产品质量检测系统的结构示意图之一；
图2是本申请实施例提供的产品质量检测系统的结构示意图之二；
图3是本申请实施例提供的产品质量检测系统的结构示意图之三；
图4是本申请实施例提供的产品质量检测系统的结构示意图之四；
图5是本申请实施例提供的产品质量检测方法的流程示意图；
图6是本申请实施例提供的产品质量检测装置的结构示意图；
图7是本申请实施例提供的产品质量检测系统的结构示意图之五。
附图标记：
图像传感器110；图像处理模块120；输入模块130；训练模块140；
缺陷提取单元210；缺陷小图获取单元220；缺陷分级模块230；
产品质量等级判定模块240；特征识别单元310；缺陷分级单元320；
判断单元410；结果输出单元420。
具体实施方式
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清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合图5描述本申请实施例的产品质量检测方法。
需要说明的是，产品质量检测方法的执行主体可以为服务器，或者可以为产品质量检测系统，或者还可以为设置在产品质量检测系统上的产品质量检测装置，或者还可以为与产品质量检测系统通信连接的用户的终端，包括但不限于移动终端和非移动终端。
例如，移动终端包括但不限于手机、PDA智能终端、平板电脑以及车载智能终端等；非移动终端包括但不限于PC端等。
下面以产品质量检测系统为执行主体，对产品质量检测方法进行说明。
如图5所示，该产品质量检测方法，包括：步骤510、步骤520和步骤530。
步骤510、对获取的待测产品对应的产品图像进行缺陷特征识别，获取产品图像对应的缺陷等级。
在该步骤中，待测产品为用于检测缺陷的产品，待测产品中可以包括缺陷。
产品图像为图像传感器采集得到的图像。
例如，产品图像可以为图像传感器采集的分辨率为16900×1400，且单个像素的尺寸为10μm的图像。
缺陷等级可以为轻度或重度等，或者可以为一级、二级或三级等，可以基于用户自定义，本申请不作限定。
缺陷特征识别用于获取产品图像对应的缺陷等级。
在实际应用中，可以基于深度学习、Python或PCA等进行缺陷特征识别，可以基于用户自定义，本申请不作限定。
在一些实施例中，步骤510可以包括：
对产品图像进行缺陷特征提取，获取产品图像对应的缺陷区域；
对缺陷区域进行滑窗切图处理，获取缺陷区域对应的缺陷图像；
对缺陷图像进行缺陷特征识别，获取产品图像对应的缺陷等级。
在该实施例中，缺陷特征提取用于获取产品图像对应的缺陷区域。
缺陷特征可以包括缺陷种类、缺陷形态、缺陷亮暗极性、缺陷位置和缺陷图像背景等中的至少一种。
在实际应用中，可以基于图像变换、图像增强、纹理分析或图像分割等进行缺陷特征提取，可以基于用户自定义，本申请不作限定。
产品图像对应的缺陷区域可以为多个。
滑窗切图处理用于获取缺陷区域对应的缺陷图像。
缺陷图像包括产品图像对应的缺陷区域。
在实际执行过程中，可以对产品图像进行动态阈值处理，获取产品图像对应的缺陷区域；
然后可以计算缺陷区域对应的外接矩形，获取缺陷区域的宽高尺寸；
基于缺陷区域的宽高尺寸，对缺陷区域进行滑窗切图处理，各个相邻的滑窗之间有部分区域是重叠的，以获取缺陷图像；
最后对缺陷图像进行缺陷特征识别，获取产品图像对应的缺陷等级。
根据本申请实施例提供的产品质量检测方法，通过对产品图像进行缺陷特征提取以获得缺陷区域，能够将缺陷特征从背景区域中分离出来；然后对缺陷区域进行滑窗切图处理获得缺陷图像，使得缺陷图像能够完整地包含缺陷信息；再对缺陷图像进行缺陷特征识别，以获取产品图像对应的缺陷等级，能够直接利用完整的图像信息对缺陷进行分级判别，降低漏检风险，进而提高了产品质量检测的精准度。
在一些实施例中，步骤510还可以包括：
对产品图像进行缺陷特征识别，获取产品图像对应的缺陷类别；
基于缺陷类别对产品图像进行分级识别，获取缺陷等级。
在该实施例中，产品图像对应的缺陷类别可以为良品类、碰压伤类、划伤类或脏污类等，可以基于用户自定义，本申请不作限定。
对于同一张产品图像，其可能对应有一种缺陷类别，或者可能对应有多种缺陷类别。
分级识别用于获取产品图像对应的缺陷等级。
在实际执行过程中，可以基于产品图像对应的缺陷类别，对该类别下的产品图像进行缺陷等级判定，不同类别的缺陷，其所划分的等级也可能有所不同。
例如，碰压伤类缺陷对应的缺陷等级可以包括：轻度、中度和重度；划伤类缺陷对应的缺陷等级可以包括轻度和重度；脏污类缺陷没有缺陷等级划分要求。
在实际检测过程中，可基于实际检测需要或者实际检测环境，由用户自定义，本申请不作限定。
根据本申请实施例提供的产品质量检测方法，通过对产品图像进行缺陷特征识别，以获取产品图像对应的缺陷类别，然后对缺陷类别进行分级识别，获取缺陷等级，能够准确判断出产品对应的缺陷类别以及等级，无需设计拟合公式强行计算缺陷等级，减少了人工工作量，且产品质量检测的准确度和效果较好。
