CN110726724A - 缺陷检测方法、系统和装置 - Google Patents

Images

Classifications

• • G—PHYSICS
  • G01—MEASURING; TESTING
  • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
  • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
  • G01N21/84—Systems specially adapted for particular applications
  • G01N21/88—Investigating the presence of flaws or contamination
  • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
• • G—PHYSICS
  • G06—COMPUTING; CALCULATING OR COUNTING
  • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
  • G06T7/00—Image analysis
  • G06T7/0002—Inspection of images, e.g. flaw detection
  • G06T7/0004—Industrial image inspection
  • G06T7/0008—Industrial image inspection checking presence/absence
• • G—PHYSICS
  • G01—MEASURING; TESTING
  • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
  • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
  • G01N21/84—Systems specially adapted for particular applications
  • G01N21/88—Investigating the presence of flaws or contamination
  • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
  • G01N2021/8854—Grading and classifying of flaws
• • G—PHYSICS
  • G01—MEASURING; TESTING
  • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
  • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
  • G01N21/84—Systems specially adapted for particular applications
  • G01N21/88—Investigating the presence of flaws or contamination
  • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
  • G01N2021/8854—Grading and classifying of flaws
  • G01N2021/8861—Determining coordinates of flaws
• • G—PHYSICS
  • G01—MEASURING; TESTING
  • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
  • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
  • G01N21/84—Systems specially adapted for particular applications
  • G01N21/88—Investigating the presence of flaws or contamination
  • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
  • G01N2021/8854—Grading and classifying of flaws
  • G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
  • G01N2021/887—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing the measurements made in two or more directions, angles, positions
• • G—PHYSICS
  • G01—MEASURING; TESTING
  • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
  • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
  • G01N21/84—Systems specially adapted for particular applications
  • G01N21/88—Investigating the presence of flaws or contamination
  • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
  • G01N2021/8854—Grading and classifying of flaws
  • G01N2021/888—Marking defects
• • G—PHYSICS
  • G01—MEASURING; TESTING
  • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
  • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
  • G01N21/84—Systems specially adapted for particular applications
  • G01N21/88—Investigating the presence of flaws or contamination
  • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
  • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
• • G—PHYSICS
  • G01—MEASURING; TESTING
  • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
  • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
  • G01N21/84—Systems specially adapted for particular applications
  • G01N21/88—Investigating the presence of flaws or contamination
  • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
  • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
• • G—PHYSICS
  • G06—COMPUTING; CALCULATING OR COUNTING
  • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
  • G06T2207/00—Indexing scheme for image analysis or image enhancement
  • G06T2207/10—Image acquisition modality
  • G06T2207/10004—Still image; Photographic image
• • G—PHYSICS
  • G06—COMPUTING; CALCULATING OR COUNTING
  • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
  • G06T2207/00—Indexing scheme for image analysis or image enhancement
  • G06T2207/20—Special algorithmic details
  • G06T2207/20021—Dividing image into blocks, subimages or windows
• • G—PHYSICS
  • G06—COMPUTING; CALCULATING OR COUNTING
  • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
  • G06T2207/00—Indexing scheme for image analysis or image enhancement
  • G06T2207/20—Special algorithmic details
  • G06T2207/20081—Training; Learning
• • G—PHYSICS
  • G06—COMPUTING; CALCULATING OR COUNTING
  • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
  • G06T2207/00—Indexing scheme for image analysis or image enhancement
  • G06T2207/20—Special algorithmic details
  • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本申请实施例公开了缺陷检测方法、系统和装置。该方法可应用于云计算领域，具体地，该方法的一具体实施方式包括：在多个拍摄条件下拍摄的图像，分别输入目标检测模型，得到从该目标检测模型输出的多个第一检测结果；对于该在多个拍摄条件下拍摄的图像中的各个图像，基于该目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，若判断有缺陷，将该图像作为疑似缺陷图像；将该疑似缺陷图像输入预先训练的神经网络模型进行检测，得到第二检测结果。本申请实施例能够通过快速的无监督模型，筛选出疑似缺陷图像，从而减少输入神经网络模型的图像的数量，提高缺陷检测的效率。

Description

缺陷检测方法、系统和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及缺陷检测方法、系统和装置。

背景技术

在传统的制造业的生产活动中，产品的状态检测比如外观状态的检测，是制造厂商控制出货质量的重要环节。传统的厂商会通过产品的状态检测，确定产品是否存在瑕疵和缺陷，从而判断生产的笔记本是否是合格品。

当前对笔记本进行质量检测的方式包括人工检测和光学仪器检测。其中的人工检测的效率低且精度差。光学仪器的检测规则往往是固化到机器中的，如果检测规则发生变化比如检测对象发生变化，哪怕只是微小的变化，都需要对光学仪器进行硬件升级。该过程需要耗时耗力，执行难度较大。

发明内容

本申请实施例提出了缺陷检测方法、系统和装置。

第一方面，本申请实施例提供了一种缺陷检测方法，包括：获取对目标物品在多个拍摄条件下拍摄的图像；将在多个拍摄条件下拍摄的图像，分别输入目标检测模型，得到从目标检测模型输出的多个第一检测结果，其中，目标检测模型包括无监督模型，第一检测结果用于表征图像呈现的目标物品是否有缺陷；对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，若判断有缺陷，将该图像作为疑似缺陷图像；将疑似缺陷图像输入预先训练的神经网络模型进行检测，得到第二检测结果，其中，第二检测结果用于表征疑似缺陷图像呈现的目标物品是否有缺陷。

