CN117999577A - 检测方法、检测装置及存储介质 - Google Patents

Abstract

本申请实施例提供一种检测方法、检测装置及存储介质。检测方法，包括：获取待检测图像；根据待检测图像，获取对应多个检测项的多个置信度；根据多个置信度和多个检测阈值，确定待检测图像的检测结果，多个检测阈值对应多个检测项且为过杀率和漏检率的目标函数的非劣解，过杀率为将合格检测为缺陷的比例，漏检率为将缺陷检测为合格的比例。本申请的技术方案可以提高检测结果的准确性。

Description

检测方法、检测装置及存储介质 技术领域

本申请涉及检测技术领域，特别是涉及一种检测方法、检测装置及存储介质。

背景技术

在现有的检测技术领域，一般通过比较预先设定的阈值与检测到的检测值来确定检测结果，预先设定的阈值往往基于开发人员的主观设定或经验值，影响检测结果的准确性。

因此，如何提供一种检测方法，以提高检测结果的准确性是一项亟待解决的技术问题。

发明内容

本申请提供了一种检测方法、检测装置及存储介质，可以提高检测结果的准确性。

第一方面，本申请提供了一种检测方法，包括：获取待检测图像；根据所述待检测图像，获取对应多个检测项的多个置信度；根据所述多个置信度和多个检测阈值，确定所述待检测图像的检测结果，所述多个检测阈值对应所述多个检测项且为过杀率和漏检率的目标函数的非劣解，所述过杀率为将合格检测为缺陷的比例，所述漏检率为将缺陷检测为合格的比例。

本申请实施例提供了一种检测方法，包括：获取待检测图像；根据待检测图像，获取对应多个检测项的多个置信度；根据多个置信度和多个检测阈值，确定待检测图像的检测结果，多个检测阈值对应多个检测项且为过杀率和漏检率的目标函数的非劣解，过杀率为将合格检测为缺陷的比例，漏检率为将缺陷检测为合格的比例。该检测方法用于根据对应多个检测项的多个检测阈值对待检测图像进行检测，多个检测阈值是过杀率和漏检率的目标函数的非劣解。这样，该多个检测阈值的具体数值更 加合适，在使用多个检测阈值对待检测图像的多个检测项进行检测时，有利于避免将缺陷检测为合格，将合格检测为缺陷的现象，从而可以提高检测结果的准确性。

在一种可能的实现方式中，在所述根据所述多个置信度和多个检测阈值，确定所述待检测图像的检测结果之前，所述检测方法还包括：获取第一测试数据和第二测试数据，所述第一测试数据为合格数据，所述第二测试数据为不合格数据；根据所述第一测试数据和所述第二测试数据，获取所述多个检测阈值。这样，在获取到多个检测阈值后，便于根据多个检测阈值对待检测图像进行检测。

在一种可能的实现方式中，所述根据所述第一测试数据和所述第二测试数据，获取所述多个检测阈值，包括：根据所述第一测试数据和所述第二测试数据，获取多个预测置信度和预测结果，所述多个预测置信度对应所述多个检测项；根据所述多个预测置信度和所述预测结果，获取所述多个检测阈值。这样，便于根据多个预测置信度和预测结果获取多个检测阈值。

在一种可能的实现方式中，所述根据所述多个预测置信度和所述预测结果，获取所述多个检测阈值，包括：根据所述多个预测置信度和所述预测结果，确定所述遗传算法模型的初代种群；基于所述过杀率和漏检率的目标函数，根据所述初代种群进行迭代，获取所述过杀率和漏检率的目标函数的非劣解；根据所述非劣解，确定所述多个检测阈值。这样，便于确定遗传算法模型的相关参数，从而便于根据遗传算法模型计算多个检测阈值。

在一种可能的实现方式中，所述过杀率和漏检率的目标函数的自变量对应所述多个检测项，所述过杀率和漏检率的目标函数的因变量为过杀率和漏检率。这样，可以根据多个检测项和对应多个检测项的多个预测置信度确定目标函数的自变量，根据预测结果，第一测试数据和第二测试数据确定目标函数的因变量，从而可以确定遗传算法模型的目标函数，便于基于该目标函数，计算得到多个检测阈值。

在一种可能的实现方式中，所述根据所述非劣解，确定所述多个检测阈值，包括：根据所述非劣解，确定检测阈值集合，所述检测阈值集合包括多组所述非劣解；根据所述检测阈值集合中对应最小漏检率的非劣解，确定所述多个检测阈值。在基于目标函数，采用遗传算法模型进行迭代求解的过程中，可能会具有多个非劣解。在多个非劣解中，选择对应最小漏检率的非劣解作为多个检测阈值，可以在保证过杀率的前提下，进一步减小漏检率。

在一种可能的实现方式中，所述非劣解为所述过杀率和漏检率的目标函数处于帕累托最优状态下的解。这样，在过杀率的目标函数和漏检率的目标函数均处于帕累托最优状态的情况下，可以确定符合要求的检测阈值集合，进而可以根据检测阈值集合选择需要的检测阈值。

