CN111311542A - 一种产品质量检测方法及装置 - Google Patents

Abstract

本申请实施例公开了一种产品质量检测方法及装置。产品质量检测方法包括：获取待检产品的图像；利用预先训练完成的神经网络模型对图像进行检测，得到神经网络模型输出的检测结果；当检测结果指示待检产品为不良品时，根据检测结果中不良特征像素点在图像中的位置信息，对检测结果进行二次判定，根据二次判定结果确定待检产品是否合格。检测准确率高，保证了产品的品质，有利于降低检测的人力成本。

Description

一种产品质量检测方法及装置

技术领域

本申请涉及检测技术领域，具体涉及一种产品质量检测方法及装置。

背景技术

磁路作为电脑、通讯和消费电子产品中扬声器的组成部分，其生产过程中的质量直接影响扬声器声学性能。通常情况下，由于磁路表面会出现裂纹、脏污、杂质等缺陷，传统方式中都是采用人工检查判断，人工除了成本较高之外，也受限于疲劳、人眼等因素，导致产品良率不高。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的产品质量检测方法及装置，检测效果好，节省了人力成本。

根据本申请实施例的一个方面，提供了一种产品质量检测方法，该产品质量检测方法包括：

获取待检产品的图像；

利用预先训练完成的神经网络模型对图像进行检测，得到神经网络模型输出的检测结果；

当检测结果指示待检产品为不良品时，根据检测结果中不良特征像素点在图像中的位置信息，对检测结果进行二次判定，根据二次判定结果确定待检产品是否合格。

根据本申请实施例的另一个方面，提供了一种产品质量检测装置，该产品质量检测装置包括：

图像获取模块，用于获取待检产品的图像；

检测模块，用于利用预先训练完成的神经网络模型对图像进行检测，得到神经网络模型输出的检测结果；

复判模块，用于当检测结果指示待检产品为不良品时，根据检测结果中不良特征像素点在图像中的位置信息，对检测结果进行二次判定，根据二次判定结果确定待检产品是否合格。

本申请实施例的产品质量检测方法及装置，一方面，通过获取待检产品的图像，利用神经网络模型对图像进行检测，得到神经网络模型输出的检测结果，从而有效识别产品中的不良特征，避免了漏检，检测效果好，性能稳定，具有取代人工检验节省人力成本的有益效果。另一方面，采用复判机制，对检测结果指示为不良品的待检产品进行二次判定，避免将合格品误判为不良品，提高了检测准确率，保证了产品的品质。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本申请一个实施例的产品质量检测方法的流程示意图；

图2示出了根据本申请一个实施例的磁路产品质量检测方法的流程示意图；

图3示出了根据本申请一个实施例的磁路产品的白色图像包括的三种缺陷的示意图；

图4示出了根据本申请一个实施例的磁路产品的白色图像包括的一种缺陷的示意图；

图5示出了根据本申请一个实施例的磁路产品的黑色图像包括的一种缺陷的示意图；

图6示出了根据本申请一个实施例的磁路产品的白色图像包括的一种缺陷的示意图；

图7示出了根据图6所示缺陷的不良特征像素点确定的外形轮廓的示意图；

图8示出了根据本申请一个实施例的磁路产品的区域分割的示意图；

图9示出了根据本申请一个实施例的产品质量检测装置的框图。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

在需要对产品的外观、状态等质量进行检测的生产线上，大多数还是依赖人工检测，人工检测显而易见的问题是人力成本较高，检测结果不稳定。也有一种基于CCD(ChargeCoupled Device，电荷耦合器件)的视觉检测，但由于图像中各种不良状态较多、不良特征图像显示不明显等因素导致传统视觉检测效果不佳并且鲁棒性较差。对此，本申请实施例提出一种产品质量检测方案，基于深度学习进行产品质量检测并对检测结果进行二次复判，提高了检测的鲁棒性，保证了准确率，为机器取代人工检测降低人力成本创造了条件。

图1示出了根据本申请一个实施例的产品质量检测方法的流程示意图，参见图1本实施例的产品质量检测方法包括下列步骤：

步骤S101，获取待检产品的图像；本实施例对待检产品不做具体限定，任何有检测需求的产品都可以使用本实施例的方法。

步骤S102，利用预先训练完成的神经网络模型对图像进行检测，得到神经网络模型输出的检测结果；实际应用中，在检测之前采集不良品的样本训练神经网络模型，利用神经网络模型进行产品质量智能检测，使得检测性能更加稳定可靠。

