质量检测方法、装置、设备及计算机可读存储介质【
技术领域：
：】1.本发明涉及医疗器械领域，具体涉及医疗器械的质量检测技术，尤其涉及一种质量检测方法、装置、设备及计算机可读存储介质。
背景技术：
：：2.由于美观、便捷以及利于清洁等优点，基于高分子材料的壳状牙齿正畸矫治器(如隐形矫治器)越来越受欢迎。壳状牙齿正畸矫治器是利用变形产生的回弹力把牙齿从一个布局重新定位到另一布局。3.壳状牙齿正畸矫治器(以下简称：矫治器)生产过程通常需要经历如下流程：光固化模具成型‑>利用光固化模具对矫治器压膜‑>矫治器裁剪、脱壳‑>矫治器研磨、清洗‑>矫治器分拣、包装。4.由于光固化模具的缺陷，或者由于矫治器的生产环境因素影响复杂、矫治器的材料特性等各种因素，可能会导致生产得到的矫治器出现各种缺陷。其中，光固化模具上的缺陷会带入矫治器，影响对矫治器的压制质量，从而影响佩戴，无法达到矫正牙齿的目的，因此，需要识别出来光固化模具的缺陷，做相应的返工。矫治器压膜完成后，在矫治器剪裁、脱壳、研磨、清洗等一系列流程中，由于外力或是光固化模具引入的问题，会导致矫治器会产生外观缺陷。存在外观缺陷的矫治器属于瑕疵产品，无法佩戴以到达矫正牙齿的目的，需要被识别并处理。5.现有技术中，主要通过以下方式识别光固化模具和矫治器的缺陷：在生产过程中，由操作工人进行目视检查；在质检阶段，由质检人员进行目视检查；在成品质检阶段，由质检人员进行单步目视检查和多步对比目视检查。6.然而，上述主要通过人工识别光固化模具和矫治器的缺陷的方式，至少存在以下问题：由于产量的需求、质量控制的要求和质检人员的人数限制，目视检查非常繁重，给操作工人和质检人员带来巨大的工作压力；质量问题(尤其是矫治器的局部缺陷)的目视检查受到操作工人和质检人员的主观因素(如视力、经验、疲劳程度等)影响，无法形成客观统一的评价标准，不利于质量控制；部分缺陷非常难以判断，或是非常细微从而难以察觉。7.因此，现有技术通过人工识别光固化模具和矫治器的缺陷的方式，无法准确、有效识别光固化模具和矫治器的缺陷，并且需要占用大量的人力资源，质检成本高、时间长、效率低，无法有效控制矫治器的质量。技术实现要素：8.本发明的多个方面提供一种质量检测方法、装置、设备及计算机可读存储介质，用以准确、有效识别矫治器的局部缺陷及矫治器模具的缺陷。9.本发明的一方面，提供一种质量检测方法，包括：10.获取包括待检测对象的待检测图像，所述待检测对象包括矫治器或者用于对所述矫治器压膜的模具；11.利用预先训练得到的第一检测模型，对所述待检测图像进行感兴趣区域检测，得到至少一个感兴趣区域；12.分别从所述待检测图像中裁剪出所述至少一个感兴趣区域中各感兴趣区域的图像，并利用预先训练得到的第二检测模型，分别对所述各感兴趣区域的图像进行目标检测，得到所述各感兴趣区域对应的目标检测结果；13.基于所述至少一个感兴趣区域对应的目标检测结果，确定所述待检测对象的质量检测结果。14.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获取包括检测对象的待检测图像，包括：15.利用多视角图像采集系统，采用俯视+三维环形的图像采集方式，采集包括所述检测对象的多视角二维待检测图像。16.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述至少一个感兴趣区域包括以下任意一个或多个：前牙区域和两个后牙区域。17.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述待检测对象为矫治器；18.所述对所述各感兴趣区域的图像进行目标检测，得到所述各感兴趣区域对应的目标检测结果，包括：对所述各感兴趣区域的图像进行局部缺陷的检测，得到所述各感兴趣区域对应的目标检测结果，所述目标检测结果包括局部缺陷的类型、位置和尺寸；19.其中，所述局部缺陷包括以下任意一项或多项：线状凹陷、块状凹陷、光固化缺层的痕迹、树脂残留、卡光固化、附件小、裂纹或裂开、压制不清晰、褶皱、切到附件、牵引附件变形损坏、边缘问题、牵引钩未夹、颌垫未磨开、磨坏。20.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述待检测对象为模具；21.所述对所述各感兴趣区域的图像进行目标检测，得到所述各感兴趣区域对应的目标检测结果，包括：对所述各感兴趣区域的图像进行模具缺陷的检测，得到所述各感兴趣区域对应的目标检测结果，所述目标检测结果包括模具缺陷的类型、位置和尺寸；22.其中，所述模具缺陷包括以下任意一项或多项：底座缺陷、牙体表面缺陷、牙体形态缺陷；23.所述底座缺陷包括以下任意一项或多项：底座不平、底座圆盘有杂质、底座圆盘底面凹凸不平；24.所述牙体表面缺陷包括以下任意一项或多项：线状凹陷、表面有洞、牙面飞边、表面有异物、树脂残留；25.所述牙体形态缺陷包括以下任意一项或多项：牙体破损、牙体缺损、附件小。26.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述基于所述至少一个感兴趣区域对应的目标检测结果，确定所述待检测对象的质量检测结果，包括：27.分别对所述至少一个感兴趣区域的图像和所述至少一个感兴趣区域对应的目标检测结果进行拼接，得到拼接结果；28.对所述拼接结果中重叠的目标检测结果进行柔性非极大值抑制，得到所述待检测对象的质量检测结果，所述质量检测结果包括目标的类型、位置和尺寸，所述目标包括所述矫治器对应的局部缺陷或者所述模具对应的模具缺陷。29.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，还包括：30.获取第一训练集，所述第一训练集包括多张包括待检测对象的第一样本图像，所述第一样本图像上标注有感兴趣区域的标注信息，所述感兴趣区域中的相邻感兴趣区域有所重叠；31.利用待训练第一检测模型对所述第一训练集中的第一样本图像进行感兴趣区域检测，得到感兴趣区域检测结果；32.基于所述第一样本图像的感兴趣区域的标注信息与感兴趣区域检测结果之间的第一差异，对所述待训练第一检测模型进行训练，直至满足第一预设训练完成条件，得到所述第一检测模型；33.其中，所述第一预设训练完成条件包括：对所述待训练第一检测模型的训练次数的达到预设次数，和/或，所述第一差异小于预设阈值。34.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第一预设训练完成条件包括：35.loss＝bce_obj+bce_cls+box_loss36.bce_xxx＝w*focalloss+(1–w)*wceloss37.其中，loss表示所述第一差异，bce_obj表示利用交叉熵函数计算的预测为感兴趣区域的置信度与标注信息之间的损失函数值，bce_cls表示利用交叉熵函数计算预测为感兴趣区域的类别与标注信息之间的损失函数值，box_loss表示预测的感兴趣区域的位置与标注信息之间的损失函数值；38.bce_xxx表示交叉熵函数的函数值，focalloss表示处理数据不平衡的自适应交叉熵损失函数的函数值，wceloss表示带权重的交叉熵损失函数的函数值，w表示wceloss的权重值，w为预先设置的、不小于0且不大于1的常数。