在一种可能的实现方式中，所述基于所述过杀率和漏检率的目标函数，根据所述初代种群进行迭代，获取所述过杀率和漏检率的目标函数的非劣解，包括：采用带精英策略的非支配排序遗传算法，对所述初代种群进行迭代，获取所述过杀率和漏检率的目标函数的非劣解。这样，可以加快多个检测阈值的求解速度，使求解过程更为高效；同时也可以在迭代的过程中，将具有较好特性的个体保留在种群中，从而使得计算得到的解更加准确。

在一种可能的实现方式中，所述第一测试数据为过杀数据，所述过杀数据为所述第一测试数据中的将合格检测为缺陷的数据。这样，便于根据过杀数据确定过杀率的目标函数，从而在后续获取多个检测阈值的过程中，便于根据过杀率的目标函数确定多个检测阈值。

在一种可能的实现方式中，所述第一测试数据和所述第二测试数据的数量相同。这样，便于根据数量相同的第一测试数据和第二测试数据确定过杀率和漏检率的目标函数，从而便于提高检测结果的准确性。

在一种可能的实现方式中，所述根据所述多个置信度和多个检测阈值，确定所述待检测图像的检测结果，包括：在所述多个置信度大于所述多个检测阈值中的至少一个的情况下，确定所述检测结果为不合格；或，在所述多个置信度小于或等于所述多个检测阈值中的每一个情况下，确定所述检测结果为合格。

在该实施方式中，当多个置信度大于多个检测阈值中的任意一个的情况下，即可判断检测结果为不合格；当多个置信度小于或等于多个检测值中的每一个的情况下，即可确定检测结果为合格。这样，便于确定待检测图像中是否存在缺陷。

第二方面，本申请提供一种检测装置，包括处理模块，所述处理模块用于：获取待检测图像；根据所述待检测图像，获取对应多个检测项的多个置信度；根据所述多个置信度和多个检测阈值，确定所述待检测图像的检测结果，所述多个检测阈值对应所述多个检测项且为过杀率和漏检率的目标函数的非劣解，所述过杀率为将合格检测为缺陷的比例，所述漏检率为将缺陷检测为合格的比例。。

第三方面，本申请实施例提供了一种检测装置，包括：存储器，用于存储计算机可执行指令；处理器，用于访问所述存储器，并执行所述计算机可执行指令，以进行根据第一方面中任一项所述的方法中的操作。

第四方面，本申请提供了一种存储介质，用于存储计算机程序，当所述计算机程序被计算设备执行时，使得所述计算设备实现第一方面中任一项所述的方法。

本申请实施例提供了一种检测方法，包括：获取待检测图像；根据待检测图像，获取对应多个检测项的多个置信度；根据多个置信度和多个检测阈值，确定待检测图像的检测结果，多个检测阈值对应多个检测项且为过杀率和漏检率的目标函数的非劣解，过杀率为将合格检测为缺陷的比例，漏检率为将缺陷检测为合格的比例。该检测方法用于根据对应多个检测项的多个检测阈值对待检测图像进行检测，多个检测阈值是过杀率和漏检率的目标函数的非劣解。这样，该多个检测阈值的具体数值更加合适，在使用多个检测阈值对待检测图像的多个检测项进行检测时，有利于避免将缺陷检测为合格，将合格检测为缺陷的现象，从而可以提高检测结果的准确性。

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，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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，还可以根据附图获得其他的附图。

图1为本申请一实施例的检测方法的示意图；

图2为本申请一实施例的检测方法的示意图；

图3为本申请一实施例的获取检测阈值的示意图；

图4为本申请一实施例的缺陷检测的示意图；

图5为本申请一实施例的获取检测阈值的示意图；

图6为本申请一实施例的获取多个检测阈值的流程图；

图7本申请一实施例的检测装置的示意图；

图8为本申请一实施例的检测装置的示意图。

在附图中，附图并未按照实际的比例绘制。

具体实施方式

下面结合附图和实施例对本申请的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本申请的原理，但不能用来限制本申请的范围，即本申请不限于所描述的实施例。

本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本申请中字符“/”，一般表示前后关联对象是一种“或”的关系。

在目标检测领域，通常会设置有预定阈值，通过将预定阈值与检测模型得到的检测值或置信度进行对比，以判断是否存在相应的目标。例如，在工业的缺陷检测领域，预定阈值可以用来判断产品是否存在相应的缺陷。

研究人员经过研究发现，预定阈值通常是基于开发人员的主观或经验值设定的。该预定阈值对于检测结果的准确性至关重要，在置信度大于预定阈值被认为产品存在缺陷的情况下，如果预定阈值设置过小，会有一些合格的产品被判定为存在缺陷，造成过杀；如果预定阈值设定过大，会有一些存在缺陷的产品被判定为合格，造成漏检。

为了确定合适的预定阈值，在一些方案中，通过网格搜索的方式寻求预定阈值的最优解。然而，研究人员经过研究发现，通过网格搜索的方式只能得到一组大致的较优解，难以得到精确的阈值的最优解；并且当存在多个检测项目时，通过网格搜索的方式不仅需要耗费较多的时间而且搜索难度大，难以获得合适的阈值。