在一些实施例中，拍摄条件包括拍摄角度和/或光照。

在一些实施例中，目标检测模型包括互不相同的至少两个目标检测模型。

在一些实施例中，对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，包括：响应于针对该图像至少两个目标检测模型分别输出的第一检测结果中，表征目标物品有缺陷的第一检测结果的数量，大于或等于表征目标物品没有缺陷的第一检测结果的数量，判断该图像呈现的目标物品有缺陷。

在一些实施例中，对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，包括：将至少两个目标检测模型分别输出的针对该图像的第一检测结果，输入结果汇总模型，得到该图像呈现的目标物品是否有缺陷，其中，结果汇总模型用于表征至少两个目标检测模型针对图像输出的第一检测结果，与图像呈现的目标物品是否有缺陷的对应关系。

在一些实施例中，对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，包括：获取针对该图像至少两个目标检测模型分别输出的第一检测结果所对应的预设数值和权重，其中，表征目标物品有缺陷的第一检测结果所对应的预设数值，和表征目标物品没有缺陷的第一检测结果所对应的预设数值不同；对于至少两个目标检测模型分别输出的第一检测结果所对应的预设数值进行加权，得到加权和；响应于确定加权和大于或等于预设加权和阈值，判断该图像呈现的目标物品有缺陷。

在一些实施例中，在得到第二检测结果之后，方法还包括：响应于各个疑似缺陷图像中，存在至少一个疑似缺陷图像的第二检测结果表征疑似缺陷图像呈现的目标物品有缺陷，确定目标物品有缺陷。

在一些实施例中，神经网络模型为可变形卷积网络；第二检测结果包括缺陷信息和该缺陷信息的置信度，其中，缺陷信息包括缺陷类别和缺陷位置。

在一些实施例中，神经网络模型为对训练后的神经网络模型进行再次训练后得到的；通过以下步骤对训练后的神经网络模型进行再次训练：获取样本图像，其中，样本图像与在先训练得到神经网络模型的图像中的缺陷信息不同；利用样本图像训练神经网络模型。

在一些实施例中，方法还包括：对于每个疑似缺陷图像，确定将该疑似缺陷图像分割为的至少两个子图像，其中，子图像的数量大于预设数量阈值；以及将疑似缺陷图像输入预先训练的神经网络模型进行检测，得到第二检测结果，包括：将至少两个子图像分别输入神经网络模型，得到对至少两个子图像中的各个子图像的检测结果，其中，各个子图像的检测结果包括缺陷信息和该缺陷信息的置信度，缺陷信息包括缺陷类别和缺陷位置；响应于各个子图像中的任意子图像的检测结果中的缺陷信息的置信度大于或等于预设置信度阈值，生成用于表征疑似缺陷图像呈现的目标物品有缺陷的第二检测结果。

第二方面，本申请实施例提供了一种缺陷检测系统，该系统包括缺陷检测模块；缺陷检测模块，用于执行如权利要求1-10之一的方法。

在一些实施例中，系统还包括采集模块、控制模块和分料模块；采集模块，用于采集对标物品在多个拍摄条件下拍摄的图像；控制模块，用于获取采集模块采集的图像，并发送给缺陷检测模块；缺陷检测模块，还用于基于针对各个疑似缺陷图像的第二检测结果，确定检测结论，检测结论用于表征目标物品是否有缺陷；控制模块，还用于根据检测结论，生成分料指令，将分料指令发送给分料模块，其中，不同的分料指令指示将目标物品放置到不同的位置；分料模块，用于接收分料指令，利用机械臂将目标物品放置到目标位置，其中，目标位置为分料指令指示的位置，或者机械臂进行分料指令指示的操作，将目标物品放置到的位置。

在一些实施例中，系统还包括训练模块；训练模块，用于进行再次训练。

第三方面，本申请实施例提供了一种缺陷检测装置，包括：获取单元，被配置成获取对目标物品在多个拍摄条件下拍摄的图像；第一检测单元，被配置成将在多个拍摄条件下拍摄的图像，分别输入目标检测模型，得到从目标检测模型输出的多个第一检测结果，其中，目标检测模型包括无监督模型，第一检测结果用于表征图像呈现的目标物品是否有缺陷；判断单元，被配置成对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，若判断有缺陷，将该图像作为疑似缺陷图像；第二检测单元，被配置成将疑似缺陷图像输入预先训练的神经网络模型进行检测，得到第二检测结果，其中，第二检测结果用于表征疑似缺陷图像呈现的目标物品是否有缺陷。

在一些实施例中，拍摄条件包括拍摄角度和/或光照。

在一些实施例中，目标检测模型包括互不相同的至少两个目标检测模型。

在一些实施例中，判断单元，进一步被配置成：响应于针对该图像至少两个目标检测模型分别输出的第一检测结果中，表征目标物品有缺陷的第一检测结果的数量，大于或等于表征目标物品没有缺陷的第一检测结果的数量，判断该图像呈现的目标物品有缺陷。

在一些实施例中，判断单元，进一步被配置成：将至少两个目标检测模型分别输出的针对该图像的第一检测结果，输入结果汇总模型，得到该图像呈现的目标物品是否有缺陷，其中，结果汇总模型用于表征至少两个目标检测模型针对图像输出的第一检测结果，与图像呈现的目标物品是否有缺陷的对应关系。

