缺陷检测算法的流程图的生成方法、缺陷检测方法和系统与流程

1.本发明涉及自动检测领域，更具体地涉及一种缺陷检测算法的流程图的生成方法与缺陷检测方法、系统、电子设备及存储介质。


背景技术：

2.近年来，计算机视觉被广泛应用于自动检测领域。例如，应用计算机视觉技术对一些电子器件的关键部件的缺陷进行检测，以便于及时修复。但在实际的应用中，由于某些目标的缺陷可能具有很多种不同的形态，因此无法采用一个通用的检测算法识别所有的缺陷。
3.以晶圆的缺陷检测为例。由于不同型号的晶圆上存在类型不同或者数量不同的元器件，成像后的晶圆复杂多变，无法采用一个通用的缺陷检测算法流程对不同晶圆的缺陷进行识别。因此，需要根据晶圆的不同搭建不同的缺陷检测算法流程。
4.现有技术通常采用由用户执行模块拖拽、连线等操作来搭建缺陷检测算法流程。这需要用户将不同模块先后拖拽到流程中组合成一个最终的算法流程。然而，这种方式需要用户了解一定的操作规则并具备一定的素质和专业技能，才能执行正确的拖拽和连线等操作来生成期望的流程，从而具有局限性；另一方面还需要用户执行较为复杂的操作，从而用户体验也不好。


技术实现要素：

5.考虑到上述问题而提出了本发明。根据本发明的一个方面，提供了一种缺陷检测算法的流程图的生成方法。该方法包括：命名步骤，基于预设的命名规则对至少一个文件夹进行命名，其中，每个文件夹用于存储与之对应的模型的训练样本图像，每个模型用于检测待识别图像中的目标信息，每个文件夹的名称包括对应的模型的模型类别标识和/或目标标识；生成步骤，响应于用户的确认操作，基于每个文件夹的名称中的模型类别标识和/或目标标识生成并显示缺陷检测算法的流程图，其中，流程图示出缺陷检测算法的步骤的运行路径。
6.示例性地，文件夹包括第一类文件夹，其中，每个第一类文件夹用于存储与之对应的第一模型的训练样本图像，每个第一模型用于识别待识别图像中的至少一种缺陷的缺陷区域，目标信息包括缺陷区域的信息，目标标识包括对应的第一模型所识别的缺陷的种类标识；生成步骤包括：响应于用户的确认操作，基于第一类文件夹的名称中的模型类别标识和/或目标标识生成并显示缺陷检测算法的流程图，缺陷检测算法的步骤包括利用第一模型执行的缺陷检测步骤。
7.示例性地，文件夹还包括第二类文件夹，其中，每个第二类文件夹用于存储与之对应的第二模型的训练样本图像，每个第二模型用于识别待识别图像中的与至少一种特定缺陷配置的目标区域，目标信息包括目标区域的信息，目标标识包括对应的第二模型所识别的特定缺陷的目标的标识；生成步骤，包括：响应于确认操作，基于第一类文件夹和第二类
文件夹各自名称中的模型类别标识和/或目标标识生成并显示流程图，其中，缺陷检测算法的步骤还包括利用第二模型执行的目标区域检测步骤和后处理步骤，在后处理步骤中，基于缺陷检测步骤所检测的缺陷区域、目标区域检测步骤所检测的目标区域以及缺陷区域和目标区域之间的配置关系确定待识别图像的缺陷检测结果。
8.示例性地，第二类文件夹或第一类文件夹的名称还包括配置关系的配置关系标识；生成步骤包括：响应于确认操作，读取第一类文件夹的名称和第二类文件夹的名称；基于第一类文件夹或第二类文件夹的名称中的配置关系标识，获取每种特定缺陷的目标区域与该种缺陷的缺陷区域之间的配置关系；基于第一类文件夹的名称、第二类文件夹的名称以及配置关系生成并显示缺陷检测算法的流程图。
9.示例性地，在生成步骤之前，方法还包括：获取用户预先配置的每种特定缺陷的目标区域与该种缺陷的缺陷区域之间的配置关系；生成步骤包括：响应于确认操作，基于第一类文件夹的名称、第二类文件夹的名称以及配置关系生成并显示缺陷检测算法的流程图。
10.示例性地，第一模型和/或第二模型的数量为多个。
11.示例性地，第一模型的种类包括目标检测模型和语义分割模型；和/或第二模型的种类包括目标检测模型和语义分割模型，其中，目标检测模型用于识别待识别图像中具有第一形态特征的缺陷区域或目标区域，语义分割模型用于识别待识别图像中具有第二形态特征的缺陷区域或目标区域。
12.示例性地，文件夹包括第三类文件夹，每个第三类文件夹用于存储与之对应的第三模型的训练样本图像，每个第三模型用于检测待识别图像是否为异常状况，其中，目标信息包括异常状况信息；生成步骤包括：响应于确认操作，至少基于第三类文件夹的名称中的模型类别标识和/或目标标识生成并显示流程图，其中，缺陷检测算法的步骤包括利用第三模型执行的异常检测步骤。
13.示例性地，生成步骤包括：响应于确认操作，至少基于第一类文件夹和第三类文件夹各自的名称中的模型类别标识和/或目标标识生成并显示流程图，其中，缺陷检测算法的步骤还包括后处理步骤，在后处理步骤中，基于缺陷检测步骤所检测的缺陷区域和异常检测步骤所确定的图像是否为异常状况的结果确定待识别图像的缺陷检测结果；其中，在异常检测步骤确定待识别图像为异常状况，且缺陷检测步骤确定待识别图像未存在缺陷区域的情况下，确定待识别图像的缺陷检测结果为待识别图像上存在新类型的缺陷区域。
14.示例性地，第三模型包括异常检测模型和/或二分类模型，其中异常检测模型的训练样本图像仅包括正常图像，二分类模型的训练样本图像包括经标注的正常图像和经标注的异常图像。
15.示例性地，文件夹的数量为多个，文件夹包括父文件夹和每个父文件夹中的子文件夹，其中，与每个父文件夹下的子文件夹对应的模型的模型类别相同；与不同父文件夹下的子文件夹对应的模型的模型类别不同，其中，每个父文件夹的名称包括模型类别标识，子文件夹的名称包括目标标识。
16.示例性地，在命名步骤之前，方法还包括：响应于用户的创建操作，创建文件夹；和/或响应于用户的删除操作，删除文件夹。
17.根据本发明第二方面，还提供一种缺陷检测方法，包括：在基于预设的命名规则所命名的文件夹中存储与之对应的模型的训练样本图像，其中，每个模型用于检测待识别图
像中的目标信息，每个文件夹的名称包括对应的模型的模型类别标识和/或目标标识；响应于用户的存储确认操作，自动基于训练样本图像和每个文件夹的名称中的模型类别标识和/或目标标识对模型进行训练，以获取经训练的模型；利用经训练的模型，基于上述缺陷检测算法的流程图的生成方法所生成的流程图所示出的运行路径执行缺陷检测算法。
18.根据本发明第三方面，还提供一种缺陷检测算法的流程图的生成系统，包括：命名模块，用于基于预设的命名规则对至少一个文件夹进行命名，其中，每个文件夹用于存储与之对应的模型的训练样本图像，每个模型用于检测待识别图像中的目标信息，每个文件夹的名称包括对应的模型的模型类别标识和/或目标标识；生成模块，用于响应于用户的确认操作，基于每个文件夹的名称中的模型类别标识和/或目标标识生成并显示缺陷检测算法的流程图，其中，流程图示出缺陷检测算法的步骤的运行路径。
19.根据本发明第四方面，还提供一种缺陷检测系统，包括：存储模块，用于在基于预设的命名规则所命名的文件夹中存储与之对应的模型的训练样本图像，其中，每个模型用于检测待识别图像中的目标信息，每个文件夹的名称包括对应的模型的模型类别标识和/或目标标识；训练模块，用于响应于用户的存储确认操作，自动基于训练样本图像和每个文件夹的名称中的模型类别标识和/或目标标识对模型进行训练，以获取经训练的模型；检测模块，用于利用经训练的模型，基于上述缺陷检测算法的流程图的生成方法所生成的流程图所示出的运行路径执行缺陷检测算法。
20.根据本发明第五方面，还提供一种电子设备，包括显示器、处理器和存储器，其中，显示器用于显示用户界面，存储器中存储有计算机程序指令，计算机程序指令被处理器运行时用于执行上述缺陷检测算法的流程图的生成方法和/或上述缺陷检测方法。
21.根据本发明第六方面，还提供一种存储介质，在存储介质上存储了程序指令，程序指令在运行时用于执行上述的缺陷检测算法的流程图的生成方法和/或上述缺陷检测方法。
22.在上述技术方案中，仅需基于预设的命名规则对用于存放缺陷检测相关模型的训练样本图像的文件夹进行命名，经用户确认后即可在用户界面显示缺陷检测算法的流程图。该方案方便用户直观地获取当前配置的缺陷检测算法的运行路径，从而可以快速核查并实时完善算法路径，进而有助于生成更准确、更符合用户个性化需求的缺陷检测算法。且该方法简单易实施，对用户要求较低，因此方法适用性强，用户体验也更好。
23.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
24.通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
25.图1示出了根据本发明一个实施例的缺陷检测算法的流程图的生成方法的示意性流程图；
26.图2示出了根据本发明一个实施例的缺陷检测算法的流程图的示意图；
27.图3示出了根据本发明另一个实施例的缺陷检测算法的流程图的示意图；
28.图4示出了根据本发明又一个实施例的缺陷检测算法的流程图的示意图；