有鉴于此，本申请提供了一种检测方法，该检测方法中的检测阈值对应多个检测项且为过杀率和漏检率的目标函数的非劣解。这样，检测阈值的具体数值更加合适，在使用多个检测阈值对待检测图像的多个检测项进行检测时，有利于避免将缺陷检测为合格，将合格检测为缺陷的现象，从而可以提高检测结果的准确性。

本申请的检测方法可以应用于目标检测领域。在目标检测领域，通常通过对待检测图像进行处理，得到与目标相对应的置信度，通过比较预先设定的检测阈值与置信度，可以确定待检测图像中是否存在相应的目标。例如，本申请的检测方法可以应用于工业的多缺陷检测领域，例如应用于极耳的多个缺陷检测的领域。对于一个待检测图像而言，需要对多个检测项进行检测，每一个检测项的检测结果均会影响待检测图像的检测结果。例如，只要有一个检测项存在异常，就可以确定待检测图像的 检测结果为不合格；而在多个检测项均正常的情况下，才可以确定待检测图像合格。因此，对应多个检测项的多个检测阈值的设置，对于检测结果的准确性至关重要。

图1为本申请一实施例的检测方法的示意图。如图1所示，检测方法100包括以下步骤。

步骤110，获取待检测图像。

待检测图像为某个物体的照片，通过对待检测图像进行检测，可以判断某个物体的状态。例如，在通过待检测图像进行缺陷检测时，待检测图像可以为产品的照片，通过对待检测图像进行检测，可以判断产品是否存在缺陷。

步骤120，根据待检测图像，获取对应多个检测项的多个置信度。

在进行目标检测的情况下，通常会存在多个检测项。例如，极片的极耳通常有异物、撕裂、缺口、翻折、打皱、z形翻折这几类缺陷，为了检测多个缺陷，通常会对应多个缺陷设置多个检测项。

每个检测项对应一个置信度，例如，在缺陷检测领域，置信度代表该检测项的检测结果具有这类缺陷的可能性，置信度的取值为0～1，置信度的值越大，代表具有这类缺陷的可能性越高。

在步骤120中，可以将待检测图像输入检测装置，之后检测装置计算得到对应多个检测项的多个置信度。例如，步骤120可以具体由检测装置中的检测模型执行，检测模型根据输入的待检测图像，可以计算得到与多个检测项一一对应的置信度，该检测模型可以为预先训练好的模型。

步骤130，根据多个置信度和多个检测阈值，确定待检测图像的检测结果。

多个检测阈值检测阈值对应多个检测项，也即，多个检测阈值与多个检测项一一对应。通过比较每个检测项所对应的检测阈值和置信度，可以判断检测项的检测结果。

多个检测阈值为过杀率和漏检率的目标函数的非劣解，过杀率为将合格检测为缺陷的比例，漏检率为将缺陷检测为合格的比例。

非劣解，指在可供选择的解集中，找不到使目标函数的目标进一步改进的解。多个检测阈值为过杀率和漏检率的目标函数的非劣解，也就是说，多个检测阈值为平衡过杀率和漏检率的最佳调和解。

缺陷为一定程度上的缺陷，例如，对于检测项为翻折而言，轻微的小翻折 被判定为无翻折缺陷，当翻折超过预定程度时，被认为存在翻折缺陷。其中，预定程度可以为人工提前设置好的翻折程度。

合格指，不存在任何缺陷。也就是说，对于多个检测项而言，多个检测项的检测结果均未存在缺陷的情况下，待检测图像的检测结果为合格。

需要注意的是，本申请实施例的缺陷，是指在检测过程中，图像中所对应的物体或产品存在不良的情况，并不一定代表物体或产品因存在缺陷而导致的不能应用的情况。

本申请实施例的方法可以由检测装置执行，具体可以由检测装置中的处理模块执行。该处理模块可以内置于计算机中，计算机可以获取产线上的相关数据，其中计算机可以与产线连接也可以未与产线连接。

本申请实施例提供了一种检测方法，包括：获取待检测图像；根据待检测图像，获取对应多个检测项的多个置信度；根据多个置信度和多个检测阈值，确定待检测图像的检测结果，多个检测阈值对应多个检测项且为过杀率和漏检率的目标函数的非劣解，过杀率为将合格检测为缺陷的比例，漏检率为将缺陷检测为合格的比例。该检测方法用于根据对应多个检测项的多个检测阈值对待检测图像进行检测，多个检测阈值是过杀率和漏检率的目标函数的非劣解。这样，该多个检测阈值的具体数值更加合适，在使用多个检测阈值对待检测图像的多个检测项进行检测时，有利于避免将缺陷检测为合格，将合格检测为缺陷的现象，从而可以提高检测结果的准确性。

图2为本申请一实施例的检测方法的示意图。在一实施例中，在步骤130之前，检测方法100还包括以下步骤。

步骤210，获取第一测试数据和第二测试数据。第一测试数据为合格数据，第二测试数据为不合格数据。

第一测试数据和第二测试数据为真值数据，即客观存在的实际值，该真值可以指理论真值，规定真值或相对真值。

第一测试数据为合格数据，即实际中的合格的数据。第一测试数据可以为图像数据，图像中所对应的物体不存在与多个检测项所对应的缺陷。例如，该数据为极耳的图像，多个检测项为极耳的异物、撕裂、缺口、翻折、打皱、z形翻折这六类缺陷检测项，该图像中的极耳不存在上述六类缺陷中的任意一种缺陷。

