一种注塑模具表面缺陷检测方法及系统

技术领域

本发明涉及注塑模具检测技术领域，尤其涉及一种注塑模具表面缺陷检测方法及系统。

背景技术

在注塑模具制造行业中，由于不同产品和模具的特殊性以及不规则性，在检测产品生产状态时费时费力，不能准确快速地检测模具缺陷，从而导致生产效率降低。目前对模具的检测方式，通常是依赖人工检测或模型检测，人工视觉检查虽然可以识别出一些明显的缺陷，但对于微小或复杂的缺陷可能无法准确识别，容易出现漏检或错检，检测精度无法保证，且效率低下，不能满足大规模生产的需求。而模型检测通常由于模型设计和训练数据的局限性，无法全面覆盖所有类型的模具缺陷，同样会影响检测精度。

发明内容

为了解决上述提出的至少一个技术问题，本发明提供一种注塑模具表面缺陷检测方法及系统。

第一方面，本发明提供了一种注塑模具表面缺陷检测方法，所述方法包括：

获取待测注塑模具的表面图像，对表面图像进行图像分割，定位缺陷区域并生成缺陷图像，包括将表面图像转换为预测掩膜，对预测掩膜进行二值化处理得到缺陷轮廓；从缺陷轮廓中提取封闭矩形区域，对封闭矩形区域裁剪得到缺陷图像；

将缺陷图像与预设知识图谱进行匹配，将匹配结果输入至多项式朴素贝叶斯分类器，生成第一分析结果；

将缺陷图像输入至基于神经网络训练得到的缺陷识别模型，输出第二分析结果；

根据第一分析结果和第二分析结果，生成目标缺陷识别结果。

优选地，所述对预测掩膜进行二值化处理得到缺陷轮廓，包括：

将图像划分为多个窗口，设定用于结束迭代的预设幅度，并选定一个窗口为目标窗口，设置灰度阈值为目标窗口中的灰度最大值和灰度最小值的平均值；

根据灰度阈值将目标窗口中的像素点分为两类，第一类为像素值小于灰度阈值的背景区域，第二类为像素值大于灰度阈值的前景区域；

根据背景区域和前景区域计算变化幅度：

式中，

判断变化幅度是否大于预设幅度；若是，则将

优选地，所述将匹配结果输入至多项式朴素贝叶斯分类器，生成第一分析结果，包括：

识别匹配结果中的所有候选缺陷类型，将所有候选缺陷类型的数据进行向量化处理，得到第一特征向量；

将本地数据库存储的所有缺陷类型的数据进行向量化处理，得到第二特征向量；

根据第一特征向量和第二特征向量计算每一种候选缺陷类型的后验概率，将后验概率最大的候选缺陷类型作为第一分析结果。

优选地，所述方法还包括训练缺陷识别模型，包括：

获取多个注塑模具的若干张表面图像样本，分别输入至第一缺陷检测网络、第二缺陷检测网络，生成第一缺陷分布概率和第二缺陷分布概率；第一缺陷检测网络和第二缺陷检测网络为不同模型架构的基学习器；

根据第一缺陷分布概率对表面图像样本进行图像清洗，得到第一目标样本；根据第二缺陷分布概率对表面图像样本进行图像清洗，得到第二目标样本；

利用第二目标样本对第一缺陷检测网络的网络权重进行更新，利用第一目标样本对第二缺陷检测网络的网络权重进行更新，根据更新后的第一缺陷检测网络、第二缺陷检测网络生成缺陷识别模型。

优选地，所述根据第一分析结果和第二分析结果，生成目标缺陷识别结果，包括：

分别筛选出第一分析结果、第二分析结果中出现次数最多的缺陷类型，得到第一缺陷类型、第二缺陷类型；

将第一缺陷类型和第二缺陷类型进行相似度匹配，在确定相似度大于第一预设值时，生成目标缺陷识别结果。

优选地，在所述获取待测注塑模具的表面图像之前，还包括：

获取注塑模具在预设时间段内所制造产品的合格率，将合格率低于第二预设值所对应的注塑模具作为待测注塑模具。

第二方面，本发明还提供了一种注塑模具表面缺陷检测系统，所述系统包括：

图像分割单元，用于获取待测注塑模具的表面图像，对表面图像进行图像分割，定位缺陷区域并生成缺陷图像，包括将表面图像转换为预测掩膜，对预测掩膜进行二值化处理得到缺陷轮廓；从缺陷轮廓中提取封闭矩形区域，对封闭矩形区域裁剪得到缺陷图像；

