一种贴片电阻外观缺陷检测方法及系统

技术领域

本申请涉及贴片电阻技术领域，具体而言，涉及一种贴片电阻外观缺陷检测方法及系统。

背景技术

贴片电阻，即片式固定电阻器，为金属玻璃釉电阻器中的一种。贴片电阻制作中将金属粉和玻璃釉粉混合，采用丝网印刷法印在基板上进而制成成品。其具有体积小、重量轻，适应再流焊与波峰焊，电性能稳定、可靠性高，装配成本低，并可大大节约电路空间成本，使设计更精细化的优点。

在贴片电阻制备过程中，需要在基板上一次印刷电极层、电阻层、密封层等各种结构，之后沿预先形成的剥离线将基板分开，得到多个贴片电阻产品。显然，如果某一层的印刷位置印刷错误或印刷有残缺，则会导致贴片电阻的某个结构位置偏离，产生废品。为此，需要用检测系统对贴片电阻进行检测。贴片电阻为了保证其正常使用，会在外层加工一层保护膜(主要位于贴片电阻上端)，保护膜主要起到防潮、耐热及绝缘的功能，极大提高了贴片电阻的使用寿命。

目前多采用人工用显微镜通过肉眼来检测贴片电阻产品的外观及缺陷，检测的人工成本高，并且检测品质不稳定、检测效率低下。

发明内容

本申请实施例的目的在于提供一种贴片电阻外观缺陷检测方法及系统，用以解决采用人工用显微镜通过肉眼来检测贴片电阻产品的外观及缺陷，检测的人工成本高，并且检测品质不稳定、检测效率低下的问题。

本申请实施例提供的一种贴片电阻外观缺陷检测方法，包括：

获取贴片电阻的图像；

对贴片电阻的图像定位贴片电阻的轮廓并进行切割，得到一个或多个单个贴片电阻图像；

检测单个贴片电阻图像，以获取当前单个贴片电阻合格的判断或是当前单个贴片电阻的缺陷类型；

其中，检测单个贴片电阻图像的检测方法包括以下至少一种：异物检测、正反检测、字符数量检测、表示检测、保护膜检测和电极检测。

上述技术方案中，通过对贴片电阻的图像进行分析，检测图像中每一个贴片电阻是否表面存在异物、正反是否倒置、字符数量是否符合设定数量、字符表示是否正确、保护膜是否覆盖异常以及电极是否焊接异常，最终获取当前单个贴片电阻合格的判断，并且在单个贴片电阻为不合格时确定其缺陷类型。因此，本实施例的检测方法通过对贴片电阻的图像进行识别检测，无需人工参与，自动化程度高，能够提高检测品质的稳定性和检测效率，并且，能够自动判断出贴片电阻的缺陷类型，以便于工作人员根据缺陷类型及时对生产贴片电阻的产品线做出调整。

在一些可选的实施方式中，对贴片电阻的图像定位贴片电阻的轮廓并进行切割，包括：

对贴片电阻的图像，以标准产品的模板图像，通过模板匹配算法，得到单个贴片电阻图像在图像上的位置坐标和外接矩形大小；

通过位置坐标和外接矩形大小，从图像中裁剪出单个贴片电阻图像。

上述技术方案中，采用传统图像算法中的模板匹配算法，使用模板匹配算法前需要准备好一张标准产品的模板图像用于训练学习，通过设置一系列训练参数，提高模板的泛化性。比如实际待检测产品图像可能存在±30°旋转或倾斜，则需要再训练时设置起始角(StartAngle)+30°，终止角(EndAngle)-30°，同时还需要设置角度精度步幅，比如设置角度精度步幅为1°，则每次旋转1°；比如实际待检测产品图像可能存在0.9-1.1倍的尺寸缩放，则需要在训练时设置最小缩放倍数(ScaleStart)0.9，最大缩放倍数(EndScale)1.1，同时还需要设置尺寸缩放精度步幅，比如设置尺寸缩放精度为0.01.则每次变化0.01倍；比如实际待检测产品图像可能存在边缘干扰，则需要在训练时设置边缘检测阈值，当大于此阈值时才会被认为满足边缘特征；比如实际待检测产品图像需要尽可能把所有可能目标对象都找出来，尽可能不遗漏或者尽可能找的准，不错检，此时可以根据需要设置模板精度模式(AccuracyLevel)。通过在训练模板图像时设置包括但不限于以上的参数后，得到训练好的模板匹配定位模型。将此定位模型用于实际产线上时，输入待检测图像后，会输出目标图像在此原图上的位置坐标和外接矩形大小，此时可通过位置和外接矩形大小将单个贴片电阻图像从图像中裁剪出来。

