一种缺陷检测方法、装置及电子设备

技术领域

本申请涉及机器视觉技术领域，尤其涉及一种缺陷检测方法、装置及电子设备。

背景技术

在产品生产应用中，以手套生产为例，手套成型后在手模上随着流水线进入各个工序进行处理，最后成品摘取。

目前，为了保证手套的生产质量，常通过人工肉眼查看是否存在缺陷(例如，油污、杂点、白点、余料等)，这种人工检测方式费时费力，也常会发生漏检的情况。

发明内容

有鉴于此，本申请实施例提供一种缺陷检测方法、装置及电子设备，以实现通过机器视觉实现手套生产质量的自动检测，替代了人工肉眼检测，提高检测效率，避免发生漏检的情况。

根据申请实施例的第一方面，提供一种缺陷检测方法，所述方法应用于电子设备，所述方法包括：

通过AI算法对已获得的手套图像进行缺陷初步定位，得到至少一个疑似缺陷区域；

依据每一疑似缺陷区域的颜色值和所述手套图像的背景颜色值，确定每一疑似缺陷区域的疑似缺陷类别；

将疑似缺陷类别满足设定类别要求的疑似缺陷区域转换至有颜色饱和度的指定色彩空间，得到疑似缺陷区域对应的参考缺陷区域；

对于每一参考缺陷区域，基于该参考缺陷区域对应的疑似缺陷区域的疑似缺陷类别，从该参考缺陷区域中确定出异常像素点；异常像素点的特征信息至少包括异常像素点的颜色饱和度；

针对疑似缺陷类别满足设定类别要求的每一疑似缺陷区域，依据该疑似缺陷区域的疑似缺陷类别、以及该疑似缺陷区域对应的参考缺陷区域中各异常像素点的特征信息，确定该疑似缺陷区域的目标缺陷类别。

根据申请实施例的第二方面，提供一种缺陷检测装置，所述装置应用于电子设备，所述装置包括：

初步定位模块，用于通过AI算法对已获得的手套图像进行缺陷初步定位，得到至少一个疑似缺陷区域；

疑似缺陷类别确定模块，用于依据每一疑似缺陷区域的颜色值和所述手套图像的背景颜色值，确定每一疑似缺陷区域的疑似缺陷类别；

转换模块，用于将疑似缺陷类别满足设定类别要求的疑似缺陷区域转换至有颜色饱和度的指定色彩空间，得到疑似缺陷区域对应的参考缺陷区域；

异常像素点确定模块，用于对于每一参考缺陷区域，基于该参考缺陷区域对应的疑似缺陷区域的疑似缺陷类别，从该参考缺陷区域中确定出异常像素点；异常像素点的特征信息至少包括异常像素点的颜色饱和度；

目标缺陷类别确定模块，用于针对疑似缺陷类别满足设定类别要求的每一疑似缺陷区域，依据该疑似缺陷区域的疑似缺陷类别、以及该疑似缺陷区域对应的参考缺陷区域中各异常像素点的特征信息，确定该疑似缺陷区域的目标缺陷类别。

根据申请实施例的第三方面，提供一种电子设备，电子设备包括：处理器和存储器；

其中，所述存储器，用于存储机器可执行指令；

所述处理器，用于读取并执行所述存储器存储的机器可执行指令，以实现如第一方面所述的方法。

本申请实施例提供的技术方案可以包括以下有益效果：

由以上技术方案可以看出，本申请实施例中，通过AI算法对手套图像进行缺陷初步定位，然后对疑似缺陷区域进行初始分类，得到疑似缺陷类别，再对疑似缺陷区域进行细分类，得到目标缺陷类别，实现了通过机器视觉对手套生产质量的自动检测，替代了人工肉眼检测，提高检测效率，避免发生漏检的情况；