在一些实施例中，判断单元，进一步被配置成：获取针对该图像至少两个目标检测模型分别输出的第一检测结果所对应的预设数值和权重，其中，表征目标物品有缺陷的第一检测结果所对应的预设数值，和表征目标物品没有缺陷的第一检测结果所对应的预设数值不同；对于至少两个目标检测模型分别输出的第一检测结果所对应的预设数值进行加权，得到加权和；响应于确定加权和大于或等于预设加权和阈值，判断该图像呈现的目标物品有缺陷。

在一些实施例中，装置还包括：确定单元，被配置成在得到第二检测结果之后，响应于各个疑似缺陷图像中，存在至少一个疑似缺陷图像的第二检测结果表征疑似缺陷图像呈现的目标物品有缺陷，确定目标物品有缺陷。

在一些实施例中，神经网络模型为可变形卷积网络；第二检测结果包括缺陷信息和该缺陷信息的置信度，其中，缺陷信息包括缺陷类别和缺陷位置。

在一些实施例中，神经网络模型为对训练后的神经网络模型进行再次训练后得到的；通过以下步骤对训练后的神经网络模型进行再次训练：获取样本图像，其中，样本图像与在先训练得到神经网络模型的图像中的缺陷信息不同；利用样本图像训练神经网络模型。

在一些实施例中，装置还包括：分割单元，被配置成对于每个疑似缺陷图像，确定将该疑似缺陷图像分割为的至少两个子图像，其中，子图像的数量大于预设数量阈值；以及第二检测单元，包括：检测模块，被配置成将至少两个子图像分别输入神经网络模型，得到对至少两个子图像中的各个子图像的检测结果，其中，各个子图像的检测结果包括缺陷信息和该缺陷信息的置信度，缺陷信息包括缺陷类别和缺陷位置；生成模块，被配置成响应于各个子图像中的任意子图像的检测结果中的缺陷信息的置信度大于或等于预设置信度阈值，生成用于表征疑似缺陷图像呈现的目标物品有缺陷的第二检测结果。

第四方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如缺陷检测方法中任一实施例的方法。

第五方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如缺陷检测方法中任一实施例的方法。

本申请实施例提供的缺陷检测方案，首先，获取对目标物品在多个拍摄条件下拍摄的图像。之后，将在多个拍摄条件下拍摄的图像，分别输入目标检测模型，得到从目标检测模型输出的多个第一检测结果，其中，目标检测模型包括无监督模型，第一检测结果用于表征图像呈现的目标物品是否有缺陷。然后，对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，若判断有缺陷，将该图像作为疑似缺陷图像。最后，将疑似缺陷图像输入预先训练的神经网络模型进行检测，得到第二检测结果，其中，第二检测结果用于表征疑似缺陷图像呈现的目标物品是否有缺陷。本申请实施例提供能够通过快速的无监督模型，筛选出疑似缺陷图像，从而减少输入精度高但比较耗时的神经网络模型的图像数量，提高缺陷检测的效率。此外，采用无监督模型以及神经网络模型共同参与检测，能够提高缺陷检测的准确度，有助于精准地判断目标物品是否有缺陷。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请一些实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的缺陷检测方法的一个实施例的流程图；

图3是根据本申请的缺陷检测方法的一个应用场景的示意图；

图4是根据本申请的缺陷检测系统的一个实施例的结构示意图；

图5是根据本申请的缺陷检测装置的一个实施例的结构示意图；

图6是适于用来实现本申请一些实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的缺陷检测方法或缺陷检测装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像编辑应用、视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。

这里的终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的图像等数据进行分析等处理，并将处理结果(例如第二检测结果)反馈给终端设备。

需要说明的是，本申请实施例所提供的缺陷检测方法可以由服务器105或者终端设备101、102、103执行，相应地，缺陷检测装置可以设置于服务器105或者终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的缺陷检测方法的一个实施例的流程200。该缺陷检测方法，包括以下步骤：

步骤201，获取对目标物品在多个拍摄条件下拍摄的图像。

在本实施例中，缺陷检测方法的执行主体(例如图1所示的服务器或终端设备)可以获取在多个拍摄条件下，对目标物品拍摄的图像。这里的目标物品可以是各种的实体物品，比如，笔记本电脑、汽车、机床或者玻璃杯等等。拍摄条件可以是会影响到拍摄得到的图像的因素，比如，拍摄设备。

在本实施例的一些可选的实现方式中，拍摄条件可以包括拍摄角度和/或光照。

在这些可选的实现方式中，拍摄条件可以包括拍摄角度和光照条件中的至少一者。在这里，拍摄角度可以是各种各样的。举例来说，如果目标物品是笔记本电脑，可以获取笔记本电脑的上盖的图像、各个拐角的图像、产品侧面的图像等等。通过对目标物品照射多种不同角度、不同颜色和/或不同强度的光源，可以得到不同的光照条件。

这些实现方式可以在一定程度上避免因在单一的拍摄条件下进行拍摄，让缺陷检测的结果过于片面化的问题。这些实现方式可以在各种拍摄条件下，对目标物品进行拍摄，从而得到更加准确的拍摄结果。

步骤202，将在多个拍摄条件下拍摄的图像，分别输入目标检测模型，得到从目标检测模型输出的多个第一检测结果，其中，目标检测模型包括无监督模型，第一检测结果用于表征图像呈现的目标物品是否有缺陷。