29.图5示出了根据本发明一个实施例的缺陷检测方法的示意性流程图；
30.图6示出了根据本发明一个实施例的缺陷检测算法的流程图的生成系统的示意性框图；
31.图7示出了根据本发明一个实施例的缺陷检测系统的示意性框图；以及
32.图8示出了根据本发明一个实施例的电子设备的示意性框图。
具体实施方式
33.为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
34.图1示出了根据本发明一个实施例的缺陷检测算法的流程图的生成方法100的示意性流程图。如图1所示，缺陷检测算法的流程图的生成方法100可以包括以下命名步骤s120和生成步骤s140。
35.命名步骤s120，基于预设的命名规则对至少一个文件夹进行命名，其中，每个文件夹用于存储与之对应的模型的训练样本图像，每个模型用于检测待识别图像中的目标信息，每个文件夹的名称包括对应的模型的模型类别标识和/或目标标识。
36.示例性地，步骤s120可以是在响应于操作用户的文件夹命名操作的前提下执行的。示例性而非限制性地，操作用户的文件夹命名操作可以包括：用户选中任一文件夹之后鼠标单击该文件夹或使用f2快捷键的操作以及通过键盘输入文件夹名称内容的操作。在步骤s120，当系统识别到用户的上述操作时，作为响应结果，对用户所操作的文件夹进行相应地命名。例如，可以在用户界面上的对应文件夹的相应位置例如文件夹标识的后面显示用户输入的文件夹的名称内容。
37.替代地，步骤s120也可以是系统直接自行执行的，即无需用户执行文件夹命名操作。例如，系统已预先配置好每个文件夹的名称，在步骤s120可以直接在用户界面中的每个文件夹的相应位置对应显示其名称。
38.示例性地，预设的命名规则可以是系统预设的每个文件夹的名称内容的规则。例如每个文件夹的名称应至少包括哪些标识内容，每种标识内容可以用哪些可选的字母或者数字表示，各标识内容的先后顺序、每种标识内容的字符数量限制等等。容易理解，预设的命名规则用于指示系统容易识别或可以接受的文件夹命名方式。在前述用户执行文件夹命名操作的示例中，用户可以基于系统中预存的相关文件夹命名规则的相关信息对至少一个文件夹进行命名，如在系统中预设的命名规则文件的指导下输入每个文件夹的名称内容。基于预设的命名规则进行文件夹的命名，可以方便用户快速准确地输入系统更易识别的文件夹的名称内容。当然，系统也可以通过自动执行基于预设命名规则的文件夹命名算法实现步骤s120，即系统预配置的每个文件夹的名称可以是完全符合该命名规则、无需用户做
任何处理的。
39.示例性地，所命名的文件夹可以存储在系统预设的存储路径下。在前述用户执行文件夹命名操作的示例中，用户可以通过查找该存储路径找到这些文件夹所在的位置，进而可以对这些文件夹进行如前所述的文件夹命名操作。
40.示例性地，步骤s120中文件夹的命名操作可以是逐个文件夹依次命名，也可以是一定数目的多个文件夹同时批量性地命名，还可以是所有的文件夹一键命名等多种合适的可以实现的方式，本发明不对其进行限制。
41.根据本发明实施例，每个文件夹用于存储与之对应的模型的训练样本图像，每个模型用于检测待识别图像中的目标信息。
42.示例性地，待识别图像可以是任何待缺陷检测对象的图像。换言之，在待识别图像中可以包括待缺陷检测的对象。待缺陷检测的对象可以是任何合适的物体，包括但不限于金属、玻璃、纸张、电子元器件等对外观有严格要求又有明确指标的物体等，本发明不对其进行限制。
43.示例性地，每个模型可以是能够针对对象执行缺陷检测相关的任何合适的模型。例如，其可以是基于深度学习的神经网络模型，包括但不限于目标检测模型、语义分割模型等多种类别的模型。
44.示例性地，与不同文件夹对应的不同模型可以是同种类别的模型，也可以是不同类别的模型。对于同种类别的两个模型，其网络结构可以完全相同，也可以不完全相同，示例性地，上述模型可以是能够完成缺陷检测算法的模型，在系统内可以根据实际执行缺陷检测算法的需要，选择设置合适数目、合适类别、合适结构的模型。可以通过查找与不同模型对应的文件夹的存储路径，在步骤s120基于预设的文件夹命名规则对用于存放不同模型训练样本图像的不同文件夹进行不同的命名，以便于清楚地区分每个文件夹的存储用途。
45.示例性地，每个模型的训练样本图像可以是已标注目标信息的样本图像或者，其也可以是未标注有目标信息的正常样本图像。不同模型的训练样本图像不同。示例性地，目标信息可以是待识别图像中的与缺陷检测相关的任何合适的信息，包括但不限于缺陷种类信息、缺陷状态信息、与缺陷相关的位置信息等。与缺陷相关的位置信息例如缺陷可能存在的位置以及原本正常但是易被识别为缺陷的位置等。容易理解，将待识别图像输入利用训练样本图像训练好的模型中，可以输出待识别图像中的目标信息。
46.每个文件夹的名称可以包括对应的模型的模型类别标识和/或目标标识。示例性地，预设的命名规则可以包括关于文件夹的名称中所包含的模型类别标识和/或目标标识的表示方法、标识的先后顺序等的信息。
47.示例性而非限制性地，模型类别标识例如表示目标检测模型的模型类别标识“detect model”、表示语义分割模型的模型类别标识“segment model”等，本发明不对其进行限制。
48.示例性地，目标标识可以是用于表示每个模型输出结果的结果标识，其可以是每个模型所输出的结果中所包含的目标信息的标识。例如，在模型输出的结果中包括待识别图像中的一种缺陷的缺陷类别信息或缺陷区域的情况下，目标标识可以包括该缺陷种类的标识，例如“缺陷a”、“defect 1”、“裂纹”等。又例如，在模型输出的结果中包括待识别图像中的一种缺陷的目标区域的情况下，目标标识可以包括该目标区域标识，例如“pad区”、“cat region”等。
49.示例性地，可以基于预设的命名规则和文件夹的不同存储用途采用不同的命名方式。例如，对于只对应唯一一个模型的文件夹，其名称中可以包括目标标识，或者还可以包括模型类别标识。对于对应多个不同类别模型的文件夹，其名称中可以包括模型类别标识；对于对应多个相同类别模型的文件夹，其名称中可以包括目标标识。
50.根据本发明实施例，根据模型类别和/或模型的输出结果对文件夹进行命名，有助于用户直观地获取模型的关键信息，不仅便于将不同模型的训练样本图像存储在正确的文件夹中，而且也便于在后续生成的流程图的步骤中可以直观地显示出模型类别和/或模型的输出结果，以供用户进行判断是否和理想设计的算法流程图是否一致。
51.生成步骤s140，响应于用户的确认操作，基于每个文件夹的名称中的模型类别标识和/或目标标识生成并显示缺陷检测算法的流程图，其中，流程图示出缺陷检测算法的步骤的运行路径。
52.示例性地，用户的确认操作可以是用户点击用户界面所显示的确认控件的确认操作。例如，在用户界面的菜单栏中可以包括“确认显示流程图”的单击按钮。在完成对文件夹的命名操作之后，用户可以点击该按钮。当系统识别到用户的该操作之后，可以通过加载预设的显示算法在用户界面实时显示缺陷检测算法的流程图。
53.根据前述陈述，每个文件夹可以对应可以检测待识别图像中的一个或多个目标信息的模型，且每个文件夹的名称可以包括对应的模型的模型类别标识和/或目标标识。因此，在步骤s140，可以通过文件夹的名称中所包含的模型类别标识获取每个模型的模型类别信息，也可以通过文件夹的名称中的目标标识获取每个模型所识别的目标信息。即可以根据预设路径中的文件夹的名称快速获取每个模型的关键信息，进而可以根据该关键信息形成缺陷检测算法流程图，并可以将该流程图显示在用户界面上，以供用户核查。其中，该关键信息可以直接为模型类别标识和/或目标标识，也可以是根据模型类别标识和/或目标标识生成的关键信息，比如，根据每种模型类别标识生成一一对应的图标，该图标和目标标识作为关键信息在流程图上显示。
54.根据本发明实施例，缺陷检测算法的流程图中可以示出缺陷检测算法的步骤的运行路径。示例性地，缺陷检测算法的步骤中可以包括与文件夹对应的每个模型的检测步骤，并且在示出的每个模型的检测步骤中可以直观呈现对应的文件夹的名称中所包含的模型的关键信息，以方便用户核对算法流程是否正确。示例性地，缺陷检测算法的步骤中还可以包括系统预设固定好的或者可供用户自主选择的其他常规步骤，例如对待识别图像的图像预处理步骤、每个模型的检测结果的输出步骤以及结果后处理步骤等。
55.图2示出了根据本发明一个实施例的缺陷检测算法的流程图的示意图。如图2所示，该缺陷检测算法的流程图中示出了缺陷检测算法的多个步骤的运行路径。其中，多个步骤包括图像预处理步骤210、两个模型的检测步骤220以及对每个模型的检测结果输出步骤230。容易理解，图像预处理步骤210和检测结果输出步骤230可以是系统预设好的，无需用户改变的常规步骤，而模型的检测步骤220则可以是基于用户的自主选择或操作而生成的步骤。