进一步地，结合AI算法和传统2D算法(即上述的细分类过程)实现对手套的缺陷检测，充分发挥AI算法和传统2D算法的优势，提高手套缺陷检测效率和准确率。

附图说明

图1是本申请实施例提供的一种缺陷检测方法的流程图。

图2是本申请实施例提供的手套图像的示例图。

图3是本申请实施例提供的尺寸测量的示例图。

图4是本申请实施例提供的目标类别确定的流程图。

图5是本申请实施例示出的一种缺陷检测装置的框图。

图6本申请实施例示出的电子设备的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

下面对本申请实施例提供的方法进行描述：

参见图1，图1为本申请实施例提供的方法流程图。该方法应用于电子设备，作为一个实施例，这里的电子设备比如为终端、服务器等，本实施例并不具体限定。

如图1所示，该流程可包括以下步骤：

S110：通过人工智能(Artificial Intelligence，AI)算法对已获得的手套图像进行缺陷初步定位，得到至少一个疑似缺陷区域。

示例性地，在本实施例中，手套可以是聚氯乙烯(Polyvinyl chloride，PVC)材质的手套、丁腈材质的手套等，本申请实施例并不具体限定。

在本实施例中，手套图像是提前拍摄好的红、绿、蓝(RGB)图像，具体地，该手套图像可以是在手套脱模前拍摄的，也可以是在完成手套脱模后拍摄的(图2所示的手套图像是在手套脱模后拍摄的)，本申请实施例并不具体限定。

示例性地，在本实施例中，AI算法可以包括但不限于目标检测、语义分割等，本申请实施例并不具体限定。

需要说明的是，上述目标检测、语义分割等方法均为常规技术，这里不再赘述。

在本实施例中，疑似缺陷区域可以为真实的缺陷区域，也可以为误定位的非缺陷区域，下面会对该疑似缺陷区域的缺陷类别进行识别，以得到疑似缺陷区域的疑似缺陷类别。

S120：依据每一疑似缺陷区域的颜色值和手套图像的背景颜色值，确定每一疑似缺陷区域的疑似缺陷类别。

示例性地，在本实施例中，疑似缺陷类别可以有很多种，作为一个实施例，疑似缺陷类别为：第一疑似类别、第二疑似类别或第三疑似类别。其中，第一疑似类别用于指示疑似缺陷区域的颜色深于手套图像的背景颜色；第二疑似类别用于指示疑似缺陷区域的颜色浅于手套图像的背景颜色；第三疑似类别用于指示疑似缺陷区域的颜色与手套图像的背景颜色一样，属于误定位的疑似缺陷区域。

在得到各疑似缺陷区域的疑似缺陷类别后，可以对疑似缺陷类别为第三疑似类别的疑似缺陷区域进行过滤，即可以对缺陷初步定位错误的进行过滤，修正缺陷定位结果。

作为另一个实施例，疑似缺陷类别为：第一疑似类别或第二疑似类别。其中，第一疑似类别用于指示疑似缺陷区域的颜色深于手套图像的背景颜色；第二疑似类别用于指示疑似缺陷区域的颜色浅于手套图像的背景颜色。

在本实施例中，本步骤S120中，依据每一疑似缺陷区域的颜色值和手套图像的背景颜色值，确定每一疑似缺陷区域的疑似缺陷类别有很多方法，例如，卷积神经网络(Convolutional Neural Networks，CNN)分类算法，颜色特征提取和机器学习分类算法结合的方法等，本申请实施例并不具体限定。

当使用CNN分类算法确定每一疑似缺陷区域的疑似缺陷类别时，将该疑似缺陷区域输入到已训练好的分类模型中，以由分类模型输出该疑似缺陷区域的疑似缺陷类别，这里，分类模型可以为AlexNet模型、计算机视觉模型MobileNet、残差网络ResNet等，本申请实施例并不具体限定。

在本实施例中，该分类模型是提前训练好的，作为一个实施例，训练方法如下：

(1)搭建网络模型

具体的，本申请，分类模型主要用于特征提取和分类，其模型结构可以采用上述AlexNet、MobileNet以及ResNet中的任意一个。

(2)获取训练样本

针对上述分类模型，可获取包含各种缺陷图像样本，进而对获取的缺陷图像样本进行标注，添加类别标签。

当然，为了增加训练样本的数据量以及多样性，还可以对获取到的缺陷图像样本进行数据增强，这里，数据增强可以包括：随机缩放、随机裁剪、随机颜色变换等，本申请实施例对该数据增强方法不作具体限定，可以根据实际情况确定。