在一些可选的实施方式中，异物检测的方法，包括：

将单个贴片电阻图像送入异物检测模型，检测图像上是否存在异物；

若不存在异物，则将单电子图像切割成字符图像和电极图像；

若存在异物，则检测不通过，并确定贴片电阻的缺陷类型。

上述技术方案中，对单个贴片电阻图像进行异物检测，以避免图像中非贴片电阻区域对异物检测的影响。通过异物检测模型对单个贴片电阻图像进行表面是否存在异物的检测，本实施例中异物检测模型采用深度学习图像分类算法，通过对训练用的贴片电阻图像数据集中单个贴片电阻区域进行裁剪得到单个贴片电阻图像，将其放入到本算法中进行正负样本分类(表面不存在异物为OK，表面存在异物为NG)和训练学习，得到训练后的异物检测模型。对从图像中裁剪出的单个贴片电阻图像，通过缩放(Resize)后送入训练后的异物检测模型，如果检测是OK，则将单个贴片电阻图像用传统图像算法中的模板匹配算法切割成字符图像和电极图像；如果检测是NG，则直接做NG处理，并确定贴片电阻的缺陷类型为贴片电阻表面存在异物。

在一些可选的实施方式中，正反检测的方法，包括：

将字符图像送入正反检测模型，若字符图像为翻转倒置180°的图像，则将字符图像翻转180°，得到水平正放的字符图像；

其中，正反检测模型用于将字符图像分类识别为水平正放或翻转倒置180°的图像。

上述技术方案中，对字符图像进行正反检测，以避免图像中非字符区域对正反检测的影响。通过正反检测模型对字符图像进行正反是否倒置的检测，正反检测模型采用深度学习图像分类算法，通过对训练用的贴片电阻图像数据集中字符区域裁剪出字符图像，将其放入到本算法中进行正负样本分类(水平正放的字符为OK、翻转倒置180°的字符为NG)标注和训练学习，得到训练后的正反检测模型。将待识别的字符图像送入训练后的正反检测模型，检测其是否需反置；如果检测是OK，则检测无需翻转，如果检测是NG，则确定贴片电阻的缺陷类型为存在翻转倒置的单个贴片电阻，并且将字符图像翻转180°放正。

在一些可选的实施方式中，字符数量检测的方法，包括：

将水平正放的字符图像分割得到n个单字符图像，n为正整数；

判断n的值是否等于设定字符数量；若单字符图像的数量与设定字符数量不符，则检测不通过，并确定贴片电阻的缺陷类型。

上述技术方案中，对字符图像，采用传统图像算法中的模板匹配算法切割成n个单字符图像，根据分割后字符数量是否等于指定字符数量，相等则输出OK，不等则输出NG，如果检测是NG，则直接做NG处理，并确定贴片电阻的缺陷类型为字符数量错误。

在一些可选的实施方式中，表示检测的方法，包括：

将单字符图像输入表示检测模型进行分类识别，若识别出任一单字符图像中的字符为异常表示的字符，则检测不通过，并确定贴片电阻的缺陷类型；

将识别出为非异常表示的字符切割出来，得到无背景的单字符图像；

其中，表示检测模型用于将单字符图像分类识别为26个英文字母、0-9的数字和异常表示的字符中的一个。

上述技术方案中，对单字符图像进行表示检测，以避免图像中单字符以外区域对表示检测的影响。通过表示检测模型对单字符图像进行字符表示是否异常的检测，表示检测模型采用深度学习图像分类算法，通过训练用的贴片电阻图像数据集中单个字符区域裁剪得到单字符图像，并将单字符图像成水平放置，将水平放置的单字符图像放入本算法中进行分类标注和训练，其中分类标注包括26个英文字母、0-9的数字和异常表示的字符。将待检测的单字符图像送入表示检测模型检测，如果字符为26个英文字母、0-9的数字中的一个则输出OK，如果字符是异常表示的字符，则输出NG，如果检测是NG，则直接做NG处理，并确定贴片电阻缺陷类型为存在异常表示的字符。