56.示例性地，在该流程图中，每个模型的检测步骤所显示的信息可以包括对应的文件夹的名称中所包含的模型的关键信息。如图2所示，模型的检测步骤220可以包括并行执
行的第一个模型“detect model1 defect1”的检测步骤和第二个模型“detect model2 defect2”的检测步骤，并行执行属于系统内部预先设置的执行顺序规则，当然在实际应用中，系统内部还可以预设串行、串行+并行等其他执行顺序规则。容易看出，该图2示出的缺陷检测算法中包括两个模型的检测步骤，这两个模型的模型类型相同，但分别用于检测不同的目标信息。容易理解，在该示例中，步骤s120已对至少2个文件夹进行了正确的命名，即在预设的存储路径下按照预设的命名规则对至少2个文件夹进行命名。容易理解，根据预设的命名规则命名的文件夹数量越多，对应的模型越多，显示在流程图中的不同模型的检测步骤越多。因此，用户可以通过生成有关键信息的缺陷检测算法流程图查看示出的缺陷检测的多个步骤是否是期望的运行路径。若是，则可以依照该流程图中示出的路径执行模型训练，以及后续基于训练好的模型对待识别图像的缺陷检测；若否，则可以返回步骤s120核查每个文件夹的名称是否有误并修改，核查文件夹的数量是否有误以删除不需要的文件夹或新创建文件夹等。
57.需要说明的是，图2中示出的缺陷检测算法的流程图仅仅是一种示例，任何现有的或者未来的其他形式的流程图也在本发明的保护范围内。
58.可以理解，可以利用文件夹中的训练样本图像对对应的模型进行训练。在执行该流程图所示的缺陷检测算法的过程中，可以利用经训练的模型进行针对缺陷的各种检测。由此，实现对待识别图像的缺陷检测。
59.在上述技术方案中，在基于预设的命名规则对用于存放缺陷检测相关模型的训练样本图像的文件夹进行命名之后，经用户确认即可基于每个文件夹的名称中的模型类别标识和/或目标标识在用户界面显示缺陷检测算法的流程图。该方案方便用户直观地获取当前配置的缺陷检测算法的运行路径，从而可以快速核查并实时完善算法路径，进而有助于生成更准确、更符合用户个性化需求的缺陷检测算法。且该方法简单易实施，对用户要求较低，因此方法适用性强，用户体验也更好。
60.示例性地，在命名步骤s120之前，方法100还包括：步骤s110，响应于用户的创建操作，创建文件夹；和/或步骤s111，响应于用户的删除操作，删除文件夹。
61.示例性地，用户的创建操作可以包括用户点击创建控件的操作或者使用鼠标或键盘中的快捷键操作等多种操作方式。示例性地，在步骤s110，当系统接收到用户的该操作信息时，可以在用户所操作的路径下创建相应数目的文件夹，以作为步骤s120中所操作的文件夹。示例性地，在步骤s110中，文件夹创建的路径可以是系统预设好的路径。例如，系统中包括文件夹存储路径的指示文件，其中指示与不同模型对应的文件夹的存储路径。用户可以通过查阅该指示文件，找到期望创建的文件夹的预设存储路径，进而可以在该路径下创建相应的文件夹。
62.示例性地，用户的删除操作可以包括用户单击选中一个或多个文件夹的操作和点击用户界面中的删除控件的操作或者使用键盘中的“delete”快捷键操作等操作。例如，在用户创建的或系统中已有的文件夹的数目较多的情况下，用户可以选择性地删掉一些多余的文件夹。例如，在文件夹的预设存储路径下已包括8个文件夹，而执行缺陷检测相关的模型的数量为5个的情况下，用户实际需求的文件夹的数目可以为5个，因此可以通过步骤s111删除其中的3个文件夹，进而可以在步骤s120对剩余的5个文件夹进行命名。
63.根据本发明实施例的缺陷检测算法的流程图的生成方法100还可以包括用户自主
执行的文件夹创建步骤和/或文件夹删除步骤，有助于生成更符合用户个性化需求的缺陷检测算法的流程图。
64.示例性地，文件夹的数量为多个，文件夹包括父文件夹和每个父文件夹中的子文件夹，其中，每个父文件夹下的子文件夹对应的模型的模型类别相同；不同父文件夹下的子文件夹对应的模型的模型类别不同，其中，每个父文件夹的名称包括模型类别标识，子文件夹的名称包括目标标识。
65.根据本发明实施例，文件夹的数量为多个并呈现为多层，例如，由父文件夹和其子文件夹形成的两层文件夹。示例性地，每个父文件夹中可以包括一个子文件夹，也可以包括多个子文件夹。可选地，每个父文件夹中可以包括多个子文件夹。
66.例如，在模型数目较少的情况下，每个文件夹可以用于存放一个模型的训练样本图像，每个文件夹的名称可以包括模型类别标识和目标标识。而在模型数目较多的情况下，可以将同种类型的模型所对应的文件夹作为子文件夹存储在一个父文件夹中。在这种情况下，每个子文件夹可以用于直接存储一个模型的训练样本图像，而每个父文件夹则可以用于间接地存储一个或多个同类型模型的训练样本图像。示例性地，每个父文件夹的名称中可以包括与子文件夹对应的模型的模型类别标识，每个子文件夹的名称中则可以仅包括目标标识，而无需包括模型类别标识。例如，某个父文件夹的名称为“detect model”，该父文件夹中的3个子文件夹的名称分别为“defect1”、“defect2”、“defect3”。
67.根据上述方案，在模型数目较多的情况下，可以通过多层文件夹的形式存储不同类别模型的训练样本图像。既可以直观地呈现不同类型模型的分布情况，还可以简化文件夹的名称，从而可以节省用户的操作时间，提高用户体验。
68.示例性地，文件夹包括第一类文件夹，其中，每个第一类文件夹用于存储与之对应的第一模型的训练样本图像，每个第一模型用于识别待识别图像中的至少一种缺陷的缺陷区域，目标信息包括缺陷区域的信息，目标标识包括对应的第一模型所识别的缺陷的种类标识；生成步骤s140包括：响应于用户的确认操作，基于第一类文件夹的名称中的模型类别标识和/或目标标识生成并显示缺陷检测算法的流程图，缺陷检测算法的步骤包括利用第一模型执行的缺陷检测步骤。
69.示例性地，缺陷检测算法所利用的模型可以包括第一模型，与每个第一模型对应的文件夹是第一类文件夹。第一模型可以是用于识别待识别图像中的至少一种缺陷的缺陷区域的缺陷识别模型。示例性地，缺陷区域可以是待识别图像中的对象具有缺陷的区域，其可以是待识别图像中的部分区域。容易理解，待识别图像中的对象的正常区域与缺陷区域可以具有不同的形态，可以基于其不同的形态，例如灰度、纹理等检测缺陷区域。例如，对于待识别图像是某种金属图像的示例，缺陷区域可以是示出该金属物体上的划痕的区域。
70.容易理解，待缺陷检测的对象中可能包括多种不同形态缺陷，如晶圆表面可能存在诸如表面冗余物缺陷、滑移线缺陷、堆垛层错缺陷、划痕缺陷、图案缺陷等多种缺陷。由于缺陷形态多变，因此无法采用一个通用的模型实现对多种缺陷的检测。示例性地，可以首先根据缺陷的形态进行缺陷分类，例如，将待识别图像中可能出现的缺陷可以分为5类，然后可以通过多个第一模型分别实现对该5种缺陷的缺陷区域的检测。可选地，第一模型的数目可以是5个，每个第一模型可以用于识别一种缺陷的缺陷区域。替代地，第一模型的数目可以小于5个，例如4个，其中的3个模型分别识别一种缺陷的缺陷区域，而另一模型可以用于
识别2种类似缺陷的缺陷区域。
71.容易理解，第一类文件夹的数目与第一模型的数目正相关，其可以与第一模型的数目相等，也可以大于第一模型的数目。示例性地，缺陷检测算法所利用的模型可以全部是第一模型，也可以仅部分是第一模型，第一类文件夹可以是步骤s120中所命名的全部文件夹，也可以是其中的部分文件夹。
72.示例性地，第一模型可以是任何合适的神经网络模型，如各种形式的目标检测模型、语义分割模型等，本发明不对其进行限制，只要其可以用于识别待识别图像中的缺陷区域即可。
73.示例性地，与任意两个第一类文件夹对应的两个第一模型的模型类别可以完全相同，也可以不完全相同。示例性地，同一类别的第一模型的网络结构可以完全相同，也可以不完全相同。本发明不对其进行限制。
74.同样的，用户可以根据执行缺陷检测算法的实际需要，如缺陷种类的多少、检测精度和检测速度的要求等，选择合适数目、合适类别、合适网络结构的第一模型。
75.示例性地，第一类文件夹的名称可以包括对应的第一模型的模型类别标识和第一模型所检测的目标信息的目标标识。示例性地，第一类文件夹的名称中的目标标识可以是第一模型所识别的缺陷的种类标识。容易理解，若与第一类文件夹对应的第一模型用于检测待识别图像中的一种缺陷，则该第一类文件夹的名称中的目标标识可以是该种缺陷的缺陷标识，如“defect1”；若与第一类文件夹对应的第一模型用于检测待识别图像中的多种缺陷，则该第一类文件夹的名称中的目标标识可以是该多种缺陷的缺陷标识，如“defect2 defect3defect4”。
76.示例性地，系统中可以包括文件夹存储路径的指示文件，用户可以基于该指示文件查找与第一模型对应的第一类文件夹的存储路径，进而可以在该存储路径下执行文件夹创建、文件夹删除、文件夹命名等操作。