在本实施例中，上述执行主体可以将所获取的每个图像，输入目标检测模型，得到从目标检测模型输出的、针对该图像的第一检测结果。每个输入目标检测模型的上述图像，都存在与之具有一一对应关系的第一检测结果。也即，第一检测结果是一个目标检测模型针对一个图像输出的结果。第一检测结果可以采用“1”、“有”等表征图像呈现的目标物品有缺陷，并采用“0”、“无”等表征图像呈现的目标物品没有缺陷。在实践中，如果目标物品是笔记本电脑，那么缺陷可以是其表面存在水点、毛丝和/或黑印等等。

这里的目标检测模型的数量为至少一个，在至少一个目标检测模型中，包括无监督模型。无监督模型的处理速度快，可以实现对图像的高效检测。上述执行主体可以采用各种无监督模型进行检测，举例来说，无监督模型可以为以下的至少一者：基于频数直方图的无监督异常点检测算法(Histogram-based Outlier Score，HBOS)、孤立森林算法(Isolation Forest)、邻近算法(k-Nearest Neighbor，KNN)、主成分分析算法(PrincipalComponent Analysis)和/或最大近邻距离(Maximum Close Distance，MCD)相关跟踪算法等等。

步骤203，对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，若判断有缺陷，将该图像作为疑似缺陷图像。

在本实施例中，对于所获取的图像中的各个图像，上述执行主体可以基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷。上述执行主体若判断有缺陷，则可以将该图像作为疑似缺陷图像。

在实践中，上述执行主体可以采用各种方式基于第一步检测结果，对该图像确定其中呈现的目标物品是否有缺陷。比如，在目标检测模型的数量为一的情况下，若输出的第一检测结果表征图像呈现的目标物品有缺陷，则上述执行主体可以判断该图像呈现的目标物品有缺陷。相应地，若输出的第一检测结果表征图像呈现的目标物品没有缺陷，则上述执行主体可以判断该图像呈现的目标物品没有缺陷。此外，在目标检测模型的数量为两个以上的情况下，若存在任一个目标检测检测模型输出的第一检测结果表征该图像呈现的目标物品有缺陷，则上述执行主体可以判断该图像呈现的目标物品有缺陷。

在本实施例的一些可选的实现方式中，目标检测模型包括互不相同的至少两个目标检测模型。

在这些可选的实现方式中，上述执行主体可以采用至少两个目标检测模型来检测上述各个图像，从而得到该至少两个目标检测模型分别输出的第一检测结果。在这里，至少两个目标检测模型中的各个目标检测模型是不同的。

这些可选的实现方式，可以利用各个不同的目标检测模型，共同针对图像进行检测，从而提高检测的准确度。

在这些实现方式的一些可选的应用场景中，步骤203中的对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，可以包括：响应于针对该图像至少两个目标检测模型分别输出的第一检测结果中，表征目标物品有缺陷的第一检测结果的数量，大于或等于表征目标物品没有缺陷的第一检测结果的数量，判断该图像呈现的目标物品有缺陷。

在这些可选的应用场景中，上述执行主体可以将第一检测结果中，多数第一检测结果所表征的内容作为判断结果。

这些应用场景可以依据多数目标检测模型的第一检测结果进行判断，从而避免个别目标检测模型的结果存在明显偏差而影响判断结果。

在这些实现方式的一些可选的应用场景中，步骤203中的对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，可以包括：将至少两个目标检测模型分别输出的针对该图像的第一检测结果，输入结果汇总模型，得到该图像呈现的目标物品是否有缺陷，其中，结果汇总模型用于表征至少两个目标检测模型针对图像输出的第一检测结果，与图像呈现的目标物品是否有缺陷的对应关系。

在这些可选的应用场景中，上述执行主体可以将至少两个目标检测模型分别输出的第一检测结果输入结果汇总模型，从而利用结果汇总模型对所有的第一检测结果进行处理，以确定出图像呈现的目标物品是否有缺陷。这里的第一检测结果都是针对该图像进行检测所得到的。结果汇总模型所表征的对应关系指，利用目标检测模型对某图像进行检测得到的第一检测结果，与该图像呈现的目标物品是否有缺陷的对应关系。

在实践中，结果汇总模型可以是对应关系表，该对应关系表可以表征上述对应关系。此外，结果汇总模型还可以是经过训练的神经网络模型，比如卷积神经网络。举例来说，对应关系不仅可以包括至少两个目标检测模型对该图像进行检测所得到的各个第一检测结果，与图像呈现的目标物品有缺陷的对应关系，还可以包括上述各个第一检测结果，与图像呈现的目标物品没有缺陷的对应关系。在这里，对应有缺陷和没有缺陷的第一检测结果是不同的。

这些应用场景可以利用结果汇总模型，快速而准确地基于各个第一检测结果进行判断，从而让缺陷检测的过程更加高效和准确。

在这些实现方式的一些可选的应用场景中，步骤203中的对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，可以包括：获取针对该图像至少两个目标检测模型分别输出的第一检测结果所对应的预设数值和权重，其中，表征目标物品有缺陷的第一检测结果所对应的预设数值，和表征目标物品没有缺陷的第一检测结果所对应的预设数值不同；对于至少两个目标检测模型分别输出的第一检测结果所对应的预设数值进行加权，得到加权和；响应于确定加权和大于或等于预设加权和阈值，判断该图像呈现的目标物品有缺陷。

