一种基于深度学习的质量检测方法、装置和系统

技术领域

本申请涉及质量检测领域，具体涉及一种基于深度学习的质量检测方法、装置和系统。

背景技术

产品外观的质量的优劣决定了产品质量的第一印象，因此，产品的外观的质量检验是产品质量检验的重要环节之一。

传统的外观质量检验都是基于QC(Quality Control，质量控制)的主观判断，以确定一个产品是否存在缺陷、产品的缺陷类别、产品缺陷的程度等。依据QC的主观判断，会存在着判断依据会随着主观意识的波动而不同，可能存在同一程度的缺陷会前后判断不同，会不同地点判断不同，会因为环境因素不同而判断不同，会因为QC人员的疲劳程度不同而判断不同等等问题。总体而言，对外观质量检验依靠人为主观判断，其检验结果受人为因素、环境因素影响较多较大，且质量检验效率也较低。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于深度学习的质量检测方法、装置、系统、计算机可读存储介质和电子设备。

根据本申请的第一方面，提供了一种基于深度学习的质量检测方法，包括：

获取待检产品的图像信息，所述图像信息为所述待检产品的外观成像；

将所述图像信息传输至预设质量分类模型，所述预设质量分类模型通过深度学习训练得到，用于检测对待检产品进行质量检测、分类；

获取所述预设质量分类模型输出针对所述待检产品的质量检测结果。

在一些实施方式中，所述方法还包括：

基于深度学习算法对预设样本进行训练，得到所述预设质量分类模型。

在一些实施方式中，所述基于深度学习算法对预设样本进行训练，得到所述预设质量分类模型的步骤，包括：

获取所述预设样本的图像信息，其中预设样本为存在预设质量缺陷的产品；

基于所述图像信息的标注信息，通过深度学习算法进行模型训练，以得到所述预设质量分类模型，所述标注信息包括缺陷类型和/或缺陷位置。

在一些实施方式中，所述方法还包括：

获取所述图像信息中的标注符号，以确定所述图像信息的标注信息，所述标记符号为通过人工输入方式标记的。

在一些实施方式中，所述方法还包括：

针对任一预设样本的图像信息，确定图像信息上的缺陷信息；

基于所述缺陷信息标记缺陷符号，以得到所述图像信息的标注信息。

根据本申请的第二方面，提供了一种基于深度学习的质量检测装置，所述装置包括：

第一获取模块，用于获取待检产品的图像信息，所述图像信息为所述待检产品的外观成像；

传输模块，用于将所述图像信息传输至预设质量分类模型，所述预设质量分类模型通过深度学习训练得到，用于检测对待检产品进行质量检测、分类；

识别模块，用于获取所述预设质量分类模型输出针对所述待检产品的质量检测结果。

在一些实施方式中，所述装置还包括：

训练模块，用于基于深度学习算法对预设样本进行训练，得到所述预设质量分类模型。

在一些实施方式中，所述装置还包括：

第二获取模块，用于获取所述图像信息中的标注符号，以确定所述图像信息的标注信息，所述标记符号为通过人工输入方式标记的。

在一些实施方式中，所述装置还包括：

确定模块，用于针对任一预设样本的图像信息，确定图像信息上的缺陷信息；

标注模块，用于基于所述缺陷信息标记缺陷符号，以得到所述图像信息的标注信息。

图像获取模块，用于获取待检产品的图像，所述待检产品图像中包括有预设标签图像，所述预设标签为贴附在待检产品表面的、用于表征产品质量的标识；

图像识别模块，用于对所述预设标签图像中的标识进行识别，以得到所述待检产品的质量数据；

数据上传模块，用于将所述待检产品的质量数据上传至预设质量管理平台。

根据本申请的第三方面，提供了一种基于深度学习的质量检测系统，包括如第二方面基于深度学习的质量检测装置、支撑支架、待检产品固定平台和图像采集装置，其中，

所述基于深度学习的质量检测装置执行如第一方面的方法；

所述支撑支架用于连接所述基于深度学习的质量检测装置；

所述待检产品固定平台与支撑支架固定连接，用于在采集待检产品的图像时，放置所述待检产品；

以及所述基于深度学习的质量检测装置设置在所述图像采集装置中，执行如第一方面所述的方法，或者，所述基于深度学习的质量检测装置与所述图像采集装置连接，由接收所述图像采集装置传输的待检产品的图像信息，以执行如第一方面所述的方法。

