(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210499584.6 (22)申请日 2022.05.09 (71)申请人 珠海格力电器股份有限公司 地址 519070 广东省珠海市前山金鸡西路 (72)发明人 陆华章　熊伟　徐强　崔少杰　 吴敦丰　周叶笛　 (74)专利代理 机构 北京煦润律师事务所 1 1522 专利代理师 梁永芳 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/13(2017.01) G06V 10/74(2022.01) G06V 10/771(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种视觉检测方法、 装置、 终端和存 储介质 (57)摘要 本发明公开了一种视觉检测方法、 装置、 终 端和存储介质， 该方法包括： 获取待检测对象的 图像， 记为待检测对象的图片； 基于待检测对象 的图片， 利用预先训练得到的微型卷积深度学习 模型， 确定待检测对象中是否存在第一待检测特 征； 若确定待检测对象中存在第一待检测特征， 基于待检测对象的图片， 利用预先建模得到的目 标检测对象的模板图库， 识别待检测对象中是否 存在第二待检测特征； 在确定待检测对象中也存 在第二待检测特征的情况下， 确定待检测对象是 目标检测对象， 且确定待检测对象无装配缺陷。 该方案， 通过使机器利用微型卷积深度学习模 型， 对被检测目标进行视觉缺陷检， 能够实现对 被检测目标的模板的自动建模， 大大节省了人工 劳动量。 权利要求书3页 说明书23页 附图10页 CN 114897820 A 2022.08.12 CN 114897820 A 1.一种视觉检测方法， 其特征在于， 所述视觉检测方法， 应用于对待检测对象进行视觉 缺陷检测； 所述视 觉检测方法， 包括： 获取待检测对象的图像， 记为待检测对象的图片； 基于所述待检测对象的图片， 利用预先训练得到的卷积深度学习模型， 确定所述待检 测对象中是否存在第一待检测特 征； 若确定所述待检测对象中存在第一待检测特征， 基于所述待检测对象的图片， 利用预 先建模得到的目标检测对象的模板图库， 识别所述待检测对象中是否存在第二待检测特 征； 在确定所述待检测对象中也存在所述第 二待检测特征的情况下， 确定所述待检测对象 是目标检测对象， 且确定所述待检测对象无装配缺陷。 2.根据权利要求1所述的视觉检测方法， 其特征在于， 基于所述待检测对象的图片， 利 用预先训练得到的卷积深度学习模型， 确定所述待检测对 象中是否存在第一待检测特征， 包括： 以第一设定像素的窗口大小， 对所述待检测对象的图片进行窗口搜索， 得到第一设定 数量个窗口图片； 利用所述卷积深度学习 模型， 确定所述第 一设定数量个窗口图片中的每个窗口图片中 是否存在所述第一待检测特 征的参考图片； 若确定所述第一设定数量个窗口图片中有至少一个窗口图片中存在所述第一待检测 特征的参考图片， 则确定所述待检测对象中存在所述第一待检测特 征。 3.根据权利要求2所述的视觉检测方法， 其特征在于， 利用所述卷积深度学习模型， 确 定所述第一设定数量个窗口图片中的每个窗口图片中是否存在所述第一待检测特征的参 考图片， 包括： 通过所述卷积深度学习 模型中的卷积层， 对所述第 一设定数量个窗口图片中的每个窗 口图片进行特征提取， 得到与每个所述窗口图片对应的特征图； 针对所述第一设定数量个 窗口图片， 得到第一设定数量个特 征图； 通过所述卷积深度学习 模型中的池化层， 对所述第 一设定数量个特征图中的每个特征 图进行降维采样， 得到与每个所述特征图对应的降维特征图； 针对所述第一设定数量个特 征图， 得到第一设定数量个降维特 征图； 通过所述卷积深度学习 模型中的分类层， 对所述第 一设定数量个降维特征图中每个降 维特征图进行分类， 以确定每 个所述降维特 征图在参 考类别范围中的对应 类别； 若所述第一设定数量个降维特征图中至少一个所述降维特征图的对应类别， 属于所述 第一待检测特征的参考图片所在类别， 则确定所述第一设定数量个窗口图片中有至少一个 窗口图片中存在所述第一待检测特 征的参考图片。 