(3)利用获取到的训练样本训练上述网络模型，得到训练好的分类模型

具体的，可先将网络模型中的网络参数设定为指定值，然后利用获取到的训练样本训练上述网络模型，得到训练好的分类模型。

具体的，该过程可以包括前向传播和后向传播两个阶段：前向传播，即输入一个训练样本，对训练样本进行前向传播提取数据特征，计算损失函数；后向传播，利用损失函数从网络模型的最后一层依次往前反向传播，同时利用梯度下降法修改网络模型的网络参数，以使损失函数收敛，得到训练好的分类模型。

当使用颜色特征提取和机器学习分类算法结合的方法确定每一疑似缺陷区域的疑似缺陷类别时，对于每一疑似缺陷区域，确定该疑似缺陷区域的颜色直方图；利用指定分类算法对该颜色直方图进行处理，得到该疑似缺陷区域中的疑似缺陷类别，这里，指定分类算法可以为支持向量机(Support Vector Machine，SVM)算法，也可以为其他分类算法，本申请实施例并不具体限定。

S130：将疑似缺陷类别满足设定类别要求的疑似缺陷区域转换至有颜色饱和度的指定色彩空间，得到疑似缺陷区域对应的参考缺陷区域。

示例性地，在本实施例中，疑似缺陷类别满足设定类别要求的疑似缺陷区域指的是疑似缺陷类别不为第三疑似类别的疑似缺陷区域，将疑似缺陷类别满足设定类别要求的疑似缺陷区域转换至有颜色饱和度的指定色彩空间，即可得到疑似缺陷区域对应的参考缺陷区域。

示例性地，在本实施例中，由于疑似缺陷区域的颜色可能有多种，因此，需要将疑似缺陷区域转换到有颜色饱和度的指定色彩空间，这里，指定色彩空间例如可以为，色相、饱和度和明度(Hue，Saturation，Value，HSV)空间、色相、饱和度和亮度(Hue，Saturation，Intensity，HSI)空间等，本申请实施例对该指定色彩空间并不具体限定。

本申请实施例仅以指定色彩空间为HSV空间为例进行描述：

对于疑似缺陷类别满足设定类别要求的疑似缺陷区域，将该疑似缺陷区域(RGB图像)的每个像素点都转换到HSV空间，得到参考缺陷区域具体可以为：

v＝max

其中，h表示色调；s表示颜色饱和度；v表示明度；max表示三通道RGB的最大值，min表示三通道RGB的最小值。

S140：对于每一参考缺陷区域，基于该参考缺陷区域对应的疑似缺陷区域的疑似缺陷类别，从该参考缺陷区域中确定出异常像素点。

示例性地，在本实施例中，异常像素点的特征信息至少包括异常像素点的颜色饱和度，本申请实施例并不具体限定。

在本实施例中，本步骤S140中，基于该参考缺陷区域对应的疑似缺陷区域的疑似缺陷类别，从该参考缺陷区域中确定出异常像素点具体可以为：

步骤a：获得该参考缺陷区域中像素点的颜色饱和度为预先指定的颜色饱和度值的参考像素点；

步骤b：从各参考像素点中选择异常像素点，异常像素点的各邻居像素点中至少存在一个邻居像素点的颜色饱和度为预先指定的颜色饱和度值。

示例性地，在本实施例中，预先指定的颜色饱和度值可以为任意值，例如，255，本申请实施例并不具体限定。

至于如何获得该参考缺陷区域中像素点的颜色饱和度为预先指定的颜色饱和度值的参考像素点，下面实施例进行了举例描述，这里暂不赘述。

示例性地，在本实施例中，异常像素点的各邻居像素点中至少存在一个在邻居像素点的颜色饱和度为预先指定的颜色饱和度值。例如，如图3所示，图中白色的像素点即为已获得的参考像素点，在从各参考像素点中选择异常像素点时，可以先将单独的白色像素点点删除，这里，单独的白色像素点指的是该像素点的各邻居像素点的颜色饱和度均不为预先指定的颜色饱和度值，在本实施例中，单独的白色点视为误差像素点。

