一种毛刺定位、毛刺检测模型的训练方法及装置与流程

本申请涉及图像识别技术领域，尤其是涉及一种毛刺定位、毛刺检测模型的训练方法及装置。

背景技术：

o型器件是指中间镂空的正圆型器件，现有o型器件包括不易发生形变的刚性o型器件(如钢圈)、以及易发生形变的非刚性o型器件(如橡胶圈)。o型器件的毛刺是指o型器件边缘上非正常的凸起部分。

现有技术中在对o型器件的毛刺定位主要是通过尺寸测量的方法，测量o型器件边缘上的各个点到圆心的距离，将距离与半径的距离之间的差值大于预设差值的点所在的位置确定为毛刺的位置，但是由于非刚性o型器件容易发生形变，其测量过程中可能会导致器件发生形变而导致测量误差较大；另外，由于在选取o型器件边缘上的点时无法涵盖o型器件上的所有的点，因此可能会导致部分毛刺检测的遗漏。

技术实现要素：

有鉴于此，本申请的目的在于提供一种毛刺定位、毛刺检测模型的训练方法及装置，以提高毛刺检测和定位的精度。

第一方面，本申请实施例提供了一种毛刺定位方法，包括：

获取待检测器件的待检测特征数据；所述待检测特征数据用于表征所述待检测特征器件的形状特征；

将所述待检测特征数据输入至预先训练好的毛刺检测模型中，所述毛刺检测模型包括多个卷积神经网络、以及全连接网络，不同所述卷积神经网络对应不同尺寸的卷积核，所述毛刺检测模型对所述待检测特征数据执行以下处理，直至得到与所述待检测器件对应的置信度向量；

使用各个所述卷积神经网络，对所述待检测特征数据进行卷积处理，得到每一个卷积神经网络分别对应的第一特征矩阵；

将所有所述卷积神经网络的第一特征矩阵进行特征融合，得到第二特征矩阵；

使用所述全连接网络对所述第二特征矩阵进行全连接处理，得到与所述待检测特征数据所对应的置信度向量；其中，所述置信度向量中不同元素的值表征所述待检测器件的不同位置存在毛刺的概率；

基于所述置信度向量，确定所述待检测器件上的毛刺位置。

一种可能的实施方式中，所述获取待检测器件的待检测特征数据，包括：

获取待检测器件的图像，并确定所述待检测器件的中心点以及所述待检测器件的边缘；

从所述待检测器件的边缘选取至少一个待检测点，并将每一个所述待检测点与所述中心点之间的距离值确定为待检测特征数据，其中，所述待检测数据中的距离值与所述待检测点一一对应。

一种可能的实施方式中，若所述待检测器件为圆环型器件或圆形器件，所述中心点为所述待检测器件的圆心。

一种可能的实施方式中，所述置信度向量中的每一个元素与所述待检测特征数据中的距离值一一对应，所述置信度向量中的每一个元素的元素值表示该元素所对应的待检测点存在毛刺的概率。