步骤S103，当检测结果指示待检产品为不良品时，根据检测结果中不良特征像素点在图像中的位置信息，对检测结果进行二次判定，根据二次判定结果确定待检产品是否合格。这里的不良特征像素点是指示产品不良特征的像素点，产品不良特征是与正常产品特征相对的概念，产品不良特征即产品的缺陷，当产品存在缺陷时，在产品的图像上，缺陷对应位置的像素点与非缺陷对应位置的像素点有明显不同，因此，可以确定出不良特征像素点。

由图1所示可知，本实施例的产品质量检测方法，通过利用神经网络模型进行产品质量检测，解决了人工检测效率低，漏检测、性能不稳定，人力成本高等技术问题。进一步地，通过对神经网络模型的检测结果根据不良特征像素点在图像中的位置信息进行二次判定，有效避免了误判问题，提高了检测准确性，保证了检测效果。

实际产品生产过程中，产品的质量不可能完美无缺，都有容许的误差范围，而利用神经网络模型检测时，容易将不良特征面积小于面积阈值的产品确定为不良品，导致误判率较高。对此，一个实施例中，根据检测结果中不良特征像素点在图像中的位置信息，对检测结果进行二次判定包括：根据检测结果中有效区域的信息，获得不良特征像素点的外轮廓图形，有效区域是包括不良特征像素点的图像区域；根据外轮廓图形包括的像素点计算外轮廓图形的面积值，当面积值大于预设面积阈值时，维持不良品的检测结果；当面积值小于或等于预设面积阈值时，判定待检产品为合格品。

也就是说，如果一个待检产品的图像输入到神经网络模型，经过神经网络模型判断后确定待检产品为不良品，那么，本实施例根据神经网络模型输出的检测结果中包含的有效区域信息(有效区域是包括不良特征像素点的图像区域)获得不良特征像素点的外轮廓图形，比如，包括不良特征像素点的区域的外接矩形或不规则的多边形，根据外轮廓图形计算外轮廓图形的面积值(面积由外轮廓图形内像素点个数确定)，当面积值大于预设面积阈值时，则确定不良特征是真的不良特征，当面积小于预设面积阈值或等于预设面积阈值时，则确定不良特征并非真的不良特征，进而将神经网络模型输出的检测结果(不良品)修改为合格品，并确定待检产品的最终检测结果为合格品。

进一步的，本实施例中获取待检产品的图像包括：分别获取待检产品在摄像头(如CCD相机的摄像头)的不同曝光时长下的第一图像和第二图像，第一图像对应的曝光时长小于第二图像对应的曝光时长；利用预先训练完成的神经网络模型对图像进行检测，得到神经网络模型输出的检测结果包括：利用预先训练完成的神经网络模型分别对第一图像和第二图像进行检测；当第一图像与第二图像中的至少一个包括不良特征时，得到待检产品为不良品的检测结果。

曝光时长不同(具体的曝光时长可根据需求设置)，得到的图像颜色不同，而不同颜色的图像反映出的图像信息也相应不同，以产品中毛纤和破损这两类缺陷的检测为例，毛纤在长曝光的图像中难以显示，而破损在长曝光时间的图像中才能显示出清晰轮廓和颜色，基于此，本实施例中获取同一产品的不同曝光时长的图像，进而利用预先训练完成的神经网络模型对不同曝光时长的图像进行检测，得到检测结果。

为提高检测效率和准确性，本实施例在利用预先训练完成的神经网络模型对图像进行检测之前，训练神经网络模型，具体的包括：获取不良品的第一图像和第二图像，第一图像和第二图像中包含的至少部分不良特征不相同，分别对不良品的第一图像和不良品的第二图像上不良特征所在的有效区域进行标注；有效区域包括不良特征像素点；根据不良品的第一图像，有效区域的信息以及不良特征对应的缺陷类别信息，获得第一训练样本，利用第一训练样本训练第一神经网络模型，得到稳定的第一神经网络模型，该稳定的第一神经网络模型能够正确识别第一图像中的不良特征；根据不良品的第二图像，有效区域的信息以及不良特征对应的缺陷类别信息，获得第二训练样本，利用第二训练样本训练第二神经网络模型，得到稳定的第二神经网络模型，该稳定的第二神经网络模型能够正确识别第二图像中的不良特征。第一图像和第二图像的曝光时长不同。