S150：针对疑似缺陷类别满足设定类别要求的每一疑似缺陷区域，依据该疑似缺陷区域的疑似缺陷类别、以及该疑似缺陷区域对应的参考缺陷区域中各异常像素点的特征信息，确定该疑似缺陷区域的目标缺陷类别。

示例性地，在本实施例中，目标缺陷类别可以为第一目标类别、第二目标类别、第三目标类别、第四目标类别或者第五目标类别；其中，第一目标类别用于指示严重油污；第二目标类别用于指示杂点；第三类别用于指示轻微油污；第四目标类别用于指示余料；第五目标类别用于指示白点。

这里，严重油污、轻微油污和杂点对应的疑似缺陷类别为第一疑似类别；白点和余料对应的疑似缺陷类别为第二疑似类别。严重油污的颜色饱和度大于轻微油污的颜色饱和度，和/或，严重油污的面积大于轻微油污的面积；轻微油污的颜色饱和度大于杂点的颜色饱和度，和/或，轻微油污的面积大于杂点的面积；余料的颜色饱和度大于白点的颜色饱和度，和/或，余料的面积大于白点的面积。

在本实施例中，依据该疑似缺陷区域的疑似缺陷类别、以及该疑似缺陷区域对应的参考缺陷区域中各异常像素点的特征信息，确定该疑似缺陷区域的目标缺陷类别有很多方法，本申请实施例并不具体限定。

例如，当该疑似缺陷区域的疑似缺陷类别为第一疑似类别时，设定两个颜色饱和度阈值，记为颜色饱和度阈值1和颜色饱和度阈值2，其中，颜色饱和度阈值1大于颜色饱和度阈值2，当该疑似缺陷区域对应的参考缺陷区域中各异常像素点的特征信息小于或等于颜色饱和度阈值2时，确定该疑似缺陷区域的目标缺陷类别为杂点；当该疑似缺陷区域对应的参考缺陷区域中各异常像素点的特征信息大于颜色饱和度阈值2，且小于或等于颜色饱和度阈值1时，确定该疑似缺陷区域的目标缺陷类别为轻微油污；当该疑似缺陷区域对应的参考缺陷区域中各异常像素点的特征信息大于颜色饱和度阈值1时，确定该疑似缺陷区域的目标缺陷类别为严重油污；当该疑似缺陷区域的疑似缺陷类别为第二疑似类别时，设定一个颜色饱和度阈值，记为颜色饱和度阈值3，当该疑似缺陷区域对应的参考缺陷区域中各异常像素点的特征信息小于或等于颜色饱和度阈值3时，确定该疑似缺陷区域的目标缺陷类别为白点，当该疑似缺陷区域对应的参考缺陷区域中各异常像素点的特征信息大于颜色饱和度阈值3时，确定该疑似缺陷区域的目标缺陷类别为余料。

下面实施例对疑似缺陷区域的目标缺陷类别进行了举例描述，这里暂不赘述。

至此，完成图1所示流程。

通过图1流程可以看出，本申请实施例中，通过AI算法对手套图像进行缺陷初步定位，然后对疑似缺陷区域进行初始分类，得到疑似缺陷类别，再对疑似缺陷区域进行细分类，得到目标缺陷类别，实现了通过机器视觉对手套生产质量的自动检测，替代了人工肉眼检测，提高检测效率，避免发生漏检的情况；

进一步地，结合AI算法和传统2D算法(即上述的细分类过程)实现对手套的缺陷检测，充分发挥AI算法和传统2D算法的优势，提高手套缺陷检测效率和准确率。

作为本申请实施例一个可选实施方式，上述获得该参考缺陷区域中像素点的颜色饱和度为预先指定的颜色饱和度值的参考像素点，包括：

首先，对该参考缺陷区域中像素点的颜色饱和度进行二值化处理，得到二值化处理结果。

在本实施例中，二值化处理结果中任一像素点的颜色饱和度为预先指定的二值中的其中一个值，这里，二值可以为任意不同的两个值，例如，0和255，本申请实施例并不具体限定。