图像匹配单元，用于将缺陷图像与预设知识图谱进行匹配，将匹配结果输入至多项式朴素贝叶斯分类器，生成第一分析结果；

图像识别单元，用于将缺陷图像输入至基于神经网络训练得到的缺陷识别模型，输出第二分析结果；

目标缺陷识别单元，用于根据第一分析结果和第二分析结果，生成目标缺陷识别结果。

优选地，所述图像匹配单元，还用于：

识别匹配结果中的所有候选缺陷类型，将所有候选缺陷类型的数据进行向量化处理，得到第一特征向量；

将本地数据库存储的所有缺陷类型的数据进行向量化处理，得到第二特征向量；

根据第一特征向量和第二特征向量计算每一种候选缺陷类型的后验概率，将后验概率最大的候选缺陷类型作为第一分析结果。

第三方面，本发明还提供了一种电子设备，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述第一方面及其任意一种可能实现的方式的方法。

第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述第一方面及其任意一种可能实现的方式的方法。

与现有技术相比，本发明的有益效果在于：

本发明通过获取待测注塑模具的表面图像，对表面图像进行图像分割，定位缺陷区域并生成缺陷图像，包括将表面图像转换为预测掩膜，对预测掩膜进行二值化处理得到缺陷轮廓；从缺陷轮廓中提取封闭矩形区域，对封闭矩形区域裁剪得到缺陷图像；将缺陷图像与预设知识图谱进行匹配，将匹配结果输入至多项式朴素贝叶斯分类器，生成第一分析结果；将缺陷图像输入至基于神经网络训练得到的缺陷识别模型，输出第二分析结果；根据第一分析结果和第二分析结果，生成目标缺陷识别结果。相比于采用单一检测模型来说，本发明能够克服训练样本局限导致模型识别精度不高的缺点，通过知识图谱结合多项式朴素贝叶斯分类器，再结合训练的缺陷识别模型对缺陷类型综合识别，通过多角度、多模型的分析，能够大大提高缺陷检测精度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

附图说明

为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1为本发明实施例提供的一种注塑模具表面缺陷检测方法的流程示意图；

图2为本发明实施例提供的一种注塑模具表面缺陷测试系统的结构示意图；

图3为本发明实施例提供的一种电子设备的硬件结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

另外，为了更好地说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样能够实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本发明的主旨。

目前对于注塑模具的缺陷检测通常是依赖人工视觉检测，或采用单一模型识别，前者不仅效率低且容易出现漏检错检，后者由于训练样本的不足，导致无法全面覆盖所有缺陷类型，检测精度同样无法保证。为此，本发明提供了一种注塑模具表面缺陷检测方法，通过知识图谱结合多项式朴素贝叶斯分类器得到一种分析结果，通过训练的缺陷识别模型得到另一种分析结果，最后将两种分析结果综合即可得到目标缺陷类型，能够在提高检测效率的同时大大提升缺陷检测精度。

请参阅图1，图1为本发明实施例提供的一种注塑模具表面缺陷检测方法的流程示意图。如图1所示，一种注塑模具表面缺陷检测方法包括以下步骤：

S10、获取待测注塑模具的表面图像，对表面图像进行图像分割，定位缺陷区域并生成缺陷图像，包括将表面图像转换为预测掩膜，对预测掩膜进行二值化处理得到缺陷轮廓；从缺陷轮廓中提取封闭矩形区域，对封闭矩形区域裁剪得到缺陷图像。

在获取待测注塑模具的表面图像时，为了得到质量较高的图像，可以通过高分辨率摄像头捕获模具的表面图像，然后利用图像处理软件进行分析。还可以采用拍照式三维扫描，通过高精度相机拍摄注塑模具的表面，获取表面多个角度的三维数据及表面图像。