39.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，还包括：40.获取第二训练集，所述第二训练集包括多张感兴趣区域的第二样本图像，所述多张感兴趣区域的第二样本图像包括：多张含有目标的第二样本图像和多张不含有目标的第二样本图像；所述第二样本图像标注有目标标注信息，所述目标标注信息包括：目标的类型标注信息、位置标注信息和尺寸标注信息；41.利用待训练第二检测模型对所述第二训练集中的第二样本图像进行目标检测，得到所述第二样本图像的目标检测结果；42.基于所述第二样本图像的目标标注信息与目标检测结果之间的第二差异，对所述待训练第二检测模型进行训练，直至满足第二预设训练完成条件，得到所述第二检测模型；43.其中，所述第二预设训练完成条件包括：44.对所述待训练第二检测模型的训练次数的达到预设次数，和/或，所述第二差异小于预设阈值。45.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第二差异基于如下方式确定：46.loss＝bce_obj+bce_cls+box_loss47.bce_xxx＝w*focalloss+(1–w)*wceloss48.其中，loss表示所述第二差异，bce_obj表示利用交叉熵函数计算的预测为目标的置信度与标注信息之间的损失函数值，bce_cls表示利用交叉熵函数计算的预测为目标的类别与标注信息之间的损失函数值，box_loss表示预测的目标的位置与标注信息之间的损失函数值；49.bce_xxx表示交叉熵函数的函数值，focalloss表示处理数据不平衡的自适应交叉熵损失函数的函数值，wceloss表示带权重的交叉熵损失函数的函数值，w表示wceloss的权重值，w为预先设置的、不小于0且不大于1的常数。50.本发明的另一方面，提供一种质量检测装置，包括：51.第一获取模块，用于获取包括待检测对象的待检测图像，所述待检测对象包括矫治器或者用于对所述矫治器压膜的模具；52.第一检测模块，用于利用预先训练得到的第一检测模型，对所述待检测图像进行感兴趣区域检测，得到至少一个感兴趣区域；53.裁剪模块，用于分别从所述待检测图像中裁剪出所述至少一个感兴趣区域中各感兴趣区域的图像；54.第二检测模块，用于利用预先训练得到的第二检测模型，分别对所述各感兴趣区域的图像进行目标检测，得到所述各感兴趣区域对应的目标检测结果；55.确定模块，用于基于所述至少一个感兴趣区域对应的目标检测结果，确定所述待检测对象的质量检测结果。56.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第一获取模块，具体用于：57.利用多视角图像采集系统，采用俯视+三维环形的图像采集方式，采集包括所述检测对象的多视角二维待检测图像。58.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述至少一个感兴趣区域包括以下任意一个或多个：前牙区域和两个后牙区域。59.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述待检测对象为矫治器；60.所述第二检测模块，具体用于：用于利用预先训练得到的第二检测模型，分别对所述各感兴趣区域的图像进行局部缺陷的检测，得到所述各感兴趣区域对应的目标检测结果，所述目标检测结果包括局部缺陷的类型、位置和尺寸；61.其中，所述局部缺陷包括以下任意一项或多项：线状凹陷、块状凹陷、光固化缺层的痕迹、树脂残留、卡光固化、附件小、裂纹或裂开、压制不清晰、褶皱、切到附件、牵引附件变形损坏、边缘问题、牵引钩未夹、颌垫未磨开、磨坏。62.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述待检测对象为模具；63.所述第二检测模块，具体用于：用于利用预先训练得到的第二检测模型，分别对所述各感兴趣区域的图像进行模具缺陷的检测，得到所述各感兴趣区域对应的目标检测结果，所述目标检测结果包括模具缺陷的类型、位置和尺寸；64.其中，所述模具缺陷包括以下任意一项或多项：底座缺陷、牙体表面缺陷、牙体形态缺陷；65.所述底座缺陷包括以下任意一项或多项：底座不平、底座圆盘有杂质、底座圆盘底面凹凸不平；66.所述牙体表面缺陷包括以下任意一项或多项：线状凹陷、表面有洞、牙面飞边、表面有异物、树脂残留；67.所述牙体形态缺陷包括以下任意一项或多项：牙体破损、牙体缺损、附件小。68.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述确定模块，具体用于：69.分别对所述至少一个感兴趣区域的图像和所述至少一个感兴趣区域对应的目标检测结果进行拼接，得到拼接结果；70.对所述拼接结果中重叠的目标检测结果进行柔性非极大值抑制，得到所述待检测对象的质量检测结果，所述质量检测结果包括目标的类型、位置和尺寸，所述目标包括所述矫治器对应的局部缺陷或者所述模具对应的模具缺陷。71.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，还包括：72.第二获取模块，用于获取第一训练集，所述第一训练集包括多张包括待检测对象的第一样本图像，所述第一样本图像上标注有感兴趣区域的标注信息，所述感兴趣区域中的相邻感兴趣区域有所重叠；73.第一训练模块，用于利用待训练第一检测模型对所述第一训练集中的第一样本图像进行感兴趣区域检测，得到感兴趣区域检测结果；以及基于所述第一样本图像的感兴趣区域的标注信息与感兴趣区域检测结果之间的第一差异，对所述待训练第一检测模型进行训练，直至满足第一预设训练完成条件，得到所述第一检测模型；74.其中，所述第一预设训练完成条件包括：对所述待训练第一检测模型的训练次数的达到预设次数，和/或，所述第一差异小于预设阈值。75.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第一差异基于如下方式确定：76.loss＝bce_obj+bce_cls+box_loss77.bce_xxx＝w*focalloss+(1–w)*wceloss78.其中，loss表示所述第一差异，bce_obj表示利用交叉熵函数计算的预测为感兴趣区域的置信度与标注信息之间的损失函数值，bce_cls表示利用交叉熵函数计算预测为感兴趣区域的类别与标注信息之间的损失函数值，box_loss表示预测的感兴趣区域的位置与标注信息之间的损失函数值；79.bce_xxx表示交叉熵函数的函数值，focalloss表示处理数据不平衡的自适应交叉熵损失函数的函数值，wceloss表示带权重的交叉熵损失函数的函数值，w表示wceloss的权重值，w为预先设置的、不小于0且不大于1的常数。80.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，还包括：81.