一种可能的实施方式中，从所述待检测器件的图像的边缘选取至少一个待检测点，包括：

以所述圆心为原点，以任意方向为x轴建立平面直角坐标系；

以预设角度为间隔，以所述圆心为起点做至少一条直线，并将每一条直线与所述边缘的交点确定为所述待检测点，并确定每一个所述待检测点在所述平面直角坐标系下的坐标；

所述基于所述置信度向量，确定所述待检测器件上的毛刺位置，包括：

将所述置信度向量中元素值大于预设阈值的元素确定为目标元素，并将所述目标元素所对应的待检测点确定为毛刺；

基于所述待检测点的坐标，确定所述毛刺的坐标。

一种可能的实施方式中，在将所述待检测特征数据输入至预先训练好的毛刺检测模型中之前，所述方法还包括：

基于所述待检测器件的半径，对所述待检测特征数据中的距离值进行归一化处理；

所述将所述待检测特征数据输入至预先训练好的毛刺检测模型中，包括：

将经过归一化处理后的所述待检测特征数据输入至预先训练好的毛刺检测模型中。

一种可能的实施方式中，所述将所有所述卷积神经网络的第一特征矩阵进行特征融合，得到第二特征矩阵，包括：

按照多个所述卷积神经网络对应的预设顺序，将各个所述卷积神经网络分别对应的所述第一特征矩阵进行拼接，得到所述第二特征矩阵。

一种可能的实施方式中，所述获取待检测器件的图像，包括：

获取所述待检测器件的彩色图像，并将所述彩色图像转换为灰度图像；或，获取所述待检测器件的灰度图像。

第二方面，本申请实施例还提供了一种毛刺检测模型的训练方法，包括：

获取多张待检测样本图像，其中，所述待检测样本图像为包含样本器件的样本图像；

确定所述待检测样本图像中所述样本器件的中心点的位置以及所述样本器件的边缘；

从所述待检测样本图像的所述样本器件的边缘选取至少一个待检测点，并基于每一个所述待检测点与所述中心点之间的距离值确定待检测样本数据，以及所述待检测样本数据的每一个距离值所对应的标签，所述标签用于描述所述元素对应的待检测点是否为毛刺；

将所述待检测样本数据输入至基础检测模型中，得到所述待检测样本图像对应的置信度向量；其中，所述基础检测模型包括至少一个卷积神经网络、以及全连接网络，每一个所述卷积神经网络所使用的卷积核不同，所述置信度向量中的元素与所述待检测样本特征向量中的距离值一一对应；

基于所述置信度向量元素的元素值、以及所述待检测样本特征向量中每一个元素所对应的标签，对多个卷积神经网络以及所述全连接网络进行本轮训练；

经过对所述卷积神经网络以及所述全连接网络的多轮训练，得到所述毛刺检测模型。

第三方面，本申请实施例还提供一种毛刺定位装置，包括：

第一获取模块，用于获取待检测器件的待检测特征数据；所述待检测特征数据用于表征所述待检测特征器件的形状特征；

第一检测模块，用于将所述待检测特征数据输入至预先训练好的毛刺检测模型中，所述毛刺检测模型包括多个卷积神经网络、以及全连接网络，不同所述卷积神经网络对应不同尺寸的卷积核，所述第一检测模块，包括：

卷积单元，用于使用各个所述卷积神经网络，对所述待检测特征数据进行卷积处理，得到每一个卷积神经网络分别对应的第一特征矩阵；

特征融合单元，用于将所有所述卷积神经网络的第一特征矩阵进行特征融合，得到第二特征矩阵；

上采样单元，用于使用所述全连接网络对所述第二特征矩阵进行全连接处理，得到与所述待检测特征数据所对应的置信度向量；其中，所述置信度向量中不同元素的值表征所述待检测器件的不同位置存在毛刺的概率；

第一确定模块，用于基于所述置信度向量，确定所述待检测器件上的毛刺位置。

一种可能的设计中，所述获取待检测器件的待检测特征数据，包括：

获取待检测器件的图像，并确定所述待检测器件的中心点以及所述待检测器件的边缘；

从所述待检测器件的边缘选取至少一个待检测点，并将每一个所述待检测点与所述中心点之间的距离值确定为待检测特征数据，其中，所述待检测数据中的距离值与所述待检测点一一对应。