对该参考缺陷区域中像素点的颜色饱和度进行二值化处理，得到二值化处理结果具体可以为：

计算参考缺陷图像中各个像素点的颜色饱和度的平均值mean_val和颜色饱和度的标准差std_val；对于参考缺陷图像中的每个像素点，当该像素点的颜色饱和度与颜色饱和度平均值的差值与颜色饱和度标准差满足指定条件时，确定该像素点的颜色饱和度为第一值，否则，确定该像素点的颜色饱和度为第二值。

具体地，对于参考缺陷图像中的每个像素点进行逐点判断，若该参考缺陷图像对应的疑似缺陷区域的疑似缺陷类别为第一疑似类别时，指定条件可以为mean_val与该像素点的颜色饱和度大于std_val，当该像素点的颜色饱和度与颜色饱和度平均值的差值与颜色饱和度标准差满足指定条件时，则确定该像素点的颜色饱和度为第一值(例如，255)，否则，确定该像素点的颜色饱和度为第二值(例如，0)。

若该参考缺陷图像对应的疑似缺陷区域的疑似缺陷类别为第二疑似类别时，指定条件可以为：该像素点的颜色饱和度减mean_val大于std_val，则当该像素点的颜色饱和度与颜色饱和度平均值的差值与颜色饱和度标准差满足指定条件时，则确定该像素点的颜色饱和度为第一值(例如，255)，否则，确定该像素点的颜色饱和度为第二值(例如，0)。

其次，从二值化处理结果中获得像素点的颜色饱和度为预先指定的颜色饱和度值的参考像素点。

示例性地，在本实施例中，预先指定的颜色饱和度值为预先指定的二值中的其中一个值，在得到二值化处理结果后，从二值化处理结果中获得像素点的颜色饱和度为预先指定的颜色饱和度值的参考像素点即可。

这里，二值化结果中各个像素点的颜色饱和度值是为了确定异常像素点，并不用于后面的计算，后面的计算过程均采用参考缺陷区域中的各个像素点本身的颜色饱和度值进行计算。

作为本申请实施例一个可选实施方式，上述步骤S150中，依据该疑似缺陷区域的疑似缺陷类别、以及该疑似缺陷区域对应的参考缺陷区域中各异常像素点的特征信息，确定该疑似缺陷区域的目标缺陷类别，包括：

首先，基于该疑似缺陷区域对应的参考缺陷区域中各异常像素点，确定异常区域。

示例性地，在本实施例中，异常区域包括该参考缺陷区域中各异常像素点；具体地，异常区域可以由各异常像素点围成的区域表示，也可以由包含各异常像素点的最小矩形框表示，本申请实施例并不具体限定。

其次，基于该疑似缺陷区域的疑似缺陷类别、该疑似缺陷区域对应的参考缺陷区域中各异常像素点的颜色饱和度、以及异常区域的尺寸，确定该疑似缺陷区域的目标缺陷类别。

示例性地，在本实施例中，异常区域的尺寸可以为包含各异常像素点的最小矩形框的长*宽，例如，如图3所示，异常区域的尺寸为10*8。

在本实施例中，基于该疑似缺陷区域的疑似缺陷类别、该疑似缺陷区域对应的参考缺陷区域中各异常像素点的颜色饱和度、以及异常区域的尺寸，确定该疑似缺陷区域的目标缺陷类别具体可以为：

若该疑似缺陷区域的疑似缺陷类别为：第一疑似类别，第一疑似类别用于指示疑似缺陷区域的颜色深于手套图像的背景颜色，则检查该疑似缺陷区域对应的参考缺陷区域是否满足第一设定条件；

如果检查出该疑似缺陷区域对应的参考缺陷区域满足第一设定条件，则若该参考缺陷区域中异常区域的尺寸大于第一设定尺寸，确定该疑似缺陷区域的目标缺陷类别为：第一目标类别，第一目标类别用于指示严重油污，否则，确定该疑似缺陷区域的目标缺陷类别为：第二目标类别，第二目标类别用于指示杂点；