第三获取模块，用于获取第二训练集，所述第二训练集包括多张感兴趣区域的第二样本图像，所述多张感兴趣区域的第二样本图像包括：多张含有目标的第二样本图像和多张不含有目标的第二样本图像；所述第二样本图像标注有目标标注信息，所述目标标注信息包括：目标的类型标注信息、位置标注信息和尺寸标注信息；82.第二训练模块，用于利用待训练第二检测模型对所述第二训练集中的第二样本图像进行目标检测，得到所述第二样本图像的目标检测结果；以及基于所述第二样本图像的目标标注信息与目标检测结果之间的第二差异，对所述待训练第二检测模型进行训练，直至满足第二预设训练完成条件，得到所述第二检测模型；83.其中，所述第二预设训练完成条件包括：84.对所述待训练第二检测模型的训练次数的达到预设次数，和/或所述第二差异小于预设阈值。85.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第二差异基于如下方式确定：86.loss＝bce_obj+bce_cls+box_loss87.bce_xxx＝w*focalloss+(1–w)*wceloss88.其中，loss表示所述第二差异，bce_obj表示利用交叉熵函数计算的预测为目标的置信度与标注信息之间的损失函数值，bce_cls表示利用交叉熵函数计算的预测为目标的类别与标注信息之间的损失函数值，box_loss表示预测的目标的位置与标注信息之间的损失函数值；89.bce_xxx表示交叉熵函数的函数值，focalloss表示处理数据不平衡的自适应交叉熵损失函数的函数值，wceloss表示带权重的交叉熵损失函数的函数值，w表示wceloss的权重值，w为预先设置的、不小于0且不大于1的常数。90.本发明的另一方面，提供一种设备，所述设备包括：91.一个或多个处理器；92.存储装置，用于存储一个或多个程序，93.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述一方面所提供的质量检测方法。94.本发明的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述一方面所提供的质量检测方法。95.由上述技术方案可知，本发明实施例通过获取包括待检测对象(包括矫治器或者模具)的待检测图像，利用预先训练得到的第一检测模型，对待检测图像进行感兴趣区域检测，得到至少一个感兴趣区域，然后，分别从待检测图像中裁剪出所述各感兴趣区域的图像，并利用预先训练得到的第二检测模型，分别对各感兴趣区域的图像进行目标检测，得到各感兴趣区域对应的目标检测结果，进而，基于所述至少一个感兴趣区域对应的目标检测结果，确定待检测图像的质量检测结果，本发明实施例采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，实现了对矫治器及模具的质量检测，可以准确、有效识别矫治器的局部缺陷及矫治器模具的缺陷。96.另外，采用本发明所提供的技术方案，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，对矫治器及模具进行质量检测，实现了矫治器及其模具质量问题的高效识别，避免占用操作工人和质检人员，节省了人力资源，降低了质检成本，减少了质检时间，提高了质检效率，减轻了操作工人和质检人员的工作负荷，从而提高了生产效率，有利于助力产能提升。97.另外，采用本发明所提供的技术方案，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，采用客观统一的质量检测标准，对矫治器及模具进行质量检测，可以有效控制矫治器的出厂质量，有助于形成完善的质量追溯及相关反馈机制。98.另外，采用本发明所提供的技术方案，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，对矫治器及模具进行质量检测，可以检测对于人眼来说难度较大的缺陷，例如磨具上的缺失或矫治器上的裂纹等细微的缺陷，可以有效处理识别难例，提升质量控制水平。99.另外，采用本发明所提供的技术方案，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，对矫治器及模具进行质量检测，检测准确率较高，在复杂生产环境下可靠。【附图说明】100.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。101.图1为本发明一实施例提供的质量检测方法的流程示意图；102.图2为本发明一应用实施例中多视角图像采集系统的结构示意图；103.图3为本发明一应用实施例中具有局部缺陷的矫治器的示意图；104.图4为本发明一应用实施例中对图3所示矫治器进行质量检测的示意图；105.图5为本发明一实施例中训练得到第一检测模型的流程示意图；106.图6为本发明一实施例中训练得到第二检测模型的流程示意图；107.图7为本发明一实施例提供的质量检测装置的结构示意图；108.图8为本发明另一实施例提供的质量检测装置的结构示意图；109.图9为适于用来实现本发明实施方式的示例性计算机系统/服务器的框图。【具体实施方式】110.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。111.需要说明的是，本发明实施例中所涉及的终端可以包括但不限于手机、个人数字助理(personaldigitalassistant，pda)、无线手持设备、平板电脑(tabletcomputer)、个人电脑(personalcomputer，pc)、mp3播放器、mp4播放器、可穿戴设备(例如，智能眼镜、智能手表、智能手环等)等。112.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。113.本发明的主要思想是通过采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，实现对矫治器及模具的质量检测，以准确、有效识别矫治器的局部缺陷及矫治器模具的缺陷。114.图1为本发明一实施例提供的质量检测方法的流程示意图，如图1所示。115.101、获取包括待检测对象的待检测图像。116.其中，所述待检测对象包括矫治器或者用于对所述矫治器压膜的模具。117.102、利用预先训练得到的第一检测模型，对所述待检测图像进行感兴趣区域(roi)检测，得到至少一个感兴趣区域。118.103、分别从所述待检测图像中裁剪出所述至少一个感兴趣区域中各感兴趣区域的图像，并利用预先训练得到的第二检测模型，分别对所述各感兴趣区域的图像进行目标检测，得到所述各感兴趣区域对应的目标检测结果。119.可选地，在本实施例的一个可能的实现方式中，对各感兴趣区域的图像检测的目标即缺陷。通过该103得到的目标检测结果，可能是未检测到目标的目标检测结果，此时的目标检测结果包括的信息可以为空；也可能是检测到目标的目标检测结果，此时的目标检测结果包括以下信息：缺陷的类型、位置和。