缺陷的检测方法、装置、系统、存储介质以及处理器

摘要

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。

说明书

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。

可选地，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，包括：获取对象数据库，所述对象数据库中包括多个标准图像；获取所述目标对象对应的所述标准图像；获取所述目标对象的实际图像；比较所述实际图像和所述标准图像，在所述实际图像和所述标准图像的相似度小于预定阈值的情况下，确定所述目标对象存在所述其他缺陷。

可选地，比较所述实际图像和所述标准图像，包括：采用孪生神经网络模型比较所述实际图像和所述标准图像，其中，所述孪生神经网络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均包括：所述实际图像和所述标准图像。

可选地，获取目标对象的目标图像，包括：接收AOI设备发送的所述目标对象的所述目标图像。

可选地，所述目标对象为PCBA板。

根据本发明实施例的再一方面，还提供了一种缺陷的检测方法，包括：云服务器获取目标对象的目标图像；所述云服务器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。

根据本发明实施例的另一方面，还提供了一种缺陷的检测装置，包括：获取单元，用于获取目标对象的目标图像；确定单元，用于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。

根据本发明实施例的又一方面，还提供一种缺陷的检测系统，包括：AOI设备，用于获取PCBA板的目标图像；缺陷的检测装置，与所述AOI设备通信连接，用于执行任一种所述的检测方法。

根据本发明实施例的再一个方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行任意一种所述的检测方法。

根据本发明实施例的又一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的缺陷的检测方法。

在本发明实施例中，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。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种用于实现缺陷的检测方法的计算机终端的硬件结构框图；

图2是根据本发明实施例1的一种缺陷的检测方法的流程图；

图3(a)是检测到不存在焊接缺陷的示意图；

图3(b)是检测到存在焊接缺陷的示意图；

图4(a)是标准图像的示意图；

图4(b)是实际图像的示意图；

图5是根据本发明实施例的另一种缺陷的检测方法的流程图；

图6是根据本发明实施例的一种缺陷的检测的装置的结构框图；

图7是根据本发明实施例的一种缺陷的检测的系统的结构框图。

其中，上述附图包括以下附图标记：

11、实际颜色分布；12、标准图像；13、实际图像。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，还提供了一种缺陷的检测的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现缺陷的检测方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104。除此以外，还可以包括：传输模块、显示器、输入/输出接口(I/O接口)、通用串行总线(BUS)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的检测方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

上述传输模块用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输模块包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。

此处需要说明的是，在一些实施例中，上述图1所示的计算机设备(或移动设备)具有触摸显示器(也被称为“触摸屏”或“触摸显示屏”)。在一些实施例中，上述图1所示的计算机设备(或移动设备)具有图像用户界面(GUI)，用户可以通过触摸触敏表面上的手指接触和/或手势来与GUI进行人机交互，此处的人机交互功能可选地包括如下交互：创建网页、绘图、文字处理、制作电子文档、游戏、视频会议、即时通信、收发电子邮件、通话界面、播放数字视频、播放数字音乐和/或网络浏览等、用于执行上述人机交互功能的可执行指令被配置/存储在一个或多个处理器可执行的计算机程序产品或可读存储介质中。

在上述运行环境下，本申请提供了如图2所示的缺陷的检测方法。图2是根据本发明实施例1的缺陷的检测方法的流程图。如图2所示，该流程包括如下步骤：

步骤S102，获取目标对象的目标图像；

作为一种可选地实施例，获取目标对象的目标图像，包括：接收AOI设备发送的上述目标对象的上述目标图像。目标图像可以为AOI设备提前拍好的图像。该方案中，直接接收现有技术中AOI设备发送来的这些内容，进一步提高了该方案的效率。

步骤S104，根据上述目标图像确定上述目标对象是否存在焊接缺陷，上述焊接缺陷包括以下至少之一：锡多、锡少、虚焊和连锡。

本申请的方案中，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。

作为一种可选地实施例，根据上述目标图像确定上述目标对象是否存在焊接缺陷，包括：提取上述目标图像中的焊接区域；采用细粒度图像分类模型确定上述焊接区域中的正常焊接区域和非正常焊接区域；采用上述细粒度图像分类模型确定上述非正常焊接区域中的上述焊接缺陷，其中，上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，上述多组数据中的每组数据均包括：上述正常焊接区域的图像和上述非正常焊接区域的图像。该方案中，通过细粒度图像分类模型确定非正常焊接区域的焊接缺陷，可以更为高效且准确地确定目标对象存在焊接缺陷，使得检测的结果更为准确。