在这些可选的应用场景中，对于每个目标检测模型输出的第一检测结果，预先设置有两个预设数值以及一个权重。第一检测结果所表征的该图像呈现的目标产品有缺陷和没有缺陷，分别对应这两个预设数值的其中一个。比如，若第一检测结果表征目标产品有缺陷，则预设数值为1，若表征目标产品没有缺陷，则预设数值为0。不同的目标检测模型的第一检测结果，所对应的预设数值可以是相同的，也可以存在不同。具体地，上述执行主体可以对各个第一检测结果所对应的预设数值进行加权，得到各个预设数值的加权和，进而得到判断结果。

上述执行主体可以通过加权，准确而恰当地利用各个第一检测结果，实现更加准确的缺陷检测过程。

步骤204，将疑似缺陷图像输入预先训练的神经网络模型进行检测，得到第二检测结果，其中，第二检测结果用于表征疑似缺陷图像呈现的目标物品是否有缺陷。

在本实施例中，上述执行主体可以将上述疑似缺陷图像输入神经网络模型进行检测，得到从该神经网络模型输出的第二检测结果。这里的神经网络模型可以是各种用于对图像进行检测的神经网络模型，举例来说，神经网络模型可以是卷积神经网络，比如快速区域神经网络(faster-regions with convolutional neural network，Faster-RCNN)。这里的神经网络模型是预先训练的。训练采用的样本可以包括标注有缺陷信息的物品图像。

在实践中，在得到第二检测结果之后，上述执行主体可以基于针对各个疑似缺陷图像的第二检测结果，确定检测结论，其中，检测结论用于表征目标物品是否有缺陷。比如，若目标物品仅存在一个疑似缺陷图像，那么，该目标物品也仅存在一个第二检测结果，上述执行主体可以直接将第二检测结果表征的目标物品是否有缺陷，确定为目标物品是否有缺陷的检测结论。若该目标物品存在至少两个疑似缺陷图像，相应地，也存在至少两个第二检测结果。上述执行主体可以在至少两个第二检测结果都表征目标物品有缺陷的情况下，确定目标物品有缺陷。

在本实施例的一些可选的实现方式中，在得到第二检测结果之后，上述方法还可以包括：响应于各个疑似缺陷图像中，存在至少一个疑似缺陷图像的第二检测结果表征疑似缺陷图像呈现的目标物品有缺陷，确定目标物品有缺陷。

在这些可选的实现方式中，在目标物品的至少一个疑似缺陷图像中，一旦存在任意一个疑似缺陷图像的第二检测结果表征该疑似缺陷图像呈现的目标物品有缺陷，则上述执行主体可以确定目标物品有缺陷。目标物品可以具有一个或多个疑似缺陷图像表征所呈现的目标物品有缺陷。在实践中，上述执行主体可以在上述至少一个疑似图像中的各个疑似拍摄图像是在不同的拍摄条件下拍摄的情况下执行该实现方式。

这些实现方式可以响应于在任意拍摄条件下拍摄的目标物品图像呈现有缺陷，则确定目标物品有缺陷，高效地确定出目标物品是否是合格的物品。

在本实施例的一些可选的实现方式中，神经网络模型为可变形卷积网络；第二检测结果包括缺陷信息和该缺陷信息的置信度，其中，缺陷信息包括缺陷类别和缺陷位置。

在这些可选的实现方式中，上述神经网络模型中的卷积层为可变形卷积层，从而神经网络模型为可变形卷积网络，例如指定的深度残差网络(deep residual network，ResNet)，比如ResNet50。在实践中，可变形卷积层可以在卷积的过程中增加偏移量。神经网络模型在加上偏移量的学习之后，可变形卷积核的大小和位置可以根据当前需要识别的图像内容进行动态调整，其直观效果就是不同位置的卷积核采样点位置会根据图像内容发生自适应的变化，从而适应不同物体的形状、大小等几何形变。

如果各个子图像中的任意子图像的检测结果中，缺陷信息的置信度大于或等于预设置信度阈值，则生成的第二检测结果用于表征该疑似缺陷图像呈现的目标物品有缺陷。也即是说，只要存在至少一个子图像，针对其的检测结果中，缺陷信息的置信度大于或等于预设置信度阈值，则生成用于表征该疑似缺陷图像呈现的目标物品有缺陷的第二检测结果。

具体地，分割的预设方式可以是各种各样的。比如，上述执行主体可以获取预先设定的子图像的数量以及长、宽的范围，从而让上述执行主体按照设定的内容进行分割。或者，上述执行主体也可以获取按照疑似缺陷图像的大小，设定好的每个子图像的大小，从而进行分割。此外，上述执行主体还可以获取预先设定的每个分割线在疑似缺陷图像中的位置，并进行分割。

在实践中，不同的缺陷类别可以采用不同的文字、字母和/或数字等来表示。缺陷类别可以包括水点、毛丝和/或黑印等等。缺陷位置可以包括指示缺陷的矩形框的某个顶点或者中心点的坐标位置，此外还可以包括矩形框的尺寸。比如，缺陷的尺寸可以采用矩形框的宽、高来表示。