本实施例中获取两种类型的图像，分别对不同类型的图像训练得到不同的神经网络模型，可以理解，对只需要获取一种类型图像的场景，仅需训练得到一种对应的神经网络模型即可。

在得到稳定的第一神经网络和第二神经网络模型之后，利用第一神经网络模型对待检产品的第一图像进行检测，当检测出待检产品的第一图像中包括两项以上缺陷类别时，根据各缺陷类别出现在待检产品的第一图像中的位置信息，按照预定顺序对各缺陷类别进行排列，根据排列结果确定一个缺陷类别作为第一图像包括的代表缺陷类别；利用第二神经网络模型对待检产品的第二图像进行检测，当检测出待检产品的第二图像中包括两项以上缺陷类别时，根据各缺陷类别出现在待检产品的第二图像中的位置信息，按照预定顺序对各缺陷类别进行排列，根据排列结果确定一个缺陷类别作为第二图像包括的代表缺陷类别；将第一图像包括的代表缺陷类别或第二图像包括的代表缺陷类别作为待检产品的缺陷类别，以使根据待检产品的缺陷类别对待检产品进行分类处理。

一般的，产品质量检测的目的是为了发现不良品，将不良品与合格品分来，并分类处理不良品。实际生产中，待检产品可能存在不止一项缺陷和不良，那么就需要考虑对这些不良品分类处理的问题，比如，对不良类别进行统计为后续改进生产提供决策参考。

本实施例中提供了一种对检测出的不良品分类的方案，比如，针对同一产品的第一图像和第二图像，分别确定第一图像和第二图像包括的代表缺陷类别，从两图像的代表缺陷类别中任选其一作为待检产品的缺陷类别，将待检产品的缺陷类别所对应的不良产品数统计值加1。

需要说明的是，实际应用中，可以根据需求设定第一图像和第二图像的代表缺陷类别的优先级，将优先级高的图像的代表缺陷类别作为产品的缺陷类别。比如，设置第一图像的代表缺陷类别的优先级为一级，设置第二图像的代表缺陷类别的优先级为二级，一级的优先级高于二级，相应的，在确定出第一图像和第二图像包括的代表缺陷类别之后，将第一图像的代表缺陷类别作为产品的缺陷类别。可选的，可以直接对每一个缺陷类别设置一个优先级，将优先级较高的一个代表缺陷类别作为待检产品的缺陷类别。当然，如果工程上没有优先级，每个缺陷都认为同等重要，可以采用任选其一的方式作为产品的缺陷类别。

实际应用中，除了前述的容许误差可能影响产品质量检测结果之外，不良特征出现的位置也可能影响产品质量检测结果。比如，压伤这一类缺陷，在硬材质产品的中心位置出现属于“致命”缺陷类别，而在硬材质产品的边缘位置(如橡胶护角上)出现时，由于压伤可恢复，所以这一类压伤缺陷可能属于容许的缺陷类别。总之，不良特征在产品上的出现位置可能影响对不良的定性，进而影响产品的检测结果。

对此，本实施例根据检测结果中不良特征像素点在图像中的位置信息，对检测结果进行二次判定时，考虑不良特征在产品上的出现位置这一因素。具体的包括：根据不良特征的出现位置与产品质量的关系，将图像划分为目标区域与非目标区域，目标区域是指图像中出现不良特征影响产品质量的区域，非目标区域是指图像中出现不良特征不影响产品质量的区域；根据检测结果中不良特征像素点在图像中的位置信息，将不良特征像素点在图像中的位置分别与目标区域以及非目标区域进行匹配；当不良特征像素点在图像中的位置与目标区域匹配成功时，维持不良品的检测结果；当不良特征像素点在图像中的位置与非目标区域匹配成功时，判定待检产品为合格品。

此外，为进一步提高检测准确性，本实施例的神经网络模型输出的检测结果中还包括待检产品为不良品时的缺陷类别信息以及缺陷类别对应的置信度；根据检测结果中不良特征像素点在图像中的位置信息，对检测结果进行二次判定包括：设置目标区域对应的不良阈值；将缺陷类别对应的置信度与不良阈值进行比较，当缺陷类别的置信度大于预设不良阈值时，维持不良品的检测结果。