一种可能的设计中，若所述待检测器件为圆环型器件或圆形器件，所述中心点为所述待检测器件的圆心。

一种可能的设计中，所述第一获取模块，在从所述待检测器件的图像的边缘选取至少一个待检测点时，具体用于：

以所述圆心为原点，以任意方向为x轴建立平面直角坐标系；

以预设角度为间隔，以所述圆心为起点做至少一条直线，并将每一条直线与所述边缘的交点确定为所述待检测点，并确定每一个所述待检测点在所述平面直角坐标系下的坐标；

所述第一确定模块，在基于所述置信度向量，确定所述待检测器件上的毛刺位置时，具体用于：

将所述置信度向量中元素值大于预设阈值的元素确定为目标元素，并将所述目标元素所对应的待检测点确定为毛刺；

基于所述待检测点的坐标，确定所述毛刺的坐标。

一种可能的设计中，所述第一检测模块，还用于：

在将所述待检测特征数据输入至预先训练好的毛刺检测模型中之前，基于所述待检测器件的半径，对所述待检测特征数据中的距离值进行归一化处理；

所述第一检测模块，在将所述待检测特征数据输入至预先训练好的毛刺检测模型中时，具体用于：

将经过归一化处理后的所述待检测特征数据输入至预先训练好的毛刺检测模型中。

一种可能的设计中，所述特征融合单元，在将所有所述卷积神经网络的第一特征矩阵进行特征融合，得到第二特征矩阵时，具体用于：

按照多个所述卷积神经网络对应的预设顺序，将各个所述卷积神经网络分别对应的所述第一特征矩阵进行拼接，得到所述第二特征矩阵。

一种可能的设计中，所述第一获取模块，在获取待检测器件的图像时，具体用于：

获取所述待检测器件的彩色图像，并将所述彩色图像转换为灰度图像；或，获取所述待检测器件的灰度图像。

一种可能的设计中，所述置信度向量中的每一个元素与所述待检测特征数据中的距离值一一对应，所述置信度向量中的每一个元素的元素值表示该元素所对应的待检测点存在毛刺的概率。

第四方面，本申请实施例还提供了一种毛刺检测模型的训练装置，包括：

第二获取模块，用于获取多张待检测样本图像，其中，所述待检测样本图像为包含样本器件的样本图像；

第二确定模块，用于确定所述待检测样本图像中所述样本器件的中心点的位置以及所述样本器件的边缘；

构建模块，用于从所述待检测样本图像的所述样本器件的边缘选取至少一个待检测点，并基于每一个所述待检测点与所述中心点之间的距离值确定待检测样本数据，以及所述待检测样本数据的每一个距离值所对应的标签，所述标签用于描述所述距离值对应的待检测点是否为毛刺；

第二检测模块，用于将所述待检测样本数据输入至基础检测模型中，得到所述待检测样本图像对应的置信度向量；其中，所述基础检测模型包括至少一个卷积神经网络、以及全连接网络，每一个所述卷积神经网络所使用的卷积核不同，所述置信度向量中的元素与所述待检测样本特征向量中的距离值一一对应；

训练模块，用于基于所述置信度向量元素的元素值、以及所述待检测样本特征向量中每一个元素所对应的标签，对多个卷积神经网络以及所述全连接网络进行本轮训练；经过对所述卷积神经网络以及所述全连接网络的多轮训练，得到所述毛刺检测模型。

第五方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式，或第二方面中的步骤。

第六方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式，或第二方面中的步骤。

本申请实施例提供的毛刺定位、毛刺检测模型的训练方法及装置，毛刺检测模型中包括多个卷积神经网络，各个卷积神经网络所使用的卷积核不同，以此来对不同尺寸的毛刺进行特征提取，将各个卷积神经网络进行特征提取后得到的第一特征矩阵进行特征融合之后得到第二特征矩阵，第二特征矩阵结合了各个卷积神经网络所提取的特征，再基于第二特征矩阵进行全连接处理，由此得到的置信度向量能够更加准确的表征与置信度向量中的各个元素分别对应的待检测点出现毛刺的概率，提高了毛刺检测的精度；再基于置信度向量确定待检测器件上的毛刺位置，提高了毛刺定位的精度。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例所提供的一种毛刺定位方法的流程示意图；

图2示出了本申请实施例所提供的一种可能的待检测点确定方法；

图3示出了本申请实施例所提供的一种毛刺检测模型处理过程的流程示意图；

图4示出了本申请实施例所提供的一种电子设备的结构示意图；

图5示出了本申请实施例所提供的一种毛刺检测模型的训练方法的流程示意图；

图6示出了本申请实施例所提供的一种毛刺检测模型的训练装置的架构示意图；

图7示出了本申请实施例所提供的一种电子设备700的结构示意图；

图8示出了本申请实施例所提供的一种电子设备800的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

为便于对本实施例进行理解，首先对本申请实施例所公开的一种毛刺定位方法进行详细介绍。

实施例一

参见图1所示，为本申请实施例所提供的一种毛刺定位方法的流程示意图，包括以下几个步骤：

步骤101、获取待检测器件的待检测特征数据；待检测特征数据用于表征待检测特征器件的形状特征。

步骤102、将待检测特征数据输入至预先训练好的毛刺检测模型中，得到与待检测器件对应的置信度向量。

步骤103、基于置信度向量，确定待检测器件上的毛刺位置。

以下是对步骤101～步骤103的详细说明。

针对步骤101：

在获取待检测器件的待检测特征数据时，可以先获取待检测器件的图像，并确定待检测器件的中心点以及待检测器件的边缘；然后从待检测器件的边缘选取至少一个待检测点，并将每一个待检测点与中心点之间的距离值确定为待检测特征数据，其中，待检测数据中的距离值与待检测点一一对应。