如果检查出该疑似缺陷区域对应的参考缺陷区域不满足第一设定条件，则若该参考缺陷区域中异常区域的尺寸大于第二设定尺寸，确定该疑似缺陷区域的目标缺陷类别为：第一目标类别，否则，确定该疑似缺陷区域的目标缺陷类别为：第三类别，第三类别用于指示轻微油污。

示例性地，在本实施例中，当参考缺陷区域中至少M％(例如，40％、10％等)的异常像素点的颜色饱和度小于第一设定颜色饱和度，则确定参考缺陷区域满足第一设定条件。当然，第一设定条件也可以为其他条件，本申请实施例并不具体限定。

这里，第一设定颜色饱和度为预设的严重油污最小颜色饱和度，其可以为任意数值，本申请实施例并不具体限定。

示例性地，在本实施例中，当检查出该疑似缺陷区域对应的参考缺陷区域满足第一设定条件，进一步判断该参考缺陷区域中异常区域的尺寸大于第一设定尺寸，这里，第一设定尺寸为预设的严重油污最小尺寸，其可以为任意值，

例如，10个像素点，本申请实施例并不具体限定。

若该参考缺陷区域中异常区域的尺寸大于第一设定尺寸，则确定该疑似缺陷区域的目标缺陷类别为：第一目标类别；否则，确定该疑似缺陷区域的目标缺陷类别为：第二目标类别。

在本实施例中，当检查出该疑似缺陷区域对应的参考缺陷区域不满足第一设定条件，进一步判断该参考缺陷区域中异常区域的尺寸大于第二设定尺寸，

这里，第二设定尺寸为预设的轻微油污最大尺寸，其可以为任意值，例如，8个像素点，本申请实施例并不具体限定。

若该参考缺陷区域中异常区域的尺寸大于第二设定尺寸，则确定该疑似缺陷区域的目标缺陷类别为：第一目标类别，否则，确定该疑似缺陷区域的目标缺陷类别为：第三类别。

若该疑似缺陷区域的疑似缺陷类别为：第二疑似类别，第二疑似类别用于指示疑似缺陷区域的颜色浅于手套图像的背景颜色，则检查该疑似缺陷区域对应的参考缺陷区域是否满足第二设定条件。

如果检查出该疑似缺陷区域对应的参考缺陷区域满足第二设定条件，则若该参考缺陷区域中异常区域的尺寸大于第三设定尺寸，确定该疑似缺陷区域的目标缺陷类别为：第四目标类别，第四目标类别用于指示余料，否则，确定该疑似缺陷区域的目标缺陷类别为：第五目标类别，第五目标类别用于指示白点；

如果检查出该疑似缺陷区域对应的参考缺陷区域不满足第一设定条件，则确定该疑似缺陷区域的目标缺陷类别为：第五目标类别。

示例性地，在本实施例中，当参考缺陷区域中至少N％(例如，40％、10％等)的异常像素点的颜色饱和度大于第二设定颜色饱和度，则确定参考缺陷区域满足第一设定条件。当然，第二设定条件也可以为其他条件，本申请实施例并不具体限定。

需要说明的是，N％与M％可以相同，也可以不同，本申请实施例并不具体限定。

这里，第二设定颜色饱和度为预设的余料最小颜色饱和度，第二设定颜色饱和度可以为小于第一设定颜色饱和度的任意数值，本申请实施例并不具体限定。

示例性地，在本实施例中，当检查出该疑似缺陷区域对应的参考缺陷区域满足第二设定条件，进一步判断该参考缺陷区域中异常区域的尺寸大于第三设定尺寸，这里，第三设定尺寸为预设的余料最小尺寸，其可以为任意值，例如，3个像素点，本申请实施例并不具体限定。