120.104、基于所述至少一个感兴趣区域对应的目标检测结果，确定所述待检测对象的质量检测结果。121.可选地，在本实施例的一个可能的实现方式中，所述质量检测结果可以是：待检测对象存在质量问题或不存在质量问题。122.需要说明的是，101～104的执行主体的部分或全部可以为位于本地终端即服务提供商的终端设备的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(softwaredevelopmentkit，sdk)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，或者还可以为位于网络侧的分布式系统，本实施例对此不进行特别限定。123.可以理解的是，所述应用可以是安装在终端上的本地程序(nativeapp)，或者还可以是终端上的浏览器的一个网页程序(webapp)，本实施例对此不进行特别限定。124.这样，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，实现了对矫治器及模具的质量检测，可以准确、有效识别矫治器的局部缺陷及矫治器模具的缺陷，可以有效控制矫治器的出厂质量；实现了矫治器及其模具质量问题的高效识别，避免占用操作工人和质检人员，节省了人力资源，降低了质检成本，减少了质检时间，提高了质检效率，减轻了操作工人和质检人员的工作负荷，从而提高了生产效率，有利于助力产能提升；可以检测对于人眼来说难度较大的缺陷，例如磨具上的缺失或矫治器上的裂纹等细微的缺陷，可以有效处理识别难例，提升质量控制水平；检测准确率较高，在复杂生产环境下可靠。125.本发明实施例利用两步目标检测方式，先利用第一检测检测感兴趣区域，裁剪出感兴趣区域的图像后利用第二检测模型检测感兴趣区域的图像中缺陷，从而可以提高缺陷检出率且降低误报率、提升召回率且提升精准度。126.本发明实施例可用于对矫治器及其模具进行质量检测，即检测矫治器及其模具上是否存在缺陷。在其中一个可能的实现方式中，矫治器的模具具体为光固化模具。在实现本发明的过程中，本发明人通过研究发现，光固化模具的缺陷可分为底座缺陷、牙体表面缺陷和牙体形态缺陷。其中，底座缺陷可以包括底座不平、底座圆盘有杂质、底座圆盘底面凹凸不平等，牙体表面缺陷可以包括线状凹陷、表面有洞、牙面飞边、表面有异物、树脂残留等，牙体形态缺陷可以包括牙体破损、牙体缺损、附件小等。光固化模具上的缺陷会带入矫治器，影响对矫治器的压制质量，从而影响佩戴，无法达到矫正牙齿的目的。127.可选地，在本实施例的一个可能的实现方式中，待检测对象为矫治器。相应地，在103中，分别从待检测图像中裁剪出所述至少一个感兴趣区域中各感兴趣区域的图像后，可以利用预先训练得到的第二检测模型，分别对各感兴趣区域的图像进行局部缺陷的检测，得到各感兴趣区域对应的目标检测结果，该目标检测结果包括局部缺陷的类型、位置和。其中，所述局部缺陷例如可以包括但不限于以下任意一项或多项：线状凹陷、块状凹陷、光固化缺层的痕迹、树脂残留、卡光固化、附件小、裂纹或裂开、压制不清晰、褶皱、切到附件、牵引附件变形损坏、边缘问题、牵引钩未夹、颌垫未磨开、磨坏等。128.基于本实施例，可以实现对矫治器上局部缺陷的检测，以便避免存在局部缺陷的矫治器出厂后，无法佩戴以到达矫正牙齿的目的。129.矫治器压膜完成后，在矫治器剪裁、脱壳、研磨、清洗等一系列流程中，由于外力或是光固化模具引入的问题，会导致矫治器会产生外观缺陷，可分为总体缺陷和局部缺陷。其中，总体缺陷可以包括变形，局部缺陷可以包括线状/块状凹陷、光固化缺层的痕迹、树脂残留(斑块)、卡光固化、附件小、裂纹或裂开、压制不清晰、褶皱、切到附件(如牙面)、牵引附件变形损坏、边缘问题(如翻边、内卷毛刺、黏连毛刺等)、牵引钩未夹、颌垫未磨开、磨坏(如破洞、磨到附件)等。130.可选地，在本实施例的一个可能的实现方式中，待检测对象为模具。相应地，在103中，分别从待检测图像中裁剪出所述至少一个感兴趣区域中各感兴趣区域的图像后，可以利用预先训练得到的第二检测模型，分别对各感兴趣区域的图像进行模具缺陷的检测，得到各感兴趣区域对应的目标检测结果，该目标检测结果包括模具缺陷的类型、位置和尺寸；131.其中，所述模具缺陷包括以下任意一项或多项：底座缺陷、牙体表面缺陷、牙体形态缺陷等。其中，所述底座缺陷例如可以包括但不限于以下任意一项或多项：底座不平、底座圆盘有杂质、底座圆盘底面凹凸不平；所述牙体表面缺陷例如可以包括但不限于以下任意一项或多项：线状凹陷、表面有洞、牙面飞边、表面有异物、树脂残留等；所述牙体形态缺陷例如可以包括但不限于以下任意一项或多项：牙体破损、牙体缺损、附件小等。132.基于本实施例，可以实现对模具缺陷的检测，以便避免将模具上的缺陷会带入矫治器、影响对矫治器的压制质量，避免由于模具缺陷对矫治器的质量影响。133.可选地，在本实施例的一个可能的实现方式中，在101中，可以利用多视角图像采集系统，采用俯视+三维环形的图像采集方式，采集包括检测对象的多视角二维待检测图像。如图2所示，为本发明一应用实施例中多视角图像采集系统的结构示意图。134.由于矫治器的局部缺陷和模具的缺陷(以下统称：缺陷)具有三维特性，且缺陷可能出现在模具或矫治器的任意位置，本实施例中，利用多视角图像采集系统，采用俯视+三维环形的图像采集方式，可以采集模具或矫治器的多视角二维图像。在具体实现中，可以根据模具和矫治器不同的材质，调整工业相机的光圈、焦距，此外对于模具和矫治器各自采用合适的照明，例如对光固化模具采用顶部环形照明，对矫治器采用背光，调整光源的明暗和色彩，使得工业相机采集的模具或矫治器表面的灰度图像的清晰度达到最佳，缺陷能够清晰反映在图片上。135.可选地，在本实施例的一个可能的实现方式中，所述至少一个感兴趣区域例如可以包括以下任意一个或多个：前牙区域和两个后牙区域。136.图3为本发明一应用实施例中具有局部缺陷的矫治器的示意图，图4为本发明一应用实施例中对图3所示矫治器进行质量检测的示意图，以下结合图3和图4中的应用实施例，对本实施例进行说明。137.由于模具上的缺陷和矫治器上的局部缺陷通常较小，加上在侧面拍摄采集待检测图像的原因，缺陷占整张待检测图像的比例很小，所占像素大部分在0.01％～0.1％之间，如图3所示，对第二检测模型带来挑战。第二检测模型通常要经历多次下采样和上采样的过程，限于硬件资源，通常第二检测模型的输入图像在512*512～640*640之间，即缺陷的尺寸在6～10个像素，若经历5次下采样(即除以32)，在若干特征图上已经被背景所淹没，缺陷的语义信息不再存在，若在原图像上进行缺陷检测，将无法有效识别缺陷。138.本发明借鉴人眼缩放观察的方式，提出了改进型的两步目标检测方法，，由于光固化模具和矫治器均成弓形，先通过第一检测模型定位出感兴趣区域，感兴趣区域为前牙区域和2个后牙区域，尺寸相对原待检测图像较小，去除了大量无关的背景信息，然后将感兴趣区域从待检测图像中裁剪出来成为新的面片(即感兴趣区域的图像)，在裁剪出来的新面片上利用第二检测模型进行缺陷检测，如图4所示，在新的面片上缺陷的尺寸将在30～50个像素，属于中等目标，检测效果可以得到有效提升。