在获取待检测器件的图像时，可以获取待检测器件的彩色图像，然后将待检测器件的彩色图像转换为灰度图像；或者直接通过灰度摄像机，拍摄待采集器件的灰度图像。

为了避免背景区域对于确定待检测器件的中心点以及待检测器件的边缘的影响，在另外一种可能的实施方式中，还可以将获取的待检测器件的彩色图像转换为二值图像，示例性的，可以将图像中待检测器件的区域部分的灰度值设置为0，将图像中除待检测器件的其余区域部分的灰度值设置为255。

在确定待检测器件的中心点时，可以根据待检测器件的形状采用不同的确定方法，示例性的，若待检测器件为圆环形器件或圆形器件，则待检测器件的中心点为圆心；若待检测器件为矩形，则待检测器件的中心点为其对角线的交底。

在确定待检测器件的边缘时，可以将图像中像素值发生明显变化的区域确定为待检测器件的边缘。若待检测器件为环形器件，即中间镂空的器件，则在确定待检测器件的边缘时，需确定待检测器件的内边缘和外边缘。

在从待检测器件的图像的边缘选取待检测点时，可以以待检测点的中心点为原点，以任意方向为x轴，建立平面直接坐标系，然后以预设角度为间隔，以中心点为起点，做至少一条直线，并将每一条直线与边缘的交点确定为待检测点，并记录每个待检测点在平面直角坐标系下的坐标；或者，以边缘上的任意一个点为起点，在确定边缘上距离所述起点为n个步长的点为待检测点，n为整数。

参见图2所示，为一种可能的待检测点确定方法，以待检测点为圆形器件为例，可以选定任意方向为x轴建立平面直角坐标系，然后以预设角度为间隔，以圆心为起点做至少一条直线，并将每一条直线与边缘的交点确定为待检测点。

在确定待检测器件边缘上的待检测点之后，可以再确定每一个待检测器件与待检测器件的中心点之间的距离，然后将每一个待检测点与待检测器件的中心点之间的距离值确定为待检测特征数据。

需要说明的是，待检测特征数据用于表征待检测器件尺寸特征，待检测特征数据中的每一个距离值与待检测点之间是一一对应的。

实际应用中，考虑到不同尺寸的待检测器件对于模型的精度要求不同，例如对于直径为10厘米的待检测器件所适用的模型，用于检测直径为5毫米的待检测器件时，其检测精度可能并不符合要求。因此，为了适用不同尺寸的待检测器件，在一种可能的实施方式中，在基于每一个所述待检测点与所述中心点之间的距离确定待检测特征数据之后，将待检测特征数据输入至毛刺检测模型之前，还可以先对待检测特征数据中的每一个距离值进行归一化处理。

示例性的，若待检测器件为圆环形器件或圆形器件，则可以计算待检测特征数据中的每一个距离值与待检测器件的半径之间的比值，然后将计算出的每一个比值重新作为待检测特征数据中的距离值，从而实现对待检测特征数据的归一化。再将进行归一化处理后的待检测特征数据输入毛刺检测模型中。

针对步骤102：

其中，置信度向量中的每一个元素与所述待检测特征数据中的距离值一一对应，置信度向量中的每一个元素的元素值表示该元素所对应的待检测点存在毛刺的概率。

具体实施中，毛刺检测模型包括多个卷积神经网络、以及全连接网络，考虑到不同尺寸的毛刺，在进行特征提取时所需要的卷积核的尺寸不同，因此，在本申请中，不同卷积神经网络对应不同尺寸的卷积核，具体卷积核的尺寸可以根据实际情况调整。