在一些实施例中，步骤510还可以包括：
将产品图像输入至目标神经网络模型的分类层，获取分类层输出的缺陷类别；
在缺陷类别满足目标分级条件的情况下，将产品图像输入至目标神经网络模型的分级层，获取分级层输出的缺陷等级。
在该实施例中，目标神经网络模型是预先训练好的，用于获取产品图像的缺陷等级。
目标网络神经模型可以包括分类层和分级层，且分类层的输出与分级层的输入连接。
其中，分类层用于对产品图像进行分类处理，以输出缺陷类别。
分级层用于对产品图像进行分级处理，以输出缺陷等级。
目标分级条件可以基于实际检测需求进行自定义，例如，碰压伤类缺陷有缺陷分级需求，即满足目标分级条件，其对应的缺陷等级可以包括：轻度、中度和重度；同样的，划伤类缺陷有缺陷分级需求，即满足目标分级条件，其对应的缺陷等级可以包括：轻度和重度。
又如，脏污类缺陷没有缺陷分级需求，即不满足目标分级条件。
在缺陷类别不满足目标分级条件的情况下，直接输出产品图像对应的缺陷类别。需要说明的是，不同的缺陷类别可以对应有不同的分级层，例如，碰压伤类缺陷所对应的分级层输出的缺陷等级可以包括：轻度、中度和重度；划伤类缺陷所对应的分级层输出的缺陷等级可以包括：轻度和重度。
在一些实施例中，分级层可以为多个，多个分级层的输入分别与分类层的输出连接，且分级层与缺陷类别相对应，将产品图像输入至目标神经网络模型的分级层，获取分级层输出的缺陷等级，可以包括：
将产品图像输入至与缺陷类别对应的分级层，获取分级层输出的缺陷等级。
在该实施例中，不同的缺陷类别对应有与其相关的分级层。
在检测过程中，可以将产品图像输入至与其对应的分级层，以输出产品图像对应的缺陷等级。
例如，将碰压伤类缺陷对应的产品图像输入至与其对应的分级层，分级层输出的缺陷等级可以包括：轻度、中度和重度；将划伤类缺陷对应的产品图像输入至与其对应的分级层，分级层输出的缺陷等级可以包括：轻度和重度。
根据本申请实施例提供的产品质量检测方法，通过设置多个分级层，且分级层与缺陷类别相对应，在应用中，可以将产品图像输入至与缺陷类别对应的分级层，从而获取分级层输出的缺陷等级，能够满足不同缺陷类别的分级要求，提高了产品质量检测的精准度，具有较高的灵活性和普适性，进而提高了用户的使用体验。
目标神经网络模型的分类层和分级层的训练过程将在后续实施例进行说明，在此暂不作赘述。
发明人在研发过程中发现，相关技术中存在基于人工提取到的特征值设计拟合公式，然后强行计算缺陷等级，特征值依赖于图像背景以及特定的光照条件，在背景或光照条件改变的情况下，需要重新设计公式，检测过程较繁复，费时费力；且人工特征数值难以描述出缺陷的全部信息，准确率较低。
而在本申请中，通过深度学习技术训练目标神经网络模型的分类层以及分级层，在应用过程中可以直接使用分类层获取产品图像对应的缺陷类别，使用分级层获取产品图像对应的缺陷等级，深度学习技术具有较好的泛化性，对图像背景以及光照条件等不敏感，在背景或光照条件改变的情况下，无需重新训练模型，检测过程简单，便于用户使用；
基于深度学习对缺陷位置的局部小图进行学习识别，可以直接利用完整的图像信息对产品图像进行分类以及分级，检测的精准度较高。
根据本申请实施例提供的产品质量检测方法，通过预先训练目标神经网络模型的分类层以及分级层，能够直接基于目标神经网络模型的分类层获取产品图像对应的缺陷类别，基于分级层获取产品图像对应的缺陷等级，在实际应用中只需使用前进行预训练，之后可以直接使用模型进行分类以及分级，操作简单；并且目标神经网络模型具有较强的学习能力，每一次应用过程中的数据均可以作为下一次训练过程中的训练数据，从而提高了模型的精准度；且目标神经网络模型具有较好的泛化性，对产品图像中的背景以及光照条件等不敏感，可以直接利用完整的图像信息进行分类以及分级，检测准确度较高。
下面对目标网络神经模型的分类层和分级层的训练过程作具体说明。
在对分类层的训练过程中，可以制作包含有第一目标数量(如500张或1000张等，本申请不作限定)的样本产品图像的数据集，并基于目标比例将数据集划分为训练集合测试集，如将训练集和测试集的比例设置为8:2，本申请不作限定。
然后基于人工经验对数据集进行缺陷类别判断，采用多人分类以及少数服从多数的原则对样本产品图像进行缺陷分类，使得目标数量的样本产品图像中每个缺陷类别的图像数量为一致的。
可以基于ResNet18进行训练，或者可以基于其他网络进行训练，本申请不作限定。
以样本产品图像为样本，以与样本产品图像对应的样本缺陷类别为样本标签训练得到分类层。
在对分级层的训练过程中，可以制作包含多个缺陷类别的样本缺陷类别的数据集，其中，每个缺陷类别均对应有第二目标数量的样本缺陷类别。
可以基于人工经验对数据集进行缺陷级别判断，采用多人分类以及少数服从多数的原则对样本缺陷类别进行缺陷分级，如将缺陷分为轻度、中度和重度，本申请不作限定。