对于光固化模具的缺陷检测，采用相同的处理方式。139.本发明实施例利用两步目标检测方式，先利用第一检测检测感兴趣区域，裁剪出感兴趣区域的图像后利用第二检测模型检测感兴趣区域的图像中缺陷，从而可以提高缺陷检出率且降低误报率、提升召回率且提升精准度。140.可选地，在本实施例的一个可能的实现方式中，在104中，可以分别对所述至少一个感兴趣区域的图像和所述至少一个感兴趣区域对应的目标检测结果进行拼接，得到拼接结果，并对所述拼接结果中重叠的目标检测结果进行柔性非极大值抑制(soft‑nms)，得到待检测图像的质量检测结果，该质量检测结果包括目标的类型、位置和尺寸，其中的目标包括矫治器对应的局部缺陷或者模具对应的模具缺陷。141.本实施例中，对所述至少一个感兴趣区域的图像和所述至少一个感兴趣区域对应的目标检测结果进行拼接，得到拼接结果中，针对同一个物体可能存在多个高度重叠的物体检测框(box)，通过对拼接结果进行柔性非极大值抑制，可以只合并交并比(intersectionoverunion，iou)高于预设数值(即高度重叠)的物体检测框，而不影响多目标检测。142.可选地，在本实施例的一个可能的实现方式中，第一检测模型和第二检测模型可以基于深度学习的方式实现，例如可以通过神经网络实现，本发明实施例不限于此。143.可选地，在本实施例的一个可能的实现方式中，还可以预先利用第一训练集对待训练第一检测模型进行训练，得到所述第一检测模型。图5为本发明一实施例中训练得到第一检测模型的流程示意图。如图5所示。144.501、获取第一训练集。145.其中，所述第一训练集包括多张包括待检测对象的第一样本图像，所述第一样本图像上标注有感兴趣区域的标注信息，所述感兴趣区域中的相邻感兴趣区域有所重叠。146.502、利用待训练第一检测模型对所述第一训练集中的第一样本图像进行感兴趣区域检测，得到感兴趣区域检测结果。147.503、基于第一样本图像的感兴趣区域的标注信息与感兴趣区域检测结果之间的第一差异，对待训练第一检测模型进行训练，直至满足第一预设训练完成条件，得到所述第一检测模型。148.可选地，在本实施例的一个可能的实现方式中，所述第一预设训练完成条件例如可以包括但不限于：对待训练第一检测模型的训练次数的达到预设次数，和/或，所述第一差异小于预设阈值。149.可选地，在本实施例的一个可能的实现方式中，所述第一差异基于如下方式确定：150.loss＝bce_obj+bce_cls+box_loss151.bce_xxx＝w*focalloss+(1–w)*wceloss[0152][0153][0154]其中，loss表示所述第一差异，bce_obj表示利用交叉熵函数计算的预测为感兴趣区域的置信度与标注信息之间的损失函数值，bce_cls表示利用交叉熵函数计算预测为感兴趣区域的类别与标注信息之间的损失函数值，box_loss表示预测的感兴趣区域的位置与标注信息之间的损失函数值。[0155]bce_xxx表示交叉熵函数的函数值，focalloss表示处理数据不平衡的自适应交叉熵损失函数的函数值，wceloss表示带权重的交叉熵损失函数的函数值，w表示wceloss的权重值，w为预先设置的、不小于0且不大于1的常数。wp为正样本(即包括感兴趣区域的样本图像)对应的权重值，为预先设置的、不小于0且不大于1的常数；yi为感兴趣区域的标注信息；pi为感兴趣区域检测结果；α和γ为预先设定的权重值。[0156]本实施例中，可以预先通过第一训练集待训练第一检测模型进行训练，得到第一检测模型，以便用于感兴趣区域检测。[0157]可选地，在本实施例的一个可能的实现方式中，还可以预先利用第二训练集对待训练第二检测模型进行训练，得到所述第二检测模型。图6为本发明一实施例中训练得到第二检测模型的流程示意图，如图6所示。[0158]601、获取第二训练集。[0159]其中，所述第二训练集包括多张感兴趣区域的第二样本图像，所述多张感兴趣区域的第二样本图像包括：多张含有目标的第二样本图像和多张不含有目标的第二样本图像；所述第二样本图像标注有目标标注信息，所述目标标注信息包括：目标的类型标注信息、位置标注信息和尺寸标注信息。[0160]本发明实施例中的目标即缺陷。以第二检测模型针对光固化模具的缺陷的检测为例，目标即光固化模具可能存在的各种缺陷，含有目标的第二样本图像即光固化模具上存在缺陷的样本图像，不含有目标的第二样本图像即光固化模具上无缺陷的样本图像。同时，为了保证训练得到的第二检测模型可以有效检测出光固化模具上存在的各种缺陷，第二训练集中包括光固化模具上各种缺陷的样本图像需要都有一定比例，基于这样的训练集集训练得到的第二检测模型，可以有效识别出待检测图像中的各种缺陷。对于第二检测模型针对矫治器的具体缺陷的检测，与上述针对光固化模具的缺陷的检测同理。[0161]602、利用待训练第二检测模型对第二训练集中的第二样本图像进行目标检测，得到第二样本图像的目标检测结果。[0162]603、基于第二样本图像的目标标注信息与目标检测结果之间的第二差异，对待训练第二检测模型进行训练，直至满足第二预设训练完成条件，得到第二检测模型。[0163]本实施例中，可以预先通过第二训练集待训练第二检测模型进行训练，得到第二检测模型，以便用于对感兴趣区域进行目标检测。[0164]可选地，在本实施例的一个可能的实现方式中，在对第二检测模型训练的过程中，即使针对感兴趣区域的图像识别缺陷，缺陷的尺寸仍然占比较小并且不同的缺陷类型的数量也有较大的差别，可以根据第二训练集针对的待检测对象存在的各缺陷类型的数量，对于一些数量较少的缺陷类型所在图像进行过采样，使得各类型缺陷的数量的分布变得平衡，以提高训练得到的第二检测样本的检测性能。[0165]可选地，在本实施例的一个可能的实现方式中，所述第二预设训练完成条件例如可以包括但不限于：[0166]对待训练第二检测模型的训练次数的达到预设次数，和/或，所述第二差异小于预设阈值。[0167]可选地，在本实施例的一个可能的实现方式中，所述第二差异可以基于如下方式确定：[0168]loss＝bce_obj+bce_cls+box_loss[0169]bce_xxx＝w*focalloss+(1–w)*wceloss[0170][0171][0172]其中，loss表示所述第二差异，bce_obj表示利用交叉熵函数计算的预测为目标的置信度与标注信息之间的损失函数值，bce_cls表示利用交叉熵函数计算的预测为目标的类别与标注信息之间的损失函数值，box_loss表示预测的目标的位置与标注信息之间的损失函数值。[0173]bce_xxx表示交叉熵函数的函数值，focalloss表示处理数据不平衡的自适应交叉熵损失函数的函数值，wceloss表示带权重的交叉熵损失函数的函数值，w表示wceloss的权重值，w为预先设置的、不小于0且不大于1的常数；wp为正样本(即含有目标的第二样本图像)对应的权重值，为预先设置的、不小于0且不大于1的常数；yi为目标标注信息；pi为目标检测结果；α和γ为预先设定的权重值。