至此，通过将待检产品的两图像分别进行不良特征识别，有效识别产品中的不良特征，避免漏检，提高了检测效果，为取代人工检验，节省成本创造了条件。对检测结果进行复判，避免将合格品误判为不良品，保证了检测准确性。

磁路是电脑、通讯和消费电子产品中扬声器的组成部分，磁路质量直接影响扬声器声学性能，而且磁路检测面临缺陷类别多，检测效率和准确率低的突出问题，以下实施例以待检产品为磁路产品为例对产品质量检测方法进行说明。

图2示出了根据本申请一个实施例的磁路产品质量检测方法的流程示意图，参见图2，本实施例的磁路产品质量检测方法包括下列步骤：

本实施例的一个磁路产品上可能会出现多种缺陷，如，产品缺陷分为“杂质、毛纤、压伤、破损”，其中毛纤在长曝光的图像中难以显示，所以采用短曝光时间的图像，这里的短曝光时间的图像因进光量较少，称为黑图(即黑色图像)。另外三项：杂质、压伤和破损，在长曝光时间的图像中才能显示清晰轮廓和颜色，所以采用长时间的曝光图像，长时间的曝光图像因进光量较多，称为白图(即白色图像)，通过以上两张图即可将磁路产品的全部缺陷显示清晰。

步骤S201，获取黑色图像。

本实施例获取的黑色图像参见图5，图5示意了一个磁路产品的黑色图像的一类缺陷，图5的附图标记E所示的右上方的小矩形区域内明显显示了磁路产品上有毛纤。

步骤S202，获取白色图像。

本实施例获取的白色图像参见图3和图4，图3示意了一个磁路产品的白色图像的三类缺陷，图3的附图标记A所示的矩形区域内明显显示了磁路产品上包含杂质，附图标记B所示的矩形区域内明显显示了磁路产品上有破损，附图标记C所示的矩形区域内明显显示了磁路产品上有压伤。

图4示意了一个磁路产品的白色图像的一类缺陷，附图标记D所示的矩形区域内明显显示了磁路产品存在溢胶缺陷。

步骤S203，检测黑色图像中的杂质、毛纤、压伤、破损。

利用神经网络模型对黑色图像进行检测，也就是说，利用预先训练完成的神经网络模型对图像进行检测，得到神经网络模型输出的检测结果，比如利用预先训练完成的神经网络模型对黑色图像进行检测，得到神经网络模型输出的黑色图像中包括下列缺陷类别中至少一种的检测结果：杂质、毛纤、压伤以及破损。注：神经网络模型的训练过程参见前述方法实施例的说明，这里不再赘述。黑色图像中包括的缺陷类别和数目不限，例如，一个实施例中黑色图像中可能存在杂质、毛纤、压伤等其中的一种缺陷，一个实施例中，黑色图像可能存在杂质、毛纤、压伤以及破损中的两种或多种缺陷，等等，应当根据实际情况而定。

步骤S204，检测白色图像中的杂质、毛纤、压伤、破损、溢胶。

本步骤中，利用神经网络模型对图像进行检测，即，利用预先训练完成的神经网络模型对白色图像进行检测，得到神经网络模型输出的白色图像中包括下列缺陷类别中至少一种的检测结果：杂质、毛纤、压伤、破损以及溢胶。白色图像中包括的缺陷类别和数目不限，例如，一个实施例中白色图像中可能存在杂质、毛纤、压伤、破损以及溢胶中的一种缺陷，一个实施例中，白色图像可能存在杂质、毛纤、压伤以及破损中的两种或多种缺陷，等等。

步骤S205，神经网络检测结果。

根据步骤S203和步骤S204可以得到不同图像对应的检测结果。若黑白两图像中均识别出不良特征，则将待检磁路产品确定为不良品。若黑白两图像之一识别出不良特征，则将待检磁路产品确定为不良品，只有在黑白两图像中均未检出不良特征时，才将待检磁路产品确定为合格品，以保证检测准确性。即，如果黑图的检测结果和白图的检测结果不一致，那么按照只要有缺陷即判定为不良品的原则，除了黑图和白图都检测合格这一种情况，其他情况都判定不良品，黑图和白图分别有自己的缺陷类别时，本实施例将两个检测结果(其中包括缺陷类别信息)都标记出来，供检测人员查看。