77.根据本发明实施例，在生成步骤s140接收到用户的确认操作之后，基于第一类文件夹的名称中的模型类别标识和/或目标标识生成并显示缺陷检测算法的流程图。容易理解，且该流程图示出的缺陷检测算法的步骤的运行路径中可以包括第一模型所执行的缺陷检测步骤。
78.示例性地，可以根据预设存储路径中的第一类文件夹的名称获取每个第一模型的相关信息，进而可以生成包括第一模型的缺陷检测步骤在内的缺陷检测算法流程图，并可以将该流程图显示在用户界面上，以供用户核查。
79.示例性地，再次参考图2，图中的模型的检测步骤220可以是两个第一模型所执行的缺陷检测步骤，其中，“detect model1 defect1”可以是第一个第一模型的缺陷检测步骤，“detect model2 defect2”可以是第二个第一模型的缺陷检测步骤。容易理解，两个第一模型可以为同一种类别的模型，其具有同样的模型类别标识“detect model”。两个第一模型可以各自用于检测一种缺陷的缺陷区域，其中，第一个第一模型可以用于检测缺陷1“defect1”，第二个第一模型用于检测缺陷2“defect2”。
80.根据上述方案，在按照预设的命名规则对第一类文件夹进行命名之后，基于用户的简单操作即可在用户界面自动生成包括每个第一模型执行的缺陷检测步骤在内的缺陷检测算法的流程图。该方法不仅操作简单，对用户的知识水平要求不高，而且可直观呈现缺
陷检测算法的运行路径，以便于用户核查。同时，由于每个第一模型可以用于检测待识别图像中的至少一种缺陷的缺陷区域，因此有助于生成缺陷检测精度更高的缺陷检测算法。
81.示例性地，文件夹还包括第二类文件夹，其中，每个第二类文件夹用于存储与之对应的第二模型的训练样本图像，每个第二模型用于识别待识别图像中的为至少一种特定缺陷配置的目标区域，目标信息包括目标区域的信息，目标标识包括对应的第二模型所识别的特定缺陷的目标区域的标识；生成步骤s140包括：响应于确认操作，基于第一类文件夹和第二类文件夹各自名称中的模型类别标识和/或目标标识生成并显示流程图，其中，缺陷检测算法的步骤还包括利用第二模型执行的目标区域检测步骤和后处理步骤，在后处理步骤中，基于缺陷检测步骤所检测的缺陷区域、目标区域检测步骤所检测的目标区域以及缺陷区域和目标区域之间的配置关系确定待识别图像的缺陷检测结果。
82.示例性地，缺陷检测算法所利用的模型可以包括第一模型和第二模型，所涉及的文件夹可以包括与第一模型对应的第一类文件夹和与第二模型对应的第二类文件夹。
83.根据本发明实施例，与第二类文件夹对应的每个第二模型用于识别待识别图像中的针对至少一种特定缺陷配置的目标区域。示例性地，与缺陷区域类似地，目标区域可以是待识别图像中的部分区域。示例性地，待识别图像的目标区域可以是与待检测的缺陷相关的区域。根据本发明实施例，目标区域可以是为至少一种特定缺陷配置的目标区域。换言之，对于一种特定缺陷来说，不仅可以存在对应的缺陷区域，还可以为其配置对应的目标区域。例如，与第一类文件夹对应的第一模型的数目可以为4个，可以分别用来检测待识别图像中的缺陷a、缺陷b、缺陷c和缺陷d，其中，缺陷b和缺陷c可以是特定缺陷。示例性地，与第二类文件夹对应的第二模型的数目可以是2个，可以分别用来识别缺陷b的目标区域和缺陷c的目标区域。
84.示例性地，目标区域可以至少包括以下项之一：缺陷的误识别区域、缺陷所在的特定区域。
85.示例性地，特定缺陷的误识别区域可以是与特定缺陷的缺陷区域相似度较高的正常区域。容易理解，由于特定缺陷的误识别区域和缺陷区域的相似度较高，因此，第一模型可能将该误识别区域识别为缺陷区域，导致缺陷的过度检测。为了有效避免这种过度检测，可以通过第二模型识别出该误识别区域，这样在后续步骤中可以实现在第一模型存在误识别时将该误识别区域排除掉，从而可以提高缺陷检测的精度。
86.示例性地，特定缺陷所在的特定区域可以是特定缺陷只可能存在的相对固定的区域。例如，晶圆的某些特定缺陷仅存在于特定的器件上，而晶圆的其他部分不可能存在这些特定缺陷。示例性地，某些特定缺陷仅在硅片的管脚连接区域或者用于芯片互连的电极区域上等，第二模型用于识别并输出待识别图像中的上述区域。例如，对于前述特定缺陷包括缺陷b和缺陷c的示例，缺陷b仅存在于特定区域。第一模型识别出待识别图像中缺陷b的缺陷区域，并通过第二模型识别出待识别图像中缺陷b可能存在的特定区域，可以在后续步骤中从第一模型输出的缺陷区域中筛选出仅位于该特定区域的缺陷区域。这样可以减少识别错误的缺陷区域，保证最终获得的缺陷检测结果的准确度，提高缺陷检测的精度。
87.容易理解，在第二模型和第一模型均用于针对待识别图像中的特定缺陷进行检测的情况下，可以实现两个模型对待识别图像中的某种特定缺陷的双重检测。
88.示例性地，与第二类文件夹对应的第二模型可以用于识别上述为特定缺陷配置的
目标区域。每个第二模型所识别的特定缺陷的目标区域可以仅包括特定缺陷的误识别区域，也可以仅包括特定缺陷所在的特定区域，还可以同时包括两者。例如，前述示例中可以通过第二模型识别缺陷b的误识别区域和缺陷b所在的特定区域。
89.示例性地，与第一模型类似地，每个第二模型可以用于识别待识别图像中的一种特定缺陷的目标区域，也可以用于识别多种特定缺陷的目标区域，本领域技术人员容易理解该方案及其可能拓展的方案，在此不再赘述。
90.示例性地，第二模型的数目可以是任何合适的正整数，本发明不对其进行限制。示例性而非限制性地，第二模型的数目不大于第一模型的数目，第二类文件夹的数目不大于第一类文件夹的数目。
91.示例性地，与第一模型类似地，第二模型也可以是任何现有的或者未来的可以识别待识别图像中的目标区域的模型，本发明不对其进行限制。
92.示例性地，与第一模型类似的，每个第二模型的模型类别可以完全相同，也可以不完全相同。示例性地，第二模型的模型类别与第一模型的模型类别可以相同，也可以不同。可选地，第一模型与第二模型的模型类别完全相同。替代地，多个第一模型和多个第二模型中的模型类别仅部分数量相同，且第一模型中可以包括第二模型的全部模型类别。例如，第二模型包括目标检测模型，第一模型可以包括目标检测模型和至少一种其他类别的模型。
93.示例性地，多个属于同种类别的第二模型的网络结构可以完全相同，也可以不完全相同。可选地，多个属于同一类别的第二模型的网络结构可以完全相同，且属于同一种模型类别的第一模型和第二模型的也可以具有相同的网络结构，这样可以极大地减少模型维护的成本。
94.根据本发明实施例，用户可以根据实际执行缺陷检测算法的需要，选择合适数目、合适类别、合适结构的第一模型和第二模型。
95.根据本发明实施例，与第二模型对应的第二类文件夹的名称可以包括对应的第二模型的模型类别标识和/或第二模型所识别的特定缺陷的目标区域的标识。示例性地，第二模型的模型类别标识可以采用与前述第一模型类似的模型类别标识的表示方法，在此不再赘述。示例性地，第二模型所识别的特定缺陷的目标区域的标识可以采用任何合适的表示方法，例如“区域1”、“pad区”、“pump区”、“cat 1”等任何可以识别的表示方法。
96.示例性地，第二类文件夹的名称还可以包括对应的第二模型所识别的目标区域所针对的特定缺陷的缺陷种类标识。示例性地，特定缺陷的缺陷种类标识可以是前述示例的缺陷种类标识，如“defect1”、“缺陷1”等。容易理解，当与某个第一类文件夹对应的第一模型所识别的缺陷和与某个第二类文件夹对应的第二模型所识别的目标区域所针对的缺陷为同一种缺陷时，该第一类文件夹和该第二类文件夹的名称中均可以包含同样的缺陷种类标识。
97.示例性地，系统中可以包括文件夹存储路径的指示文件，用户可以基于该指示文件查找与第一模型对应的第一类文件夹的存储路径和与第二模型对应的第二类文件夹的存储路径，进而可以在对应的存储路径下执行文件夹创建、文件夹删除、文件夹命名等操作。示例性地，第一类文件夹的存储路径和第二类文件夹的存储路径可以相同，也可以不同，本发明不对其进行限制。
98.根据本发明实施例，在生成步骤s140，可以在接收到用户的确认操作之后，基于第
一类文件夹和第二类文件夹各自名称中的模型类别标识和/或目标标识生成并显示缺陷检测算法的流程图。容易理解，该流程图示出的缺陷检测算法的步骤的运行路径中可以包括第一模型所执行的缺陷检测步骤和第二模型所执行的目标区域检测步骤。
99.图3示出了根据本发明实施例的另一个缺陷检测算法的流程图的示意图。如图3所示，该缺陷检测算法的流程图中同样示出了缺陷检测算法的多个步骤的运行路径。其中，模型的检测步骤包括并行执行的第一模型所执行的缺陷检测步骤310和第二模型所执行的目标区域检测步骤320。其中，第一模型所执行的缺陷检测步骤310包括第一个第一模型的“detect model1 defect1”步骤和第二个第一模型的“detect model2 defect2”步骤。第二模型所执行的目标区域检测步骤320包括一个第二模型的“detect model2 defect2 cat1”步骤。示例性地，每个模型的检测步骤的名称可以与对应的文件夹的名称一致。根据前述对文件夹的命名示例，可理解，这三个模型的模型类型为同种类型的模型“detect model”。其中，两个第一模型分别用于检测“defect1”和“defect2”的缺陷区域。示例性地，第二模型可以用于检测针对特定缺陷“defect2”的目标区域cat1。