根据本申请第四方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述第一方面所述的基于深度学习的质量检测方法。

根据本申请第五方面，提供一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述第一方面基于深度学习的质量检测方法。

本申请提供的实施例，通过一种基于深度学习的质量检测方法、装置和系统，基于待检产品的图像和质量检测模型，即可快速识别待检产品的质量，实现一种准确快速的产品缺陷检测方式，实现生产质检的自动化，减少人工成本和繁琐的质检过程对，降低产品质量不合格的风险。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是本申请示例性实施例提供的一种基于深度学习的质量检测方法的流程示意图。

图2是本申请示例性实施例提供的一种基于深度学习的质量检测装置的结构示意图。

图3是本申请一示例性实施例提供的一种基于深度学习的质量检测系统的结构示意图。

图4是本申请一示例性实施例提供的电子设备的结构图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

示例性方法

图1是本申请一示例性实施例提供的基于深度学习的质量检测方法的流程示意图。如图1所示，本发明提供的一种基于深度学习的质量检测方法包括如下步骤：

步骤101，获取待检产品的图像信息，图像信息为待检产品的外观成像。

待检产品的图像信息理解可以是通过图像采集装置采集得到的，也可以是图像采集装置完成采集后，进一步进行去噪和图像转换得到的。以及，图像信息可以是待检产品的外观某个待检面的二维图像或者是待检产品的外观三维图像。

在本步骤中，可以是图像采集装置实施，或者是图像采集装置连接的质量检测的系统或者平台实施，该系统或者平台获取图像采集装置采集到的图像。

步骤102，将图像信息传输至预设质量分类模型，预设质量分类模型通过深度学习训练得到，用于对待检产品进行质量检测、分类。

在一些实施方式中，将得到的图像信息传输给预设质量分类模型，例如可以通过有线网络传输方式发送至预设质量分类模型中，或者，可以通过无线网络传输方式(例如wifi、蓝牙、zigbee等)发送至预设质量分类模型中。

在另一些实施方式中，预设质量分类模型可以设置在本发明实施例的图像采集装置中，减少数据传输的资源耗费和时间成本。

预设质量分类模型可以基于深度学习算法对预设样本进行训练得到。示例性地，可以准备大量的预设样本(例如，存在产品质量缺陷的产品)，然后采集每一个预设样本的图像信息，并对图像中缺陷进行标注(例如，标注缺陷类型、标注缺陷位置等)，基于这些图像信息的标注信息，通过深度学习算法进行模型训练，得到预设质量分类模型。其中，标注的方式可以是人工标注，也可以是采用计算机程序的自动标注：如果是人工标注，则可以获取图像信息中的标注符号，以确定图像信息的标注信息，标记符号为通过人工输入方式标记的，例如，标注人员可以在标注系统中点击或输入的方式把缺陷类型和位置标注出来，通过获取标注人员点击或输入的信息，就得到可标注信息，或者，通过计算机程序(例如图像识别软件、定位软件等)针对任一预设样本的图像信息，确定图像信息上的缺陷信息(例如，缺陷类型或缺陷位置)，进而与预设的缺陷类型进行匹配，得到该预设样本的缺陷类型，以及，可以通过定位软件，确定图中的缺陷位置，再进行物理位置转换，得到预设样本的缺陷位置，进而可以将该预设样本的缺陷类型和/或缺陷位置确定为图像信息的标注信息。

步骤103，获取预设质量分类模型输出针对待检产品的质量检测结果。

检测后，可以在显示平台或者向检验人员发送可视化信息的方式，输出待检产品的检测结果。

在一些实施方式中，还可以基于质量检测结果打印/印制质量标签，并自动粘贴在对应的产品上。其中，质量标签例如可以是可粘贴的、至少标识有产品缺陷类型、缺陷位置的印刷品。