在将待检测特征数据输入至预先训练好的毛刺检测模型中之后，毛刺检测模型可以执行如图3所示的处理过程，包括以下几个步骤：

步骤301、使用各个卷积神经网络，对待检测特征数据进行卷积处理，得到每一个卷积神经网络分别对应的第一特征矩阵。

步骤302、将所有卷积神经网络的第一特征矩阵进行特征融合，得到第二特征矩阵。

具体实施中，在将所有卷积神经网络的第一特征矩阵进行特征融合时，可以按照多个卷积神经网络对应的预设顺序，将各个卷积神经网络分别对应的第一特征矩阵进行拼接，得到第二特征矩阵。

示例性的，若卷积神经网络的第一特征矩阵分别为a，b，c，d，则将各个卷积神经网络分别对应的第一特征矩阵进行拼接之后得到的第二特征矩阵为abcd。

步骤303、使用全连接网络对第二特征矩阵进行全连接处理，得到与待检测特征数据所对应的置信度向量。

需要说明的是，置信度向量中的每一个元素与待检测特征数据中的元素一一对应，置信度向量中的每一个元素的元素值表示该元素所对应的待检测点存在毛刺的概率。

在本申请另外一示例中，还可以使用1×1的卷积层对第二特征矩阵进行特征提取，得到待检测特征数据所对应的置信度向量。

针对步骤103：

在基于置信度向量，确定待检测器件上的毛刺位置时，可以将置信度向量中元素值大于预设阈值的元素确定为目标元素，并将目标元素所对应的待检测点确定为毛刺；然后基于步骤102中所记录的每个待检测点的坐标，确定毛刺的坐标。

另外，本申请实施例还提供了一种毛刺检测模型的训练方法，参见图4所示，为本申请实施例所提供的一种毛刺检测模型的训练方法的流程示意图，包括以下几个步骤：

步骤401、获取多张待检测样本图像。

其中，待检测样本图像为包含样本器件的样本图像。

步骤402、确定待检测样本图像中样本器件的中心点的位置以及样本器件的边缘。

步骤403、从待检测样本图像的样本器件的边缘选取至少一个待检测点，并基于每一个待检测点与中心点之间的距离值确定待检测样本数据，以及待检测样本数据的每一个元素所对应的标签。

其中，待检测样本数据的每一个距离值所对应的标签用于描述该距离值对应的待检测点是否为毛刺。

步骤404、将待检测样本数据输入至基础检测模型中，得到待检测样本图像对应的置信度向量。

需要说明的是，基础检测模型包括至少一个卷积神经网络、以及全连接网络，每一个卷积神经网络所使用的卷积核是不同的，置信度向量中的元素与待检测样本数据中的距离值一一对应。

步骤405、基于置信度向量元素的元素值、以及待检测样本数据中每一个距离值所对应的标签，对多个卷积神经网络以及全连接网络进行本轮训练。

具体实施中，可以将元素值大于预设元素值的元素所对应的待检测点确定为毛刺，然后基于置信度向量中每一个元素的元素值判断待检测器件上的每一个待检测点是否为毛刺，并根据判断结果与置信度向量中每一个元素所对应的待检测样本数据的距离值的标签，确定训练的准确率，当准确率不满足预设条件时，调整本次训练过程中所使用的卷积神经网络和全连接网络的模型参数。

步骤406、经过对卷积神经网络以及全连接网络的多轮训练，得到毛刺检测模型。

本申请实施例提供的毛刺定位、毛刺检测模型的训练方法及装置，毛刺检测模型中包括多个卷积神经网络，各个卷积神经网络所使用的卷积核不同，以此来对不同尺寸的毛刺进行特征提取，将各个卷积神经网络进行特征提取后得到的第一特征矩阵进行特征融合之后得到第二特征矩阵，第二特征矩阵结合了各个卷积神经网络所提取的特征，再基于第二特征矩阵进行全连接处理，由此得到的置信度向量能够更加准确的表征与置信度向量中的各个元素分别对应的待检测点出现毛刺的概率，提高了毛刺检测的精度；再基于置信度向量确定待检测器件上的毛刺位置，提高了毛刺定位的精度。

