检测方法、检测装置、检测设备和计算机可读存储介质

技术领域

本申请涉及检测技术领域，更具体而言，涉及一种检测方法、检测装置、检测设备和非易失性计算机可读存储介质。

背景技术

现有的对铝塑膜的间隔方法主要用在人工检测，现有的铝塑膜缺陷主要有漏涂，凹凸点，黑点，漏涂等缺陷，使用人工检测方法存在效率低下，且人在长时间观测后会出现疲劳从而导致漏检的风险。

发明内容

本申请实施方式提供一种检测方法、检测装置、检测设备和非易失性计算机可读存储介质，从而解决人工检测方法存在效率低下及人在长时间观测后会出现疲劳从而导致漏检的问题。

本申请实施方式的检测方法包括获取原始图像；对所述原始图像进行图像预处理，以获取所述原始图像中的多个缺陷区域的待测图像；输入所述待测图像到预设的检测模型，以输出每个所述待测图像的缺陷信息。

本申请实施方式的检测装置包括第一获取模块、第二获取模块和第一输入模块。所述第一获取模块用于获取原始图像；所述第二获取模块用于对所述原始图像进行图像预处理，以获取所述原始图像中的多个缺陷区域的待测图像；所述第一输入模块用于输入所述待测图像到预设的检测模型，以输出每个所述待测图像的缺陷信息。

本申请实施方式的检测设备包括处理器。所述处理器用于获取原始图像；对所述原始图像进行图像预处理，以获取所述原始图像中的多个缺陷区域的待测图像；输入所述待测图像到预设的检测模型，以输出每个所述待测图像的缺陷信息。

本申请实施方式的非易失性计算机可读存储介质包括计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述检测方法。所述检测方法包括获取原始图像；对所述原始图像进行图像预处理，以获取所述原始图像中的多个缺陷区域的待测图像；输入所述待测图像到预设的检测模型，以输出每个所述待测图像的缺陷信息。

本申请实施方式的检测方法、检测装置、检测设备和非易失性计算机可读存储介质，通过获取原始图像，并对原始图像进行图像预处理，从而获取原始图像中的多个缺陷区域分别对应的待测图像，并将待测图像输入到预设的检测模型进行检测，以输出每个待测图像的缺陷信息。如此，无需人工参与，解决了人工检测方法存在效率低下以及人在长时间观测后会出现疲劳从而导致漏检的问题。且通过原始图像进行预处理，提取出原始图像中的每个缺陷区域的待测图像，一个缺陷区域一般为一个缺陷，然后再输入每个缺陷区域的待测图像到检测模型，实现每个待测图像的缺陷检测，相较于直接检测原始图像中的所有缺陷的检测模型而言，检测准确性显然更高。

本申请的实施方式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，或通过本申请的实施方式的实践了解到。

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方式的描述中将变得明显和容易理解，其中：

图1是本申请某些实施方式的检测方法的流程示意图；

图2是本申请某些实施方式的检测方法的场景示意图；

图3是本申请某些实施方式的检测方法的场景示意图；

图4是本申请某些实施方式的检测方法的流程示意图；

图5是本申请某些实施方式的检测方法的流程示意图；

图6是本申请某些实施方式的检测方法的流程示意图；

图7是本申请某些实施方式的检测方法的流程示意图；

图8是本申请某些实施方式的检测方法的流程示意图；

图9是本申请某些实施方式的检测方法的流程示意图；

图10是本申请某些实施方式的检测方法的流程示意图；

图11是本申请某些实施方式的检测方法的流程示意图；

图12是本申请某些实施方式的检测方法的流程示意图；

图13是本申请某些实施方式的检测方法的流程示意图；

图14是本申请某些实施方式的检测方法的检测模型的结构示意图；

图15是本申请某些实施方式的检测装置的模块示意图；

图16是本申请某些实施方式的非易失性计算机可读存储介质和处理器的连接状态示意图。

具体实施方式

下面详细描述本申请的实施方式，实施方式的示例在附图中示出，其中，相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本申请的实施方式，而不能理解为对本申请的实施方式的限制。

请参阅图1至图3，本申请实施方式提供一种检测方法，检测方法包括：

步骤011：获取原始图像。

可选地，原始图像可通过线扫相机30拍摄待测件200得到。

具体地，检测设备100包括线扫相机30和处理器40。线扫相机30可用于采集原始图像。在需要检测时，通过处理器40控制线扫相机30拍摄待测件200，从而获取原始图像。需要说明的，技术人员可以通过设置通过电子设备(手机或者平板)向处理器40发送控制信息，通过处理器40控制线扫相机30拍摄待测件200的原始图像。