以样本产品图像为样本，以与样本产品图像对应的样本缺陷等级为样本标签训练得到分级层。
在应用过程中，可以将产品图像输入至目标神经网络模型的分类层，获取产品图像与各个缺陷类别之间的概率值，将最大的概率值对应的缺陷类别作为产品图像对应的缺陷类别。
例如，产品图像与良品类之间的概率值为0.01，与碰压伤类之间的概率值为0.95，与划伤类之间的概率值为0.03，与脏污类之间的概率值为0.01，其中最大的概率值为0.95，则将碰压伤类作为产品图像对应的缺陷类别。
然后基于缺陷类别，获取缺陷类别对应的分级层，将产品图像输入至与缺陷类别对应的分级层，获取分级层输出的产品图像对应的缺陷等级。
步骤520、接收第一输入，第一输入用于输入目标阈值。
在该步骤中，目标阈值为在判定质量等级时的判断标准，例如可以为外观检查中的规则参数以及缺陷基准等。
不同的缺陷类别对应的目标阈值可能不同，且目标阈值的数值可以基于实际检测需求随时更改。
例如，对于碰压伤类缺陷，可以将目标阈值设置为轻度级别，或者可以将目标阈值设置为中度级别。
可以理解的是，目标阈值设置为轻度级别时，其对应的检测环境的严格程度应高于目标阈值为中度级别对应的严格程度。
第一输入可以为用户的输入，或者也可以为系统的自动调整。
在第一输入为用户输入的情况下，第一输入可以为如下任意一种方式：
其一，第一输入可以为触控操作，包括但不限于点击操作、滑动操作和按压操作等。
在该实施方式中，接收用户的第一输入，可以为，接收用户在系统显示屏的显示区域的触控操作。
为了降低用户误操作率，可以将第一输入的作用区域限定在特定的区域内，比如输入界面的上部中间区域；或者在显示“请输入目标阈值”界面的状态下，在当前界面显示目标控件，触摸目标控件，即可实现第一输入；或者将第一输入设置为在目标时间间隔内对显示区域的连续多次敲击操作。
其二，第一输入可以为实体按键输入。
在该实施方式中，系统的机身上设有对应的实体按键，接收用户的第一输入，可以为，接收用户按压对应的实体按键的操作；第一输入还可以为同时按压多个实体按键的组合操作。
其三，第一输入可以为语音输入。
在该实施方式中，系统可以在接收到语音如“输入目标阈值为轻度级别”时，将输入目标阈值为轻度级别。
当然，在其他实施例中，第一输入也可以为其他形式，包括但不限于字符输入等，具体可根据实际需要决定，本申请实施例对此不作限定。
步骤530、响应于第一输入，基于缺陷等级和目标阈值，确定产品质量等级。
在该步骤中，产品质量等级用于表征待测产品是否为合格产品。
产品质量等级可以为合格，或者可以为不合格。
基于缺陷等级和目标阈值，可以确定产品质量等级。
例如，在实际执行过程中，对于一张产品图像，通过步骤510确定其缺陷类别为碰压伤类，并输入该目标阈值从而实现第一输入，系统响应于第一输入，基于确定的产品图像对应的缺陷等级和用户输入的目标阈值，确定产品图像对应的产品质量等级。
发明人在研发过程中发现，相关技术中存在，在生产过程中的缺陷基准变更的情况下，需要调整外观检查中的规则参数或重新设计拟合公式，以修改待测产品对应的产品质量等级，且需要较长时间评估参数变更后的生产效果，步骤繁琐，费时费力，检测效率较低。
而在本申请中，可以基于第一输入，以确定用户的缺陷基准，然后基于待测产品的缺陷等级和用户的缺陷基准，一键调整待测产品的产品质量等级，可以灵活管控缺陷的实际严重程度，能够极大节省生产过程中改变缺陷基准规格后的参数调整时间，提高了产品的质量检测效率。
根据本申请实施例提供的产品质量检测方法，通过对产品图像进行缺陷特征识别以获取产品图像对应的缺陷等级，然后基于第一输入的目标阈值和缺陷等级，再确定产品质量等级，能够精准识别待测产品的缺陷等级，且能够在生产过程中的缺陷基准规格变更的情况下，一键调整待测产品的产品质量等级，节省了参数调整时间，进而提高了产品的质量检测效率。
在一些实施例中，步骤530可以包括：
在缺陷等级低于目标阈值的情况下，确定产品质量等级为合格；
在缺陷等级不低于目标阈值的情况下，确定产品质量等级为不合格。
在该实施例中，目标阈值为在判定质量等级时的判断标准，例如可以为外观检查中的规则参数以及缺陷基准等。
不同的缺陷类别对应的目标阈值可能不同，且目标阈值的数值可以基于实际检测需求随时更改。
产品质量等级可以为合格，或者可以为不合格。
基于缺陷等级和目标阈值，确定产品质量等级。
例如，在实际执行过程中，对于一张产品图像，通过步骤510确定其缺陷类别为碰压伤类，且其对应的缺陷等级为轻度，在检测过程中，当生产出货要求较为宽松的情况下，用户可以将目标阈值设置为中度级别，并输入该目标阈值从而实现第一输入，系统响应于第一输入，基于确定的产品图像对应的缺陷等级和用户输入的目标阈值，确定当前缺陷等级“轻度”低于目标阈值“中度级别”，则确定其为合格品；