第二测试数据为不合格数据，即实际中的不合格的数据。第二测试数据可 以为图像数据，图像中所对应的物体存在与多个检测项对应的缺陷。例如，该数据为极耳的图像，多个检测项为极耳的异物、撕裂、缺口、翻折、打皱、z形翻折这六类缺陷检测项，该图像中的极耳存在至少一个检测项所对应的缺陷。

步骤220，根据第一测试数据和第二测试数据，获取多个检测阈值。

在该实施例中，多个检测阈值是基于第一测试数据和第二测试数据得到的，多个检测阈值的具体数值会更加合理；在获取到多个检测阈值后，该多个检测阈值可以作为检测装置的检测阈值，从而便于根据检测装置得到的待检测图像的置信度和检测阈值来判断待检测图像是否符合要求。

图3为本申请一实施例的获取检测阈值的示意图。在一实施例中，如图3所示，步骤220包括以下步骤。

步骤221，根据第一测试数据和第二测试数据，获取多个预测置信度和预测结果。多个预测置信度对应多个检测项。

步骤222，根据多个预测置信度和预测结果，获取多个检测阈值。

在步骤221中，可以将第一测试数据和第二测试数据输入检测装置，之后检测装置计算得到多个预测置信度和预测结果。例如，将第一测试数据和第二测试数据输入检测装置中的预测模型，预测模型计算得到与多个检测项一一对应的预测置信度和预测结果。

预测模型可以为预先训练好的模型，预测模型可以与检测模型具有相同的结构，也可以与检测模型具有不同的结构。

在一些实施例中，步骤221和步骤222可以包括以下具体步骤。

首先，检测装置获取输入数据。该输入数据可以为第一测试数据，也可以为第二输入数据。

其次，检测装置对输入数据进行分析，并生成多个检测框。

在该步骤中，对输入数据进行分析包括：对输入的图像进行分析，分别检测输入的图像是否存在多个检测项中对应的缺陷。例如，在检测输入的图像是否存在极耳翻折的缺陷的过程中，检测装置会生成多个预测目标框，通过计算预测目标框与真实目标框之间的交并比(Intersection over Union,IOU)，选取IOU最大的预测目标框作为最终的目标框。最终的目标框对应每个检测项具有不同的置信度值，在对四类缺陷进行检测的情况下，该最终的目标框具有四个置信度值，该四个置信度值的和为1， 选择置信度值最大的作为预测置信度，进而输出预测置信度。对四个检测项进行检测，最终每个输入图片可以得到四个预测置信度。

图4为本申请一实施例的缺陷检测的示意图。如图4所示，示出了对极耳进行缺陷检测的示意图，图中包括真实目标框和预测目标框1，预测目标框2。在对极耳进行某一类检测项的检测的过程中，会生成多个预测目标框(图4仅示出2个，实际中可能会有更多)，通过计算预测目标框与真实目标框之间的交并比，可以确定最接近真实目标框的预测目标框。例如，图4中的预测目标框2与真实目标框之间的交并比最大，因此，预测目标框2可以作为最终的目标框，即最接近真实目标框的目标框。

在实际生产过程中，可以采用检测装置确定输入图像所对应的物体的缺陷种类。例如，在具有四个检测项的检测任务中，预测目标框2具有4个置信度值，4个置信度值的和为1，置信度最大值所对应的检测项很有可能是目标所存在的缺陷种类。在该最大的置信度大于预定阈值的情况下，即可确定目标存在该类缺陷。

最后，检测装置对比预定阈值与预测置信度，输出预测结果。表1为本申请一实施例的预测模型输出的预测置信度与预测结果的具体数据，表1仅作为示例说明预测结果和预测置信度，并不对本申请实施例作具体限制。

表1预测置信度和预测结果

ID	Score1	Score2	Score3	Score4	预测结果
0	0.0630	0	0	0.765	NG
1	0.76	0.09	0.12	0.05	NG
2	0.05	0	0	0.1	OK
3	0	0	0.06	0	OK

在表1中，ID表示输入的图像的编号，不同的编号代表不同的样本，Score1，Score2，Score3和Score4分别代表不同的检测项的预测置信度。例如，四类检测项的预定阈值分别为0.05，0.1，0.1，0.5。在ID为0的图片中，四类检测项的预测置信度分别为0.0630，0，0，0.765，Score1的值大于0.05，Score4的值大于0.5，因此，编号为0的图片被判定为不合格，预测结果为NG。预测结果为NG，代表该图片所对应的物体存在不良缺陷，并不一定指该图片对应的物体不能使用需要报废处理。在ID为3的图片中，四类检测项的预测阈值分别为0，0，0.06，0，该四个值均小于四类检测项所对应的预定阈值，因此，编号为3的图片被判定为合格，预测结果为OK。