在得到表面图像后，对表面图像进行图像分割，定位缺陷区域并生成缺陷图像，具体包括：

1)将表面图像转换为预测掩膜，对预测掩膜进行二值化处理得到缺陷轮廓；

本步骤中，预测掩膜的主要目的是确定图像中各个部分的属性或类别，以便更好地理解图像的内容。将预测掩膜看作是一种二进制图像，1值区域被处理，被屏蔽的0值区域则不被包括在计算中。因此通过预测掩膜可以提取感兴趣的区域，屏蔽不需要参与处理的区域，从而提取图像的结构特征。

在一个实施例中，对预测掩膜进行二值化处理得到缺陷轮廓，包括：

1.1)将图像划分为多个窗口，设定用于结束迭代的预设幅度，并选定一个窗口为目标窗口；

1.2)设置灰度阈值为目标窗口中的灰度最大值和灰度最小值的平均值；

1.3)根据灰度阈值将目标窗口中的像素点分为两类，第一类为像素值小于灰度阈值的背景区域，第二类为像素值大于灰度阈值的前景区域；

1.4)根据背景区域和前景区域计算变化幅度：

式中，

本步骤中，先计算背景区域的灰度平均值得到背景灰度值，计算前景区域的灰度平均值得到前景灰度值，然后取背景灰度值和前景灰度值的平均值得到结果平均值；进一步地，计算结果平均值和步骤1.2)中设定的灰度阈值的差值，再将差值的绝对值与灰度阈值的比值作为变化幅度；

1.5)判断变化幅度是否大于预设幅度；

1.6)若是，则将结果平均值

1.7)若否，则将结果平均值

1.8)所有窗口都处理完时，结束迭代过程。

2)从缺陷轮廓中提取封闭矩形区域，对封闭矩形区域裁剪得到缺陷图像。

本步骤可以通过使用图像处理库，如OpenCV来检实现，先查找图像中的轮廓，每个轮廓都是点的序列，用于描述轮廓形状。然后检查轮廓的形状和大小，从检测到的轮廓中筛选出封闭矩形轮廓。对于每个封闭矩形轮廓，计算其最小封闭矩形，最后使用计算出的最小封闭矩形边界框来裁剪图像，就可以从原始图像中裁剪出仅包含缺陷的区域。优选地，为了提高缺陷图像的图像质量，可以对裁剪的缺陷图像进行去噪和图像增强操作，如进行对比度和亮度增强。

在一个优选地实施例中，在所述获取待测注塑模具的表面图像之前，还包括：

获取注塑模具在预设时间段内所制造产品的合格率，将合格率低于第二预设值所对应的注塑模具作为待测注塑模具。

可以理解的是，注塑磨具数量种类巨多，在投入生产加工过程之前，通常会对注塑模具进行质量检查，例如随机抽样等。本实施例中，主要针对的注塑模具是投入使用的注塑模具，为了避免大规模检查影响检测效率、造成人力物力资源的浪费，此处针对投入使用的注塑模具进行缺陷检测时，需要获取注塑模具在预设时间段内所制造产品的合格率，假设合格率低于设定的某一预设值，即第二预设值时，那么说明该注塑模具可能存在缺陷，因此需要将这部分模具筛选出来作为待测注塑模具，以进行后续的缺陷检测。

S20、将缺陷图像与预设知识图谱进行匹配，将匹配结果输入至多项式朴素贝叶斯分类器，生成第一分析结果。

本步骤中，首先加载预设知识图谱，知识图谱通常是一个包含多种类别和属性的数据库，用于表示实体及其关系。此处预设知识图谱主要包含了和注塑模具相关的各种缺陷类型的名称、特征、形状等信息，这些信息可以通过文字或者图像的数据形式呈现。通过将缺陷图像与预设知识图谱进行匹配，可以先得到对应的匹配结果，为了识别缺陷类型。

在一个具体地实施例中，将匹配结果输入至多项式朴素贝叶斯分类器，生成第一分析结果，包括：

2.1)识别匹配结果中的所有候选缺陷类型，将所有候选缺陷类型的数据进行向量化处理，得到第一特征向量；

匹配结果中包含了通过与知识图谱匹配后得到的多个候选缺陷类型，此处为了通过多项式朴素贝叶斯分类器来进一步判别，先对所有候选缺陷类型的数据进行向量化处理，得到第一特征向量。