若该参考缺陷区域中异常区域的尺寸大于第三设定尺寸，则确定该疑似缺陷区域的目标缺陷类别为：第四目标类别，否则，确定该疑似缺陷区域的目标缺陷类别为：第五目标类别。

当检查出该疑似缺陷区域对应的参考缺陷区域不满足第二设定条件时，确定该疑似缺陷区域的目标缺陷类别为：第五目标类别。

下面结合图4对如何疑似缺陷区域的目标缺陷类别进行描述：

如图4所示，当疑似缺陷区域的疑似缺陷类别为第一疑似类别(即深色缺陷)时，若该疑似缺陷区域对应的参考缺陷区域中不满足第一设定条件(即参考缺陷区域中至少M％的异常像素点的颜色饱和度小于预设的严重油污最小颜色饱和度)，则当该疑似缺陷区域对应的参考缺陷区域中异常区域的尺寸大于预设的轻微油污最大尺寸时，确定该疑似缺陷区域的目标缺陷类别为：严重油污，否则，确定该疑似缺陷区域的目标缺陷类别为：轻微油污；

若该疑似缺陷区域对应的参考缺陷区域中不满足第一设定条件，则当该疑似缺陷区域对应的参考缺陷区域中异常区域的尺寸大于预设的严重油污最小尺寸，确定该疑似缺陷区域的目标缺陷类别为：严重油污，否则，确定该疑似缺陷区域的目标缺陷类别为：杂点。

当当疑似缺陷区域的疑似缺陷类别为第一疑似类别(即浅色缺陷)时，若该疑似缺陷区域对应的参考缺陷区域中不满足第二设定条件(即参考缺陷区域中至少N％的异常像素点的颜色饱和度大于预设的余料最小颜色饱和度)，则当该疑似缺陷区域对应的参考缺陷区域中异常区域的尺寸大于预设的余料最小尺寸时，确定该疑似缺陷区域的目标缺陷类别为：余料，否则，确定该疑似缺陷区域的目标缺陷类别为：白点。

当该疑似缺陷区域对应的参考缺陷区域中不满足第二设定条件时，确定该疑似缺陷区域的目标缺陷类别为：白点。

与前述方法的实施例相对应，本说明书还提供了装置及其所应用的终端的实施例。

如图5所示，图5是本申请实施例提供的一种缺陷检测装置的框图，上述缺陷检测装置包括：

初步定位模块，用于通过AI算法对已获得的手套图像进行缺陷初步定位，得到至少一个疑似缺陷区域；

疑似缺陷类别确定模块，用于依据每一疑似缺陷区域的颜色值和手套图像的背景颜色值，确定每一疑似缺陷区域的疑似缺陷类别；

转换模块，用于将疑似缺陷类别满足设定类别要求的疑似缺陷区域转换至有颜色饱和度的指定色彩空间，得到疑似缺陷区域对应的参考缺陷区域；

异常像素点确定模块，用于对于每一参考缺陷区域，基于该参考缺陷区域对应的疑似缺陷区域的疑似缺陷类别，从该参考缺陷区域中确定出异常像素点；异常像素点的特征信息至少包括异常像素点的颜色饱和度；

目标缺陷类别确定模块，用于针对疑似缺陷类别满足设定类别要求的每一疑似缺陷区域，依据该疑似缺陷区域的疑似缺陷类别、以及该疑似缺陷区域对应的参考缺陷区域中各异常像素点的特征信息，确定该疑似缺陷区域的目标缺陷类别。