[0174]本实施例中，在对待训练第二检测模型训练的过程中，即使针对感兴趣区域的图像识别缺陷，缺陷的尺寸仍然占比较小并且不同的缺陷类型的数量也有较大的差别，对于第二样本图像的采样方式、锚框参数和分类损失函数做出改进。根据第二训练集中的各缺陷类型的数量，对于一些数量较少的缺陷类型所在图像进行过采样，使得各类型缺陷的数量的分布变得平衡；还可以根据缺陷的尺寸和形状，通过kmeans算法和生成算法，生成新的锚框尺寸参数。由于缺陷的像素占第二样本图像像素比例较少，缺陷所对应的锚框也较少，在损失函数的梯度回传中将会被背景淹没，本实施例改进分类损失函数为加权的wceloss和focalloss，来计算第二差异，对待训练第二检测模型进行训练，从而可以提高训练效果和训练得到的第二检测模型的检测性能。[0175]可选地，在本实施例的一个可能的实现方式中，第二训练集中的第二样本图像可以通过对第一训练集中第一样本图像中感兴趣区域的图像进行裁剪得到。可以预先收集大量存在和不存在局部缺陷的矫治器、以及存在缺陷和不存在缺陷的光固化模具，采用图3所示方式采集得到第一样本图像，并标注感兴趣区域的标注信息，得到第一训练集。[0176]在对待训练第一检测模型训练的过程中，可以采用基于深度学习的方法，选取若干具有代表性的图像作为第一样本图像，对感兴趣区域(前牙区域和2个后牙区域)进行标注，即使用与图像平行的矩形框，在每张第一样本图像上标注出三个区域(一个前牙区域和2个后牙区域)，标注信息可以包括各个框的类别(即属于哪个区域)、中心坐标、长和宽，最终形成第一训练集，标注过程中需保证相邻区域有所重叠，保证不会因为棋盘效应导致漏检。在实际应用中，如果采集样本图像时侧面拍照角度偏于水平，前牙区和后牙区在图像中可能难于区分，感兴趣区域也可以为整个矫治器或光固化模具。此外，感兴趣区域也可以进一步细化为每两颗牙，以进一步提高缺陷的尺寸占比。另外，也可以采用深度学习的方式以外的方法，例如传统的图像处理方法，得到感兴趣区域的图像，例如，通过滑窗的方式得到大量的感兴趣区域；或者，还可以通过先滤波得到感兴趣区域，再将兴趣区域切为多个图像。[0177]可选地，在本实施例的一个可能的实现方式中，在对待训练第一检测模型和待训练第二检测模型分别训练的过程中，可以对第一训练集中的样本图像或者第二样本集中的图像做相应的数据扩充(dataaugmentation)，例如可以采用调整图像的亮度、对比度，或采用对图像平移、镜像、旋转、加噪声、马赛克拼接、遮挡等方式进行处理，来得到新的样本图像加入相应的训练集，通过扩充训练集中样本图像的数量来提高训练得到的第一检测模型和第二检测模型的鲁棒性。[0178]可选地，在本实施例的一个可能的实现方式中，由于光固化模具和矫治器在形态、材质和缺陷类型上均可能不同，为了提高检测结果的准确性，可以单独针对光固化模具采集其样本图像，训练光固化模具的第一检测模型和第二检测模型，单独针对矫治器采集其样本图像，训练矫治器的第一检测模型和第二检测模型，光固化模具和矫治器的第一检测模型和第二检测模型在训练过程和训练方式上类似，均采用本发明上述图5～图6所示的实施例实现。[0179]可选地，在本实施例的一个可能的实现方式中，第二检测模型也可以通过语义分割模型实现，即对各感兴趣区域的图像中的各像素进行语义分割，得到各像素的类别(是否属于缺陷以及具体的缺陷类型)，以语义分割结果作为目标检测结果。相应地，用于对第二检测模型进行训练的第二训练集中的第二样本图像，需要针对各像素分别标注相应的标注信息，包括各像素所属的类别(是否属于缺陷以及具体的缺陷类型)。[0180]可选地，在本实施例的一个可能的实现方式中，在训练待训练第一检测模型和待训练第二检测模型的过程中，可以利用现有的目标检测框架，例如基于pytorch的检测库mmdetection，借鉴公开发表的目标检测模型(如rcnn系列或yolo系列等)，采用迁移学习的方法，将待训练第一检测模型和待训练第二检测模型的参数初始化为imagenet或mscoco预训练的参数值，在此基础上再利用训练集对待训练第一检测模型和待训练第二检测模型进行训练。[0181]在基于深度学习的模型训练中，由于模型包含的参数很多，为了达到训练收敛和较好效果的目的，需要大量的训练数据(百万量级的数据)，通常无法收集并标注如此海量的数据集。imagenet和mscoco是两个公开的比较大的数据集，研究学者们在这两个数据集上做了大量的研究工作，在这两个数据集上已经训练出效果很好的分类和检测的模型，本实施例中采用迁移学习的方式，先将待训练第一检测模型和待训练第二检测模型的参数初始化为imagenet和mscoco公开数据集上预训练的参数值，在此基础上再利用针对性任务的数据集对参数进行更新，可以加快待训练第一检测模型和待训练第二检测模型的收敛，提高训练效果。[0182]本发明实施例基于深度学习的技术方案，在应用时通常可以通过如下流程实现：[0183]a)，获取样本(矫治器或模具)，采集样本的电子表征(即图像)；[0184]b)，对样本的图像标注相应的标注信息，得到若干含有目标(缺陷)的样本图像和不含有目标的样本图像，形成数据集，将数据集按照一定比例分为训练集、验证集和测试集；[0185]c)，设计深度学习模型(即待训练第一检测模型和待训练第二检测模型)，利用训练集训练深度学习模型；设定评价指标，通过验证集筛选出最佳深度学习模型；[0186]d)，设定评价指标，评估筛选出的深度学习模型测试集上的性能表现。如果不满足部署要求，回到步骤a)继续收集样本继续执行流程，或回到步骤c)更改设计深度学习模型继续执行流程；如果满足部署要求，进入步骤e)的部署环节；[0187]e)，部署深度学习模型，获取待检测图像，应用d)中部署的深度学习模型进行质量检测。[0188]f)，对质量检测结果进行后处理，如确认为未通过质量检测(即存在缺陷)，进行文字反馈或者报警。[0189]本实施例中，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，实现了对矫治器及模具的质量检测，可以准确、有效识别矫治器的局部缺陷及矫治器模具的缺陷。[0190]另外，采用本发明所提供的技术方案，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，对矫治器及模具进行质量检测，实现了矫治器及其模具质量问题的高效识别，避免占用操作工人和质检人员，节省了人力资源，降低了质检成本，减少了质检时间，提高了质检效率，减轻了操作工人和质检人员的工作负荷，从而提高了生产效率，有利于助力产能提升。[0191]另外，采用本发明所提供的技术方案，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，采用客观统一的质量检测标准，对矫治器及模具进行质量检测，可以有效控制矫治器的出厂质量，有助于形成完善的质量追溯及相关反馈机制。[0192]另外，采用本发明所提供的技术方案，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，对矫治器及模具进行质量检测，可以检测对于人眼来说难度较大的缺陷，例如磨具上的缺失或矫治器上的裂纹等细微的缺陷，可以有效处理识别难例，提升质量控制水平。