示例性地，采用特征提取算法从缺陷类型中抽取相关特征，将其转换为数值型数据，然后对转换为数值型数据的相关特征采用特征编码方式将其转换为向量形式,得到特征向量；然后将编码后的特征向量按照一定的顺序组合成第一特征向量。这样可以将多个候选缺陷类型转化为维度固定的向量，以用于后续的分类器处理操作。

2.2)将本地数据库存储的所有缺陷类型的数据进行向量化处理，得到第二特征向量。同样地，此处可以按照如步骤2.1)的方式，将本地数据库存储的所有缺陷类型的数据进行向量化处理，得到第二特征向量。

2.3)根据第一特征向量和第二特征向量计算每一种候选缺陷类型的后验概率，将后验概率最大的候选缺陷类型作为第一分析结果。

其中，计算后验概率的表达式为：

公式中，X表示第一特征向量，C表示第二特征向量，P(C|X)表示缺陷类型属于本地数据库存储的所有缺陷类型的条件下还属于候选缺陷类型发生的后验概率，P(X)表示缺陷类型属于当前候选缺陷类型独立发生的先验概率，P(C)表示缺陷类型属于本地数据库存储的所有缺陷类型独立发生的先验概率，P(X|C)表示缺陷类型属于候选缺陷类型的条件下还属于本地数据库存储的所有缺陷类型所发生的先验概率。

最后，在计算出P(C|X)的值后，将P(C|X)最大的候选缺陷类型作为第一分析结果。

本实施例利用多项式朴素贝叶斯分类器通过计算后验概率,可以在给定数据库中所有缺陷类型的情况下，计算识别的缺陷类型为知识图谱匹配得到的每种候选缺陷类型所发生的后验概率，然后通过比较这些后验概率,选取具有最高后验概率的候选缺陷类型作为第一分析结果，如此能够根据概率评估具体为哪种缺陷类型的可能性，从而为后续结合模型预测提供更加准确地分析数据。

S30、将缺陷图像输入至基于神经网络训练得到的缺陷识别模型，输出第二分析结果。

在一个实施例中，在将缺陷图像输入至基于神经网络训练得到的缺陷识别模型之前，还包括训练缺陷识别模型，具体包括以下步骤：

3.1)获取多个注塑模具的若干张表面图像样本，分别输入至第一缺陷检测网络、第二缺陷检测网络，生成第一缺陷分布概率和第二缺陷分布概率；第一缺陷检测网络和第二缺陷检测网络为不同模型架构的基学习器。

例如在一个制造厂中，工作人员正在使用注塑模具，结合热成型技术来制造零部件。由此，可以从初始的注塑模具过程中若干张表面图像样本，并组成一组连续的图像序列。该过程通常包含多个注塑模具，一个注塑模具通常会对应多张表面图像样本。

进一步地，将若干张表面图像样本分别输入至第一缺陷检测网络、第二缺陷检测网络，通过模具缺陷概率分布的可视化来检测模具表面的缺陷，从而可以帮助更好地理解模具的性能，找出缺陷类型(模具可能会出现裂纹、划痕或其它形式的缺陷)、缺陷成因并制定解决方案等。

可以理解的是，提取大量的、全面的注塑模具表面图像样本会相对耗时，且包含的缺陷类型通常有限，例如在流水线制造中大部分注塑模具生成产品的合格率是能达到标准的，那么此时出现的具有缺陷的注塑模具数量就会较少，缺陷类型也比较局限。为此，在一个优选地实施例中，为了获取较为全面的包含各种缺陷类型的训练图像样本，除了提取多个注塑模具的若干张表面图像样本作为训练样本，还可以基于数据库中的注塑模具的正常表面图像，构造缺陷样本，例如筛选出100张正常图像，然后利用这100张图像构造缺陷样本，最后将构造样本和获取的多个注塑模具的若干张表面图像样本一起作为训练样本，输入到缺陷检测网络进行识别，如此可以提高构造样本的效率，且能够保证训练的模型都够识别较为全面的缺陷类型。