在后续检测过程中，当生产出货要求变得严格后，用户可以将目标阈值调整为轻度级别，并输入该目标阈值从而实现第一输入，系统响应于第一输入，基于确定的产品图像对应的缺陷等级“轻度”和用户输入的目标阈值“轻度级别”，判断当前缺陷等级“轻度”不低于目标阈值“轻度级别”，则调整该待测产品为不合格品。
根据本申请实施例提供的产品质量检测方法，基于缺陷等级和目标阈值可以确定产品质量等级为合格或者为不合格，可以在生产过程中的缺陷基准规格变更的情况下，一键调整待测产品的产品质量等级，节省了参数调整时间，进而提高了产品的质量检测效率。
下面对本申请提供的产品质量检测装置进行描述，下文描述的产品质量检测装置与上文描述的产品质量检测方法可相互对应参照。
本申请实施例还提供一种产品质量检测装置。
如图5所示，该产品质量检测装置，包括：第一处理模块510、第二处理模块520和第三处理模块530。
第一处理模块510，用于对获取的待测产品对应的产品图像进行缺陷特征识别，获取产品图像对应的缺陷等级；
第二处理模块520，用于接收第一输入，第一输入用于输入目标阈值；
第三处理模块530，用于响应于第一输入，基于缺陷等级和目标阈值，确定产品质量等级。
根据本申请实施例提供的产品质量检测装置，通过在对产品图像进行缺陷特征识别以获取产品图像对应的缺陷等级的基础上，基于第一输入所输入的目标阈值和所确定的缺陷等级来确定产品质量等级，使得产品质量能够基于输入的目标阈值的变化而对应变化，能够在生产过程中的缺陷基准规格变更的情况下，一键调整待测产品的产品质量等级，无需重新设计拟合公式进行重新计算，操作简单便捷，从而显著节省了参数调整时间，提高了产品的质量检测效率；除此之外，该方法也能精准识别待测产品的缺陷等级，识别结果的准确性较高。
在一些实施例中，第三处理模块530还可以用于在缺陷等级低于目标阈值的情况下，确定产品质量等级为合格；
在缺陷等级不低于目标阈值的情况下，确定产品质量等级为不合格。
在一些实施例中，第一处理模块510还可以用于对产品图像进行缺陷特征识别，获取产品图像对应的缺陷类别；
基于缺陷类别对产品图像进行分级识别，获取缺陷等级。
在一些实施例中，第一处理模块510还可以用于包括：
将产品图像输入至目标神经网络模型的分类层，获取分类层输出的缺陷类别；
在缺陷类别满足目标分级条件的情况下，将产品图像输入至目标神经网络模型的分级层，获取分级层输出的缺陷等级；
其中，分类层的输出与分级层的输入连接，分类层是以样本产品图像为样本，以与样本产品图像对应的样本缺陷类别为样本标签训练得到；分级层是以样本产品图像为样本，以与样本产品图像对应的样本缺陷等级为样本标签训练得到。
在一些实施例中，分级层为多个，多个分级层的输入分别与分类层的输出连接，且分级层与缺陷类别相对应；该装置还可以包括第四处理模块，用于将产品图像输入至与缺陷类别对应的分级层，获取分级层输出的缺陷等级。
在一些实施例中，第一处理模块510还可以用于对产品图像进行缺陷特征提取，获取产品图像对应的缺陷区域；
对缺陷区域进行滑窗切图处理，获取缺陷区域对应的缺陷图像；
对缺陷图像进行缺陷特征识别，获取产品图像对应的缺陷等级。
本申请实施例中的产品质量检测装置可以是产品质量检测系统，也可以是产品质量检测系统中的部件，例如集成电路或芯片。该产品质量检测系统可以是终端，也可以为除终端之外的其他设备。示例性的，产品质量检测系统可以为手机、平板电脑、笔记本电脑、掌上电脑、车载检测系统、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，还可以为服务器、网络附属存储器(NetworkAttached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
下面对本申请提供的产品质量检测系统进行描述，下文描述的产品质量检测系统与上文描述的产品质量检测方法可相互对应参照。
本申请实施例提供的产品质量检测方法，执行主体可以为产品质量检测系统。本申请实施例中以产品质量检测系统执行产品质量检测方法为例，说明本申请实施例提供的产品质量检测系统。
本申请还提供一种产品质量检测系统。
如图1所示，该产品质量检测系统，包括图像传感器110、输入模块130和图像处理模块120。
在该实施例中，图像传感器110用于采集待测产品对应的产品图像。
例如，图像传感器110可以为线阵相机。
图像传感器110可以为一个，也可以为多个，可以基于用户自定义，本申请不作限定。
待测产品为用于检测缺陷的产品，待测产品中可以包括缺陷。
产品图像为图像传感器110采集得到的图像。
例如，产品图像可以为图像传感器110采集的分辨率为16900×1400，且单个像素的尺寸为10μm的图像。
输入模块130用于接收第一输入，第一输入用于输入目标阈值。
目标阈值为在判定质量等级时的判断标准，例如可以为外观检查中的规则参数。