具体地，还可以通过人工确定焊接区域中的正常焊接区域和非正常焊接区域，人工可以根据焊接区域的实际颜色分布来确定焊接区域为正常焊接区域或者非正常焊接区域，焊接区域的实际颜色分布可以为特定三色光的分布，对于不同斜率的焊接表面，实际颜色分布不同，人工可以只通过实际颜色分布来确定焊接区域为正常焊接区域或者非正常焊接区域。

一种具体的实施例中，如图3(a)和图3(b)所示，图3(a)中的目标对象的左引脚和右引脚实际颜色分布11相同，可以确定焊接区域为正常焊接区域，不存在焊接缺陷，图3(b)中的目标对象的左引脚和右引脚实际颜色分布11不相同，右引脚并没有实际颜色分布11，可以确定焊接区域为非正常焊接区域，存在焊接缺陷。

具体地，在确定目标对象存在焊接缺陷后，对于漏斗、立碑以及其他的偏移缺陷可以一起检测得到，以上的缺陷会导致焊接问题，因此，以上的缺陷也同样可以通过细粒度图像分类模型确定得到。

作为一种可选地实施例，根据上述目标图像确定上述目标对象是否存在焊接缺陷，包括：在确定上述目标对象不存在上述焊接缺陷的情况下，确定上述目标对象是否存在其他缺陷，上述其他缺陷包括以下至少之一：翻件、破损、侧立、错料和反向。该方案中，可以在目标对象不存在焊接缺陷时，检测是否存在其他缺陷，可以自动化进行检测，无需人工进行检测，这样可以进一步保证检测的效率更高。

作为一种可选地实施例，在确定上述目标对象不存在上述焊接缺陷的情况下，确定上述目标对象是否存在其他缺陷，包括：获取对象数据库，上述对象数据库中包括多个标准图像；获取上述目标对象对应的上述标准图像；获取上述目标对象的实际图像；比较上述实际图像和上述标准图像，在上述实际图像和上述标准图像的相似度小于预定阈值的情况下，确定上述目标对象存在上述其他缺陷。该方案中，是通过目标对象的标准图像与实际图像进行比较来确定是否存在其他缺陷的，标准图像可以是直接获取得到的，相比现有技术需要人工选择模板再通过编程输入比对的方式，本方案可以自动化进行检测，无需人工选择模板，这样进一步保证了可以降低检测的成本，进一步提高了检测的效率。

具体地，预定阈值可以现有技术中任何可行的阈值，本领域技术人员可以根据实际需要设置合适的预定阈值。

一种具体的实施例中，目标对象对应的标准图像12如图4(a)所示，电阻应为R102，而实际图像13如图4(b)所示，电阻错焊成了R103，在检测是否存在焊接缺陷时，可能不会检测到存在焊接缺陷，这种缺陷为错料，而通过将实际图像13和标准图像12进行对比可以检测出目标对象存在错料缺陷。

作为一种可选地实施例，比较上述实际图像和上述标准图像，包括：采用孪生神经网络模型比较上述实际图像和上述标准图像，其中，上述孪生神经网络模型为使用多组数据通过机器学习训练出的，上述多组数据中的每组数均包括：上述实际图像和上述标准图像。该方案中，采用孪生神经网络模型比较实际图像和标准图像，可以较好地识别出较小的差异，避免其他的额外因此造成的干扰，这样使得检测的误报较少，从而进一步保证了得到的检测结果较为准确。

作为一种可选地实施例，上述目标对象为PCBA板。当然，本申请的上述方案还可以应用在其他的目标对象上出现缺陷的其他的物体。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例上述的方法。