在一些可选的实施方式中，保护膜检测的方法，包括：

将n个无背景的单字符图像作为不透明掩膜，对单个贴片电阻图像进行掩膜处理；

将掩膜处理后的单个贴片电阻图像输入保护膜检测模型，若识别出保护膜覆盖异常，则检测不通过，并确定贴片电阻的缺陷类型；

其中，保护膜检测模型用于将单个贴片电阻图像分类识别为保护膜覆盖异常或保护膜正常覆盖。

上述技术方案中，将n个无背景的单字符图像作为不透明掩膜，对单个贴片电阻图像进行掩膜处理，以避免字符区域对保护膜检测的影响，再通过保护膜检测模型对掩膜处理后的单个贴片电阻图像进行保护膜覆盖是否异常的检测。保护膜检测模型采用度学习图像分类算法，通过对训练用的贴片电阻图像数据集中单个贴片电阻区域进行裁剪得到单个贴片电阻图像，并将单个贴片电阻图像水平放置，并对单个贴片电阻图像的字符进行掩膜处理，掩膜处理后的单个贴片电阻图像放入本算法进行分类标注(保护膜覆盖异常为NG，保护膜覆盖正常为OK)和训练。将待识别的掩膜处理后的单个贴片电阻图像送入保护膜检测模型中进行检测，如果检测是保护膜覆盖正常，输出OK，如果检测是保护膜覆盖异常，则直接做NG处理，并确定贴片电阻的缺陷类型为存在保护膜覆盖异常的贴片电阻。

在一些可选的实施方式中，电极检测的方法，包括：

将电极图像输入电极检测模型，若识别出电极焊接异常，则检测不通过，并确定贴片电阻的缺陷类型；

其中，电极检测模型用于将电极图像分别识别为焊接异常或焊接合格。

上述技术方案中，对电极图像进行电极检测，以避免非电极区域对电极检测的影响。通过电极检测模型对电极图像进行电极是否焊接异常的检测，电极检测模型采用深度学习图像分类算法，通过对训练用的贴片电阻图像数据集中电极区域裁剪出电极图像，将电极图像放入到本算法中进行正负样本分类(电极焊接合格为OK、电极焊接异常为NG)标注和训练学习，得到训练后的电极检测模型。将待识别的电极图像送入训练后的电极检测模型，检测电极焊接是否正常；如果检测是电极焊接合格，则输出OK，如果检测是电极焊接异常，则输出NG，并确定贴片电阻的缺陷类型为存在贴片电阻的电极焊接异常。

本申请实施例提供的一种贴片电阻外观缺陷检测系统，包括：

获取模块，用于获取贴片电阻的图像；

分割模块，用于对贴片电阻的图像定位贴片电阻的轮廓并进行切割，得到一个或多个单个贴片电阻图像；

检测模块，用于检测单个贴片电阻图像，以获取当前单个贴片电阻合格的判断或是当前单个贴片电阻的缺陷类型；其中，检测单个贴片电阻图像的检测方法包括：异物检测、正反检测、字符数量检测、表示检测、保护膜检测和电极检测。

上述技术方案中，该系统通过对贴片电阻的图像进行分析，检测图像中每一个贴片电阻是否表面存在异物、正反是否倒置、字符数量是否符合设定数量、字符表示是否正确、保护膜是否覆盖异常以及电极是否焊接异常，最终获取当前单个贴片电阻合格的判断，并且在单个贴片电阻为不合格时确定其缺陷类型。因此，本实施例的检测方法通过对贴片电阻的图像进行识别检测，无需人工参与，自动化程度高，能够提高检测品质的稳定性和检测效率，并且，能够自动判断出贴片电阻的缺陷类型，以便于工作人员根据缺陷类型及时对生产贴片电阻的产品线做出调整。

本申请实施例提供的一种电子设备，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如以上任一所述的方法。

本申请实施例提供的一种计算机可读存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如以上任一所述的方法。

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，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种贴片电阻外观缺陷检测方法步骤流程图；

图2为本申请实施例提供的对单个贴片电阻图像的检测方法步骤流程图；

图3为本申请实施例提供的一种贴片电阻外观缺陷检测系统功能模块图；

图4示出了本申请实施例提供的电子设备的一种可能的结构。

图标：1-获取模块，2-分割模块，3-检测模块，41-处理器，42-存储器，43-通信接口，44-通信总线。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