可选地，原始图像中可包括待测件200的部分缺陷(如漏涂缺陷、凹凸缺陷和墨点缺陷)。

步骤012：对原始图像进行图像预处理，以获取原始图像中的多个缺陷区域的待测图像。

可选地，图像预处理可包括通过提取满足对比度阈值的缺陷像素以确定缺陷区域(如抽取凹凸点缺陷)。

具体地，在将待测图像输入到预设的检测模型之前，对获取的原始图像进行图像预处理，从而获取原始图像中的多个缺陷区域，并基于多个缺陷区域分别确定每个缺陷区域对应的待测图像。如通过对原始图像进行图像预处理，分别获取了缺陷区域A1对应的待测图像B1，缺陷区域A2对应的待测图像B2，缺陷区域A3对应的待测图像B3，缺陷区域A4对应的待测图像B4。

可选地，待测图像中可包括待测件200中的一个缺陷。

步骤013：输入待测图像到预设的检测模型，以输出每个待测图像的缺陷信息。

其中，预设的检测模型为在检测设备100出厂之前提前训练好的检测模型。

具体地，在获取到多个缺陷区域的待测图像的情况下，将待测图像输入到预设的检测模型中，通过检测模型检测每个待测图像的缺陷信息，以将每个待测图像的缺陷信息输出。如分别将待测图像B1、待测图像B2、待测图像B3和待测图像B4输入到检测模型，从而获取待测图像B1的缺陷信息、待测图像B2的缺陷信息、待测图像B3的缺陷信息和待测图像B4的缺陷信息。

可选地，缺陷信息可包括缺陷类型(如漏涂缺陷)、缺陷的置信度(如漏涂缺陷的置信度为95％)和缺陷面积(如漏涂缺陷的面积为0.2平方毫米)。

本申请实施方式的检测方法，通过获取原始图像，并对原始图像进行图像预处理，从而获取原始图像中的多个缺陷区域分别对应的待测图像，并将待测图像输入到预设的检测模型进行检测，以输出每个待测图像的缺陷信息。如此，无需人工参与，解决了人工检测方法存在效率低下以及人在长时间观测后会出现疲劳从而导致漏检的问题。且通过原始图像进行预处理，提取出原始图像中的每个缺陷区域的待测图像，一个缺陷区域一般为一个缺陷，然后再输入每个缺陷区域的待测图像到检测模型，实现每个待测图像的缺陷检测，相较于直接检测原始图像中的所有缺陷的检测模型而言，检测准确性显然更高。

请参阅图2和图4，在某些实施方式中，步骤011：获取原始图像，包括：

步骤0111：通过线扫相机30拍摄传送带300上移动的待测件200，以获取待测件200的多个局部的原始图像。

其中，待测件200可以是铝塑膜、电池极片和石墨片等，需要检测其物理缺陷的产品。

具体地，检测设备100包括线扫相机30。线扫相机30设置在预设位置。预设位置为检测设备100在出厂之前提前确定好的。在需要检测时，通过处理器40控制线扫相机30拍摄，在传送带300上移动的待测件200，从而获取待测件200的多个局部的原始图像。

可选地，待测件200的长度是预设的，工厂会根据不同企业的要求预设待测件200的长度，以满足企业对待测件200长度的需求(如预设的待测件200的长度为3米)。

线扫相机30间隔多少米拍摄一次待测件200的局部的原始图像也是预设的(如待测件每移动0.5米拍摄一次待测件200的局部的原始图像)。

例如，待测件200每移动0.5米，通过处理器40控制线扫相机30拍摄一次待测件200的局部的原始图像，从而获取多个局部的原始图像。

如此，通过处理器40控制线扫相机30获取待测件200的多个局部的原始图像，相比控制线扫相机30一次性拍摄待测件200的整个的原始图像，可以有效的提高获取的原始图像的清晰度。

请参阅图5，在某些实施方式中，步骤012：对原始图像进行图像预处理，以获取原始图像中的多个缺陷区域的待测图像，包括：

步骤0121：计算原始图像中每一列像素的像素值均值。

具体地，在获取到待测件200的局部的原始图像的情况下，处理器40分别将每个局部的原始图像划分成N列的像素，每列像素包含Z个像素，然后计算出每一列像素的像素值的均值。