实施例2

本申请提供了如图5所示的缺陷的检测方法。如图5所示，该流程包括如下步骤：

步骤S202，云服务器获取目标对象的目标图像；

作为一种可选地实施例，云服务器获取目标对象的目标图像，包括：上述云服务器接收AOI设备发送的上述目标对象的上述目标图像。目标图像可以为AOI设备提前拍好的图像。该方案中，直接接收现有技术中AOI设备发送来的这些内容，进一步提高了该方案的效率。

步骤S204，上述云服务器根据上述目标图像确定上述目标对象是否存在焊接缺陷，上述焊接缺陷包括以下至少之一：锡多、锡少、虚焊和连锡。

本申请的方案中，云服务器获取目标对象的目标图像，云服务器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。

作为一种可选地实施例，上述云服务器根据上述目标图像确定上述目标对象是否存在焊接缺陷，包括：上述云服务器提取上述目标图像中的焊接区域；上述云服务器采用细粒度图像分类模型确定上述焊接区域中的正常焊接区域和非正常焊接区域；上述云服务器采用上述细粒度图像分类模型确定上述非正常焊接区域中的上述焊接缺陷，其中，上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，上述多组数据中的每组数据均包括：上述正常焊接区域的图像和上述非正常焊接区域的图像。该方案中，通过细粒度图像分类模型确定非正常焊接区域的焊接缺陷，可以更为高效且准确地确定目标对象存在焊接缺陷，使得检测的结果更为准确

具体地，还可以通过人工确定焊接区域中的正常焊接区域和非正常焊接区域，人工可以根据焊接区域的实际颜色分布来确定焊接区域为正常焊接区域或者非正常焊接区域，焊接区域的实际颜色分布可以为特定三色光的分布，对于不同斜率的焊接表面，实际颜色分布不同，人工可以只通过实际颜色分布来确定焊接区域为正常焊接区域或者非正常焊接区域。

一种具体的实施例中，如图3(a)和图3(b)所示，图3(a)中的目标对象的左引脚和右引脚实际颜色分布11相同，可以确定焊接区域为正常焊接区域，不存在焊接缺陷，图3(b)中的目标对象的左引脚和右引脚实际颜色分布11不相同，右引脚并没有实际颜色分布11，可以确定焊接区域为非正常焊接区域，存在焊接缺陷。

具体地，在确定目标对象存在焊接缺陷后，对于漏斗、立碑以及其他的偏移缺陷可以一起检测得到，以上的缺陷会导致焊接问题，因此，以上的缺陷也同样可以通过细粒度图像分类模型确定得到。

作为一种可选地实施例，上述云服务器根据上述目标图像确定上述目标对象是否存在焊接缺陷，包括：上述云服务器在确定上述目标对象不存在上述焊接缺陷的情况下，确定上述目标对象是否存在其他缺陷，上述其他缺陷包括以下至少之一：翻件、破损、侧立、错料和反向。该方案中，可以在目标对象不存在焊接缺陷时，检测是否存在其他缺陷，可以自动化进行检测，无需人工进行检测，这样可以进一步保证检测的效率更高。

作为一种可选地实施例，上述云服务器在确定上述目标对象不存在上述焊接缺陷的情况下，确定上述目标对象是否存在其他缺陷，包括：上述云服务器获取对象数据库，上述对象数据库中包括多个标准图像；上述云服务器获取上述目标对象对应的上述标准图像；上述云服务器获取上述目标对象的实际图像；上述云服务器比较上述实际图像和上述标准图像，在上述实际图像和上述标准图像的相似度小于预定阈值的情况下，确定上述目标对象存在上述其他缺陷。该方案中，是通过目标对象的标准图像与实际图像进行比较来确定是否存在其他缺陷的，标准图像可以是直接获取得到的，相比现有技术需要人工选择模板再通过编程输入比对的方式，本方案可以自动化进行检测，无需人工选择模板，这样进一步保证了可以降低检测的成本，进一步提高了检测的效率。

具体地，预定阈值可以现有技术中任何可行的阈值，本领域技术人员可以根据实际需要设置合适的预定阈值。

一种具体的实施例中，目标对象对应的标准图像12如图4(a)所示，电阻应为R102，而实际图像13如图4(b)所示，电阻错焊成了R103，在检测是否存在焊接缺陷时，可能不会检测到存在焊接缺陷，这种缺陷为错料，而通过将实际图像13和标准图像12进行对比可以检测出目标对象存在错料缺陷。