对于检测结果为不良品的磁路产品，如果该磁路产品的黑色图像(或白色图像)中存在多种缺陷，本实施例按照缺陷出现在黑色图像(或白色图像)中的位置坐标，以从上到下、从左到右的顺序对缺陷进行排列，将排在第一位的缺陷作为此图像的代表缺陷类别，从两图像的代表缺陷类别中选其一作为磁路产品的缺陷类别，供后续对不良的磁路产品分类处理。

本实施例对检测结果指示不良品的产品图像进行复判以保证检测准确性。为进行二次判定，本实施例对神经网络模型输出的检测结果的内容进行设置，每一检测结果都同时包含缺陷类别信息和此缺陷在原图中出现位置的外接矩形的坐标信息(比如矩形的左上角和右下角，共2个像素点的坐标信息)。图6示出了根据本申请一个实施例的磁路产品的白色图像包括的一种缺陷的示意图，图6中附图标记F指示的矩形内包括不良特征像素点。神经网络模型在检测到图6所示的缺陷时，输出检测结果，检测结果中包括矩形框F的左上角和右下角的像素点的坐标值，

基于此，本实施例确定矩形的轮廓，图7示出了根据图6所示缺陷的不良特征像素点确定的外形轮廓的示意图，如图7所示，根据图6中示意的矩形框F本实施例确定出不良特征像素点，然后根据不良特征像素点的位置进行曲线拟合，得到不良特征像素点确定的外形轮廓，方便后续计算轮廓面积。

步骤S206，面积是否大于阈值，是，维持不良品检测结果，否，修改为合格品检测结果。

在本步骤中，将基于轮廓内像素点数确定的轮廓面积与预设阈值进行比较，若轮廓面积大于面积阈值，则维持神经网络模型输出的不良品检测结果，若轮廓面积小于面积阈值，则将该磁路产品的检测结果修正为合格品检测结果。

步骤S207，产品质量检测结果。

将步骤S206中复判后的结果作为产品质量检测结果，至此，得到磁路产品的质量检测结果。

另外，磁路产品检测时，不同位置对缺陷的检测需求不同，需要考虑不良特征的出现位置。

步骤S208，区域分割图。

本步骤中，根据不良特征的出现位置与磁路产品质量的关系，在磁路产品的各图像上划分目标区域与非目标区域，目标区域是指图像中出现不良特征影响产品质量的区域，非目标区域是指图像中出现不良特征不影响产品质量的区域。

由于磁路产品的毛纤这类缺陷在黑色图像上能够得到清晰显示，所以下面以黑色图像且缺陷类别为毛纤为例进行说明，在本申请其他实施例中，如果待检产品的缺陷类别在白色图像上显示更清楚，则需要对白色图像进行区域分割，并具体根据缺陷位置与各区域位置的匹配结果进行是否为不良品的确认，过程与下述黑色图像处理过程基本类似，可参见下述说明：将磁路分为边磁、中心磁和磁间隙三种区域，各区域按照坐标进行划分，磁间隙需要检测毛纤，作为目标区域。而边磁、中心磁的毛纤并不影响产品的性能，所以边磁、中心磁不需要检测毛纤，将边磁区域、中心磁区域作为非目标区域。

也就是说，当磁路产品的黑色图像存在不良特征时，对黑色图像进行区域分割，得到对应的区域分割图；图8示出了根据本申请一个实施例的磁路产品的区域分割的示意图，参见图8，在该磁路产品的黑色图像上，包括附图标记H，I，E，其中，附图标记H出现在黑色图像的上下左右四个位置，指示了磁路产品的边磁，即位于边缘位置的磁路。附图标记I出现在黑色图像的中心位置，指示了磁路产品的中心磁路。附图标记E出现在黑色图像的右上角的位置，矩形框E中指示了磁路产品包括的毛纤缺陷的不良特征像素点。

步骤S209，是否匹配成功，是，维持不良品检测结果；否，修改为合格品检测结果。

在这里，根据神经网络模型输出的检测结果中不良特征像素点在图像中的位置信息，将不良特征像素点在图像中的位置分别与目标区域以及非目标区域进行匹配；当不良特征像素点在图像中的位置与目标区域匹配成功时，维持不良品的检测结果；当不良特征像素点在图像中的位置与非目标区域匹配成功时，判定待检产品为合格品。