[0193]另外，采用本发明所提供的技术方案，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，对矫治器及模具进行质量检测，检测准确率较高，在复杂生产环境下可靠。[0194]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。[0195]在上述实施例中，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。[0196]图7为本发明一实施例提供的质量检测装置的结构示意图，如图7所示。本实施例的质量检测装置可以包括第一获取模块701、第一检测模块702、裁剪模块703、第二检测模块704和确定模块705。其中，第一获取模块701，用于获取包括待检测对象的待检测图像，所述待检测对象包括矫治器或者用于对所述矫治器压膜的模具；第一检测模块702，用于利用预先训练得到的第一检测模型，对所述待检测图像进行感兴趣区域检测，得到至少一个感兴趣区域；裁剪模块703，用于分别从所述待检测图像中裁剪出所述至少一个感兴趣区域中各感兴趣区域的图像；第二检测模块704，用于利用预先训练得到的第二检测模型，分别对所述各感兴趣区域的图像进行目标检测，得到所述各感兴趣区域对应的目标检测结果；确定模块705，用于基于所述至少一个感兴趣区域对应的目标检测结果，确定所述待检测对象的质量检测结果。[0197]需要说明的是，本实施例所提供的质量检测装置的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(softwaredevelopmentkit，sdk)等功能单元，或者还可以为位于网络侧服务器中的搜索引擎，或者还可以为位于网络侧的分布式系统，本实施例对此不进行特别限定。[0198]可以理解的是，所述应用可以是安装在终端上的本地程序(nativeapp)，或者还可以是终端上的浏览器的一个网页程序(webapp)，本实施例对此不进行特别限定。[0199]可选地，在本实施例的一个可能的实现方式中，第一获取模块701，具体用于：利用多视角图像采集系统，采用俯视+三维环形的图像采集方式，采集包括所述检测对象的多视角二维待检测图像。[0200]可选地，在本实施例的一个可能的实现方式中，所述至少一个感兴趣区域例如可以包括但不限于以下任意一个或多个：前牙区域和两个后牙区域。[0201]可选地，在本实施例的一个可能的实现方式中，所述待检测对象为矫治器。相应地，第二检测模块704，具体用于：用于利用预先训练得到的第二检测模型，分别对所述各感兴趣区域的图像进行局部缺陷的检测，得到所述各感兴趣区域对应的目标检测结果，所述目标检测结果包括局部缺陷的类型、位置和尺寸。其中，所述局部缺陷例如可以包括但不限于以下任意一项或多项：线状凹陷、块状凹陷、光固化缺层的痕迹、树脂残留、卡光固化、附件小、裂纹或裂开、压制不清晰、褶皱、切到附件、牵引附件变形损坏、边缘问题、牵引钩未夹、颌垫未磨开、磨坏等等。[0202]可选地，在本实施例的一个可能的实现方式中，所述待检测对象为模具。相应地，第二检测模块704，具体用于：用于利用预先训练得到的第二检测模型，分别对所述各感兴趣区域的图像进行模具缺陷的检测，得到所述各感兴趣区域对应的目标检测结果，所述目标检测结果包括模具缺陷的类型、位置和尺寸。其中，所述模具缺陷包括以下任意一项或多项：底座缺陷、牙体表面缺陷、牙体形态缺陷。其中，所述底座缺陷例如可以包括但不限于以下任意一项或多项：底座不平、底座圆盘有杂质、底座圆盘底面凹凸不平；所述牙体表面缺陷例如可以包括但不限于以下任意一项或多项：线状凹陷、表面有洞、牙面飞边、表面有异物、树脂残留等等；所述牙体形态缺陷例如可以包括但不限于以下任意一项或多项：牙体破损、牙体缺损、附件小等等。[0203]可选地，在本实施例的一个可能的实现方式中，确定模块705，具体用于：分别对所述至少一个感兴趣区域的图像和所述至少一个感兴趣区域对应的目标检测结果进行拼接，得到拼接结果；对所述拼接结果中重叠的目标检测结果进行柔性非极大值抑制，得到所述待检测对象的质量检测结果，所述质量检测结果包括目标的类型、位置和尺寸，所述目标包括所述矫治器对应的局部缺陷或者所述模具对应的模具缺陷。[0204]图8为本发明另一实施例提供的质量检测装置的结构示意图。如图8所示，该实施例的质量检测装置还包括：第二获取模块801和第一训练模块802。其中，第二获取模块801，用于获取第一训练集，所述第一训练集包括多张包括待检测对象的第一样本图像，所述第一样本图像上标注有感兴趣区域的标注信息，所述感兴趣区域中的相邻感兴趣区域有所重叠。第一训练模块802，用于利用待训练第一检测模型对所述第一训练集中的第一样本图像进行感兴趣区域检测，得到感兴趣区域检测结果；以及基于所述第一样本图像的感兴趣区域的标注信息与感兴趣区域检测结果之间的第一差异，对所述待训练第一检测模型进行训练，直至满足第一预设训练完成条件，得到所述第一检测模型。[0205]可选地，在本实施例的一个可能的实现方式中，所述第一预设训练完成条件包括：对所述待训练第一检测模型的训练次数的达到预设次数，和/或，所述第一差异小于预设阈值。[0206]可选地，在本实施例的一个可能的实现方式中，所述第一差异基于如下方式确定：[0207]loss＝bce_obj+bce_cls+box_loss[0208]bce_xxx＝w*focalloss+(1–w)*wceloss[0209]其中，loss表示所述第一差异，bce_obj表示利用交叉熵函数计算的预测为感兴趣区域的置信度与标注信息之间的损失函数值，bce_cls表示利用交叉熵函数计算预测为感兴趣区域的类别与标注信息之间的损失函数值，box_loss表示预测的感兴趣区域的位置与标注信息之间的损失函数值。wp为正样本(即包括感兴趣区域的样本图像)对应的权重值，为预先设置的、不小于0且不大于1的常数；yi为感兴趣区域的标注信息；pi为感兴趣区域检测结果；α和γ为预先设定的权重值。[0210]另外，再参见图8，上述实施例的质量检测装置还可以包括：第三获取模块803和第二训练模块804。其中，第三获取模块803，用于获取第二训练集，所述第二训练集包括多张感兴趣区域的第二样本图像，所述多张感兴趣区域的第二样本图像包括：多多张含有目标的第二样本图像和多张不含有目标的第二样本图像；所述第二样本图像标注有目标标注信息，所述目标标注信息包括：目标的类型标注信息、位置标注信息和尺寸标注信息。第二训练模块804，用于利用待训练第二检测模型对所述第二训练集中的第二样本图像进行目标检测，得到所述第二样本图像的目标检测结果；以及基于所述第二样本图像的目标标注信息与目标检测结果之间的第二差异，对所述待训练第二检测模型进行训练，直至满足第二预设训练完成条件，得到所述第二检测模型。