通过一种基于深度学习的质量检测方法、装置和系统，基于待检产品的图像和质量检测模型，即可快速识别待检产品的质量，实现一种准确快速的产品缺陷检测方式，实现生产质检的自动化，减少人工成本和繁琐的质检过程对，降低产品质量不合格的风险。

示例性装置

图2是本申请实施例提供的一种基于深度学习的质量检测装置的结构示意图。本实施例中的装置可以包括：第一获取模块21、传输模块22和识别模块23。

第一获取模块21用于获取待检产品的图像信息，所述图像信息为所述待检产品的外观成像。

传输模块22用于将所述图像信息传输至预设质量分类模型，所述预设质量分类模型用于检测对待检产品进行质量检测、分类。

识别模块23用于获取所述预设质量分类模型输出针对所述待检产品的质量检测结果。

本申请一种基于深度学习的质量检测装置还可以包括：

训练模块(图中未示出)用于基于深度学习算法对预设样本进行训练，得到所述预设质量分类模型。

和/或，

第二获取模块(图中未示出)用于获取所述图像信息中的标注符号，以确定所述图像信息的标注信息，所述标记符号为通过人工输入方式标记的。

和/或，

确定模块(图中未示出)用于针对任一预设样本的图像信息，确定图像信息上的缺陷信息；标注模块(图中未示出)用于基于所述缺陷信息标记缺陷符号，以得到所述图像信息的标注信息。

通过一种基于深度学习的质量检测装置，基于待检产品的图像和质量检测模型，即可快速识别待检产品的质量，实现一种准确快速的产品缺陷检测方式，实现生产质检的自动化，减少人工成本和繁琐的质检过程对，降低产品质量不合格的风险。

示例性系统

图3是本申请示例性实施例提供的一种基于深度学习的质量检测系统的结构示意图。基于深度学习的质量检测系统可以包括图2所示的基于深度学习的质量检测装置、支撑支架41、待检产品固定平台42和图像采集装置43，其中，所述基于深度学习的质量检测用于执行如图1所示的方法；支撑支架41可以用于支撑图2所示的基于深度学习的质量检测装置；待检产品固定平台42与支撑支架41固定连接，用于在采集待检产品的图像时，放置待检产品，以及，基于深度学习的质量检测装置设置在图像采集装置43中，执行如图1所示的方法，或者，基于深度学习的质量检测装置与图像采集装置43连接，由接收图像采集装置传输的待检产品的图像信息，以执行如图1所示的方法

在一些实施例中，基于深度学习的质量检测系统还可以包括光源，用于在图像采集过程中提供光照，以提到图像的质量，进而提高图像识别准确度。

通过一种基于深度学习的质量检测系统，基于待检产品的图像和质量检测模型，即可快速识别待检产品的质量，实现一种准确快速的产品缺陷检测方式，实现生产质检的自动化，减少人工成本和繁琐的质检过程对，降低产品质量不合格的风险。

示例性电子设备

下面，参考图4来描述根据本申请实施例的电子设备。图4图示了根据本申请实施例的电子设备的框图。

如图4所示，电子设备11包括一个或多个处理器111和存储器112。

处理器111可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备11中的其他组件以执行期望的功能。

存储器112可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器111可以运行所述程序指令，以实现上文所述的本申请的各个实施例的一种基于深度学习的质量检测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电子设备11还可以包括：输入装置113和输出装置114，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

例如，在该电子设备是第一设备或第二设备时，该输入装置113可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置113可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。

此外，该输入设备113还可以包括例如键盘、鼠标等等。

该输出装置114可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备114可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图4中仅示出了该电子设备11中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备11还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的一种基于深度学习的质量检测方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在第一用户计算设备上执行、部分地在第一用户设备上执行、作为一个独立的软件包执行、部分在第一用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的一种基于深度学习的质量检测方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。