例如，每个局部的原始图像的尺寸为8192*1000，则此时，可将每个原始图像划分为8192列，即每个原始图像的列数为8192列，每列共有1000个像素，从而可计算出每一列像素的像素值均值。

步骤0122：分别根据每一列像素的像素值均值和预设像素值确定每一列像素对应的校正系数。

其中，预设像素值是提前预设好的，不同待测件200的预设像素值不同。校正系数是通过将预设像素值除以每列像素的像素值均值得到的。

具体地，在计算出每一列像素的像素值均值的情况下，处理器40分别将预设像素值除以每列像素的像素值均值，从而得到每一列像素对应的校正系数。如共有8912列像素，则将预设像素值分别除以8912列中的每一列像素的像素值均值，从而得到每一列像素对应的校正系数，即此时得到8912个校正系数。

步骤0123：分别根据每一列像素对应的校正系数校正每一列像素的像素值。

具体地，在获取到每一列像素的像素值均值的情况下，处理器40分别将每一列像素对应的校正系数分别乘以每一列像素对应的多行像素的像素值，以矫正每一列像素对应的多行像素的像素值，进而矫正每一列像素的像素值。

如此，通过计算原始图像中每一列像素的像素值均值，并基于每一列像素的像素值均值和预设像素值确定对应的校正系数(预设像素值除以每一列像素的像素均值)，然后基于每一列像素对应的校正系数校正每一列像素的像素值，以此校正原始图像中过亮或过暗的区域，从而提高原始图像的清晰度。

另外，为了能更准确的获取原始图像中的缺陷区域的待测图像，还可在线扫相机30拍摄到待测件200的局部图像的情况下，通过将预设背景灰度值除以原始图像的背景灰度值的最小值，从而确定背景灰度值的最小值对应的放大系数，以及将预设背景灰度值除以原始图像的背景灰度值的最大值，从而确定背景灰度值的最大值对应的放大系数。在确定了背景灰度值的最小值对应的放大系数和背景灰度值的最大值对应的放大系数的情况下，通过将背景灰度值的最小值与背景灰度值的最小值对应的放大系数相乘，以及背景灰度值的最大值与背景灰度值的最大值对应的放大系数相乘，以将原始图像中的缺陷区域放大，从而能更准确地获取原始图像中的缺陷区域的待测图像。需要说明的是，预设背景灰度值是提前预设好的，不同类型的待测件200的预设背景灰度值不同，技术人员可根据实际应用情况进行预设。

请参阅图6，在某些实施方式中，步骤012：对原始图像进行图像预处理，以获取原始图像中的多个缺陷区域的待测图像，还包括：

步骤0124：基于预设阈值，确定校正后的原始图像中的目标像素。

其中，预设阈值为根据不同的缺陷类型提前预设好的。如漏涂缺陷的预设阈值等于平场值(平场值为通过对线扫相机30进行相机平场操作后得到的值)加16；又如墨点缺陷的预设阈值等于平场值减24；还如凹凸缺陷的预设阈值等于平场值加14。

具体地，在将每一列像素的像素值校正的情况下，处理器40基于预设阈值，确定校正后的原始图像中的目标像素。如当处理器40基于漏涂缺陷的预设阈值，将原始图像中的像素与预设阈值进行对比，当原始图像中的像素大于漏涂缺陷的预设阈值时，则确定其为目标像素。又如当处理器40基于墨点缺陷的预设阈值，将原始图像中的像素与预设阈值进行对比，当原始图像中的像素小于墨点缺陷的预设阈值时，则确定其为目标像素。

步骤0125：将相邻的目标像素连通，以获取连通区域。

具体地，在确定目标像素的情况下，通过处理器40确定目标像素中所有相邻的目标像素，并将所有相邻的目标像素进行连通，从而形成连通区域。

步骤0126：根据连通区域确定缺陷区域，并将缺陷区域的图像裁切出来以作为待测图像。

具体地，在获取到连通区域的情况下，处理器40可根据获取到的连通区域确定缺陷区域，并根据确定的缺陷区域将缺陷区域的图像进行裁切，并将其作为待测图像。需要说明的是，连通区域与缺陷区域一一对应。

