[发明专利]缺陷的检测方法、装置、系统、存储介质以及处理器

说明书

本发明公开了一种缺陷的检测方法、装置、系统、存储介质以及处理器。该方法包括：获取目标对象的目标图像；根据目标图像确定目标对象是否存在焊接缺陷。该方案可以自动检测目标对象是否存在焊接缺陷，无需人工进行检测，相比现有技术中需要首件人工质检获取模板图像，再根据模板图像来确定缺陷的方式，本方案无需进行首件质检，无需采用模板来确定焊接缺陷，根据目标图像可以直接确定目标对象是否存在焊接缺陷，使得检测的效率较高，进而解决了需要人工检测以及质检需要模板造成的缺陷检测效率较低的问题。并且，人工检测的方式成本较高，而本方案是自动化进行检测的，这样也降低了检测的成本。

技术领域

本发明涉及缺陷检测领域，具体而言，涉及一种缺陷的检测方法、装置、系统、存储介质以及处理器。

背景技术

PCBA生产后，需要进行全面的质量检测，需要检测锡多、锡少、虚焊、连锡、偏移、歪斜、立碑、侧立、翻件、破损、漏斗、错料以及反向等多种缺陷，由于PCBA使用的元件种类很多，PCBA的产品复杂度较高，简单的视觉算法方法无法实现PCBA的产品质检。

目前对PCBA进行质检，使用的是AOI设备对PCBA进行质检，常见的技术为将样品实物图和模板图进行比对，将与模板图不一致的区域作为缺陷检测出来，具体地，在某一批产品批量质检之前，需要人工先对首块样品进行全面质检，之后将首块样品作为模板输入设备，并且对需要检测的位置进行编程输入，批量质检过程中AOI基于模板比对的方案，检测出缺陷位置，然后人工对检测出的缺陷位置进行二次判断，滤除AOI设备的误报。

基于AOI设备对PCBA进行质检，存在的问题有1)每种产品的首件质检和编程输入的人力成本较高；2)产品换线时的首件质检和编程工作时间较长，换线时间成本较高；3)基于传统图像对比的方法的误报较多，需要人工进行二次确认，人力成本较高，质检效率低。

为了降低AOI设备的误报，目前也有一些基于AOI设备和深度学习结合的方案，对AOI设备检测出的缺陷位置使用深度学习进行二次检测，降低AOI设备的误报率，提高整体检测的准确率。

但是，采用AOI设备和深度学习结合，并不能够解决上述的1)和2)的问题，目前并没有可以解决上述1)和2)的问题的方案，因此，阻碍了PCB行业进一步提高自动化水平以及提升整体生产效率，而对于小批量的生产，有的企业为了避免大量的首件质检和编程输入直接放弃采用AOI设备进行质检，而采用人工质检，这同样会造成缺陷检测效率较低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种缺陷的检测方法、装置、系统、存储介质以及处理器，以至少解决由于需要人工检测以及质检需要模板造成的缺陷检测效率较低的技术问题。

根据本发明实施例的一个方面，提供了一种缺陷的检测方法，包括：获取目标对象的目标图像；根据所述目标图像确定所述目标对象是否存在焊接缺陷，所述焊接缺陷包括以下至少之一：锡多、锡少、虚焊和连锡。

可选地，根据所述目标图像确定所述目标对象是否存在焊接缺陷，包括：提取所述目标图像中的焊接区域；采用细粒度图像分类模型确定所述焊接区域中的正常焊接区域和非正常焊接区域；采用所述细粒度图像分类模型确定所述非正常焊接区域中的所述焊接缺陷，其中，所述细粒度图像分类模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：所述正常焊接区域的图像和所述非正常焊接区域的图像。

可选地，根据所述目标图像确定所述目标对象是否存在焊接缺陷，包括：在确定所述目标对象不存在所述焊接缺陷的情况下，确定所述目标对象是否存在其他缺陷，所述其他缺陷包括以下至少之一：翻件、破损、侧立、错料和反向。