在该实施例中，检测装置输出的文件包括多个输入样本的预测值，预测值包括对应多个检测项的多个预测置信度和预测结果。

在该实施例中，获取的预测置信度和预测结果均为预测值，而第一测试数据和第二测试数据均为真值。通过第一测试数据和第二测试数据，可以得到预测置信度和预测结果，从而在后续过程中，便于根据预测置信度和预测结果计算多个检测阈值。

图5为本申请一实施例的获取检测阈值的示意图。在一实施例中，如图5所示，步骤222包括以下步骤。

步骤2221，根据多个预测置信度和预测结果，确定遗传算法模型的初代种群。

遗传算法模型，指通过模拟生物自然进化过程的方法，通过编码产生初代种群，再通过遗传或交叉变异，按照适者生存优胜略汰的原理，逐步演化产生越来越好的近似解，从而迭代到最后生成最优解。

检测装置输出的文件，即文件中的样本编号、样本对应的多个预测置信度和预测结果作为遗传算法模型的输入，进而根据遗传算法的输入确定初代种群。例如，初代种群的数量可以设置为500。

步骤2222，基于过杀率和漏检率的目标函数，根据初代种群进行迭代，获取过杀率和漏检率的目标函数的非劣解。

通过选择、交叉、变异，由初代种群得到子代种群，之后再经由子代种群进行选择、交叉、变异得到新的子代种群。由此，不断迭代，在达到收敛条件时，例如，在迭代次数达到100时，停止迭代。

该迭代过程基于过杀率和漏检率的目标函数进行的，目的在于寻求过杀率和漏检率的目标函数的非劣解。

步骤2223，根据非劣解，确定多个检测阈值。

由于在采用遗传算法模型求解的过程中，可能会获得多组非劣解，因此，需要从多组非劣解中确定合适的检测阈值。

在该实施例中，上文所述检测装置输出的文件可以作为遗传算法模型的输入文件，从而便于根据遗传算法模型，计算多个检测阈值。

在一实施例中，过杀率和漏检率的目标函数的自变量对应多个检测项，过杀率和漏检率的目标函数的因变量为过杀率和漏检率。

过杀率的目标函数和漏检率的目标函数的自变量对应多个检测项，也可以 说，多个预测置信度可以作为过杀率的目标函数和漏检率的目标函数的自变量。例如，过杀率的目标函数和漏检率的目标函数对应四个检测项，那么这两个目标函数的自变量为x1，x2，x3，x4。

漏检可以指，第二测试数据(不合格数据)在检测装置的预测模型中的预测结果为合格。也就是说，漏检指，真值为不合格，但被检测或预测为合格。

在漏检率的目标函数中，漏检率为漏检的图像数量与真值为不合格的图像数量的比值。

过杀可以指，第一测试数据(合格数据)在检测装置的预测模型中的预测结果为不合格。也就是说，真值为合格，但被检测或预测为不合格。

在过杀率的目标函数中，过杀率为过杀的图像数量与真值为合格的图像数量的比值。

在该实施例中，自变量为对应多个检测项的预测置信度，因变量为过杀率和漏检率，从而便于获取使过杀率和漏检率在给定区域内达到最佳的预测置信度，进而便于确定多个检测阈值。

在一实施例中，步骤2223包括：根据非劣解，确定检测阈值集合，检测阈值集合包括多组非劣解；根据检测阈值集合中对应最小漏检率的非劣解，确定多个检测阈值。

在该实施例中，在基于目标函数，采用遗传算法模型进行迭代求解的过程中，可能会具有多个非劣解。在多个非劣解中，选择对应最小漏检率的非劣解作为多个检测阈值，可以在保证过杀率的前提下，进一步减小漏检率，从而可以避免将不合格的产品误判为合格产品，有利于生产的效率及安全性的提高。

在一实施例中，非劣解为过杀率和漏检率的目标函数处于帕累托最优状态下的解。

在该遗传算法模型中，对于多个检测阈值的求解问题，可以被看作过杀率和漏检率的这两个目标函数的优化问题。对于多个目标函数的优化问题而言，其解空间是离散的，多个目标函数的优化问题的解通常为一组均衡解，也就是由一组多个帕累托最优解组成的最优解集合。

处于帕累托最优状态下的解，可以称为帕累托最优解，也指指非支配解，也就是说，不可能存在某组检测阈值解可以同时使过杀率和漏检率比当前解更小。

在该实施例中，在过杀率和漏检率的目标函数处于帕累托最优状态的情况下，即，过杀率和漏检率均处于帕累托最优状态的情况下，此时的自变量的取值为帕累托最优解。例如，在有四个检测项的情况下，每个检测项对应的自变量分别为x1，x2，x3，x4，一个帕累托最优解为p＝{x1，x2，x3，x4}。由于在该遗传算法模型中，多个目标函数的优化问题的解通常有多个，也就是说，可能存在多个帕累托最优解p，多个帕累托最优解p组成检测阈值集合。