请参照图1，图1为本申请实施例提供的一种贴片电阻外观缺陷检测方法步骤流程图，包括：

步骤S1、获取贴片电阻的图像；

步骤S2、对贴片电阻的图像定位贴片电阻的轮廓并进行切割，得到一个或多个单个贴片电阻图像；

步骤S3、检测单个贴片电阻图像，以获取当前单个贴片电阻合格的判断或是当前单个贴片电阻的缺陷类型；其中，检测单个贴片电阻图像的检测方法包括：异物检测、正反检测、字符数量检测、表示检测、保护膜检测和电极检测。

本申请实施例中，通过对贴片电阻的图像进行分析，检测图像中每一个贴片电阻是否表面存在异物、正反是否倒置、字符数量是否符合设定数量、字符表示是否正确、保护膜是否覆盖异常以及电极是否焊接异常，最终获取当前单个贴片电阻合格的判断，并且在单个贴片电阻为不合格时确定其缺陷类型。因此，本实施例的检测方法通过对贴片电阻的图像进行识别检测，无需人工参与，自动化程度高，能够提高检测品质的稳定性和检测效率，并且，能够自动判断出贴片电阻的缺陷类型，以便于工作人员根据缺陷类型及时对生产贴片电阻的产品线做出调整。

在一些可选的实施方式中，步骤S2中对贴片电阻的图像定位贴片电阻的轮廓并进行切割，包括：对贴片电阻的图像，以标准产品的模板图像，通过模板匹配算法，得到单个贴片电阻图像在图像上的位置坐标和外接矩形大小；以及通过位置坐标和外接矩形大小，从图像中裁剪出单个贴片电阻图像。

本申请实施例中，采用传统图像算法中的模板匹配算法，使用模板匹配算法前需要准备好一张标准产品的模板图像用于训练学习，通过设置一系列训练参数，提高模板的泛化性。比如实际待检测产品图像可能存在±30°旋转或倾斜，则需要再训练时设置起始角(StartAngle)+30°，终止角(EndAngle)-30°，同时还需要设置角度精度步幅，比如设置角度精度步幅为1°，则每次旋转1°；比如实际待检测产品图像可能存在0.9-1.1倍的尺寸缩放，则需要在训练时设置最小缩放倍数(ScaleStart)0.9，最大缩放倍数(EndScale)1.1，同时还需要设置尺寸缩放精度步幅，比如设置尺寸缩放精度为0.01.则每次变化0.01倍；比如实际待检测产品图像可能存在边缘干扰，则需要在训练时设置边缘检测阈值，当大于此阈值时才会被认为满足边缘特征；比如实际待检测产品图像需要尽可能把所有可能目标对象都找出来，尽可能不遗漏或者尽可能找的准，不错检，此时可以根据需要设置模板精度模式(AccuracyLevel)。通过在训练模板图像时设置包括但不限于以上的参数后，得到训练好的模板匹配定位模型。将此定位模型用于实际产线上时，输入待检测图像后，会输出目标图像在此原图上的位置坐标和外接矩形大小，此时可通过位置和外接矩形大小将单个贴片电阻图像从图像中裁剪出来。

请参照图2，图2为本申请实施例提供的对单个贴片电阻图像的检测方法步骤流程图。在一些可选的实施方式中，异物检测的方法，包括：将单个贴片电阻图像送入异物检测模型，检测图像上是否存在异物；若不存在异物，则将单电子图像切割成字符图像和电极图像；若存在异物，则检测不通过，并确定贴片电阻的缺陷类型。

本申请实施例中，对单个贴片电阻图像进行异物检测，以避免图像中非贴片电阻区域对异物检测的影响。通过异物检测模型对单个贴片电阻图像进行表面是否存在异物的检测，本实施例中异物检测模型采用深度学习图像分类算法，通过对训练用的贴片电阻图像数据集中单个贴片电阻区域进行裁剪得到单个贴片电阻图像，将其放入到本算法中进行正负样本分类(表面不存在异物为OK，表面存在异物为NG)和训练学习，得到训练后的异物检测模型。对从图像中裁剪出的单个贴片电阻图像，通过缩放(Resize)后送入训练后的异物检测模型，如果检测是OK，则将单个贴片电阻图像用传统图像算法中的模板匹配算法切割成字符图像和电极图像；如果检测是NG，则直接做NG处理，并确定贴片电阻的缺陷类型为贴片电阻表面存在异物。

在一些可选的实施方式中，正反检测的方法，包括：将字符图像送入正反检测模型，若字符图像为翻转倒置180°的图像，则将字符图像翻转180°，得到水平正放的字符图像；其中，正反检测模型用于将字符图像分类识别为水平正放或翻转倒置180°的图像。