100.容易理解，当模型中包括第一模型和第二模型的情况下，存在多个模型针对待识别图像的检测结果。同时，也存在两个模型分别输出的针对一种缺陷的检测结果。示例性地，为了方便获取待识别图像中的针对该种缺陷的最终检测结果，还可以对多个模型的检测结果进行后处理。根据本发明实施例，缺陷检测算法的流程图中示出的缺陷检测算法的步骤还可以包括后处理步骤。
101.根据本发明实施例，在后处理步骤中，可以基于缺陷检测步骤所检测的缺陷区域、目标区域检测步骤所检测的目标区域以及缺陷区域和目标区域之间的配置关系确定待识别图像的缺陷检测结果。
102.示例性地，当第一模型的输出结果中包括为之配置有目标区域的特定缺陷的缺陷区域的情况下，可以综合根据该缺陷区域和第二模型输出的目标区域及特定缺陷的缺陷区域和目标区域之间的配置关系对缺陷区域和目标区域进行后处理，以确定缺陷检测结果。示例性地，该配置关系可以包括每种特定缺陷的目标区域与该缺陷的缺陷区域之间的对应关系信息，例如，在图3中，第二个第一模型输出的“defect2”的缺陷区域与第二模型输出的“defect2”的目标区域之间存在配置关系。示例性地，配置关系还可以包括配置方式的信息，对于不同类型的目标区域，其配置方式不同。示例性地，对于目标区域是特定缺陷的误识别区域的，其该特定缺陷的缺陷区域的配置方式可以是过滤配置。对于该配置方式的缺陷区域和目标区域可以采用过滤的方式进行后处理。例如，可以从缺陷区域中删除掉该误识别区域，得到过滤后的缺陷区域，以作为最终检测结果。示例性地，对于目标区域是特定缺陷所在的特定区域的，该特定缺陷的缺陷区域的配置方式可以是保留配置。对于该配置方式的缺陷区域和目标区域可以采用保留的方式进行后处理。示例性地，可以获取第一模型输出的某种特定缺陷的缺陷区域和第二模型输出的该确定的目标区域之间的重叠区域，并保留重叠区域处的缺陷区域，以作为最终检测结果。替代地，还可以进一步判断该特定缺陷的缺陷区域和特定区域的重叠区域是否满足预设的范围要求。例如，可以判断上述重叠区域与特定区域的面积比值是否达到预设的比值阈值如60％，只有在达到该比值阈值的情况下，才将该重叠区域处的缺陷区域作为该特定缺陷的缺陷区域。
103.示例性地，再次参考图3，在模型的检测步骤之后，还可以包括后处理步骤330和结
果输出步骤。示例性地，在后处理步骤330可以根据第二个第一模型输出的“defect2”的缺陷区域与第二模型输出的“defect2”的目标区域cat1之间的配置关系，按照上述针对不同配置方式的不同处理方法执行后处理操作，得到最终检测结果。最后，可以通过结果输出步骤输出最终缺陷检测结果。
104.根据上述方案，在按照预设的命名规则对第一类文件夹和第二类文件夹命名之后，基于用户的简单操作即可生成包括第一模型执行的缺陷检测步骤和第二模型执行的目标区域检测步骤以及后处理步骤在内的缺陷检测算法的流程图。该方法简单直观，便于用户核查、修正算法路径。同时，由于增加了第二模型，可以实现两种模型对某些缺陷的双重检测，且可以在后处理步骤综合两者的检测结果获得最终的缺陷检测结果，因此还有助于生成高精度的缺陷检测算法，用户体验更好。
105.示例性地，第二类文件夹或第一类文件夹的名称还包括缺陷区域和目标区域之间的配置关系的配置关系标识；生成步骤s140包括：步骤s141，响应于前述确认操作，读取第一类文件夹的名称和第二类文件夹的名称；步骤s142，基于第一类文件夹或第二类文件夹的名称中的配置关系标识，获取每种特定缺陷的目标区域与该种缺陷的缺陷区域之间的配置关系；步骤s143，基于第一类文件夹的名称、第二类文件夹的名称以及配置关系生成并显示缺陷检测算法的流程图。
106.根据前述陈述，在模型包括第一模型和第二模型的情况下，特定缺陷的缺陷区域和目标区域之间存在配置关系。换言之，用于检测待识别图像中的某种特定缺陷的第一模型和用于检测针对该种特定缺陷的目标区域的第二模型的输出结果之间存在配置关系。为了方便用户获取不同模型输出结果之间的配置关系，可以基于该配置关系对文件夹进行命名。示例性地，对应模型的输出结果之间存在配置关系的第一类文件夹和第二类文件夹，其中之一的名称中可以包括配置关系标识。特别地，对于第一类文件夹或第二类文件夹中包括多层文件夹的，如包括父文件夹和子文件夹，则与模型直接对应的子文件夹的名称中可以包括配置关系标识。
107.根据前述陈述，配置关系可以包括模型检测结果之间的配置方式的信息，因此，可以基于模型结果之间的配置方式设置相应的配置关系标识。示例性而非限制性地，对于前述示例中，第一模型和第二模型的输出结果之间的配置方式可以包括保留配置和过滤配置的方式，相应的文件夹名称中的配置关系标识可以包括“in”或者“not in”。例如，第一类文件夹或第二类文件夹的名称可以包括“a in b”或者“a not in b”，其中，a为与第一模型对应的目标标识，即表示该模型输出的特定缺陷的缺陷区域，b为与第二模型对应的目标标识，即表示该模型输出的针对特定缺陷的目标区域。其中，“a in b”可以表示两个模型的结果之间的保留配置方式，即第二模型用于检测第一模型所检测的特定缺陷a所可能存在的特定区域b。“a not in b”可以表示两个模型的结果之间的过滤配置方式，即第二模型用于检测第一模型所检测的特定缺陷a的误识别区域b。
108.根据本发明实施例，在文件夹的名称中包括配置关系标识的情况下，可以在生成步骤s140，通过读取文件夹的名称获取第一模型和第二模型的检测结果之间的配置关系，进而可以基于文件夹名称中包含的模型的关键信息和配置关系信息生成并显示缺陷检测算法的流程图。
109.示例性地，在步骤s141，可以在识别到用户对确认控件的操作之后，读取预设路径
下的每个第一类文件夹和第二类文件夹的名称。由于文件夹的名称中包括对应模型的模型类别标识和/或模型输出结果的目标标识，因此可以获取每个模型的关键信息。同时，对应模型的检测结果存在配置关系的第一类文件夹或第二类文件夹的名称中还包括配置关系标识，因此在步骤s142，可以基于读取到的配置关系标识，获取第一模型和第二模型的输出结果之间的配置关系，即每种特定缺陷的目标区域与该种缺陷的缺陷区域之间的配置关系。进而可以在步骤s143，根据获取到的模型的关键信息和模型结果之间的配置关系生成并显示缺陷检测算法的流程图。容易理解，在该流程图中可以示出缺陷检测算法的多个步骤的运行路径，包括第一模型执行的缺陷检测步骤和第二模型执行的目标区域检测步骤以及后处理步骤。并且，在后处理步骤可以通过获取的第一模型与第二模型的输出结果之间的配置关系，自动执行相应的后处理操作。
110.图4示出了根据本发明另一个实施例的缺陷检测算法的流程图。如图4所示，缺陷检测算法的流程图中示出了两个第一模型和两个第二模型并行执行的检测步骤和后处理步骤。其中，包括第一个第一模型执行的对待识别图像中的“defect1”的缺陷区域的检测步骤，第二个第一模型执行的对“defect2”的缺陷区域的检测步骤，第一个第二模型执行的对待识别图像中的“defect1”的目标区域“cat1”的检测步骤和第二个第二模型执行的对待识别图像中的“defect2”的目标区域“cat2”的检测步骤。容易理解，“defect1”、“defect2”均为特定缺陷。且第一个第一模型的检测结果和第一个第二模型的检测结果之间存在配置关系，根据名称中的配置关系标识“in”可以得到两者之间的配置方式为保留配置。第二个第一模型的检测结果和第二个第二模型的检测结果之间也存在配置关系，根据名称中的配置关系标识“not in”可以得到两者之间的配置方式为过滤配置。在获取上述配置方式之后，可以在后处理步骤基于对应的配置方式自动对四个模型的检测结果进行后处理操作，以获得处理后的缺陷检测结果并通过结果输出步骤输出最终的缺陷检测结果。
111.需要说明的是，在图4的缺陷检测算法的流程图中，在第二模型的检测步骤中显示配置关系信息，这仅是其中一种示例。替代地，可以在第一模型的检测步骤中显示配置关系信息。例如，可以将第一个第一模型的检测步骤表示为“detect model1 defect1 in cat1”，将第一个第二模型的检测步骤表示为“detect model3 cat1”。当多个第一模型的检测结果与一个第二模型的检测结果之间存在配置关系的情况下，可以在第一模型的检测步骤中显示该配置关系信息，这可以更准确地呈现该配置关系信息。替代地，还可以在后处理步骤中显示配置关系信息。例如，可以将第一个第一模型的检测步骤表示为“detect model1defect1”，将第二个第一模型的检测步骤表示为“detect model2 defect2”，将第一个第二模型的检测步骤表示为“detect model3 cat1”，将第二个第二模型的检测步骤表示为“detect model4 cat2”，而将后处理步骤表示为“defect1 in cat1&defect2 not in cat2”。