不同的缺陷类别对应的目标阈值可能不同，且目标阈值的数值可以基于实际检测需求随时更改。
例如，对于碰压伤类缺陷，可以将目标阈值设置为轻度级别，或者可以将目标阈值设置为中度级别。
可以理解的是，目标阈值设置为轻度级别时，其对应的检测环境的严格程度应高于目标阈值为中度级别对应的严格程度。
第一输入可以为用户的输入，或者也可以为系统的自动调整。图像处理模块120分别与图像传感器110和输入模块130电连接；且图像处理模块120用于基于产品图像和第一输入确定待测产品的产品质量等级。
产品质量等级用于表征待测产品是否为合格产品。
产品质量等级可以为合格，或者可以为不合格。
根据本申请实施例提供的产品质量检测系统，通过设置输入模块130以接收用于调整质量等级判定的缺陷基准规格信息，并由图像处理模块120对基于该输入模块130接收的缺陷基准规格信息对产品图像进行质量等级判定，能够基于输入的目标阈值的变化而对应变化，能够在生产过程中的缺陷基准规格变更的情况下，一键调整待测产品的产品质量等级，无需重新设计拟合公式，操作简单便捷，从而显著节省了参数调整时间，提高了产品的质量检测效率；除此之外，还能够精准识别待测产品的缺陷等级，识别结果的准确性较高。
如图2所示，在一些实施例中，图像处理模块120可以包括：缺陷分级模块230和产品质量等级判定模块240。
在该实施例中，缺陷分级模块230与图像传感器110电连接。
产品质量等级判定模块240分别与缺陷分级模块230和输入模块130电连接。缺陷分级模块230用于接收图像传感器110发送的产品图像，并对产品图像进行缺陷分级处理，以获取待测产品对应的缺陷等级。
产品质量等级判定模块240用于接收缺陷分级模块230发送的缺陷等级，并基于缺陷等级对待测产品进行产品质量等级判定，以输出待测产品对应的产品质量等级。
在实际执行过程中，图像传感器110采集待测产品对应的产品图像，并将产品图像发送至缺陷分级模块230；
缺陷分级模块230对产品图像进行缺陷分级处理，获取待测产品对应的缺陷等级，并将缺陷等级发送至产品质量等级判定模块240；
输入模块130接收用户输入的目标阈值，并将目标阈值发送至产品质量等级判定模块240；
产品质量等级判定模块240接收缺陷等级和目标阈值，并对待测产品进行产品质量等级判定，以输出待测产品对应的产品质量等级。
根据本申请实施例提供的产品质量检测系统，通过在图像处理模块120中设置缺陷分级模块230和产品质量等级判定模块240，能够获取待测产品对应的缺陷等级，进而确定待测产品对应的产品质量等级，无需设计拟合公式强行计算缺陷等级，减少了人工工作量，且产品质量检测的准确度和效果较好。
在一些实施例中，缺陷分级模块230可以包括：特征识别单元310和缺陷分级单元320。
在该实施例中，特征识别单元310与图像传感器110电连接。
特征识别单元310用于接收图像传感器110发送的待测产品对应的产品图像，并对产品图像进行特征识别，以获取产品图像对应的缺陷类别。
对于同一张产品图像，其可能对应有一种缺陷类别，或者可能对应有多种缺陷类别。
缺陷分级单元320分别与特征识别单元310和产品质量等级判定模块240电连接。
缺陷分级单元320用于接收特征识别单元310发送的缺陷类别，并基于缺陷类别对产品图像进行分级处理，以获取产品图像对应的缺陷等级。
在实际执行过程中，图像传感器110采集待测产品对应的产品图像，并将产品图像发送至特征识别单元310；
特征识别单元310对产品图像进行缺陷特征识别，获取产品图像对应的缺陷类别，然后将缺陷类别发送至缺陷分级单元320；
缺陷分级单元320接收特征识别单元310发送的缺陷类别，对产品图像进行分级处理，获取产品图像对应的缺陷等级，并将缺陷等级发送至产品质量等级判定模块240。
根据本申请实施例提供的产品质量检测系统，通过在缺陷分级模块230中设置特征识别单元310和缺陷分级单元320，能够对产品图像进行特征识别以获取产品图像对应的缺陷类别，进而获取产品图像对应的缺陷等级，能够准确判断出产品对应的缺陷类别以及等级，无需设计拟合公式强行计算缺陷等级，减少了人工工作量，且产品质量检测的准确度和效果较好。
如图3所示，在一些实施例中，缺陷分级单元320可以为多个，且多个缺陷分级单元320的输入端分别与特征识别单元310的输出端电连接，多个缺陷分级单元320与多个缺陷类别一一对应。
在一些实施例中，多个缺陷分级单元320可以包括：良品类分级单元、碰压伤类分级单元、划伤类分级单元和脏污类分级单元中的至少两种。
可以理解的是，在实际检测过程中，不同类别的缺陷，其所划分的等级也可能有所不同。
例如，碰压伤类缺陷所对应的缺陷等级可以包括：轻度、中度和重度；划伤类缺陷所对应的缺陷等级可以包括：轻度和重度。
又如，脏污类缺陷没有缺陷等级划分要求。
在实际检测过程中，可基于实际检测需要或者实际检测环境，由用户自定义，本申请不作限定。