本申请实施例中，对字符图像进行正反检测，以避免图像中非字符区域对正反检测的影响。通过正反检测模型对字符图像进行正反是否倒置的检测，正反检测模型采用深度学习图像分类算法，通过对训练用的贴片电阻图像数据集中字符区域裁剪出字符图像，将其放入到本算法中进行正负样本分类(水平正放的字符为OK、翻转倒置180°的字符为NG)标注和训练学习，得到训练后的正反检测模型。将待识别的字符图像送入训练后的正反检测模型，检测其是否需反置；如果检测是OK，则检测无需翻转，如果检测是NG，则确定贴片电阻的缺陷类型为存在翻转倒置的单个贴片电阻，并且将字符图像翻转180°放正。

需注意的是，一个或多个中实施例中沿贴片电阻的水平方向拍摄获取贴片电阻的图像，若发现获取的贴片电阻的图像中贴片电阻为竖向设置，则将相机旋转90°即可。

在一些可选的实施方式中，字符数量检测的方法，包括：将水平正放的字符图像分割得到n个单字符图像，n为正整数；判断n的值是否等于设定字符数量；若单字符图像的数量与设定字符数量不符，则检测不通过，并确定贴片电阻的缺陷类型。

本申请实施例中，对字符图像，采用传统图像算法中的模板匹配算法切割成n个单字符图像，根据分割后字符数量是否等于指定字符数量，相等则输出OK，不等则输出NG，如果检测是NG，则直接做NG处理，并确定贴片电阻的缺陷类型为字符数量错误。

在一些可选的实施方式中，表示检测的方法，包括：将单字符图像输入表示检测模型进行分类识别，若识别出任一单字符图像中的字符为异常表示的字符，则检测不通过，并确定贴片电阻的缺陷类型；以及，将识别出为非异常表示的字符切割出来，得到无背景的单字符图像；其中，表示检测模型用于将单字符图像分类识别为26个英文字母、0-9的数字和异常表示的字符中的一个。

本申请实施例中，对单字符图像进行表示检测，以避免图像中单字符以外区域对表示检测的影响。通过表示检测模型对单字符图像进行字符表示是否异常的检测，表示检测模型采用深度学习图像分类算法，通过训练用的贴片电阻图像数据集中单个字符区域裁剪得到单字符图像，并将单字符图像成水平放置，将水平放置的单字符图像放入本算法中进行分类标注和训练，其中分类标注包括26个英文字母、0-9的数字和异常表示的字符。将待检测的单字符图像送入表示检测模型检测，如果字符为26个英文字母、0-9的数字中的一个则输出OK，如果字符是异常表示的字符，则输出NG，如果检测是NG，则直接做NG处理，并确定贴片电阻缺陷类型为存在异常表示的字符。

在一些可选的实施方式中，保护膜检测的方法，包括：将n个无背景的单字符图像作为不透明掩膜，对单个贴片电阻图像进行掩膜处理；以及，将掩膜处理后的单个贴片电阻图像输入保护膜检测模型，若识别出保护膜覆盖异常，则检测不通过，并确定贴片电阻的缺陷类型；其中，保护膜检测模型用于将单个贴片电阻图像分类识别为保护膜覆盖异常或保护膜正常覆盖。

本申请实施例中，将n个无背景的单字符图像作为不透明掩膜，对单个贴片电阻图像进行掩膜处理，以避免字符区域对保护膜检测的影响，再通过保护膜检测模型对掩膜处理后的单个贴片电阻图像进行保护膜覆盖是否异常的检测。保护膜检测模型采用度学习图像分类算法，通过对训练用的贴片电阻图像数据集中单个贴片电阻区域进行裁剪得到单个贴片电阻图像，并将单个贴片电阻图像水平放置，并对单个贴片电阻图像的字符进行掩膜处理，掩膜处理后的单个贴片电阻图像放入本算法进行分类标注(保护膜覆盖异常为NG，保护膜覆盖正常为OK)和训练。将待识别的掩膜处理后的单个贴片电阻图像送入保护膜检测模型中进行检测，如果检测是保护膜覆盖正常，输出OK，如果检测是保护膜覆盖异常，则直接做NG处理，并确定贴片电阻的缺陷类型为存在保护膜覆盖异常的贴片电阻。