这些实现方式可以利用可变形卷积网络，提高缺陷的召回率以及检测准确度。此外，通过缺陷类别和缺陷位置，上述执行主体可以更加准确地表示出图像中的缺陷。

在这些实现方式的一些可选的应用场景中，神经网络模型为对训练后的神经网络模型进行再次训练后得到的；通过以下步骤对训练后的神经网络模型进行再次训练：获取样本图像，其中，样本图像与在先训练得到神经网络模型的图像中的缺陷信息不同；利用样本图像训练神经网络模型。

在这些可选的应用场景中，再次训练神经网络模型所用到的样本图像所包括的缺陷信息，与在此之前训练该神经网络模型所采用的样本图像可以是不同的。具体地，训练所采用的样本图像可以是包括不同缺陷类别的缺陷的图像、包括相同缺陷类别的不同缺陷的图像和/或在不同拍摄条件下拍摄的、包括相同缺陷类别的相同缺陷的图像。

在这些应用场景中，上述执行主体可以在训练得到可应用的神经网络模型之后，对神经网络模型进行再次训练，以对该模型进行迭代训练，从而更新神经网络模型，以使神经网络模型能够更准确地检测，或者检测更多类别的缺陷。进一步地，相比于现有技术，这些应用场景无需采用耗时耗力的硬件设备升级，而是可以通过模型的迭代，进行快速而准确地对缺陷检测设备进行升级。

在本实施例的一些可选的实现方式中，方法还包括：对于每个疑似缺陷图像，确定将该疑似缺陷图像分割为的至少两个子图像，其中，子图像的数量大于预设数量阈值；以及将疑似缺陷图像输入预先训练的神经网络模型进行检测，得到第二检测结果，包括：将至少两个子图像分别输入神经网络模型，得到对至少两个子图像中的各个子图像的检测结果，其中，各个子图像的检测结果包括缺陷信息和该缺陷信息的置信度，缺陷信息包括缺陷类别和缺陷位置；对各个子图像的检测结果中，存在置信度大于或等于预设置信度阈值的缺陷信息的检测结果，生成用于表征疑似缺陷图像呈现的目标物品有缺陷的第二检测结果。

在这些可选的实现方式中，上述执行主体可以按照预设方式对疑似缺陷图像进行分割，并将分割得到的各个子图像分别输入上述神经网络模型，从而得到对各个子图像的检测结果。也即，上述执行主体可以采用将分割得到的各个子图像输入到神经网络模型中的方式，将疑似缺陷图像输入到神经网络模型中。

这些实现方式可以对疑似缺陷图像进行分割，并对子图像进行检测，从而实现对疑似缺陷图像的每个区域中的细节的检测，避免忽略图像中细节而造成的对缺陷的漏检。

继续参见图3，图3是根据本实施例的缺陷检测方法的应用场景的一个示意图。在图3的应用场景中，执行主体301可以获取对目标物品(比如笔记本电脑)在2个拍摄条件下(比如强光和弱光)拍摄的2个图像302。将在2个拍摄条件下拍摄的2个图像302，分别输入目标检测模型，得到从目标检测模型输出的2个第一检测结果303，其中，目标检测模型包括无监督模型，第一检测结果用于表征图像呈现的目标物品是否有缺陷。对于在多个拍摄条件下拍摄的图像302中的各个图像，执行主体301基于目标检测模型输出的针对该图像的第一检测结果303，判断该图像呈现的目标物品是否有缺陷，若判断有缺陷，将该图像作为疑似缺陷图像304。将疑似缺陷图像输入预先训练的神经网络模型进行检测，得到第二检测结果305，其中，第二检测结果305用于表征疑似缺陷图像呈现的目标物品是否有缺陷。

本申请的上述实施例提供的方法能够通过快速的无监督模型，筛选出疑似缺陷图像，从而减少输入神经网络模型的图像的数量，提高缺陷检测的效率。此外，采用无监督模型以及神经网络模型共同参与检测，能够提高缺陷检测的准确度，有助于精准地判断目标物品是否有缺陷。

进一步参考图4，其示出了一种缺陷检测系统400。该缺陷检测系统，包括缺陷检测模块410。

上述缺陷检测模块410，用于执行如权利要求1-10之一的方法。

在本实施例中，缺陷检测模块410可以是终端设备中运行有神经网络模型的模块，也可以是服务器中运行有神经网络模型的模块。

缺陷检测模块410可以用于执行如下方法：

拍摄条件包括拍摄角度和/或光照。

目标检测模型包括互不相同的至少两个目标检测模型。

对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，包括：响应于针对该图像至少两个目标检测模型分别输出的第一检测结果中，表征目标物品有缺陷的第一检测结果的数量，大于或等于表征目标物品没有缺陷的第一检测结果的数量，判断该图像呈现的目标物品有缺陷。

对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，包括：将至少两个目标检测模型分别输出的针对该图像的第一检测结果，输入结果汇总模型，得到该图像呈现的目标物品是否有缺陷，其中，结果汇总模型用于表征至少两个目标检测模型针对图像输出的第一检测结果，与图像呈现的目标物品是否有缺陷的对应关系。

对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，包括：获取针对该图像至少两个目标检测模型分别输出的第一检测结果所对应的预设数值和权重，其中，表征目标物品有缺陷的第一检测结果所对应的预设数值，和表征目标物品没有缺陷的第一检测结果所对应的预设数值不同；对于至少两个目标检测模型分别输出的第一检测结果所对应的预设数值进行加权，得到加权和；响应于确定加权和大于或等于预设加权和阈值，判断该图像呈现的目标物品有缺陷。