在实际执行过程中，可以基于特征识别单元310输出的缺陷类别，从多个缺陷分级单元320中获取与缺陷类别对应的缺陷分级单元320，从而获取缺陷分级单元320输出的缺陷等级。
根据本申请实施例提供的产品质量检测系统，通过设置多个缺陷分级单元320，且多个缺陷分级单元320的输入端分别与特征识别单元310的输出端电连接，能够满足不同缺陷类别的分级要求，提高了产品质量检测的精准度，进而提高了用户的使用体验。
在一些实施例中，特征识别单元310可以配置有特征识别模型；缺陷分级单元320可以配置有缺陷分级模型。
在该实施例中，特征识别模型是预先训练好的，用于获取产品图像对应的缺陷类别。
缺陷分级模型是预先训练好的，用于获取产品图像对应的缺陷等级。
根据本申请实施例提供的产品质量检测系统，通过在特征识别单元310配置特征识别模型，在缺陷分级单元320配置缺陷分级模型，且特征识别模型和缺陷分级模型均为预先训练好的模型，在实际应用中只需使用前进行预训练，之后可以直接使用模型进行分类以及分级，操作简单；并且模型具有较强的学习能力，每一次应用过程中的数据均可以作为下一次训练过程中的训练数据，从而提高了模型的精准度；且模型具有较好的泛化性，对产品图像中的背景以及光照条件等不敏感，可以直接利用完整的图像信息进行分类以及分级，检测准确度较高。
在一些实施例中，缺陷分级模型可以为多个，且多个缺陷分级模型的输入端分别与特征识别模型的输出端电连接，缺陷分级模型与缺陷类别相对应。
在实际执行过程中，可以基于特征识别模型输出的缺陷类别，从多个缺陷分级模型中获取与缺陷类别对应的缺陷分级模型，从而获取缺陷分级模型输出的缺陷等级。
根据本申请实施例提供的产品质量检测系统，通过设置多个缺陷分级模型，且多个缺陷分级模型的输入端分别与特征识别模型的输出端电连接，能够满足不同缺陷类别的分级要求，提高了产品质量检测的精准度，进而提高了用户的使用体验。
如图1所示，在一些实施例中，产品质量检测系统还可以包括：训练模块140。
在该实施例中，训练模块140分别与图像传感器110和图像处理模块120电连接。
训练模块140用于训练特征识别单元310中的特征识别模型，以及缺陷分级单元320中的缺陷分级模型。
根据本申请实施例提供的产品质量检测系统，通过在产品质量检测系统设置训练模块140，能够基于训练模块140预先训练特征识别模型和缺陷分级模型，能够在应用中直接基于特征识别模型获取待测产品对应的缺陷类别，基于缺陷分级模型获取待测产品对应的缺陷等级，训练过程简单，减少了人工工作量，便于用户使用。
如图2所示，在一些实施例中，图像处理模块120还可以包括：缺陷提取单元210和缺陷小图获取单元220。
在该实施例中，缺陷提取单元210与图像传感器110电连接。
缺陷提取单元210用于获取产品图像对应的缺陷区域。
产品图像对应的缺陷区域可以为多个。
缺陷小图获取单元220分别与缺陷提取单元210和缺陷分级模块230电连接。
缺陷小图获取单元220用于获取缺陷区域对应的缺陷图像。
缺陷图像包括产品图像对应的缺陷区域。
根据本申请实施例提供的产品质量检测系统，通过在图像处理模块120中设置缺陷提取单元210和缺陷小图获取单元220，能够基于缺陷提取单元210将缺陷特征从背景区域中分离出来，然后基于缺陷小图获取单元220获取缺陷区域对应的缺陷图像，使得缺陷图像能够完整地包含缺陷信息，进而利用完整的图像信息对缺陷进行分级判别，进而提高了产品质量检测的精准度。
如图4所示，在一些实施例中，产品质量等级判定模块240可以包括：判断单元410和结果输出单元420。
在该实施例中，判断单元410分别与缺陷分级模块230和输入模块130电连接。
判断单元410用于判断缺陷等级和目标阈值的大小。
结果输出单元420与判断单元410电连接。
结果输出单元420用于输出待测产品对应的产品质量等级。
在缺陷等级低于目标阈值的情况下，结果输出单元420输出合格；
在缺陷等级不低于目标阈值的情况下，结果输出单元420输出不合格。
例如，在实际执行过程中，对于一张产品图像，通过图像处理模块120确定其缺陷类别为碰压伤类，且其对应的缺陷等级为轻度，在检测过程中，当生产出货要求较为宽松的情况下，用户可以将目标阈值设置为中度级别，并输入该目标阈值从而实现第一输入，系统响应于第一输入，基于确定的产品图像对应的缺陷等级和用户输入的目标阈值，确定当前缺陷等级“轻度”低于目标阈值“中度级别”，则确定其为合格品；
在后续检测过程中，当生产出货要求变得严格后，用户可以将目标阈值调整为轻度级别，并输入该目标阈值从而实现第一输入，系统响应于第一输入，基于确定的产品图像对应的缺陷等级“轻度”和用户输入的目标阈值“轻度级别”，判断当前缺陷等级“轻度”不低于目标阈值“轻度级别”，则调整该待测产品为不合格品。
