[发明专利]一种用于电子设备外观瑕疵检测的方法与设备

权利要求书

1.一种用于电子设备外观瑕疵检测的方法，其中，该方法包括：

获取待检测的电子设备外观图像；

基于所述电子设备外观图像提取目标检测区域；

将所述目标检测区域输入训练结束后的神经网络模型；

接收所述神经网络模型输出的所述目标检测区域的瑕疵检测结果，所述瑕疵检测结果包括：所述目标检测区域的瑕疵种类、瑕疵在所述目标检测区域的位置和瑕疵检测结果的置信度。

2.根据权利要求1所述的方法，其中，从所述神经网络模型接收输出的所述目标检测区域的瑕疵检测结果之后，还包括：

识别所述瑕疵检测结果的置信度是否大于第一预设阈值，

若大于所述第一预设阈值，则输出包括所述目标检测区域的瑕疵种类、瑕疵在所述目标检测区域中的位置的结果信息。

3.根据权利要求1所述的方法，其中，将所述目标检测区域输入训练结束后的神经网络模型之前，还包括：

步骤一，预设神经网络模型及其初始的模型参数；

步骤二，将样本目标检测区域输入带有当前的模型参数的神经网络模型，得到所述样本目标检测区域的瑕疵预测结果，所述瑕疵预测结果包括：样本目标检测区域的瑕疵种类、瑕疵在所述样本目标检测区域中的位置和瑕疵检测结果的置信度；

步骤三，基于预设目标函数计算所述瑕疵预测结果与所述样本目标检测区域的真实瑕疵结果之间的差值，识别所述差值是否大于第二预设阈，

若所述差值大于第二预设阈值，则步骤四，基于所述差值更新所述神经网络模型参数后，重新从步骤二开始执行；

若所述差值小于等于第二预设阈值，则步骤五，将带有当前的模型参数的神经网络模型作为训练结束后的神经网络模型。

4.根据权利要求1至3中任一项所述的方法，其中，所述神经网络模型包括FPN网络结合backbone网络的模型。

5.根据权利要求4所述的方法，其中，所述backbone网络的前2层采用res结构，网络的后2层采用inception结构。

6.根据权利要求1至5中任一项所述的方法，其中，所述目标检测区域包括以下至少任一项：

屏幕显示区域；

水平边框区域；

垂直边框区域；

非屏幕轮廓区域；

背板区域。

7.根据权利要求6所述的方法，其中，所述目标检测区域包括水平边框区域或者垂直边框区域，所述基于所述电子设备外观图像提取目标检测区域包括：

对所述电子设备外观图像进行边框检测，得到边框检测区域；

对所述边框检测区域依次进行像素扩大和像素分割，得到分割后的边框检测区域；

对所述分割后的边框检测区域图像进行像素聚类，得到所述电子设备的边框的边框检测区域。

8.根据权利要求7所述的方法，其中，对所述边框检测区域依次进行像素扩大和像素分割，得到分割后的边框检测区域，包括：

绕所述边框检测区域向外进行预设数量像素的扩大，并通过卷积神经网络U-net对扩大后的边框检测区域进行像素分割，得到所述分割后的边框检测区域。

9.根据权利要求8所述的方法，其中，对所述分割后的边框检测区域进行像素聚类，得到所述电子设备的边框的边框检测区域，包括：

对所述分割后的边框检测区域内的所有像素点进行像素聚类，并将聚类后的所述分割后的边框检测区域内的所有与边框对应的点连在一起，得到所述电子设备的边框检测区域；

对所述电子设备的边框检测区域进行最大外接矩形截取，提取所述电子设备的边框检测区域。

10.根据权利要求9所述的方法，其中，对所述分割后的边框检测区域内的所有像素点进行像素聚类，包括：

判断所述分割后的边框检测区域的像素点是否在所述电子设备的边框内；

若是，则保留所述分割后的边框检测区域中对应的像素点及其像素值；

若否，则将所述分割后的边框检测区域中对应的像素点置黑。