在得到第二检测结果之后，方法还包括：响应于各个疑似缺陷图像中，存在至少一个疑似缺陷图像的第二检测结果表征疑似缺陷图像呈现的目标物品有缺陷，确定目标物品有缺陷。

神经网络模型为可变形卷积网络；第二检测结果包括缺陷信息和该缺陷信息的置信度，其中，缺陷信息包括缺陷类别和缺陷位置。

神经网络模型为对训练后的神经网络模型进行再次训练后得到的；通过以下步骤对训练后的神经网络模型进行再次训练：获取样本图像，其中，样本图像与在先训练得到神经网络模型的图像中的缺陷信息不同；利用样本图像训练神经网络模型。

方法还包括：对于每个疑似缺陷图像，确定将该疑似缺陷图像分割为的至少两个子图像，其中，子图像的数量大于预设数量阈值；以及将疑似缺陷图像输入预先训练的神经网络模型进行检测，得到第二检测结果，包括：将至少两个子图像分别输入神经网络模型，得到对至少两个子图像中的各个子图像的检测结果，其中，各个子图像的检测结果包括缺陷信息和该缺陷信息的置信度，缺陷信息包括缺陷类别和缺陷位置；响应于各个子图像中的任意子图像的检测结果中的缺陷信息的置信度大于或等于预设置信度阈值，生成用于表征疑似缺陷图像呈现的目标物品有缺陷的第二检测结果。

本申请提供的系统能够通过快速的无监督模型，筛选出疑似缺陷图像，从而减少输入神经网络模型的图像的数量，提高缺陷检测的效率。此外，采用无监督模型以及神经网络模型共同参与检测，能够提高缺陷检测的准确度，有助于精准地判断目标物品是否有缺陷。

在本实施例的一些可选的实现方式中，上述系统还包括采集模块、控制模块和分料模块；上述采集模块，用于采集对标物品在多个拍摄条件下拍摄的图像；上述控制模块，用于获取采集模块采集的图像，并发送给缺陷检测模块410；上述缺陷检测模块410，用于基于针对各个缺陷检测模块410的第二检测结果，确定检测结论，检测结论用于表征目标物品是否有缺陷；上述控制模块，还用于根据检测结论，生成分料指令，将分料指令发送给分料模块，其中，不同的分料指令指示将目标物品放置到不同的位置；上述分料模块，用于接收分料指令，利用机械臂将目标物品放置到目标位置，其中，目标位置为分料指令指示的位置，或者机械臂进行分料指令指示的操作，将目标物品放置到的位置。

在这些可选的实现方式中，采集模块可以进行图像的采集，具体地，采集模块可以包括摄像头。采集模块可以采集在上述多个拍摄条件下对目标物品拍摄的图像。控制模块可以在各个模块之间进行协同调配，进行信息的调度，以发起或终止各个模型的操作，比如从采集模块获取在多个拍摄条件下拍摄的图像。上述控制模块可以接收采集模块所采集的图像，并将这些图像发送给缺陷检测模块410，以使缺陷检测模块410进行检测，得到第二检测结果。之后，缺陷检测模块410可以基于针对各个疑似缺陷图像的第二检测结果，确定检测结论。确定检测结论的过程已在步骤204中阐明，在此不再赘述。

在实践中，控制模块可以采用各种方式根据检测结论，生成分料指令。举例来说，控制模块可以在检测结论为上述目标物品有缺陷的情况下，将生成指示将目标物品投入收集有缺陷物品的料盒中的指令。此外，控制模块还可以在检测结论为上述目标物品没有缺陷的情况下，生成将目标物品投入收集无缺陷物品的料盒中的指令。此外，控制模块还可以基于不同的检测结论，生成让分料模块将目标物品放置到不同的目标位置的操作指令或者指示该目标位置的指令。

分料模块若接收到分料指令，则可以利用该分料模块所控制的机械臂将目标物品放置到上述目标位置。

这些实现方式可以通过控制模块在各个模型之间进行协调，从而实现从检测缺陷到分料的全程自动化处理。并且，这些实现方式利用该自动化处理过程，可以提高缺陷检测的效率和准确度。此外，上述执行主体可以根据缺陷检测的准确结果进行分料，从而实现有缺陷的残次品与合格品之间的准确区分，避免出厂物品中，质量不一的物品相互混杂。

在本实施例的一些可选的实现方式中，上述系统还包括训练模块；训练模块，用于进行再次训练。

在这些可选的实现方式中，上述系统中还可以包括训练模块，该训练模块可以对神经网络模型进行训练。具体地，在训练模块中可以包括训练引擎，这样，训练模块可以利用该训练引擎进行训练，以及上述的再次训练。上述控制模块可以获取训练后的神经网络模型，并发送给上述缺陷检测模块410。

这些实现方式可以利用专门的训练模块，对神经网络模型进行训练，这样，可以同时进行缺陷检测以及神经网络模型的再次训练，以提高神经网络模型的迭代效率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种缺陷检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征或效果。该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的缺陷检测装置500包括：获取单元501、第一检测单元502、判断单元503和第二检测单元504。其中，获取单元501，被配置成获取对目标物品在多个拍摄条件下拍摄的图像；第一检测单元502，被配置成将在多个拍摄条件下拍摄的图像，分别输入目标检测模型，得到从目标检测模型输出的多个第一检测结果，其中，目标检测模型包括无监督模型，第一检测结果用于表征图像呈现的目标物品是否有缺陷；判断单元503，被配置成对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，若判断有缺陷，将该图像作为疑似缺陷图像；第二检测单元504，被配置成将疑似缺陷图像输入预先训练的神经网络模型进行检测，得到第二检测结果，其中，第二检测结果用于表征疑似缺陷图像呈现的目标物品是否有缺陷。