在该实施例中，在过杀率目标函数和漏检率目标函数处于帕累托最优状态的情况下，可以确定符合要求的检测阈值集合，进而可以根据检测阈值集合选择需要的检测阈值。

相比于通过网格搜索的方式得到阈值的较优解，通过本申请的遗传算法模型获取多个检测阈值，不仅耗时较小而且求解难度小，可以搜索到平衡过杀率和漏检率的阈值最优解，有利于实现更准确的检测结果。

在一实施例中，步骤2222包括：采用带精英策略的非支配排序遗传算法(Elitist Nondominated Sorting Genetic Algorithm，NSGA-II)对初代种群进行迭代，获取过杀率和漏检率的目标函数的非劣解。这样，可以加快多个检测阈值的求解速度，使求解过程更为高效；同时也可以在迭代的过程中，将具有较好特性的个体保留在种群中，从而使得计算得到的解更加准确同时也可以在迭代的过程中，将具有较好特性的个体保留在种群中，从而使得计算得到的解更加准确。

NSGA-II的优点在于引入了非支配排序、提出拥挤度和拥挤度比较算子以及引入精英策略等。非支配排序利用帕累托最优解的概念将种群中的个体进行分级，非支配状态越高的个体层级越靠前，从而能够挑选出个体中较为优异的，使其有较大机会进入下一迭代。拥挤度只适用于同一支配层级的个体之间的比较，通过对每个个体的每个目标函数进行计算拥挤度，进而得出每个个体的拥挤度，通过拥挤度比较个体的优异程度。精英策略是把当前种群和通过选择、交叉和变异产生的子种群合并，共同竞争产生下一种群，保证具有较好特性的个体能够保留在种群中，提高了种群的多样性和计算效率。

在一实施例中，第一测试数据为过杀数据，过杀数据为第一测试数据中的将合格检测为缺陷的数据。

可选地，第一测试数据包括过杀数据。这样，可以避免第一数据不包括过 杀数据，而导致过杀率的值为0，不利于后续通过遗传算法基于过杀率和漏检率计算多个检测阈值。

在该实施例中，便于根据过杀数据确定过杀率，从而在后续获取多个检测阈值的过程中，便于根据过杀率的目标函数确定多个检测阈值。

在一实施例中，第一测试数据和第二测试数据的数量相同。这样，便于根据数量相同的第一测试数据和第二测试数据确定过杀率的目标函数和漏检率的目标函数，便于提高漏检率和过杀率的计算的准确性，从而便于提高检测结果的准确性。

在一实施例中，步骤130包括：在多个置信度大于多个检测阈值中的至少一个的情况下，确定检测结果为不合格；或，在多个置信度小于或等于多个检测阈值的每一个的情况下，确定检测结果为合格。

在该实施例中，多个置信度对应多个检测项，也就是说，多个置信度与多个检测项一一对应，多个检测项又与多个检测阈值一一对应，因此，多个置信度与多个检测阈值一一对应。

在进行缺陷检测的过程中，检测装置可以计算得到待检测图像的对应每个检测项的置信度。通过将多个置信度分别与多个检测阈值对比，在置信度大于对应的检测阈值的情况下，可以确定待检测图像中存在该检测项所对应的缺陷。在所有的置信度小于或等于对应的检测阈值的情况下，可以确定待检测图像中不存在检测项所对应的缺陷。

在该实施例中，当置信度大于多个检测阈值中的任意一个的情况下，即可判断检测结果为不合格；当置信度小于或等于多个检测值中的每一个的情况下，即可确定检测结果为合格。这样，便于确定待检测图像对应的物体是否存在不良缺陷。

图6为本申请一实施例的获取多个检测阈值的流程图。如图6所示，获取多个检测阈值可以包括以下步骤。

步骤610，获取第一测试数据和第二测试数据。

步骤620，根据第一测试数据好第二测试数据，获取多个预测置信度和预测结果。

将第一测试数据和第二测试输入检测装置后，经过检测装置的处理，输出预测置信度，预测结果以及相应的测试数据的编号，这些输出可以保存在输出文件中，以便后续计算过程中的调用。

例如，存在n组测试数据，每一组测试数据对应一张图片，每张图片有m个检测项需要检测，在输出文件中，预测置信度的数量为n*m，预测结果的数量为n。

步骤630，根据多个预测置信度和预测结果，确定遗传算法模型的初代种群。

步骤620获得的输出文件作为遗传算法模型的输入文件。该输入文件可以作为遗传算法模型的初代种群，或者可以根据输入文件经过编码得到初代种群。

步骤640，基于过杀率和漏检率的目标函数，根据初代种群进行迭代，获取过杀率和漏检率的目标函数的非劣解。

在遗传算法模型中，对应m个检测项的m个预测置信度作为过杀率和漏检率的目标函数的自变量，过杀率和漏检率作为过杀率和漏检率的目标函数的因变量。通过寻找过杀率和漏检率的目标函数的非劣解，确定多个检测阈值。

步骤650，根据非劣解，确定多个检测阈值。

遗传算法模型的最终计算结果可能会有多个非劣解解，该多个非劣解解构成一个检测阈值集合。可以在检测阈值集合中选取合适的解，作为检测阈值。例如，在检测阈值集合中，选择对应最小漏检率的非劣解，进而可以根据选择出来的非劣解确定对应m个检测项的m个检测阈值。