具体地，将若干张表面图像样本输入至第一缺陷检测网络，生成第一缺陷分布概率，其中，不同的颜色代表了模具表面的不同质量级别。举例来说，假设模具训练图像样本的尺寸为200x200像素。在经过第一缺陷检测网络的处理后，得到一个同样大小的概率分布图，也就是200x200的矩阵。那每个单元格(对应原图中的一个像素或者像素区域)的值都表示该像素处存在某个缺陷的概率。例如，如果某个单元格的值为0.8，缺陷标签为裂纹，即意味着这个位置有80％的概率存在裂纹；如果另一个单元格的值为0.1，缺陷标签为划痕，那就表示这个位置有10％的概率存在划痕。第一缺陷概率分布可以帮助了解模具的整体质量状况，并识别出可能存在问题的区域，同时还能为清洗训练数据和更新网络权重提供依据。

其中，第二缺陷检测网络与第一缺陷检测网络为不同模型架构的基学习器。例如第一缺陷检测网络可以采用卷积神经网络，第二缺陷检测网络可以采用残差网络。由此，可以依据第二缺陷检测网络生成模具训练图像样本所对应的第二缺陷概率分布。

3.2)根据第一缺陷分布概率对表面图像样本进行图像清洗，得到第一目标样本；根据第二缺陷分布概率对表面图像样本进行图像清洗，得到第二目标样本。

本实施例中，根据第一缺陷概率分布或者第二缺陷概率分布进行训练图像样本清洗，主要目的是去除噪声和非相关信息，使得训练图像样本更为准确和高效。例如，可以设置一个阈值0.5，然后在每个模具训练图像中，将缺陷概率高于这个阈值的区域保留，低于这个阈值的区域则被视为无缺陷或者噪声，进行清除或忽略。由此，可以得到一个清洗过的、只包含高概率缺陷区域的新图像集，即第一目标样本。同样地，重复上述步骤，使用第二缺陷概率分布进行清洗，可以得到第二目标样本。这两个清洗过的图像序列都包含了大量的、高概率的缺陷信息，将其作为新的训练数据，用于更新深度学习模型的权重参数，从而提高模型的检测精度。

3.3)利用第二目标样本对第一缺陷检测网络的网络权重进行更新，利用第一目标样本对第二缺陷检测网络的网络权重进行更新，根据更新后的第一缺陷检测网络、第二缺陷检测网络生成缺陷识别模型。

因此，本实施例基于以上步骤，首先获取多个注塑模具的若干张表面图像样本，然后将其分别加载到两个不同的缺陷检测网络中，生成第一缺陷分布概率和第二缺陷分布概率，可以确保从不同角度和方式进行缺陷检测，增加了检测的全面性和准确性。然后，本实施例会根据缺陷分布概率清洗训练图像样本，生成可信的训练图像序列，作为目标样本，如此可以有效去除噪声和无关信息，提高网络学习效果。最后，本实施例利用缺陷分布概率更新两个缺陷检测网络的权重信息，并基于更新后的缺陷检测网络对待测注塑模具的缺陷图像进行缺陷检测，从而大大提高了模具缺陷检测的精确度和稳定性。

S40、根据第一分析结果和第二分析结果，生成目标缺陷识别结果。

具体地，本步骤包括以下子步骤：

4.1)分别筛选出第一分析结果、第二分析结果中出现次数最多的缺陷类型，得到第一缺陷类型、第二缺陷类型；

4.2)将第一缺陷类型和第二缺陷类型进行相似度匹配，在确定相似度大于第一预设值时，生成目标缺陷识别结果。

本实施例通过将第一分析结果、第二分析结果组合，先分别筛选出各自出现频率最高的缺陷类型，最后再将缺陷类型进行相似度匹配，在相似度满足要求时，得到最终的目标缺陷识别结果。