在一些实施例中，缺陷检测装置500的获取单元501可以获取在多个拍摄条件下，对目标物品拍摄的图像。这里的目标物品可以是各种的实体物品，比如，笔记本电脑、汽车、机床或者玻璃杯等等。拍摄条件可以是会影响到拍摄得到的图像的因素，比如，拍摄设备。

在一些实施例中，第一检测单元502可以将所获取的每个图像，输入目标检测模型，得到从目标检测模型输出的、针对该图像的第一检测结果。每个输入目标检测模型的上述图像，都存在与之具有一一对应关系的第一检测结果。也即，第一检测结果是一个目标检测模型针对一个图像输出的结果。

在一些实施例中，判断单元503可以基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷。上述执行主体若判断有缺陷，则可以将该图像作为疑似缺陷图像。

在一些实施例中，第二检测单元504可以将上述疑似缺陷图像输入神经网络模型进行检测，得到从该神经网络模型输出的第二检测结果。这里的神经网络模型可以是各种用于对图像进行检测的神经网络模型。

在本实施例的一些可选的实现方式中，拍摄条件包括拍摄角度和/或光照。

在本实施例的一些可选的实现方式中，目标检测模型包括互不相同的至少两个目标检测模型。

在本实施例的一些可选的实现方式中，判断单元，进一步被配置成：响应于针对该图像至少两个目标检测模型分别输出的第一检测结果中，表征目标物品有缺陷的第一检测结果的数量，大于或等于表征目标物品没有缺陷的第一检测结果的数量，判断该图像呈现的目标物品有缺陷。

在本实施例的一些可选的实现方式中，判断单元，进一步被配置成：将至少两个目标检测模型分别输出的针对该图像的第一检测结果，输入结果汇总模型，得到该图像呈现的目标物品是否有缺陷，其中，结果汇总模型用于表征至少两个目标检测模型针对图像输出的第一检测结果，与图像呈现的目标物品是否有缺陷的对应关系。

在本实施例的一些可选的实现方式中，判断单元，进一步被配置成：获取针对该图像至少两个目标检测模型分别输出的第一检测结果所对应的预设数值和权重，其中，表征目标物品有缺陷的第一检测结果所对应的预设数值，和表征目标物品没有缺陷的第一检测结果所对应的预设数值不同；对于至少两个目标检测模型分别输出的第一检测结果所对应的预设数值进行加权，得到加权和；响应于确定加权和大于或等于预设加权和阈值，判断该图像呈现的目标物品有缺陷。

在本实施例的一些可选的实现方式中，装置还包括：确定单元，被配置成在得到第二检测结果之后，响应于各个疑似缺陷图像中，存在至少一个疑似缺陷图像的第二检测结果表征疑似缺陷图像呈现的目标物品有缺陷，确定目标物品有缺陷。

在本实施例的一些可选的实现方式中，神经网络模型为可变形卷积网络；第二检测结果包括缺陷信息和该缺陷信息的置信度，其中，缺陷信息包括缺陷类别和缺陷位置。

在本实施例的一些可选的实现方式中，神经网络模型为对训练后的神经网络模型进行再次训练后得到的；通过以下步骤对训练后的神经网络模型进行再次训练：获取样本图像，其中，样本图像与在先训练得到神经网络模型的图像中的缺陷信息不同；利用样本图像训练神经网络模型。

在本实施例的一些可选的实现方式中，装置还包括：分割单元，被配置成对于每个疑似缺陷图像，确定将该疑似缺陷图像分割为的至少两个子图像，其中，子图像的数量大于预设数量阈值；以及第二检测单元，包括：检测模块，被配置成将至少两个子图像分别输入神经网络模型，得到对至少两个子图像中的各个子图像的检测结果，其中，各个子图像的检测结果包括缺陷信息和该缺陷信息的置信度，缺陷信息包括缺陷类别和缺陷位置；生成模块，被配置成响应于各个子图像中的任意子图像的检测结果中的缺陷信息的置信度大于或等于预设置信度阈值，生成用于表征疑似缺陷图像呈现的目标物品有缺陷的第二检测结果。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一检测单元、判断单元和第二检测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取对目标物品在多个拍摄条件下拍摄的图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取对目标物品在多个拍摄条件下拍摄的图像；将在多个拍摄条件下拍摄的图像，分别输入目标检测模型，得到从目标检测模型输出的多个第一检测结果，其中，目标检测模型包括无监督模型，第一检测结果用于表征图像呈现的目标物品是否有缺陷；对于在多个拍摄条件下拍摄的图像中的各个图像，基于目标检测模型输出的针对该图像的第一检测结果，判断该图像呈现的目标物品是否有缺陷，若判断有缺陷，将该图像作为疑似缺陷图像；将疑似缺陷图像输入预先训练的神经网络模型进行检测，得到第二检测结果，其中，第二检测结果用于表征疑似缺陷图像呈现的目标物品是否有缺陷。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。