上文结合图1至图6，详细描述了本申请的方法实施例，下文将详细描述本申请的检测装置的实施例。应理解，方法实施例与装置的实施例相互对应，类似的描述可以参照方法实施例。

图7为本申请一实施例的检测装置的示意图。如图7所示，本申请实施例提供了一种检测装置400，包括处理模块410，处理模块410用于：获取待检测图像；根据待检测图像，获取对应多个检测项的多个置信度；根据多个置信度和多个检测阈值，确定待检测图像的检测结果，多个检测阈值对应多个检测项且为过杀率和漏检率的目标函数的非劣解，过杀率为将合格检测为缺陷的比例，漏检率为将缺陷检测为合格的比例。

在一实施例中，处理模块410用于：在根据多个置信度和多个检测阈值，确定待检测图像的检测结果之前，获取第一测试数据和第二测试数据，并根据第一测试数据和第二测试数据，获取多个检测阈值，其中，第一测试数据为合格数据，第二测试数据为不合格数据。

在一实施例中，处理模块410用于：根据第一测试数据和第二测试数据，获 取多个预测置信度和预测结果，多个预测置信度对应多个检测项；根据多个预测置信度和预测结果，获取多个检测阈值。

在一实施例中，处理模块410用于：根据多个预测置信度和预测结果，确定遗传算法模型的初代种群；基于过杀率和漏检率的目标函数，根据初代种群进行迭代，获取过杀率和漏检率的目标函数的非劣解；根据非劣解，确定多个检测阈值。

在一实施例中，处理模块410用于：根据非劣解，确定检测阈值集合，检测阈值集合包括多组非劣解；根据检测阈值集合中对应最小漏检率的非劣解，确定多个检测阈值。

在一实施例中，处理模块410用于：采用带精英策略的非支配排序遗传算法，对初代种群进行迭代，获取过杀率和漏检率的目标函数的非劣解。

在一实施例中，处理模块410用于：在过杀率目标函数和漏检率目标函数处于帕累托最优状态的情况下，根据当前自变量的值确定检测阈值集合；根据检测阈值集合，确定多个检测阈值。

在一实施例中，处理模块410用于：在多个置信度大于多个检测阈值中的至少一个的情况下，确定检测结果为不合格；或，在多个置信度小于或等于多个检测阈值中的每一个的情况下，确定检测结果为合格。

图8为本申请一实施例的检测装置的示意图。如图8所示，本申请实施例中，检测装置500包括存储器510和处理器520。存储器510用于存储计算机可执行指令；处理器520用于访问所述存储器，并执行所述计算机可执行指令，以进行前述实施例中任一项的检测方法中的操作。

本申请实施例的处理器520可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、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和步骤。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可 以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

本申请实施例的存储器510可以是易失性存储器或非易失性存储器，或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(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，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(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。应注意，本文描述的系统和方法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。

本申请实施例提供一种存储介质，用于存储计算机程序，当计算机程序被计算设备执行时，使得计算设备实现前述实施例中任一项所述的方法。

虽然已经参考优选实施例对本申请进行了描述，但在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本申请并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims (24)

1. 一种检测方法，其特征在于，包括：

   获取待检测图像；

   根据所述待检测图像，获取对应多个检测项的多个置信度；

   根据所述多个置信度和多个检测阈值，确定所述待检测图像的检测结果，所述多个检测阈值对应所述多个检测项且为过杀率和漏检率的目标函数的非劣解，所述过杀率为将合格检测为缺陷的比例，所述漏检率为将缺陷检测为合格的比例。
2. 根据权利要求1所述的检测方法，其特征在于，在所述根据所述多个置信度和多个检测阈值，确定所述待检测图像的检测结果之前，所述检测方法还包括：

   获取第一测试数据和第二测试数据，所述第一测试数据为合格数据，所述第二测试数据为不合格数据；

   根据所述第一测试数据和所述第二测试数据，获取所述多个检测阈值。
3. 根据权利要求1或2所述的检测方法，其特征在于，所述根据所述第一测试数据和所述第二测试数据，获取所述多个检测阈值，包括：

   根据所述第一测试数据和所述第二测试数据，获取多个预测置信度和预测结果，所述多个预测置信度对应所述多个检测项；

   根据所述多个预测置信度和所述预测结果，获取所述多个检测阈值。
4. 根据权利要求3所述的检测方法，其特征在于，所述根据所述多个预测置信度和所述预测结果，获取所述多个检测阈值，包括：

   根据所述多个预测置信度和所述预测结果，确定所述遗传算法模型的初代种群；

   基于所述过杀率和漏检率的目标函数，根据所述初代种群进行迭代，获取所述过杀率和漏检率的目标函数的非劣解；

   根据所述非劣解，确定所述多个检测阈值。
5. 根据权利要求4所述的检测方法，其特征在于，所述过杀率和漏检率的目标函数的自变量对应所述多个检测项，所述过杀率和漏检率的目标函数的因变量为过杀率和漏检率。
6. 根据权利要求5所述的检测方法，其特征在于，所述根据所述非劣解，确定所述多个检测阈值，包括：