例如，当处理器40基于漏涂缺陷的预设阈值，将原始图像中的像素与预设阈值进行对比，当原始图像中的像素大于或等于漏涂缺陷的预设阈值时，则确定其为目标像素。在确定目标像素的情况下，处理器40将相邻的所有目标像素进行连通，从形成连通区域，并根据连通区域确定缺陷区域，并将缺陷区域的图像裁切出来作为待测图像。

请参阅图7，在某些实施方式中，检测方法还包括：

步骤014：根据待测件200的类型确定一个或多个预设缺陷。

具体地，技术人员可通过电子设备向处理器40发送待测件200的类型信息，处理器40会根据不同类型的待测件200，确定与其对应的预设缺陷。需要说明的是预设缺陷可包括一个或多个。如待测件200的类型为铝塑膜，预设缺陷可包括漏涂缺陷、凹凸缺陷和墨点缺陷。又如待测件200的类型为石墨片，预设缺陷可包括延展性缺陷、凸点缺陷和凹点缺陷。

步骤015：根据预设缺陷确定预设阈值。

具体地，在确定预设缺陷的情况下，处理器40根据预设缺陷确定预设缺陷对应的预设阈值。如预设缺陷包括漏涂缺陷和墨点缺陷，则处理器40可基于漏涂缺陷和墨点缺陷，分别确定漏涂缺陷的预设阈值和墨点缺陷的预设阈值。

如此，在需要检测不同类型的待测件200时，可根据待测件200的类型确定与其对应的预设缺陷，并根据预设缺陷确定预设阈值，从而满足不同类型的待测件200的检测需要。

请参阅图8，在某些实施方式中，缺陷信息包括缺陷类型和置信度，步骤013：输入待测图像到预设的检测模型，以输出每个待测图像的缺陷信息，包括：

步骤0131：输出待测图像中的缺陷为每个缺陷类型的置信度。

其中，置信度指的是待测图像中的缺陷对应每个缺陷类型的概率。

具体地，在获取到多个缺陷区域的待测图像的情况下，将待测图像输入到预设的检测模型中，通过检测模型检测每个待测图像中的缺陷类型，并输出每个缺陷类型的置信度。如通过检测模型检测出了多个待测图像中的缺陷类型包括漏涂缺陷和墨点缺陷，则此时输出漏涂缺陷的置信度和墨点缺陷的置信度。

请参阅图9，在某些实施方式中，步骤013：输入待测图像到预设的检测模型，以输出每个待测图像的缺陷信息，包括：

步骤0132：输出置信度最大的缺陷类型。

具体地，在获取到多个缺陷区域的待测图像的情况下，将待测图像输入到预设的检测模型中，通过检测模型检测每个待测图像中的缺陷类型，在检测到待测图像中的缺陷类型的情况下，处理器40根据检测出的缺陷类型确定每个缺陷类型的置信度，并将置信度最大的缺陷类型输出。如通过检测模型检测出了多个待测图像中的缺陷类型包括墨点缺陷、凹凸缺陷和刀丝缺陷，其中墨点缺陷的置信度为80％，凹凸缺陷的置信度为95％，刀丝缺陷的置信度为85％，即在输出置信度最大的缺陷类型时，输出凹凸缺陷。

请参阅图10，在某些实施方式中，步骤013：输入待测图像到预设的检测模型，以输出每个待测图像的缺陷信息，包括：

步骤0133：输出置信度大于预设置信度的缺陷类型。

其中，预设置信度为提前预设好的(如预设置信度为85％)，技术人员可根据实际应用情况通过电子设备进行预设。

具体地，在获取到多个缺陷区域的待测图像的情况下，将待测图像输入到预设的检测模型中，通过检测模型检测每个待测图像中的缺陷类型，在检测到待测图像中的缺陷类型的情况下，处理器40根据检测出的缺陷类型确定每个缺陷类型的置信度，并将每个缺陷类型的置信度与预设置信度进行对比，然后输出置信度大于预设置信度的缺陷类型。如预设置信度为85％，通过检测模型检测出了多个待测图像中的缺陷类型包括墨点缺陷、凹凸缺陷、刀丝缺陷和漏涂缺陷，其中墨点缺陷的置信度为82％，凹凸缺陷的置信度为95％，刀丝缺陷的置信度为84％，漏涂缺陷的置信度为90％，即在输出置信度大于预设置信度的缺陷类型时，输出凹凸缺陷和漏涂缺陷。