接上例，计算发生缺陷的不良位置的坐标是否在不需要检测毛纤的磁路区域内，如果在，则确定不良特征像素点在图像中的位置与非目标区域匹配成功，将检测结果修改为合格品检测结果。即毛纤出现在不影响产品性能的边磁和中心磁区域内确定匹配不成功。

在本申请的一个实施例中，如图8所示，毛纤(即，矩形框E指示的位置)出现在磁间隙这一目标区域，即，毛纤是一种产品缺陷，维持不良品检测结果。。

另外，本实施例还可以通过检测结果中包括的待检产品为不良品时的缺陷类别对应的置信度进行进一步判定，例如，神经网络模型的检测结果中记录的缺陷类别(如毛纤)对应的置信度为95％，设置的目标区域对应的不良阈值为80％，将缺陷类别对应的置信度与不良阈值进行比较，可知95％大于80％，即，缺陷类别的置信度大于预设不良阈值，则维持不良品的检测结果。

至此，通过对同一磁路产品的黑白两组图像分别进行不良特征识别，有效识别磁路产品中的不良特征，避免了漏检。采用复判机制，避免将合格品误判为不良品。经实践证明，本实施例的检测效率高，可取代人工检验，具有成本低、检测效率高、准确性和稳定性好的优点。

图9示出了根据本申请一个实施例的产品质量检测装置的框图，参见图9，本实施例的产品质量检测装置900包括：

图像获取模块901，用于获取待检产品的图像；

检测模块902，用于利用预先训练完成的神经网络模型对图像进行检测，得到神经网络模型输出的检测结果；

复判模块903，用于当检测结果指示待检产品为不良品时，根据检测结果中不良特征像素点在图像中的位置信息，对检测结果进行二次判定，根据二次判定结果确定待检产品是否合格。

在本申请的一个实施例中，复判模块903，具体用于根据检测结果中有效区域的信息，获得不良特征像素点的外轮廓图形，有效区域是包括不良特征像素点的图像区域；根据外轮廓图形包括的像素点计算外轮廓图形的面积值，当面积值大于预设面积阈值时，维持不良品的检测结果；当面积值小于或等于预设面积阈值时，判定待检产品为合格品。

在本申请的一个实施例中，复判模块903，具体用于根据不良特征的出现位置与产品质量的关系，将图像划分为目标区域与非目标区域，目标区域是指图像中出现不良特征影响产品质量的区域，非目标区域是指图像中出现不良特征不影响产品质量的区域；根据检测结果中不良特征像素点在图像中的位置信息，将不良特征像素点在图像中的位置分别与目标区域以及非目标区域进行匹配；当不良特征像素点在图像中的位置与目标区域匹配成功时，维持不良品的检测结果；当不良特征像素点在图像中的位置与非目标区域匹配成功时，判定待检产品为合格品。

在本申请的一个实施例中，检测结果中还包括待检产品为不良品时的缺陷类别信息以及缺陷类别对应的置信度；复判模块903，具体用于设置目标区域对应的不良阈值；将缺陷类别对应的置信度与不良阈值进行比较，当缺陷类别的置信度大于预设不良阈值时，维持不良品的检测结果。

在本申请的一个实施例中，图像获取模块901，具体用于分别获取待检产品在摄像头的不同曝光时长下的第一图像和第二图像，第一图像对应的曝光时长小于第二图像对应的曝光时长；

检测模块902，具体用于利用预先训练完成的神经网络模型分别对第一图像和第二图像进行检测；当第一图像与第二图像中至少一个包括不良特征时，得到待检产品为不良品的检测结果。

在本申请的一个实施例中，检测模块902，具体用于在利用预先训练完成的神经网络模型对图像进行检测之前，训练神经网络模型，获取不良品的第一图像和第二图像，第一图像和第二图像中包含的至少部分不良特征不相同，分别对不良品的第一图像和不良品的第二图像上不良特征所在的有效区域进行标注；有效区域包括不良特征像素点；根据不良品的第一图像，有效区域的信息以及不良特征对应的缺陷类别信息，获得第一训练样本，利用第一训练样本训练第一神经网络模型，得到稳定的第一神经网络模型；根据不良品的第二图像，有效区域的信息以及不良特征对应的缺陷类别信息，获得第二训练样本，利用第二训练样本训练第二神经网络模型，得到稳定的第二神经网络模型。