作为本申请实施例一个可选实施方式，上述异常像素点确定模块具体用于：

获得该参考缺陷区域中像素点的颜色饱和度为预先指定的颜色饱和度值的参考像素点；

从各参考像素点中选择异常像素点，异常像素点的各邻居像素点中至少存在一个邻居像素点的颜色饱和度为预先指定的颜色饱和度值。

作为本申请实施例一个可选实施方式，上述获得该参考缺陷区域中像素点的颜色饱和度为预先指定的颜色饱和度值的参考像素点，包括：

对该参考缺陷区域中像素点的颜色饱和度进行二值化处理，得到二值化处理结果；二值化处理结果中任一像素点的颜色饱和度为预先指定的二值中的其中一个值；

从二值化处理结果中获得像素点的颜色饱和度为预先指定的颜色饱和度值的参考像素点；预先指定的颜色饱和度值为预先指定的二值中的其中一个值。

作为本申请实施例一个可选实施方式，上述目标缺陷类别确定模块具体用于：

基于该疑似缺陷区域对应的参考缺陷区域中各异常像素点，确定异常区域；异常区域包括该参考缺陷区域中各异常像素点；

基于该疑似缺陷区域的疑似缺陷类别、该疑似缺陷区域对应的参考缺陷区域中各异常像素点的颜色饱和度、以及异常区域的尺寸，确定该疑似缺陷区域的目标缺陷类别。

作为本申请实施例一个可选实施方式，上述基于该疑似缺陷区域的疑似缺陷类别、该疑似缺陷区域对应的参考缺陷区域中各异常像素点的颜色饱和度、以及异常区域的尺寸，确定该疑似缺陷区域的目标缺陷类别，包括：

若该疑似缺陷区域的疑似缺陷类别为：第一疑似类别，第一疑似类别用于指示疑似缺陷区域的颜色深于手套图像的背景颜色，则检查该疑似缺陷区域对应的参考缺陷区域是否满足第一设定条件；其中，当参考缺陷区域中至少M％的异常像素点的颜色饱和度小于第一设定颜色饱和度，则确定参考缺陷区域满足第一设定条件；

如果检查出该疑似缺陷区域对应的参考缺陷区域满足第一设定条件，则若该参考缺陷区域中异常区域的尺寸大于第一设定尺寸，确定该疑似缺陷区域的目标缺陷类别为：第一目标类别，第一目标类别用于指示严重油污，否则，确定该疑似缺陷区域的目标缺陷类别为：第二目标类别，第二目标类别用于指示杂点；

如果检查出该疑似缺陷区域对应的参考缺陷区域不满足第一设定条件，则若该参考缺陷区域中异常区域的尺寸大于第二设定尺寸，确定该疑似缺陷区域的目标缺陷类别为：第一目标类别，否则，确定该疑似缺陷区域的目标缺陷类别为：第三类别，第三类别用于指示轻微油污。

作为本申请实施例一个可选实施方式，上述基于该疑似缺陷区域的疑似缺陷类别、该疑似缺陷区域对应的参考缺陷区域中各异常像素点的颜色饱和度、以及异常区域的尺寸，确定该疑似缺陷区域的目标缺陷类别，包括：

若该疑似缺陷区域的疑似缺陷类别为：第二疑似类别，第二疑似类别用于指示疑似缺陷区域的颜色浅于手套图像的背景颜色，则检查该疑似缺陷区域对应的参考缺陷区域是否满足第二设定条件；其中，当参考缺陷区域中至少N％的异常像素点的颜色饱和度大于第二设定颜色饱和度，则确定参考缺陷区域满足第二设定条件；

如果检查出该疑似缺陷区域对应的参考缺陷区域满足第二设定条件，则若该参考缺陷区域中异常区域的尺寸大于第三设定尺寸，确定该疑似缺陷区域的目标缺陷类别为：第四目标类别，第四目标类别用于指示余料，否则，确定该疑似缺陷区域的目标缺陷类别为：第五目标类别，第五目标类别用于指示白点；

如果检查出该疑似缺陷区域对应的参考缺陷区域不满足第二设定条件，则确定该疑似缺陷区域的目标缺陷类别为：第五目标类别。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

对应地，本申请实施例还提供了图5所示装置的硬件结构图，具体如图6所示，该电子设备可以为上述实施方法的设备。如图6所示，该硬件结构包括：处理器和存储器。

其中，所述存储器，用于存储机器可执行指令；

所述处理器，用于读取并执行所述存储器存储的机器可执行指令，以实现如上所示的所对应的缺陷检测的方法实施例。

作为一个实施例，存储器可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，存储器可以是：易失存储器、非易失性存储器或者类似的存储介质。具体地，存储器可以是RAM(Radom Access Memory，随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、DVD等)，或者类似的存储介质，或者它们的组合。

至此，完成图6所示电子设备的描述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。