综上所述，本发明实施例通过获取待测注塑模具的表面图像，对表面图像进行图像分割，定位缺陷区域并生成缺陷图像；将缺陷图像与预设知识图谱进行匹配，将匹配结果输入至多项式朴素贝叶斯分类器，生成第一分析结果；通过知识图谱和多项式朴素贝叶斯分类器能够准确有效的分析出待定的缺陷类型，接着，将缺陷图像输入至基于神经网络训练得到的缺陷识别模型，输出第二分析结果；该缺陷识别模型基于大量的数据样本、结合不同的缺陷检测网络训练得到，通过清洗后的图像来确认可信度高的训练样本，通过更新权重后的缺陷检测网络在得道最终的缺陷识别模型，从而保证了第二分析结果的精度。最后，根据第一分析结果和第二分析结果，生成目标缺陷识别结果。相比于采用单一检测模型来说，本发明能够克服训练样本局限导致模型识别精度不高的缺点，通过知识图谱结合多项式朴素贝叶斯分类器，再结合训练的缺陷识别模型对缺陷类型综合识别，通过多角度、多模型的分析，能够大大提高缺陷检测精度。

参见图2，在一个实施例中，本发明还提供了一种注塑模具表面缺陷检测系统，所述系统包括：

图像分割单元100，用于获取待测注塑模具的表面图像，对表面图像进行图像分割，定位缺陷区域并生成缺陷图像；

图像匹配单元200，用于将缺陷图像与预设知识图谱进行匹配，将匹配结果输入至多项式朴素贝叶斯分类器，生成第一分析结果；

图像识别单元300，用于将缺陷图像输入至基于神经网络训练得到的缺陷识别模型，输出第二分析结果；

目标缺陷识别单元400，用于根据第一分析结果和第二分析结果，生成目标缺陷识别结果。

在一些实施例中，图像匹配单元200，还用于：

识别匹配结果中的所有候选缺陷类型，将所有候选缺陷类型的数据进行向量化处理，得到第一特征向量；

将本地数据库存储的所有缺陷类型的数据进行向量化处理，得到第二特征向量；

根据第一特征向量和第二特征向量计算每一种候选缺陷类型的后验概率，将后验概率最大的候选缺陷类型作为第一分析结果。

可以理解的是，本实施例提供的系统具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本发明还提供了一种电子设备，包括：处理器、发送装置、输入装置、输出装置和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述任意一种可能实现的方式的方法。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述任意一种可能实现的方式的方法。

请参阅图3，图3为本发明实施例提供的一种电子设备的硬件结构示意图。

该电子设备2包括处理器21，存储器22，输入装置23，输出装置24。该处理器21、存储器22、输入装置23和输出装置24通过连接器相耦合，该连接器包括各类接口、传输线或总线等等，本发明实施例对此不作限定。应当理解，本发明的各个实施例中，耦合是指通过特定方式的相互联系，包括直接相连或者通过其他设备间接相连，例如可以通过各类接口、传输线、总线等相连。

处理器21可以是一个或多个图形处理器(graphics processing unit，GPU)，在处理器21是一个GPU的情况下，该GPU可以是单核GPU，也可以是多核GPU。可选的，处理器21可以是多个GPU构成的处理器组，多个处理器之间通过一个或多个总线彼此耦合。可选的，该处理器还可以为其他类型的处理器等等，本发明实施例不作限定。

存储器22可用于存储计算机程序指令，以及用于执行本发明方案的程序代码在内的各类计算机程序代码。可选地，存储器包括但不限于是随机存储记忆体(random accessmemory，RAM)、只读存储器(read-only memory，ROM)、可擦除可编程只读存储器(erasableprogrammable read only memory，EPROM)、或便携式只读存储器(compact disc read-only memory，CD-ROM)，该存储器用于相关指令及数据。

输入装置23用于输入数据和/或信号，以及输出装置24用于输出数据和/或信号。输入装置23和输出装置24可以是独立的器件，也可以是一个整体的器件。

可理解，本发明实施例中，存储器22不仅可用于存储相关指令，本发明实施例对于该存储器中具体所存储的数据不作限定。

可以理解的是，图3仅仅示出了一种电子设备的简化设计。在实际应用中，电子设备还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、存储器等，而所有可以实现本发明实施例的视频解析装置都在本发明的保护范围之内。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。所属领域的技术人员还可以清楚地了解到，本发明各个实施例描述各有侧重，为描述的方便和简洁，相同或类似的部分在不同实施例中可能没有赘述，因此，在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(digitalversatiledisc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：只读存储器(read-only memory，ROM)或随机存储存储器(random access memory，RAM)、磁碟或者光盘等各种可存储程序代码的介质。