在本申请的一个实施例中，检测模块902，具体用于利用第一神经网络模型对待检产品的第一图像进行检测，当检测出待检产品的第一图像中包括两项以上缺陷类别时，根据各缺陷类别出现在待检产品的第一图像中的位置信息，按照预定顺序对各缺陷类别进行排列，根据排列结果确定一个缺陷类别作为第一图像包括的代表缺陷类别；利用第二神经网络模型对待检产品的第二图像进行检测，当检测出待检产品的第二图像中包括两项以上缺陷类别时，根据各缺陷类别出现在待检产品的第二图像中的位置信息，按照预定顺序对各缺陷类别进行排列，根据排列结果确定一个缺陷类别作为第二图像包括的代表缺陷类别；将第一图像包括的代表缺陷类别或第二图像包括的代表缺陷类别作为待检产品的缺陷类别，以使根据待检产品的缺陷类别对待检产品进行分类处理。

在本申请的一个实施例中，待检产品为磁路产品，图像获取模块901，具体用于获取磁路产品的黑色图像和白色图像；检测模块902，具体用于利用预先训练完成的神经网络模型对黑色图像进行检测，得到神经网络模型输出的黑色图像中包括下列缺陷类别中至少一种的检测结果：杂质、毛纤、压伤以及破损；利用预先训练完成的神经网络模型对白色图像进行检测，得到神经网络模型输出的白色图像中包括下列缺陷类别中至少一种的检测结果：杂质、毛纤、压伤、破损以及溢胶。

需要说明的是，上述装置实施例中各模块的具体实施方式可以参照前述对应方法实施例的具体实施方式进行，在此不再赘述。

本申请的另一个实施例提供一种计算机可读存储介质，计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述的方法。

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的一个流程或多个流程和/或方框图的一个方框或多个方框中指定的功能的装置。

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、物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、物品或者设备所固有的要素。

本申请的说明书中，说明了大量具体细节。然而能够理解的是，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本申请公开并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，正如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

以上所述，仅为本申请的具体实施方式，在本申请的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本申请的目的，本申请的保护范围以权利要求的保护范围为准。

Claims (10)

1.一种产品质量检测方法，其特征在于，所述产品质量检测方法包括：

获取待检产品的图像；

利用预先训练完成的神经网络模型对所述图像进行检测，得到所述神经网络模型输出的检测结果；

当所述检测结果指示待检产品为不良品时，根据检测结果中不良特征像素点在所述图像中的位置信息，对所述检测结果进行二次判定，根据二次判定结果确定所述待检产品是否合格。

2.如权利要求1所述的方法，其特征在于，所述根据检测结果中不良特征像素点在所述图像中的位置信息，对所述检测结果进行二次判定包括：

根据检测结果中有效区域的信息，获得不良特征像素点的外轮廓图形，所述有效区域是包括不良特征像素点的图像区域；

根据外轮廓图形包括的像素点计算外轮廓图形的面积值，当所述面积值大于预设面积阈值时，维持不良品的检测结果；

当所述面积值小于或等于预设面积阈值时，判定待检产品为合格品。

3.如权利要求1所述的方法，其特征在于，所述根据检测结果中不良特征像素点在所述图像中的位置信息，对所述检测结果进行二次判定包括：

根据不良特征的出现位置与产品质量的关系，将所述图像划分为目标区域与非目标区域，所述目标区域是指图像中出现所述不良特征影响产品质量的区域，非目标区域是指图像中出现所述不良特征不影响产品质量的区域；