请参阅图11，在某些实施方式中，检测方法还包括：

步骤016：在待测图像的缺陷类型为预设缺陷类型的情况下，获取待测图像的缺陷面积。

具体地，在检测到待测图像中的缺陷类型，并且确定待测图像中的缺陷类型为预设缺陷类型的情况下，处理器40获取待测图像的缺陷面积(如缺陷面积为0.3平方毫米)。如预设缺陷类型为漏涂缺陷，当检测到待测图像中的缺陷类型为漏涂缺陷时，处理器40获取待测图像的漏涂缺陷的缺陷面积。

步骤017：在缺陷面积大于预设面积阈值的情况下，发出提示信息。

具体地，在确定待测图像的缺陷类型为预设缺陷类型，并且获取到待测图像的缺陷面积的情况下，处理器40将获取到的待测图像的缺陷面积与预设面积阈值进行比较，当待测图像的缺陷面积大于预设面积阈值时，发出提示信息，以提示技术人员检测的待测件200中出现了缺陷面积大于预设面积阈值的缺陷。需要说明的是，提示信息中包含了缺陷类型(如漏涂缺陷)、缺陷面积(如漏涂缺陷的缺陷面积为0.3平方毫米)。如待测图像的缺陷面积为0.3平方毫米，预设面积阈值为0.2平方毫米，即待测图像的缺陷面积大于预设面积阈值，则此时发出提示信息。

如此，当待测图像中的缺陷类型为预设缺陷类型时，通过获取待测图像的缺陷面积，并将待测图像的缺陷面积与预设面积阈值进行对比，当缺陷面积大于预设面积阈值时，发出提示信息，使得技术人员能通过提示信息，及时的知道待测件200中出现了超过预设面积阈值的缺陷。

请参阅图12，在某些实施方式中，检测方法还包括：

步骤018：获取检测模型。

具体地，在对待测件200进行检测之前，通过处理器40获取检测模型。需要说明的是，检测模型为通过进行深度学习后得到的模型。具体为技术人员通过人工标注好缺陷信息的训练集对初始模型进行训练，直至收敛，以得到收敛后的检测模型

请参阅图13，在某些实施方式中，步骤018：获取检测模型，包括：

步骤0181：获取多个训练样本，训练样本包括缺陷图像及缺陷图像的缺陷类型。

具体地，技术人员对缺陷图像进行标注，以标注缺陷图像的缺陷信息(如缺陷信息)，从而根据缺陷图像及缺陷图像对应的缺陷类型得到多个训练样本。当需要对初始模型进行训练时，通过处理器40获取多个训练样本，以使处理器40通过多个训练样本对初始模型进行训练。

步骤0182：输入多个训练样本到初始模型，以输出训练缺陷信息。

其中，初始模型为还未经过训练的检测模型。

具体地，通过处理器40将多个训练样本输入到初始模型中，初始模型会根据输入的多个训练样本进行训练，并输出每个训练样本对应的训练缺陷信息。训练缺陷信息中包括了每个训练样本的缺陷类型。如，共有1000个训练样本，通过处理器40将1000个训练样本输入到初始模型中，此时初始模型会根据1000个训练样本进行训练，并且输出每个训练样本对应的训练缺陷信息。

步骤0183：根据训练缺陷信息及预设的损失函数，计算损失值。

其中，预设的损失函数中包括了缺陷图像的缺陷类型。

具体地，在将多个训练样本输入到初始模型，并输出训练缺陷信息的情况下，处理器40通过将训练缺陷信息和预设的损失函数，来计算损失值。如训练缺陷信息中的缺陷类型与对应的缺陷图像的缺陷类型不同，则计算出的损失值为1；又如训练缺陷信息的缺陷类型与预设的损失函数的缺陷类型相同，则根据训练缺陷信息的缺陷类型的置信度，来计算损失值。

步骤0184：根据损失值调整初始模型至收敛，以生成检测模型。

具体地，在根据训练缺陷信息及预设的损失函数，计算出损失值的情况下，处理器40根据损失值调整初始模型，直到初始模型收敛，从而生成检测模型。需要说明的是，如果计算出的损失值越大，说明初始模型的参数需要调整的幅度越大。反之，如果计算出的损失值越小，说明初始模型越接近最终收敛的模型。