实施例二

本申请实施例还提供了一种毛刺定位装置，参见图5所示，为本申请实施例所提供的一种毛刺定位装置的架构示意图，包括第一获取模块501、第一检测模块502、以及第一确定模块503，其中第一检测模块502包括卷积单元5021、特征融合单元5022、以及上采样单元5023，具体的：

第一获取模块501，用于获取待检测器件的待检测特征数据；所述待检测特征数据用于表征所述待检测特征器件的形状特征；

第一检测模块502，用于将所述待检测特征数据输入至预先训练好的毛刺检测模型中，所述毛刺检测模型包括多个卷积神经网络、以及全连接网络，不同所述卷积神经网络对应不同尺寸的卷积核，所述第一检测模块，包括：

卷积单元5021，用于使用各个所述卷积神经网络，对所述待检测特征数据进行卷积处理，得到每一个卷积神经网络分别对应的第一特征矩阵；

特征融合单元5022，用于将所有所述卷积神经网络的第一特征矩阵进行特征融合，得到第二特征矩阵；

上采样单元5023，用于使用所述全连接网络对所述第二特征矩阵进行全连接处理，得到与所述待检测特征数据所对应的置信度向量；其中，所述置信度向量中的每一个元素与所述待检测特征数据中的距离值一一对应，所述置信度向量中的每一个元素的元素值表示该元素所对应的待检测点存在毛刺的概率；

第一确定模块5024，用于基于所述置信度向量，确定所述待检测器件上的毛刺位置。

一种可能的实施方式中，所述第一获取模块501，在获取待检测器件的待检测特征数据时，具体用于：

获取待检测器件的图像，并确定所述待检测器件的中心点以及所述待检测器件的边缘；

从所述待检测器件的边缘选取至少一个待检测点，并将每一个所述待检测点与所述中心点之间的距离值确定为待检测特征数据，其中，所述待检测数据中的距离值与所述待检测点一一对应。

一种可能的实施方式中，若所述待检测器件为圆环型器件或圆形器件，所述中心点为所述待检测器件的圆心。

一种可能的实施方式中，所述第一获取模块501，在从所述待检测器件的图像的边缘选取至少一个待检测点时，具体用于：

以所述圆心为原点，以任意方向为x轴建立平面直角坐标系；

以预设角度为间隔，以所述圆心为起点做至少一条直线，并将每一条直线与所述边缘的交点确定为所述待检测点，并确定每一个所述待检测点在所述平面直角坐标系下的坐标；

所述第一确定模块503，在基于所述置信度向量，确定所述待检测器件上的毛刺位置时，具体用于：

将所述置信度向量中元素值大于预设阈值的元素确定为目标元素，并将所述目标元素所对应的待检测点确定为毛刺；

基于所述待检测点的坐标，确定所述毛刺的坐标。

一种可能的实施方式中，所述第一检测模块502，还用于：

在将所述待检测特征数据输入至预先训练好的毛刺检测模型中之前，基于所述待检测器件的半径，对所述待检测特征数据中的距离值进行归一化处理；

所述第一检测模块502，在将所述待检测特征数据输入至预先训练好的毛刺检测模型中时，具体用于：

将经过归一化处理后的所述待检测特征数据输入至预先训练好的毛刺检测模型中。

一种可能的实施方式中，所述特征融合单元5022，在将所有所述卷积神经网络的第一特征矩阵进行特征融合，得到第二特征矩阵时，具体用于：

按照多个所述卷积神经网络对应的预设顺序，将各个所述卷积神经网络分别对应的所述第一特征矩阵进行拼接，得到所述第二特征矩阵。

一种可能的实施方式中，所述第一获取模块501，在获取待检测器件的图像时，具体用于：

获取所述待检测器件的彩色图像，并将所述彩色图像转换为灰度图像；或，获取所述待检测器件的灰度图像。

一种可能的实施方式中，所述置信度向量中的每一个元素与所述待检测特征数据中的距离值一一对应，所述置信度向量中的每一个元素的元素值表示该元素所对应的待检测点存在毛刺的概率。