根据检测结果中不良特征像素点在所述图像中的位置信息，将不良特征像素点在所述图像中的位置分别与所述目标区域以及所述非目标区域进行匹配；

当所述不良特征像素点在所述图像中的位置与目标区域匹配成功时，维持不良品的检测结果；

当所述不良特征像素点在所述图像中的位置与非目标区域匹配成功时，判定待检产品为合格品。

4.如权利要求3所述的方法，其特征在于，所述检测结果中还包括待检产品为不良品时的缺陷类别信息以及缺陷类别对应的置信度；

所述根据检测结果中不良特征像素点在所述图像中的位置信息，对所述检测结果进行二次判定包括：

设置所述目标区域对应的不良阈值；

将所述缺陷类别对应的置信度与所述不良阈值进行比较，当所述缺陷类别的置信度大于预设不良阈值时，维持不良品的检测结果。

5.如权利要求1所述的方法，其特征在于，所述获取待检产品的图像包括：

分别获取待检产品在摄像头的不同曝光时长下的第一图像和第二图像，所述第一图像对应的曝光时长小于所述第二图像对应的曝光时长；

所述利用预先训练完成的神经网络模型对所述图像进行检测，得到所述神经网络模型输出的检测结果包括：

利用预先训练完成的神经网络模型分别对所述第一图像和所述第二图像进行检测；

当所述第一图像与所述第二图像中至少一个包括不良特征时，得到待检产品为不良品的检测结果。

6.如权利要求1所述的方法，其特征在于，该方法包括：在利用预先训练完成的神经网络模型对所述图像进行检测之前，训练神经网络模型，具体的包括：

获取不良品的第一图像和第二图像，所述第一图像和第二图像中包含的至少部分不良特征不相同，分别对不良品的第一图像和不良品的第二图像上不良特征所在的有效区域进行标注；所述有效区域包括不良特征像素点；

根据所述不良品的第一图像，有效区域的信息以及不良特征对应的缺陷类别信息，获得第一训练样本，利用所述第一训练样本训练第一神经网络模型，得到稳定的第一神经网络模型；

根据所述不良品的第二图像，有效区域的信息以及不良特征对应的缺陷类别信息，获得第二训练样本，利用所述第二训练样本训练第二神经网络模型，得到稳定的第二神经网络模型。

7.如权利要求6所述的方法，其特征在于，所述利用预先训练完成的神经网络模型分别对所述第一图像和所述第二图像进行检测包括：

利用所述第一神经网络模型对待检产品的所述第一图像进行检测，当检测出待检产品的所述第一图像中包括两项以上缺陷类别时，根据各缺陷类别出现在待检产品的所述第一图像中的位置信息，按照预定顺序对各缺陷类别进行排列，根据排列结果确定一个缺陷类别作为所述第一图像包括的代表缺陷类别；

利用所述第二神经网络模型对待检产品的所述第二图像进行检测，当检测出待检产品的所述第二图像中包括两项以上缺陷类别时，根据各缺陷类别出现在待检产品的所述第二图像中的位置信息，按照预定顺序对各缺陷类别进行排列，根据排列结果确定一个缺陷类别作为所述第二图像包括的代表缺陷类别；

将所述第一图像包括的代表缺陷类别或所述第二图像包括的代表缺陷类别作为所述待检产品的缺陷类别，以使根据所述待检产品的缺陷类别对所述待检产品进行分类处理。

8.如权利要求1所述的方法，其特征在于，所述待检产品为磁路产品，

所述获取待检产品的图像包括：

获取磁路产品的黑色图像和白色图像；

利用预先训练完成的神经网络模型对所述图像进行检测，得到所述神经网络模型输出的检测结果包括：

利用预先训练完成的神经网络模型对所述黑色图像进行检测，得到所述神经网络模型输出的所述黑色图像中包括下列缺陷类别中至少一种的检测结果：杂质、毛纤、压伤以及破损；

利用预先训练完成的神经网络模型对所述白色图像进行检测，得到所述神经网络模型输出的所述白色图像中包括下列缺陷类别中至少一种的检测结果：杂质、毛纤、压伤、破损以及溢胶。

9.一种产品质量检测装置，其特征在于，所述产品质量检测装置包括：

图像获取模块，用于获取待检产品的图像；

检测模块，用于利用预先训练完成的神经网络模型对所述图像进行检测，得到所述神经网络模型输出的检测结果；

复判模块，用于当所述检测结果指示待检产品为不良品时，根据检测结果中不良特征像素点在所述图像中的位置信息，对所述检测结果进行二次判定，根据二次判定结果确定所述待检产品是否合格。

10.如权利要求9所述的装置，其特征在于，所述复判模块，具体用于根据检测结果中有效区域的信息，获得不良特征像素点的外轮廓图形，所述有效区域是包括不良特征像素点的图像区域；根据外轮廓图形包括的像素点计算外轮廓图形的面积值，当所述面积值大于预设面积阈值时，维持不良品的检测结果；当所述面积值小于或等于预设面积阈值时，判定待检产品为合格品。

Images