作为一种可选地实施例，上述云服务器比较上述实际图像和上述标准图像，包括：上述云服务器采用孪生神经网络模型比较上述实际图像和上述标准图像，其中，上述孪生神经网络模型为使用多组数据通过机器学习训练出的，上述多组数据中的每组数均包括：上述实际图像和上述标准图像。该方案中，采用孪生神经网络模型比较实际图像和标准图像，可以较好地识别出较小的差异，避免其他的额外因此造成的干扰，这样使得检测的误报较少，从而进一步保证了得到的检测结果较为准确。

作为一种可选地实施例，上述目标对象为PCBA板。当然，本申请的上述方案还可以应用在其他的目标对象上出现缺陷的其他的物体。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例上述的方法。

实施例3

根据本发明实施例，还提供了一种缺陷的检测的装置，如图6所示，该装置包括：

获取单元100，用于获取目标对象的目标图像；

作为一种可选地实施例，获取单元包括接收模块，接收模块用于接收AOI设备发送的上述目标对象的上述目标图像。目标图像可以为AOI设备提前拍好的图像。该方案中，直接接收现有技术中AOI设备发送来的这些内容，进一步提高了该方案的效率。

确定单元200，用于根据上述目标图像确定上述目标对象是否存在焊接缺陷，上述焊接缺陷包括以下至少之一：锡多、锡少、虚焊和连锡。

本申请的方案中，获取单元获取目标对象的目标图像，确定单元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。

作为一种可选地实施例，确定单元包括提取模块、第一确定模块和第二确定模块，提取模块用于提取上述目标图像中的焊接区域；第一确定模块用于采用细粒度图像分类模型确定上述焊接区域中的正常焊接区域和非正常焊接区域；第二确定模块用于采用上述细粒度图像分类模型确定上述非正常焊接区域中的上述焊接缺陷，其中，上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，上述多组数据中的每组数据均包括：上述正常焊接区域的图像和上述非正常焊接区域的图像。该方案中，通过细粒度图像分类模型确定非正常焊接区域的焊接缺陷，可以更为高效且准确地确定目标对象存在焊接缺陷，使得检测的结果更为准确。

具体地，还可以通过人工确定焊接区域中的正常焊接区域和非正常焊接区域，人工可以根据焊接区域的实际颜色分布来确定焊接区域为正常焊接区域或者非正常焊接区域，焊接区域的实际颜色分布可以为特定三色光的分布，对于不同斜率的焊接表面，实际颜色分布不同，人工可以只通过实际颜色分布来确定焊接区域为正常焊接区域或者非正常焊接区域。

一种具体的实施例中，如图3(a)和图3(b)所示，图3(a)中的目标对象的左引脚和右引脚实际颜色分布11相同，可以确定焊接区域为正常焊接区域，不存在焊接缺陷，图3(b)中的目标对象的左引脚和右引脚实际颜色分布11不相同，右引脚并没有实际颜色分布11，可以确定焊接区域为非正常焊接区域，存在焊接缺陷。

具体地，在确定目标对象存在焊接缺陷后，对于漏斗、立碑以及其他的偏移缺陷可以一起检测得到，以上的缺陷会导致焊接问题，因此，以上的缺陷也同样可以通过细粒度图像分类模型确定得到。

作为一种可选地实施例，确定单元包括第三确定模块，第三确定模块用于在确定上述目标对象不存在上述焊接缺陷的情况下，确定上述目标对象是否存在其他缺陷，上述其他缺陷包括以下至少之一：翻件、破损、侧立、错料和反向。该方案中，可以在目标对象不存在焊接缺陷时，检测是否存在其他缺陷，可以自动化进行检测，无需人工进行检测，这样可以进一步保证检测的效率更高。