本申请实施例还提供了一种毛刺检测模型的训练装置，参见图6所示，为本申请实施例所提供的一种毛刺检测模型的训练装置的架构示意图，包括第二获取模块601、第二确定模块602、构建模块603、第二检测模块604、以及训练模块605，具体的：

第二获取模块601，用于获取多张待检测样本图像，其中，所述待检测样本图像为包含样本器件的样本图像；

第二确定模块602，用于确定所述待检测样本图像中所述样本器件的中心点的位置以及所述样本器件的边缘；

构建模块603，用于从所述待检测样本图像的所述样本器件的边缘选取至少一个待检测点，并基于每一个所述待检测点与所述中心点之间的距离值确定待检测样本数据，以及所述待检测样本数据的每一个距离值所对应的标签，所述标签用于描述所述距离值对应的待检测点是否为毛刺；

第二检测模块604，用于将所述待检测样本数据输入至基础检测模型中，得到所述待检测样本图像对应的置信度向量；其中，所述基础检测模型包括至少一个卷积神经网络、以及全连接网络，每一个所述卷积神经网络所使用的卷积核不同，所述置信度向量中的元素与所述待检测样本特征向量中的距离值一一对应；

训练模块605，用于基于所述置信度向量元素的元素值、以及所述待检测样本特征向量中每一个元素所对应的标签，对多个卷积神经网络以及所述全连接网络进行本轮训练；经过对所述卷积神经网络以及所述全连接网络的多轮训练，得到所述毛刺检测模型。

本申请实施例提供的毛刺定位、毛刺检测模型的训练装置，毛刺检测模型中包括多个卷积神经网络，各个卷积神经网络所使用的卷积核不同，以此来对不同尺寸的毛刺进行特征提取，将各个卷积神经网络进行特征提取后得到的第一特征矩阵进行特征融合之后得到第二特征矩阵，第二特征矩阵结合了各个卷积神经网络所提取的特征，再基于第二特征矩阵进行全连接处理，由此得到的置信度向量能够更加准确的表征与置信度向量中的各个元素分别对应的待检测点出现毛刺的概率，提高了毛刺检测的精度；再基于置信度向量确定待检测器件上的毛刺位置，提高了毛刺定位的精度。

实施例三

基于同一技术构思，本申请实施例还提供了一种电子设备。参照图7所示，为本申请实施例提供的电子设备700的结构示意图，包括处理器701、存储器702、和总线703。其中，存储器702用于存储执行指令，包括内存7021和外部存储器7022；这里的内存7021也称内存储器，用于暂时存放处理器701中的运算数据，以及与硬盘等外部存储器7022交换的数据，处理器701通过内存7021与外部存储器7022进行数据交换，当电子设备700运行时，处理器701与存储器702之间通过总线703通信，使得处理器701在执行以下指令：

获取待检测器件的待检测特征数据；所述待检测特征数据用于表征所述待检测特征器件的形状特征；

将所述待检测特征数据输入至预先训练好的毛刺检测模型中，所述毛刺检测模型包括多个卷积神经网络、以及全连接网络，不同所述卷积神经网络对应不同尺寸的卷积核，所述毛刺检测模型对所述待检测特征数据执行以下处理，直至得到与所述待检测器件对应的置信度向量；

使用各个所述卷积神经网络，对所述待检测特征数据进行卷积处理，得到每一个卷积神经网络分别对应的第一特征矩阵；

将所有所述卷积神经网络的第一特征矩阵进行特征融合，得到第二特征矩阵；

使用所述全连接网络对所述第二特征矩阵进行全连接处理，得到与所述待检测特征数据所对应的置信度向量；其中，所述置信度向量中的每一个元素与所述待检测特征数据中的距离值一一对应，所述置信度向量中的每一个元素的元素值表示该元素所对应的待检测点存在毛刺的概率；

基于所述置信度向量，确定所述待检测器件上的毛刺位置。

一种可能的设计中，处理器701执行的指令中，所述获取待检测器件的待检测特征数据，包括：

获取待检测器件的图像，并确定所述待检测器件的中心点以及所述待检测器件的边缘；

从所述待检测器件的边缘选取至少一个待检测点，并将每一个所述待检测点与所述中心点之间的距离值确定为待检测特征数据，其中，所述待检测数据中的距离值与所述待检测点一一对应。