根据本申请实施例提供的产品质量检测系统，通过在产品质量等级判定模块240中设置判断单元410和结果输出单元420，能够基于缺陷等级和目标阈值的大小确定待测产品对应的产品质量等级，可以在生产过程中的缺陷基准规格变更的情况下，一键调整待测产品的产品质量等级，节省了参数调整时间，进而提高了产品的质量检测效率。
本申请实施例中的产品质量检测装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为IOS操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的产品质量检测装置能够实现图5的方法实施例实现的各个过程，为避免重复，这里不再赘述。
在一些实施例中，如图7所示，本申请实施例还提供一种产品质量检测系统700，包括处理器701、存储器702及存储在存储器702上并可在处理器701上运行的计算机程序，该程序被处理器701执行时实现上述产品质量检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的产品质量检测系统包括上述所述的移动产品质量检测系统和非移动产品质量检测系统。
另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述产品质量检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
又一方面，本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述产品质量检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
又一方面，本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述产品质量检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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。

Claims (10)

1.一种产品质量检测方法，其特征在于，包括：
对获取的待测产品对应的产品图像进行缺陷特征识别，获取所述产品图像对应的缺陷等级；
接收第一输入，所述第一输入用于输入目标阈值；
响应于所述第一输入，基于所述缺陷等级和所述目标阈值，确定产品质量等级。
2.根据权利要求1所述的产品质量检测方法，其特征在于，所述基于所述缺陷等级和所述目标阈值，确定产品质量等级，包括：
在所述缺陷等级低于所述目标阈值的情况下，确定所述产品质量等级为合格；
在所述缺陷等级不低于所述目标阈值的情况下，确定所述产品质量等级为不合格。
3.根据权利要求1所述的产品质量检测方法，其特征在于，所述对获取的待测产品对应的产品图像进行缺陷特征识别，获取所述产品图像对应的缺陷等级，包括：
对所述产品图像进行缺陷特征识别，获取所述产品图像对应的缺陷类别；
基于所述缺陷类别对所述产品图像进行分级识别，获取所述缺陷等级。
4.根据权利要求1-3任一项所述的产品质量检测方法，其特征在于，所述对获取的待测产品对应的产品图像进行缺陷特征识别，获取所述缺陷图像对应的缺陷等级，包括：
将所述产品图像输入至目标神经网络模型的分类层，获取所述分类层输出的所述缺陷类别；
在所述缺陷类别满足目标分级条件的情况下，将所述产品图像输入至所述目标神经网络模型的分级层，获取所述分级层输出的所述缺陷等级；
其中，所述分类层的输出与所述分级层的输入连接，所述分类层是以样本产品图像为样本，以与所述样本产品图像对应的样本缺陷类别为样本标签训练得到；所述分级层是以所述样本产品图像为样本，以与所述样本产品图像对应的样本缺陷等级为样本标签训练得到。
5.根据权利要求4所述的产品质量检测方法，其特征在于，所述分级层为多个，多个所述分级层的输入分别与所述分类层的输出连接，且所述分级层与所述缺陷类别相对应；所述将所述产品图像输入至所述目标神经网络模型的分级层，获取所述分级层输出的所述缺陷等级，包括：
将所述产品图像输入至与所述缺陷类别对应的分级层，获取所述分级层输出的所述缺陷等级。
6.根据权利要求1-3任一项所述的产品质量检测方法，其特征在于，所述对获取的待测产品对应的产品图像进行缺陷特征识别，获取所述产品图像对应的缺陷等级，包括：
对所述产品图像进行缺陷特征提取，获取所述产品图像对应的缺陷区域；
对所述缺陷区域进行滑窗切图处理，获取所述缺陷区域对应的缺陷图像；
对所述缺陷图像进行缺陷特征识别，获取所述产品图像对应的缺陷等级。
7.一种产品质量检测装置，其特征在于，包括：
第一处理模块，用于对获取的待测产品对应的产品图像进行缺陷特征识别，获取所述产品图像对应的缺陷等级；
第二处理模块，用于接收第一输入，所述第一输入用于输入目标阈值；
第三处理模块，用于响应于所述第一输入，基于所述缺陷等级和所述目标阈值，确定产品质量等级。