4.根据权利要求1至3中任一项所述的视觉检测方法， 其特征在于， 基于所述待检测对 象的图片， 利用预先建模得到的目标检测对 象的模板图库， 识别所述待检测对 象中是否存 在第二待检测特 征， 包括： 将所述待检测对象的图片中所述第 一待检测特征的图片所在位置， 向外围扩充第 二设 定像素之后的区域， 作为所述第二待检测特 征的图片； 将所述第二待检测特征的图片， 与 所述目标检测对象中第 二待检测特征的模板图库中权　利　要　求　书 1/3 页 2 CN 114897820 A 2的参考图片进 行对比， 得到对比结果； 所述对比结果， 是所述第二待检测特征的图片与第二 待检测特 征的模板图库中至少一个参 考图片之间的相似度值； 确定所述第二待检测特征的图片与第二待检测特征的模板图库中至少一个参考图片 之间的相似度值， 是否大于第一设定相似度阈值； 若所述第二待检测特征的图片与第二待检测特征的模板图库中至少一个参考图片之 间的相似度值， 大于第一设定相似度阈值， 则确定所述待检测对象中存在第二待检测特 征。 5.根据权利要求 4所述的视 觉检测方法， 其特 征在于， 其中， 将所述第二待检测特征的图片， 与 所述目标检测对象中第 二待检测特征的模板图库中 的参考图片进行对比， 得到对比结果， 包括： 对所述第二待检测特征的图片进行边缘检测， 得到所述第 二待检测特征的图片的梯度 灰度图； 并对所述目标检测对象中第二待检测特征的模板图库中的每个参考图片进行边缘 检测， 得到第二待检测特 征的每个参考图片的梯度灰度图； 将所述第二待检测特征的图片的梯度 灰度图， 与第 二待检测特征的每个参考图片的梯 度灰度图进行欧式距离计算， 得到对应的第二设定数量个相似度值； 将所述第二设定数量个相似度值中每个相似度值与第 一设定相似度阈值进行对比， 以 在所述第二设定数量个相似度值中有至少一个所述相似度值大于第一设定相似度阈值的 情况下， 确定所述待检测对象中存在第二待检测特 征； 和/或， 基于所述待检测对象的图片， 利用预先建模得到的目标检测对象的模板 图库， 识别所 述待检测对象中是否存在第二待检测特 征， 还包括： 若所述第二待检测特征的图片与第二待检测特征的模板图库中至少一个参考图片之 间的相似度值， 小于或等于第一设定相似度阈值， 则确定所述第二待检测特征 的图片与第 二待检测特征的模板图库中至少一个参考图片之间的相似度值， 是否大于第二设定相似度 阈值； 所述第一设定相似度阈值， 大于所述第二设定相似度阈值； 若所述第二待检测特征的图片与第二待检测特征的模板图库中至少一个参考图片之 间的相似度值， 大于所述第二设定相似度阈值， 则确定所述待检测对 象中的所述第二待检 测特征， 是新的第二待检测特征， 将所述新的第二待检测特征的图片存入所述第二待检测 特征的模板图库中， 作为所述第二待检测特征的模板图库中所述新的第二待检测特征的参 考图片； 并且， 确定包含有所述第一待检测对 象和所述新的第二待检测特征 的所述待检测 对象， 是目标检测对象， 且确定所述待检测对象无装配缺陷； 若所述第二待检测特征的图片与第二待检测特征的模板图库中至少一个参考图片之 间的相似度值， 小于或等于所述第二设定相似度阈值， 则确定所述待检测对 象不是所述 目 标检测对象。 6.根据权利要求1至 5中任一项所述的视 觉检测方法， 其特 征在于， 还 包括： 若确定所述待检测对象中不存在第一待检测特征， 基于所述待检测对象的图片， 利用 预先训练得到的微型卷积深度学习模型， 确定所述待检测对象中是否存在第二待检测特 征； 在确定所述待检测对象中存在所述第 二待检测特征的情况下， 确定所述待检测对象是 目标检测对象， 且确定所述待检测对象存在装配缺陷。权　利　要　求　书 2/3 页 3 CN 114897820 A 3