作为一种可选地实施例，第三确定模块包括第一获取子模块、第二获取子模块、第三获取子模块和确定子模块，第一获取子模块用于获取对象数据库，上述对象数据库中包括多个标准图像；第二获取子模块用于获取上述目标对象对应的上述标准图像；第三获取子模块用于获取上述目标对象的实际图像；确定子模块用于比较上述实际图像和上述标准图像，在上述实际图像和上述标准图像的相似度小于预定阈值的情况下，确定上述目标对象存在上述其他缺陷。该方案中，是通过目标对象的标准图像与实际图像进行比较来确定是否存在其他缺陷的，标准图像可以是直接获取得到的，相比现有技术需要人工选择模板再通过编程输入比对的方式，本方案可以自动化进行检测，无需人工选择模板，这样进一步保证了可以降低检测的成本，进一步提高了检测的效率。

具体地，预定阈值可以现有技术中任何可行的阈值，本领域技术人员可以根据实际需要设置合适的预定阈值。

一种具体的实施例中，目标对象对应的标准图像12如图4(a)所示，电阻应为R102，而实际图像13如图4(b)所示，电阻错焊成了R103，在检测是否存在焊接缺陷时，可能不会检测到存在焊接缺陷，这种缺陷为错料，而通过将实际图像13和标准图像12进行对比可以检测出目标对象存在错料缺陷。

作为一种可选地实施例，确定子模块还用于采用孪生神经网络模型比较上述实际图像和上述标准图像，其中，上述孪生神经网络模型为使用多组数据通过机器学习训练出的，上述多组数据中的每组数均包括：上述实际图像和上述标准图像。该方案中，采用孪生神经网络模型比较实际图像和标准图像，可以较好地识别出较小的差异，避免其他的额外因此造成的干扰，这样使得检测的误报较少，从而进一步保证了得到的检测结果较为准确。

作为一种可选地实施例，上述目标对象为PCBA板。当然，本申请的上述方案还可以应用在且的目标对象上，出现缺陷的其他的物体。

实施例4

本发明的实施例还提供了一种缺陷的检测系统，如图7所示，该系统包括AOI设备300和缺陷的检测装置400，AOI设备300用于获取PCBA板的目标图像；缺陷的检测装置400与上述AOI设备300通信连接，用于执行实施例1的检测方法，或者为实施例3对应的检测装置。

可选地，在本实施例中，检测装置用于执行：获取目标对象的目标图像；根据上述目标图像确定上述目标对象是否存在焊接缺陷，上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，在本实施例中，检测装置用于执行：根据上述目标图像确定上述目标对象是否存在焊接缺陷，包括：提取上述目标图像中的焊接区域；采用细粒度图像分类模型确定上述焊接区域中的正常焊接区域和非正常焊接区域；采用上述细粒度图像分类模型确定上述非正常焊接区域中的上述焊接缺陷，其中，上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，上述多组数据中的每组数据均包括：上述正常焊接区域的图像和上述非正常焊接区域的图像。

可选地，在本实施例中，检测装置用于执行：根据上述目标图像确定上述目标对象是否存在焊接缺陷，包括：在确定上述目标对象不存在上述焊接缺陷的情况下，确定上述目标对象是否存在其他缺陷，上述其他缺陷包括以下至少之一：翻件、破损、侧立、错料和反向。

可选地，在本实施例中，检测装置用于执行：在确定上述目标对象不存在上述焊接缺陷的情况下，确定上述目标对象是否存在其他缺陷，包括：获取对象数据库，上述对象数据库中包括多个标准图像；获取上述目标对象对应的上述标准图像；获取上述目标对象的实际图像；比较上述实际图像和上述标准图像，在上述实际图像和上述标准图像的相似度小于预定阈值的情况下，确定上述目标对象存在上述其他缺陷。

可选地，在本实施例中，检测装置用于执行：比较上述实际图像和上述标准图像，包括：采用孪生神经网络模型比较上述实际图像和上述标准图像，其中，上述孪生神经网络模型为使用多组数据通过机器学习训练出的，上述多组数据中的每组数均包括：上述实际图像和上述标准图像。