在一些可选的实施方式中，电极检测的方法，包括：将电极图像输入电极检测模型，若识别出电极焊接异常，则检测不通过，并确定贴片电阻的缺陷类型；其中，电极检测模型用于将电极图像分别识别为焊接异常或焊接合格。

本申请实施例中，对电极图像进行电极检测，以避免非电极区域对电极检测的影响。通过电极检测模型对电极图像进行电极是否焊接异常的检测，电极检测模型采用深度学习图像分类算法，通过对训练用的贴片电阻图像数据集中电极区域裁剪出电极图像，将电极图像放入到本算法中进行正负样本分类(电极焊接合格为OK、电极焊接异常为NG)标注和训练学习，得到训练后的电极检测模型。将待识别的电极图像送入训练后的电极检测模型，检测电极焊接是否正常；如果检测是电极焊接合格，则输出OK，如果检测是电极焊接异常，则输出NG，并确定贴片电阻的缺陷类型为存在贴片电阻的电极焊接异常。

请参照图3，图3为本申请实施例提供的一种贴片电阻外观缺陷检测系统功能模块图，该系统包括：获取模块1，用于获取贴片电阻的图像；分割模块2，用于对贴片电阻的图像定位贴片电阻的轮廓并进行切割，得到一个或多个单个贴片电阻图像；以及检测模块3，用于检测单个贴片电阻图像，以获取当前单个贴片电阻合格的判断或是当前单个贴片电阻的缺陷类型；其中，检测单个贴片电阻图像的检测方法包括：异物检测、正反检测、字符数量检测、表示检测、保护膜检测和电极检测。

本申请实施例中，该系统通过对贴片电阻的图像进行分析，检测图像中每一个贴片电阻是否表面存在异物、正反是否倒置、字符数量是否符合设定数量、字符表示是否正确、保护膜是否覆盖异常以及电极是否焊接异常，最终获取当前单个贴片电阻合格的判断，并且在单个贴片电阻为不合格时确定其缺陷类型。因此，本实施例的检测方法通过对贴片电阻的图像进行识别检测，无需人工参与，自动化程度高，能够提高检测品质的稳定性和检测效率，并且，能够自动判断出贴片电阻的缺陷类型，以便于工作人员根据缺陷类型及时对生产贴片电阻的产品线做出调整。

图4示出了本申请实施例提供的电子设备的一种可能的结构。参照图4，电子设备包括：处理器41、存储器42和通信接口43，这些组件通过通信总线44和/或其他形式的连接机构(未示出)互连并相互通讯。

其中，存储器42包括一个或多个(图中仅示出一个)，其可以是，但不限于，随机存取存储器(Random Access Memory，简称RAM)，只读存储器(Read Only Memory，简称ROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，电可擦除可编程只读存储器(Electric Erasable Programmable Read-Only Memory，简称EEPROM)等。处理器41以及其他可能的组件可对存储器42进行访问，读和/或写其中的数据。

处理器41包括一个或多个(图中仅示出一个)，其可以是一种集成电路芯片，具有信号的处理能力。上述的处理器41可以是通用处理器，包括中央处理器(CentralProcessing Unit，简称CPU)、微控制单元(Micro Controller Unit，简称MCU)、网络处理器(Network Processor，简称NP)或者其他常规处理器；还可以是专用处理器，包括神经网络处理器(Neural-network Processing Unit，简称NPU)、图形处理器(Graphics ProcessingUnit，简称GPU)、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuits，简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，简称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。并且，在处理器41为多个时，其中的一部分可以是通用处理器，另一部分可以是专用处理器。

通信接口43包括一个或多个(图中仅示出一个)，可以用于和其他设备进行直接或间接地通信，以便进行数据的交互。通信接口43可以包括进行有线和/或无线通信的接口。

在存储器42中可以存储一个或多个计算机程序指令，处理器41可以读取并运行这些计算机程序指令，以实现本申请实施例提供的检测方法。

可以理解的，图4所示的结构仅为示意，电子设备还可以包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的结构。图4中所示的各组件可以采用硬件、软件或其组合实现。电子设备可能是实体设备，例如PC机、笔记本电脑、平板电脑、手机、服务器、嵌入式设备等，也可能是虚拟设备，例如虚拟机、虚拟化容器等。并且，电子设备也不限于单台设备，也可以是多台设备的组合或者大量设备构成的集群。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被计算机的处理器读取并运行时，执行本申请实施例提供的检测方法。例如，计算机可读存储介质可以实现为图4中电子设备中的存储器42。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，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。

另外，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。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。