[0211]可选地，在本实施例的一个可能的实现方式中，所述第二预设训练完成条件例如可以包括但不限于：对待训练第二检测模型的训练次数的达到预设次数，和/或所述第二差异小于预设阈值。[0212]可选地，在本实施例的一个可能的实现方式中，所述第二差异可以基于如下方式确定：[0213]其中，loss表示所述第二差异，bce_obj表示利用交叉熵函数计算的预测为目标的置信度与标注信息之间的损失函数值，bce_cls表示利用交叉熵函数计算的预测为目标的类别与标注信息之间的损失函数值，box_loss表示预测的目标的位置与标注信息之间的损失函数值；[0214]bce_xxx表示交叉熵函数的函数值，focalloss表示处理数据不平衡的自适应交叉熵损失函数的函数值，wceloss表示带权重的交叉熵损失函数的函数值，w表示wceloss的权重值，w为预先设置的、不小于0且不大于1的常数。[0215]需要说明的是，图1～图6对应的实施例中方法，可以由本图7～图8所示实施例提供的质量检测装置实现。详细描述可以参见图1～图6对应的实施例中的相关内容，此处不再赘述。[0216]本实施例中，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，实现了对矫治器及模具的质量检测，可以准确、有效识别矫治器的局部缺陷及矫治器模具的缺陷。[0217]另外，采用本发明所提供的技术方案，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，对矫治器及模具进行质量检测，实现了矫治器及其模具质量问题的高效识别，避免占用操作工人和质检人员，节省了人力资源，降低了质检成本，减少了质检时间，提高了质检效率，减轻了操作工人和质检人员的工作负荷，从而提高了生产效率，有利于助力产能提升。[0218]另外，采用本发明所提供的技术方案，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，采用客观统一的质量检测标准，对矫治器及模具进行质量检测，可以有效控制矫治器的出厂质量，有助于形成完善的质量追溯及相关反馈机制。[0219]另外，采用本发明所提供的技术方案，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，对矫治器及模具进行质量检测，可以检测对于人眼来说难度较大的缺陷，例如磨具上的缺失或矫治器上的裂纹等细微的缺陷，可以有效处理识别难例，提升质量控制水平。[0220]另外，采用本发明所提供的技术方案，采用基于深度学习的方式，利用预先训练得到的第一检测模型和第二检测模型，对矫治器及模具进行质量检测，检测准确率较高，在复杂生产环境下可靠。[0221]图9示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图9显示的计算机系统/服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。[0222]如图9所示，计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，存储装置或者系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。[0223]总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。[0224]计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。[0225]系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图9中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd‑rom，dvd‑rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。[0226]具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。[0227]计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口44进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。[0228]处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现图1所对应的实施例所提供的质量检测方法。[0229]本发明另一实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现图1所对应的实施例所提供的质量检测方法。[0230]具体来说，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd‑rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。[0231]计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。[0232]计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。[0233]可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。[0234]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。[0235]在本发明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。例如，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，例如多个单元或页面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，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。[0236]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。[0237]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，也可以采用硬件加软件功能单元的形式实现。[0238]上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一个计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。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。[0239]最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页12当前第1页12