一种可能的设计中，处理器701执行的指令中，若所述待检测器件为圆环型器件或圆形器件，所述中心点为所述待检测器件的圆心。

一种可能的设计中，处理器701执行的指令中，从所述待检测器件的图像的边缘选取至少一个待检测点，包括：

以所述圆心为原点，以任意方向为x轴建立平面直角坐标系；

以预设角度为间隔，以所述圆心为起点做至少一条直线，并将每一条直线与所述边缘的交点确定为所述待检测点，并确定每一个所述待检测点在所述平面直角坐标系下的坐标；

所述基于所述置信度向量，确定所述待检测器件上的毛刺位置，包括：

将所述置信度向量中元素值大于预设阈值的元素确定为目标元素，并将所述目标元素所对应的待检测点确定为毛刺；

基于所述待检测点的坐标，确定所述毛刺的坐标。

一种可能的设计中，处理器701执行的指令中，在将所述待检测特征数据输入至预先训练好的毛刺检测模型中之前，所述方法还包括：

基于所述待检测器件的半径，对所述待检测特征数据中的距离值进行归一化处理；

所述将所述待检测特征数据输入至预先训练好的毛刺检测模型中，包括：

将经过归一化处理后的所述待检测特征数据输入至预先训练好的毛刺检测模型中。

一种可能的设计中，处理器701执行的指令中，所述将所有所述卷积神经网络的第一特征矩阵进行特征融合，得到第二特征矩阵，包括：

按照多个所述卷积神经网络对应的预设顺序，将各个所述卷积神经网络分别对应的所述第一特征矩阵进行拼接，得到所述第二特征矩阵。

一种可能的设计中，处理器701执行的指令中，所述获取待检测器件的图像，包括：

获取所述待检测器件的彩色图像，并将所述彩色图像转换为灰度图像；或，获取所述待检测器件的灰度图像。

一种可能的设计中，处理器701执行的指令中，所述置信度向量中的每一个元素与所述待检测特征数据中的距离值一一对应，所述置信度向量中的每一个元素的元素值表示该元素所对应的待检测点存在毛刺的概率。

基于同一技术构思，本申请实施例还提供了一种电子设备。参照图8所示，为本申请实施例提供的电子设备800的结构示意图，包括处理器801、存储器802、和总线803。其中，存储器802用于存储执行指令，包括内存8021和外部存储器8022；这里的内存8021也称内存储器，用于暂时存放处理器801中的运算数据，以及与硬盘等外部存储器8022交换的数据，处理器801通过内存8021与外部存储器8022进行数据交换，当电子设备800运行时，处理器801与存储器802之间通过总线803通信，使得处理器801在执行以下指令：

获取多张待检测样本图像，其中，所述待检测样本图像为包含样本器件的样本图像；

确定所述待检测样本图像中所述样本器件的中心点的位置以及所述样本器件的边缘；

从所述待检测样本图像的所述样本器件的边缘选取至少一个待检测点，并基于每一个所述待检测点与所述中心点之间的距离值确定待检测样本数据，以及所述待检测样本数据的每一个距离值所对应的标签，所述标签用于描述所述距离值对应的待检测点是否为毛刺；

将所述待检测样本数据输入至基础检测模型中，得到所述待检测样本图像对应的置信度向量；其中，所述基础检测模型包括至少一个卷积神经网络、以及全连接网络，每一个所述卷积神经网络所使用的卷积核不同，所述置信度向量中的元素与所述待检测样本特征向量中的距离值一一对应；

基于所述置信度向量元素的元素值、以及所述待检测样本特征向量中每一个元素所对应的标签，对多个卷积神经网络以及所述全连接网络进行本轮训练；

经过对所述卷积神经网络以及所述全连接网络的多轮训练，得到所述毛刺检测模型。

实施例四

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任一实施例中所述的毛刺定位、毛刺检测模型的训练方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述毛刺定位、毛刺检测模型的训练方法的步骤，提高毛刺检测和定位的精度。

本申请实施例所提供的进行毛刺定位、毛刺检测模型的训练方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所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，在本申请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。

所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请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(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。