112.通过上述方案，可以通过读取第一类文件夹和第二类文件夹的名称获取对应的第一模型和第二模型的检测结果之间的配置关系，并可以基于该配置关系生成包括缺陷检测步骤、目标区域检测步骤和后处理步骤在内的缺陷检测算法的流程图，并且可以在上述三个步骤的任一步骤中显示配置关系信息，以直观、准确地向用户呈现用户当前配置的算法的运行路径。此外，该方案无需用户设置配置文件，可以一定程度地简化实施流程、节约计算资源。
113.示例性地，在生成步骤s140之前，该方法100还包括步骤s130：获取用户预先配置的每种特定缺陷的目标区域与该种缺陷的缺陷区域之间的配置关系；生成步骤s140包括：响应于确认操作，基于第一类文件夹的名称、第二类文件夹的名称以及配置关系生成并显示缺陷检测算法的流程图。
114.根据本发明实施例，可以不在文件夹的名称中体现配置关系标识，而可以采用用户预先设置配置关系的方式。示例性地，用户可以在系统的配置文件中编辑模型配置关系。容易理解，配置文件是用户可配置的、包含成功操作程序运行所需信息的文件。在用户熟知配置文件编辑方法的情况下，可以在配置文件中编辑缺陷检测算法中不同模型的检测结果之间的配置关系信息。在一个示例中，用户可以在配置文件中直接编辑诸如“a in b”和“a not in b”的配置关系信息。参考图3的示例，用户可以在配置文件中编辑可以表示“defect2in cat1”的文本信息。而相应的，图中的第二模型对应的第二类文件夹的名称可以不包括配置关系“in”，即其名称可以是“detect model 2cat1”。
115.在另一示例中，除了在配置文件中编辑上述配置关系信息之外，还可以在配置文件中编辑每个模型与检测的目标信息之间的对应关系。例如，在配置文件中，写明每个第一模型用于检测哪种缺陷或者每个第二模型用于检测哪种目标区域，即预先配置模型与输出结果之间的对应关系。再次参考图4，用户可以在配置文件中写明“detect model1”与“defect1”、“detect model2”与“defect2”、“detect model3”与“cat1”以及“detect model4”与“cat2”的对应关系，并且编辑配置关系信息“defect1 in cat1”和“defect2 not in cat2”。在这种情况下，至少一个文件夹的名称可以仅包括模型类别标识和同种模型的区分符号。示例性地，同种模型的区分符号可以是阿拉伯数字。图4的示例中，四个文件夹的名称可以分别为“detect model1”、“detect model2”、“detect model3”、“detect model4”，其中“detect model”是模型类别标识，而其后的数字是同种模型的区分符号。
116.替代地，在上位机中也可以显示包括配置关系编辑窗口的用户界面，用户也可以通过该窗口编辑第一模型的检测结果和第二模型的检测结果之间的配置关系信息。当然，也可以通过其他合适的方式预配置上述配置关系，本发明不对其进行限制。
117.示例性地，在用户完成配置关系的预配置之后，例如用户将编辑好的配置文件保存在系统中的对应路径下。在步骤s130，可以通过读取该配置文件获取每种特定缺陷的目标区域与该种缺陷的缺陷区域之间的配置关系。然后可以在步骤s140基于文件夹的名称和该配置关系生成并显示缺陷检测算法的流程图。本领域普通技术人员容易理解该方案，在此不再赘述。
118.根据上述方案，可以通过用户预配置配置关系信息的方式来获取第一模型的检测结果和第二模型的检测结果之间的配置关系，并根据文件夹的名称和配置关系生成缺陷检测算法的流程图。这种方案可以极大地简化文件夹命名步骤，尤其是需要用户执行文件夹命名操作时，用户命名更简单，对用户更友好。
119.示例性地，第一模型和/或第二模型的数量为多个。根据前述陈述，每个文件夹可以直接对应一个模型或者间接对应多个模型，因此第一类文件夹和/或第二类文件夹的数量也可以为多个。
120.根据前述陈述，可以根据实际检测需求设置第一模型和第二模型的数目。实际的检测需求可以包括检测缺陷种类的需求、模型计算能力的要求、检测精度的需求等等。例
如，当需要检测出多种类型的缺陷的情况下，可以相应增加第一模型的数量。例如，可以采用5个第一模型检测5种缺陷的缺陷区域。同时，当需要检测针对其的目标区域的缺陷的种类较少时，可以设置第二模型为较少的数量，例如仅通过一个第二模型识别特定缺陷的目标区域。当然，第二模型的数目也可以设置为更多个，例如第二模型的数目也可以设置为5个，每个第二模型检测一种缺陷的目标区域。当然，第一模型的数目也可以设置为1个，例如通过一个第一模型检测2种缺陷的缺陷区域。而第二模型的数目可以设置为多个，例如每个第二模型分别检测一种缺陷的目标区域。即，第一模型和第二模型的数目可以有多种设置方案，只要其满足检测需求即可。
121.采用多个第一模型和/或多个第二模型的方案可以更有针对性地识别不同种缺陷的缺陷区域和目标区域。因此有助于生成检测准确度更高、算法的适用性更强的缺陷检测算法。
122.示例性地，第一模型的种类包括目标检测模型和语义分割模型；和/或第二模型的种类包括目标检测模型和语义分割模型，其中，目标检测模型用于识别待识别图像中具有第一形态特征的缺陷区域或目标区域，语义分割模型用于识别待识别图像中具有第二形态特征的缺陷区域或目标区域。
123.示例性地，第一模型与第二模型中的至少一者包括目标检测模型和语义分割模型。可选地，第一模型包括目标检测模型和语义分割模型，第二模型包括其中一种类型；替代地，第一模型和第二模型均包括目标检测模型和语义分割模型。
124.示例性地，目标检测模型可以是任何现有的或未来的可以实现目标检测的神经网络模型。例如faster r-cnn模型、yolo系列模型、单步通用目标检测(single shot multibox detector，简称ssd)模型、一阶全卷积目标检测(fully convolutional one-stage object detection，简称fcos)模型等。示例性地，语义分割模型也可以是多种形式的神经网络模型，例如u-net模型、fcn模型、segnet模型、pspnet模型、deeplab系列模型等。
125.根据本发明实施例，可以采用目标检测模型识别待识别图像中的具有第一形态特征的缺陷区域或目标区域。示例性地，第一形态特征可以是不小于第一尺寸，例如大于某一尺寸阈值。由于目标检测模型更容易且可以相对准确识别较大的目标，因此采用目标检测模型识别待识别图像中的大尺寸的缺陷区域，检测的效率和精度更高。
126.根据本发明实施例，可以采用语义分割模型识别待识别图像中的具有第二形态特征的缺陷区域或目标区域。示例性地，第二形态特征可以是细长特征或其他语义分割模型容易识别的形态特征。例如，可以采用语义分割模型识别金属图像中的划痕或者裂纹。针对细长的缺陷，语义分割模型检测的误差更小，因此采用语义分割模型检测细长的缺陷也可以提高检测的精度。
127.根据上述方案，可以采用不同类型的模型分别识别待识别图像中具有不同形态特征的缺陷区域或目标区域，模型与检测缺陷的适配度更高，有助于生成检测准确率和检测效率均更高的缺陷检测算法。
128.示例性地，文件夹包括第三类文件夹，每个第三类文件夹用于存储与之对应的第三模型的训练样本图像，每个第三模型用于检测待识别图像是否为异常状况，其中，目标信息包括异常状况信息；生成步骤s140包括：响应于确认操作，至少基于第三类文件夹的名称中的模型类别标识和/或目标标识生成并显示流程图，其中，缺陷检测算法的步骤包括利用
第三模型执行的异常检测步骤。
129.示例性地，缺陷检测算法所利用的模型可以包括第三模型，所涉及的文件夹可以包括用于存放第三模型的训练样本图像的第三类文件夹。
130.示例性地，第三模型的数量可以为1个或者2个，第三类文件夹的数目可以为1个或者2个。
131.根据本发明实施例，第三模型可以用于检测待识别图像是否为异常状况。示例性地，第三模型可以输出图像的异常状况信息。示例性地，异常状况信息可以是指示该图像为正常图像的ok信息或者可以是指示该图像为异常图像的ng信息。
132.示例性地，第三模型可以是任何合适类别的模型，只要其可以判断待识别图像是否为正常图像即可，本发明不对其进行限制。