可选地，在本实施例中，检测装置用于执行：获取目标对象的目标图像，包括：接收AOI设备发送的上述目标对象的上述目标图像。

可选地，在本实施例中，检测装置用于执行：上述目标对象为PCBA板。

实施例5

本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的缺陷的检测方法所执行的程序代码。

可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

可选地，在本实施例中，存储介质被设置为存储用于执行上述实施例1中的缺陷的检测方法中所包括步骤的程序代码。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标对象的目标图像；根据上述目标图像确定上述目标对象是否存在焊接缺陷，上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，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据上述目标图像确定上述目标对象是否存在焊接缺陷，包括：提取上述目标图像中的焊接区域；采用细粒度图像分类模型确定上述焊接区域中的正常焊接区域和非正常焊接区域；采用上述细粒度图像分类模型确定上述非正常焊接区域中的上述焊接缺陷，其中，上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，上述多组数据中的每组数据均包括：上述正常焊接区域的图像和上述非正常焊接区域的图像。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据上述目标图像确定上述目标对象是否存在焊接缺陷，包括：在确定上述目标对象不存在上述焊接缺陷的情况下，确定上述目标对象是否存在其他缺陷，上述其他缺陷包括以下至少之一：翻件、破损、侧立、错料和反向。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：在确定上述目标对象不存在上述焊接缺陷的情况下，确定上述目标对象是否存在其他缺陷，包括：获取对象数据库，上述对象数据库中包括多个标准图像；获取上述目标对象对应的上述标准图像；获取上述目标对象的实际图像；比较上述实际图像和上述标准图像，在上述实际图像和上述标准图像的相似度小于预定阈值的情况下，确定上述目标对象存在上述其他缺陷。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：比较上述实际图像和上述标准图像，包括：采用孪生神经网络模型比较上述实际图像和上述标准图像，其中，上述孪生神经网络模型为使用多组数据通过机器学习训练出的，上述多组数据中的每组数均包括：上述实际图像和上述标准图像。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标对象的目标图像，包括：接收AOI设备发送的上述目标对象的上述目标图像。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：上述目标对象为PCBA板。

实施例6

根据本发明实施例的还一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述实施例1中的缺陷的检测方法。

可选地，上述处理器还可以执行如下步骤的程序代码：获取目标对象的目标图像；根据上述目标图像确定上述目标对象是否存在焊接缺陷，上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，上述处理器还可以执行如下步骤的程序代码：根据上述目标图像确定上述目标对象是否存在焊接缺陷，包括：提取上述目标图像中的焊接区域；采用细粒度图像分类模型确定上述焊接区域中的正常焊接区域和非正常焊接区域；采用上述细粒度图像分类模型确定上述非正常焊接区域中的上述焊接缺陷，其中，上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，上述多组数据中的每组数据均包括：上述正常焊接区域的图像和上述非正常焊接区域的图像。

可选地，上述处理器还可以执行如下步骤的程序代码：根据上述目标图像确定上述目标对象是否存在焊接缺陷，包括：在确定上述目标对象不存在上述焊接缺陷的情况下，确定上述目标对象是否存在其他缺陷，上述其他缺陷包括以下至少之一：翻件、破损、侧立、错料和反向。

可选地，上述处理器还可以执行如下步骤的程序代码：在确定上述目标对象不存在上述焊接缺陷的情况下，确定上述目标对象是否存在其他缺陷，包括：获取对象数据库，上述对象数据库中包括多个标准图像；获取上述目标对象对应的上述标准图像；获取上述目标对象的实际图像；比较上述实际图像和上述标准图像，在上述实际图像和上述标准图像的相似度小于预定阈值的情况下，确定上述目标对象存在上述其他缺陷。

可选地，上述处理器还可以执行如下步骤的程序代码：比较上述实际图像和上述标准图像，包括：采用孪生神经网络模型比较上述实际图像和上述标准图像，其中，上述孪生神经网络模型为使用多组数据通过机器学习训练出的，上述多组数据中的每组数均包括：上述实际图像和上述标准图像。

可选地，上述处理器还可以执行如下步骤的程序代码：获取目标对象的目标图像，包括：接收AOI设备发送的上述目标对象的上述目标图像。

可选地，上述处理器还可以执行如下步骤的程序代码：上述目标对象为PCBA板。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，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，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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

上述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。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上上述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。