   根据所述非劣解，确定检测阈值集合，所述检测阈值集合包括多组所述非劣解；

   根据所述检测阈值集合中对应最小漏检率的非劣解，确定所述多个检测阈值。
7. 根据权利要求6所述的检测方法，其特征在于，所述非劣解为所述过杀率和漏检率的目标函数处于帕累托最优状态下的解。
8. 根据权利要求4-7中任一项所述的检测方法，其特征在于，所述基于所述过杀率和漏检率的目标函数，根据所述初代种群进行迭代，获取所述过杀率和漏检率的目标函数的非劣解，包括：

   采用带精英策略的非支配排序遗传算法，对所述初代种群进行迭代，获取所述过杀率和漏检率的目标函数的非劣解。
9. 根据权利要求1-8中任一项所述的检测方法，其特征在于，所述第一测试数据为过杀数据，所述过杀数据为所述第一测试数据中的将合格检测为缺陷的数据。
10. 根据权利要求1-9中任一项所述的检测方法，其特征在于，所述第一测试数据和所述第二测试数据的数量相同。
11. 根据权利要求1-10中任一项所述的检测方法，其特征在于，所述根据所述多个置信度和多个检测阈值，确定所述待检测图像的检测结果，包括：

    在所述多个置信度大于所述多个检测阈值中的至少一个的情况下，确定所述检测结果为不合格；或，

    在所述多个置信度小于或等于所述多个检测阈值中的每一个的情况下，确定所述检测结果为合格。
12. 一种检测装置，其特征在于，包括处理模块，所述处理模块用于：

    获取待检测图像；

    根据所述待检测图像，获取对应多个检测项的多个置信度；

    根据所述多个置信度和多个检测阈值，确定所述待检测图像的检测结果，所述多个检测阈值对应所述多个检测项且为过杀率和漏检率的目标函数的非劣解，所述过杀率为将合格检测为缺陷的比例，所述漏检率为将缺陷检测为合格的比例。
13. 根据权利要求12所述的检测装置，其特征在于，所述处理模块还用于：

    在根据所述多个置信度和所述多个检测阈值，确定所述待检测图像的检测结果之前，

    获取第一测试数据和第二测试数据，并根据所述第一测试数据和所述第二测试数 据，获取所述多个检测阈值，其中，所述第一测试数据为合格数据，所述第二测试数据为不合格数据。
14. 根据权利要求12或13所述的检测装置，其特征在于，所述处理模块用于：

    根据所述第一测试数据和所述第二测试数据，获取多个预测置信度和预测结果，所述多个预测置信度对应所述多个检测项；

    根据所述多个预测置信度和所述预测结果，获取所述多个检测阈值。
15. 根据权利要求14所述的检测装置，其特征在于，所述处理模块用于：

    根据所述多个预测置信度和所述预测结果，确定所述遗传算法模型的初代种群；

    基于所述过杀率和漏检率的目标函数，根据所述初代种群进行迭代，获取所述过杀率和漏检率的目标函数的非劣解；

    根据所述非劣解，确定所述多个检测阈值。
16. 根据权利要求15所述的检测装置，其特征在于，所述过杀率和漏检率的目标函数的自变量对应所述多个检测项，所述过杀率和漏检率的目标函数的因变量为过杀率和漏检率。
17. 根据权利要求16所述的检测装置，其特征在于，所述处理模块用于：

    根据所述非劣解，确定检测阈值集合，所述检测阈值集合包括多组所述非劣解；

    根据所述检测阈值集合中对应最小漏检率的非劣解，确定所述多个检测阈值。
18. 根据权利要求17所述的检测装置，其特征在于，所述非劣解为所述过杀率和漏检率的目标函数处于帕累托最优状态下的解。
19. 根据权利要求15-18中任一项所述的检测装置，其特征在于，所述处理模块用于：

    采用带精英策略的非支配排序遗传算法，对所述初代种群进行迭代，获取所述过杀率和漏检率的目标函数的非劣解。
20. 根据权利要求12-19中任一项所述的检测装置，其特征在于，所述第一测试数据为过杀数据，所述过杀数据为所述第一测试数据中的将合格检测为缺陷的数据。
21. 根据权利要求12-20中任一项所述的检测装置，其特征在于，所述第一测试数据和所述第二测试数据的数量相同。
22. 根据权利要求12-21中任一项所述的检测装置，其特征在于，所述处理模块用于：

    在所述多个置信度大于所述多个检测阈值中的至少一个的情况下，确定所述检测结果为不合格；或，

    在所述多个置信度小于或等于所述多个检测阈值中的每一个的情况下，确定所述检测结果为合格。
23. 一种检测装置，其特征在于，包括：

    存储器，用于存储计算机可执行指令；

    处理器，用于访问所述存储器，并执行所述计算机可执行指令，以进行根据权利要求1至11中任一项所述的方法中的操作。
24. 一种存储介质，其特征在于，用于存储计算机程序，当所述计算机程序被计算设备执行时，使得所述计算设备实现如权利要求1至11中任一项所述的方法。