133.示例性地，与第三模型对应的第三类文件夹的名称可以包括第三模型的类别标识和/或第三模型输出的目标信息的目标标识。示例性而非限制性地，由于第三模型的数目较少，因此为了简便，第三类文件夹的名称可以仅包括模型类别标识或者目标标识。可选地，第三类文件夹的名称可以仅包括模型类别标识，例如“outlier detect model”。替代地，第三类文件夹的名称可以仅包括目标标识，例如“yes/no”。当然，第三类文件夹的名称也可以包括用户自定义的名称，本发明不对其进行限制。
134.根据本发明实施例，在命名步骤s120可以根据预设的命名规则对第三类文件夹进行命名。然后，在生成步骤s140，接收到用户的确认操作之后，可以至少基于第三类文件夹的名称中的模型类别标识和/或目标标识生成并显示缺陷检测算法的流程图。容易理解，该缺陷检测算法的流程图中示出的多个步骤可以至少包括第三模型所执行的用于检测待识别图像是否为异常状况的异常检测步骤。
135.该方案操作简单，易于实施，且模型数量少，既可以生成有效的缺陷检测算法，又可以节省存储空间和计算资源。
136.示例性地，第三模型包括异常检测模型和/或二分类模型，其中异常检测模型的训练样本图像仅包括正常图像，二分类模型的训练样本图像包括经标注的正常图像和经标注的异常图像。
137.示例性地，异常检测模型和二分类模型均可以有效检测待识别图像是否为异常状况。示例性地，第三模型可以包括该两者中的任一者，也可以同时包括两者。可以根据实际需求进行设置。
138.根据本发明实施例，异常检测模型的训练样本图像为正常样本图像。示例性地，当存在缺陷的样本训练图像的数量较少时，第三模型优选仅包括异常检测模型。异常检测模型可以用于检测图像是否正常，也就是说能够判断该图像中是否存在任何未知或已知类型的缺陷。换言之，只要待识别图像是异常的，则异常检测模型均能够检测出来。
139.根据本发明实施例，二分类模型的训练样本图像包括：标注正常信息的正常样本图像和标注异常信息的缺陷样本图像。示例性地，当存在各种类型缺陷的训练样本图像较多时，例如与正常样本图像的数量相当时，第三模型可以仅包括二分类模型。可选地，当存在较多各类型缺陷的训练样本图像时，也可以采用二分类模型和异常检测模型并存的方式实现异常检测。
140.由此可以分别利用异常检测模型和二分类模型的优点执行精准地检测。在基于上
述两个模型检测待识别图像异常与否时，可以基于两个异常检测结果进行双重复判，从而进一步提高检测准确性。
141.示例性地，生成步骤s140包括：响应于确认操作，至少基于第一类文件夹和第三类文件夹各自的名称中的模型类别标识和/或目标标识生成并显示流程图，其中，缺陷检测算法的步骤还包括后处理步骤，在后处理步骤中，基于缺陷检测步骤所检测的缺陷区域和异常检测步骤所确定的图像是否为异常状况的结果确定待识别图像的缺陷检测结果；其中，在异常检测步骤确定待识别图像为异常状况，且缺陷检测步骤确定待识别图像未存在缺陷区域的情况下，确定待识别图像的缺陷检测结果为待识别图像上存在新类型的缺陷区域。
142.示例地，缺陷检测算法所利用的模型可以包括第一模型和第三模型，文件夹可以包括第一类文件夹和第三类文件夹。在命名步骤s120，可以基于预设的命名规则对第一类文件夹和第三类文件夹进行命名。在生成步骤s140，可以在接收到用户的确认操作信息之后，可以基于第一类文件夹和第三类文件夹的名称自动生成并显示缺陷检测算法的流程图。容易理解，该流程图中可以示出包括第一模型执行的缺陷检测步骤和第三模型执行的异常检测步骤在内的多个步骤的运行路径。
143.类似地，为了获取最终的检测结果，在该流程图中还可以包括后处理步骤，可以在后处理步骤对第一模型和第三模型的检测结果进行处理。
144.示例性地，后处理步骤可以包括：在异常检测步骤确定待识别图像为异常状况，且缺陷检测步骤确定待识别图像未存在缺陷区域的情况下，确定待识别图像的缺陷检测结果为待识别图像上存在新类型的缺陷区域。例如，当第三模型输出的结果为ng信息，而每个第一模型的缺陷检测结果均指示该图像中未存在缺陷区域的情况下，可以确定待识别图像的缺陷检测结果为待识别图像上存在新类型的缺陷区域。
145.容易理解，对于待识别图像中存在新类型的缺陷的情况，样本图像少，难以通过训练第一模型来识别该新类型的缺陷，而第三模型则可以针对这种问题，可以有效检测到突然出现的新类型的缺陷。从而，检测缺陷更全面，检测准确率也更高。
146.在异常检测步骤确定待识别图像为异常状况，且缺陷检测步骤确定待识别图像存在缺陷区域的情况下，可以确定待识别图像的缺陷检测结果为待识别图像的最终检测结果。
147.在异常检测步骤确定待识别图像为正常，且缺陷检测步骤确定待识别图像存在缺陷区域的情况下，可以确定待识别图像的缺陷检测结果为检测错误。
148.在异常检测步骤确定待识别图像为正常，且缺陷检测步骤确定待识别图像未存在缺陷区域的情况下，可以确定待识别图像的缺陷检测结果为待识别图像是正常图像。
149.在另一示例中，缺陷检测算法所利用的模型可以包括第一模型、第二模型和第三模型，文件夹可以包括第一类文件夹、第二类文件夹和第三类文件夹。示例性地，在命名步骤s120，可以基于预设的命名规则对第一类文件夹、第二类文件夹和第三类文件夹进行命名。在生成步骤s140，可以在接收到用户的确认操作信息之后，可以基于第一类文件夹、第二类文件夹和第三类文件夹各自的名称自动生成并显示缺陷检测算法的流程图。容易理解，该流程图中可以示出包括第一模型执行的缺陷检测步骤、第二模型执行的目标区域检测步骤和第三模型执行的异常检测步骤在内的多个步骤的运行路径。同样的，该流程图中还可以包括后处理步骤，并可以在后处理步骤对三种模型的检测结果进行处理，以获取最
终的缺陷检测结果。
150.根据本发明实施例，在后处理步骤中，可以首先对第一模型和第二模型的检测结果进行后处理，得到第一检测结果，然后可以进一步基于第三模型输出的检测结果确定最终的缺陷检测结果。
151.示例性地，当第三模型输出的结果为ng信息，而第一检测结果指示待识别图像中包括缺陷区域的情况下，确定待识别图像的缺陷检测结果为待识别图像上的缺陷区域。例如，当第三模型输出的结果指示该图像为ng信息，且第一检测结果指示待识别图像中包括某一缺陷在待识别图像中的缺陷区域a时，则可以确定待识别图像的最终缺陷检测结果包括该图像中存在该种缺陷的缺陷区域a的信息。在这种方案中，对待识别图像中存在缺陷区域的双重验证，检测结果的准确率更高。
152.示例性地，当第三模型输出的结果为ng信息，而第一检测结果指示该图像中未存在缺陷区域的情况下，可以确定待识别图像的缺陷检测结果为待识别图像上存在新类型的缺陷区域。
153.示例性地，当第三模型输出的结果为ok信息，且第一检测结果指示待识别图像上包括缺陷区域的情况下，可以认为待识别图像的缺陷检测结果为当前检测有误。这种情况可以由人工进一步核查错误的原因，可以通过查看该图像找到检测出错的模型，并进一步对该模型进行修正。这种方案有助于及时发现模型出现的问题，从而进一步确保检测结果的准确率。
154.示例性地，当第三模型输出的结果为ok信息，且第一检测结果指示待识别图像上不包括缺陷区域的情况下，可以认为最终的缺陷检测结果为待识别图像中的对象中不存在缺陷，是完好的。
155.根据上述方案，可以通过简单的文件夹命名的操作，基于文件夹的名称自动生成至少包括第一模型执行的缺陷检测步骤、第二模型执行的目标区域检测步骤、第三模型执行的异常检测步骤以及对多个模型检测结果的后处理步骤在内的缺陷检测流程算法的流程图。一方面，该方案非常简单，且可以向用户直观呈现当前配置的算法流程的运行路径，便于用户核查修正。另一方面，由于该算法在通过第一模型和第二模型进行常见类型缺陷的缺陷检测的基础上，还通过异常检测模型和/或二分类模型对检测结果进行复判，因此有助于生成检测准确率更高的缺陷检测算法。
156.根据本发明第二方面，还提供一种缺陷检测方法。图5示出了根据本发明一个实施例的缺陷检测方法500的示意性流程图。如图5所示，缺陷检测方法500可以包括以下步骤s510、步骤s520和步骤s530。
157.步骤s510，在基于预设的命名规则所命名的文件夹中存储与之对应的模型的训练样本图像，其中，每个模型用于检测待识别图像中的目标信息，每个文件夹的名称包括对应的模型的模型类别标识和/或目标标识。
158.示例性地，文件夹可以是预设路径中的文件夹，每个文件夹的名称可以是按照预设的命名规则命名好的文件夹。示例性地，预设的命名规则可以是系统预设的对于每个文件夹的名称内容的规则。例如每个文件夹的名称应至少包括哪些标识内容，每种标识内容可以用哪些可选的字母或者数字表示，各标识内容的先后顺序、每种标识内容的字符数量限制等等。
159.示例性地，步骤s510可以是在响应于操作用户的图像存储操作的前提下执行的。示例性而非限制性地，操作用户的图像存储操作可以包括用户将模型的训练样本图像拷贝至每个文件夹的拷贝操作，或者可以是用户在选中该文件夹之后点击界面上的“上传训练样本图像”控件的上传操作。当然，也可以是其他任何合适的图像存储的操作方式。