如此，通过多个训练样本来训练初始模型，从而得到检测模型，使得检测模型能更加精确的检测待测图像的缺陷类型，从而提高检测的准确性。

在某些实施方式中，检测模型包括多个第一卷积层和多个第二卷积层，第一卷积层包括一个标准卷积核，第二卷积层包括深度卷积核和逐点卷积核。

可选地，第一卷积层可以是标准卷积层。第二卷积层可以是深度可分离卷积(DepthWise Separable Convolutions，DW)。

具体地，将待测图像输入到检测模型中，此时第一卷积层的标准卷积核对输入的待测图像进行卷积，而第二卷积层的深度卷积核将每个特征图通道分解，并且对每个维度特征图卷积，第二卷积层的逐点卷积核对深度卷积核得到的特征图进行升维或者降维。如此通过在检测模型中设置第一卷积层和第二卷积层来对待测图像进行卷积，不仅有效减小网络的参数量，还保证了检测模型的检测准确率，同时还加速网络的推理速度。

在某些实施方式中，检测模型中的多个第一卷积层和多个第二卷积层交叉分布。

具体地，检测模型的结构以图14为例，其中，Conv表示第一卷积层。Convdw表示的是第二卷积层。s1、s2分别表示的卷积核的步长为2和步长为1。FC(Full Connection)表示的是全连接层。Avg Pool表示卷积神经网络池化层。Softmax分类器表示输出最后的缺陷的概率和缺陷类型的信息。可以看出，在检测模型中，每设置一个第一卷积层(Conv)，就在其后面设置一个第二卷积层(Convdw)，最后使得检测模型中的多个第一卷积层和第二卷积层交叉分布。

可选地，在检测模型中可以在任意相邻两个第一卷积层之间设置一个第二卷积层，也可以在任意相邻两个第二卷积层之间设置一个第一卷积层。

请参阅图15，为便于更好的实施本申请实施方式的检测方法，本申请实施方式还提供一种检测装置10。该检测装置10可包括：

第一获取模块11，用于获取原始图像。

第一获取模块11，具体还用于通过线扫相机30拍摄传送带300上移动的待测件200，以获取待测件200的多个局部的原始图像。

第二获取模块12，用于对原始图像进行图像预处理，以获取原始图像中的多个缺陷区域的待测图像。

第二获取模块12，具体还用于计算原始图像中每一列像素的像素值均值；分别根据每一列像素的像素值均值和预设像素值确定每一列像素对应的校正系数；分别根据每一列像素对应的校正系数校正每一列像素的像素值；基于预设阈值，确定校正后的原始图像中的目标像素；将相邻的目标像素连通，以获取连通区域；根据连通区域确定缺陷区域，并将缺陷区域的图像裁切出来以作为待测图像。

第一输入模块13，用于输入待测图像到预设的检测模型，以输出每个待测图像的缺陷信息。

第一输入模块13，具体还用于输出待测图像中的缺陷为每个缺陷类型的置信度；或者，输出置信度最大的缺陷类型；或者，输出置信度大于预设置信度的缺陷类型。

检测装置10还可包括：

第一确定模块14，用于根据待测件200的类型确定一个或多个预设缺陷。

第二确定模块15，用于根据预设缺陷确定预设阈值。

第三获取模块16，用于在待测图像的缺陷类型为预设缺陷类型的情况下，获取待测图像的缺陷面积。

发出模块17，用于在缺陷面积大于预设面积阈值的情况下，发出提示信息。

第四获取模块18，用于获取检测模型。

第四获取模块18，具体还用于获取多个训练样本，训练样本包括缺陷图像及缺陷图像的缺陷类型；输入多个训练样本到初始模型，以输出训练缺陷信息；根据训练缺陷信息及预设的损失函数，计算损失值；根据损失值调整初始模型至收敛，以生成检测模型。

请再次参阅图2，本申请实施方式的检测设备100包括处理器40。处理器40用于获取原始图像；对原始图像进行图像预处理，以获取原始图像中的多个缺陷区域的待测图像；输入待测图像到预设的检测模型，以输出每个待测图像的缺陷信息。

可选地，处理器40还可用于执行上述任一实施方式的检测方法，为了简洁，在此不再赘述。

请参阅图16，本申请实施方式还提供了一种非易失性计算机可读存储介质400，其上存储有计算机程序410，计算机程序410被处理器40执行的情况下，实现上述任意一种实施方式的检测方法的步骤，为了简洁，在此不再赘述。

在本说明书的描述中，参考术语“某些实施方式”、“一个例子中”、“示例地”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

尽管上面已经示出和描述了本申请的实施方式，可以理解的是，上述实施方式是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施方式进行变化、修改、替换和变型。