技术摘要：
本发明提供一种外观瑕疵检测方法，包括以下步骤：通过至少一台影像感测器获取待测物的图像；将所述图像分割成多个小图；通过图像算法判断每张所述小图是否均匀无暇；通过第一深度学习模型判断非无暇的小图是否有待检测瑕疵；若为是，通过第二深度学习模型确定瑕疵的种  全部
背景技术：
目前，通常采用图像学的方法分辨产品图像上的瑕疵，来进行产品外观的检测。传 统的图像学需要设计多种图像算法和阈值参数，来满足各类瑕疵的检测需求。当瑕疵种类 越来越多时，人为设计的多种图像算法往往容易顾此失彼，无法同时满足漏检率和过杀率 的要求。另外，当瑕疵种类或检测条件有变化时，需要花费工程师较多时间来做实验以调整 参数或加入新的演算法来做对应改变，耗时长且降低了瑕疵检测的效率。
技术实现要素：
有鉴于此，有必要提出一种外观瑕疵检测方法、电子装置及存储介质，以解决此问 题。 本发明的第一方面提出一种外观瑕疵检测方法，包括以下步骤：通过至少一台影 像感测器获取待测物的图像；将所述图像分割成多个小图；通过图像算法判断每张所述小 图是否均匀无暇；通过第一深度学习模型判断非无暇的小图是否有待检测瑕疵；若为是，通 过第二深度学习模型确定瑕疵的种类；计算出所述瑕疵在相应的所述种类中的级别；判断 所述级别是否符合相应的预设的允收条件，从而判断所述待测物是否合格。 进一步地，在获取所述待测物的图像之后，所述方法还包括步骤：获取待测物的识 别信息及拍摄工站信息。 进一步地，将所述图像分割成多个小图的步骤具体为：搜寻所述图像的有效边缘； 区分图像的检测区和非检测区；将检测区分割成多个能够供机器学习使用的小图。 进一步地，通过图像算法判断每张所述小图是否均匀无暇的步骤具体为：通过影 像强化、二值化凸显所述图像中的瑕疵，然后计算所述瑕疵的尺寸和面积，再将所述瑕疵的 尺寸和面积分别与预设的阈值相比较，从而判断每张所述小图是否均匀无暇。 进一步地，所述第一深度学习模型和所述第二深度学习模型包括CNN、Inception  V3和Inception  V4中的一种或多种深度学习模型。 进一步地，在通过第一深度学习模型判断非无暇的小图是否有需检测的瑕疵之 后，所述方法还包括步骤：将邻近的、有待检测瑕疵的小图组合成瑕疵图；在“通过第二深度 学习模型确定瑕疵的种类”的步骤中，通过所述第二深度学习模型对所述瑕疵图进行分析， 以确定所述瑕疵的种类。 进一步地，所述瑕疵的数量为一个或多个，当所述瑕疵的数量为多个时，在步骤 “判断所述级别是否符合相应的允收条件”之后，所述方法还包括：对所述图像的多个所述 瑕疵进行综合分析，若任意一个所述瑕疵的级别不符合相应的允收条件，则判断所述待测 物不合格。 3 CN 111598827 A 说　明　书 2/7 页 进一步地，所述影像感测器为CCD相机、CMOS相机、面阵相机、扫描相机、3D相机中 的一种或多种。 本发明的第二方面提出一种电子装置，所述电子装置包括处理器及存储器，所述 处理器用于执行所述存储器中存储的计算机程序时实现如前所述的外观瑕疵检测方法。 本申请的第三方面提出一种计算机可读存储介质，其上存储有计算机程序，所述 计算机程序被处理器执行时实现如前所述的外观瑕疵检测方法。 本发明将图像演算法与深度学习演算法结合后使用在产品外观瑕疵检测上，先通 过图像算法判断每张所述小图是否均匀无暇；通过第一深度学习模型判断非无暇的小图是 否有待检测瑕疵；若为是，通过第二深度学习模型确定瑕疵的种类，并计算出所述瑕疵在相 应的所述种类中的级别，再判断所述级别是否符合相应的允收条件，从而判断所述待测物 是否合格。本发明能够提升瑕疵检测的效率和准确度，克服了在现有的检测法在存在多种 瑕疵种类时容易顾此失彼的现象，能够满足漏检率和过杀率的要求。 附图说明 图1为本发明一实施方式中的电子装置的应用结构示意图。 图2为本发明一实施方式中的外观瑕疵检测方法的流程图。 图3为本发明一实施方式中的外观瑕疵检测系统的应用结构示意图。 主要元件符号说明 4 CN 111598827 A 说　明　书 3/7 页 如下