160.示例性地，每个模型可以是能够执行缺陷检测相关的任何合适的模型。例如，其可以是基于深度学习的神经网络模型，包括但不限于目标检测模型、语义分割模型等多种类别的模型。
161.示例性地，每个模型的训练样本图像的数目可以是任何合适的数目，例如100张、1000张等，本发明不对其进行限制。
162.示例性地，每个模型的训练样本图像可以是已标注目标信息的样本图像或者，其也可以是未标注目标信息的正常样本图像。不同模型的训练样本图像不同。示例性地，模型可以包括前述缺陷检测算法流程图的生成方法100中的第一模型、第二模型、第三模型。例如，第一模型的训练样本图像可以是标注了至少一种缺陷的缺陷区域的图像；第二模型的训练样本图像可以是标注了特定缺陷的目标区域的图像；第三模型的训练样本图像可以是正常图像，或者标注正常信息的正常图像以及标注异常信息的异常图像。
163.示例性地，目标信息可以是待识别图像中的与缺陷检测相关的任何合适的信息，包括但不限于缺陷种类信息、缺陷状态信息、与缺陷相关的位置信息等。容易理解，将待识别图像输入经训练样本图像训练好的模型中，可以输出待识别图像中的目标信息。
164.对于文件夹的名称中所包括的模型类型标识和/或目标标识的示例与前述缺陷检测算法流程图的生成方法100中的示例相同，在此不再赘述。
165.示例性地，在步骤s510，可以将分类好的每个模型的训练样本图像存储至对应的文件夹中。例如，已分类的不同模型的训练样本图像好已事先存储在某一存储路径下，用户可以通过复制粘贴的方式，将该路径下的每个模型的训练样本图像对应存储至相应的文件夹中。或者，不同模型的训练样本图像采用同不同的命名方式，系统可以自动查找对应名称的图像文件，并可以自动将不同模型的训练样本图像存储至对应的文件夹中。
166.步骤s520，响应于用户的存储确认操作，自动基于训练样本图像和每个文件夹的名称中的模型类别标识和/或目标标识对模型进行训练，以获取经训练的模型。
167.示例性地，上述步骤s510已将不同模型的训练样本图像存储至预设路径下的基于预设命名规则命名的文件夹中。示例性地，在用户确认所有的训练样本图像已存储至对应的文件夹之后，可以通过例如点击用户界面上的存储确认控件等方式来确认完成存储。
168.示例性地，在步骤s520之前，缺陷检测方法500还可以包括，在用户界面显示每个文件夹中存储的训练样本图像的数量。示例性地，用户可以通过查看训练样本图像的数量来确认是否完成存储，或者是否存在存储错误。示例性地，当用户确认存储完成之后，可以点击该存储确认控件。
169.示例性地，系统接收到用户的存储确认的操作信息之后，可以自动读取预设路径下的每个文件夹的名称。由于每个文件夹的名称中可以包括对模型类别标识和/或目标标识等，因此可以通过每个文件夹的名称获取模型的关键信息。示例性地，可以根据每个文件夹对应的模型的关键信息和其他的系统内定义的规则，确定利用每个文件夹中的训练样本图像执行诸如目标检测模型或语义分割模型的训练。例如，若与该模型对应的文件夹的名
称中包括“detect model”，则将该文件夹下的训练样本图像输入到目标检测模型中，并自动进行目标检测模型的训练；若与该模型对应的文件夹的名称中包括“segment model”，则可以将该文件夹中的训练样本图像输入到语义分割模型中，并自动执行语义分割模型的训练。
170.步骤s530，利用经训练的模型，基于上述缺陷检测算法的流程图的生成方法100所生成的流程图所示出的运行路径执行缺陷检测算法。
171.示例性地，在通过上述步骤s520完成对每个模型的训练之后，用户界面可以弹出“训练完成”的提示信息，并可以将训练好的每个模型的文件保存至预设路径下。基于训练好的每个模型以及前述缺陷检测算法的流程图的生成方法100所生成的流程图所示出的运行路径执行缺陷检测算法，并可以通过该缺陷检测算法完成对待识别图像的缺陷检测。
172.根据上述技术方案，通过将不同模型的训练样本图像存储至按照预设命名规则命名的对应文件夹中，基于文件夹名称和预设规则即可自动完成模型的训练，获得训练好的模型。最终可以基于训练好的模型和缺陷检测流程图的运行路径执行缺陷检测算法，进而可以实现对待识别图像的缺陷检测。该方案操作简单，对用户要求也不高，因此方法适用性强，用户体验也更好。
173.根据本发明第三方面，还提供一种缺陷检测算法的流程图的生成系统。图6示出了根据本发明一个实施例的缺陷检测算法的流程图的生成系统的示意性框图。如图所示，该系统600包括：命名模块610和生成模块620。
174.命名模块610，用于基于预设的命名规则对至少一个文件夹进行命名，其中，每个文件夹用于存储与之对应的模型的训练样本图像，每个模型用于检测待识别图像中的目标信息，每个文件夹的名称包括对应的模型的模型类别标识和/或目标标识。
175.生成模块620，用于响应于用户的确认操作，基于每个文件夹的名称中的模型类别标识和/或目标标识生成并显示缺陷检测算法的流程图，其中，流程图示出缺陷检测算法的步骤的运行路径。
176.根据本发明第四方面，还提供一种缺陷检测系统。图7示出了根据本发明实施例的缺陷检测系统的示意性框图。如图所示，该缺陷检测系统700包括：存储模块710、训练模块720和检测模块730。
177.存储模块710，用于在基于预设的命名规则所命名的文件夹中存储与之对应的模型的训练样本图像，其中，每个模型用于检测待识别图像中的目标信息，每个文件夹的名称包括对应的模型的模型类别标识和/或目标标识。
178.训练模块720，用于响应于用户的存储确认操作，自动基于训练样本图像和每个文件夹的名称中的模型类别标识和/或目标标识对模型进行训练，以获取经训练的模型。
179.检测模块730，用于利用经训练的模型，基于上述缺陷检测算法的流程图的生成方法100所生成的流程图所示出的运行路径执行缺陷检测算法。
180.根据本发明第五方面，还提供一种电子设备。图8示出了根据本发明一个实施例的电子设备的示意性框图。如图所示，该电子设备800包括显示器810、处理器820和存储器830，其中，显示器810用于显示用户界面，存储器830中存储有计算机程序指令，计算机程序指令被处理器820运行时用于执行上述缺陷检测算法的流程图的生成方法100和/或上述缺陷检测方法500。
181.根据本发明第六方面，还提供一种存储介质，在存储介质上存储了程序指令，程序指令在运行时用于执行上述的缺陷检测算法的流程图的生成方法100和/或上述缺陷检测方法500。所述存储介质例如可以包括平板电脑的存储部件、个人计算机的硬盘、只读存储器(rom)、可擦除可编程只读存储器(eprom)、便携式只读存储器(cd-rom)、usb存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
182.本领域普通技术人员通过阅读上述有关缺陷检测算法的流程图的生成方法的相关描述，可以理解上述缺陷检测算法的流程图的生成方法系统、电子设备和存储介质的具体实现方案，为了简洁，在此不再赘述。
183.尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
184.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
185.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备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，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
186.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
187.类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
188.本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
189.此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一
都可以以任意的组合方式来使用。
190.本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的缺陷检测算法的流程图的生成方法系统和缺陷检测算法中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
191.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
192.以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。