8.一种产品质量检测系统，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-6任一项所述产品质量检测方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6任一项所述的产品质量检测方法。
10.一种计算机程序产品，包括计算机程序，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1-6任一项所述产品质量检测方法。
CN202310271226.4A 2023-03-17 2023-03-17 产品质量检测方法和装置 Pending CN116228735A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310271226.4A CN116228735A (zh) 2023-03-17 2023-03-17 产品质量检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310271226.4A CN116228735A (zh) 2023-03-17 2023-03-17 产品质量检测方法和装置

Publications (1)

Publication Number Publication Date
CN116228735A true CN116228735A (zh) 2023-06-06

Family

ID=86580567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310271226.4A Pending CN116228735A (zh) 2023-03-17 2023-03-17 产品质量检测方法和装置

Country Status (1)

Country Link
CN (1) CN116228735A (zh)

Similar Documents

Publication Publication Date Title
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN111833306A (zh) 缺陷检测方法和用于缺陷检测的模型训练方法
CN114266773B (zh) 显示面板缺陷定位方法、装置、设备及存储介质
CN111814850A (zh) 缺陷检测模型训练方法、缺陷检测方法及相关装置
CN111242899B (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
CN112560649A (zh) 一种行为动作检测方法、系统、设备及介质
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN112014413A (zh) 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法
CN116385430A (zh) 一种机器视觉瑕疵检测方法、装置、介质及设备
CN112070762A (zh) 液晶面板的mura缺陷检测方法、装置、存储介质及终端
CN110796039B (zh) 一种面部瑕疵检测方法、装置、电子设备及存储介质
CN117871545A (zh) 一种电路板元器件缺陷检测方法、装置、终端及存储介质
CN116342540A (zh) 包装膜缺陷检测方法、装置、设备及存储介质
CN114240928B (zh) 板卡质量的分区检测方法、装置、设备及可读存储介质
CN114972246A (zh) 一种基于深度学习的模切产品表面缺陷检测方法
CN113421223B (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN117745653A (zh) 防爆阀缺陷检测方法和装置
CN116363136B (zh) 一种机动车部件自动化生产在线筛选方法及系统
CN112784494A (zh) 假阳性识别模型的训练方法、目标识别方法及装置
CN114596243A (zh) 缺陷检测方法、装置、设备及计算机可读存储介质
CN115375954B (zh) 一种化学实验溶液识别方法、装置、设备及可读存储介质
CN116228735A (zh) 产品质量检测方法和装置
CN117011216A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN114255339A (zh) 一种输电导线断点识别方法、设备及存储介质
CN109543565B (zh) 一种数量确定方法及装置

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