缺陷检测方法及装置、电子设备和存储介质与流程

1.本公开涉及计算机视觉技术领域，尤其涉及一种缺陷检测方法及装置、电子设备和存储介质。


背景技术：

2.在工业领域中，工业产品在生产、制造和维护的过程中可能会出现工业缺陷，例如汽车的冲压件的垫伤、划痕、锈蚀等缺陷。为了保证工业产品的正常使用，可以对工业产品进行工业缺陷检测。
3.基于工业产品的拍摄图像进行检测是工业缺陷检测的重要方式之一。相关技术中，工业产品的拍摄图像通常是在工作场景的光照环境中拍摄的彩色图像，这类彩色图像进行缺陷检测的方案，会比较适合于缺陷十分明显，在不同的光照条件下，都可以将缺陷清晰的呈现在图像上的场景。但是，在一些场景下(例如汽车质检)，由于存在的缺陷会比较细微，在某些光照条件下，缺陷成像效果会十分不明显，不容易区分，造成缺陷的漏检或错检。这样，会比较依赖于现场条件，判断缺陷的性能不稳定。


技术实现要素：

4.本公开提出了一种缺陷检测技术方案。
5.根据本公开的一方面，提供了一种缺陷检测方法，包括：获取待检测图像，所述待检测图像包括多个通道信息，所述多个通道信息包括针对不同光源方向的目标对象的明暗分布信息，以及所述目标对象的梯度信息，其中，对于不同光源方向，图像采集设备拍摄到的目标对象的明暗分布信息不同；将所述待检测图像输入缺陷检测网络，确定所述待检测图像的缺陷检测结果，所述缺陷检测结果包括目标对象的缺陷区域和/或缺陷类别；其中，所述缺陷检测网络基于训练数据集训练得到，所述训练数据集包括目标对象的多个样本图像，所述样本图像包括多个通道信息，所述多个通道信息包括针对不同光源方向的目标对象的明暗分布信息，以及所述目标对象的梯度信息。
6.在一种可能的实现方式中，训练所述缺陷检测网络的过程包括：将所述训练数据集的样本图像输入初始状态的缺陷检测网络，得到第一预测结果；根据预设的损失函数、所述第一预测结果、所述样本图像，确定第一损失，其中，所述第一损失用于指示所述缺陷检测网络对样本图像的检测误差；根据所述第一损失，对初始状态的缺陷检测网络进行训练，得到训练好的缺陷检测网络。
7.在一种可能的实现方式中，在训练所述缺陷检测网络之前，所述方法还包括构建训练数据集，其中，所述构建训练数据集包括：获取目标对象的n帧待处理图像，所述n帧待处理图像是图像采集设备在不同光源方向，拍摄到所述目标对象带有不同明暗分布的图像；根据所述目标对象的所述n帧待处理图像，确定所述目标对象的m帧第一梯度图像；将所述n帧待处理图像和所述m帧第一梯度图像进行合并处理，得到合并后的样本图像；将多个样本图像进行聚合，构建训练数据集。
8.在一种可能的实现方式中，所述根据所述目标对象的所述n帧待处理图像，确定所述目标对象的m帧第一梯度图像，包括：利用光度立体技术，根据所述目标对象的所述n帧待处理图像，确定所述目标对象的m帧第一梯度图像。
9.在一种可能的实现方式中，所述获取目标对象的n帧待处理图像，包括：在所述图像采集设备采集到的n帧待处理图像为彩色图像的情况下，将所述彩色图像转化为灰度图像；将转化后的n帧灰度图像，确定为获取的目标对象的n帧待处理图像。
10.在一种可能的实现方式中，所述缺陷检测网络包括特征提取网络、分类网络、以及分割网络，所述分类网络和所述分割网络均与所述特征提取网络连接，其中，所述特征提取网络用于对输入的待检测图像进行特征提取，得到至少一组特征图，所述分类网络用于对所述至少一组特征图进行分类处理，得到所述目标对象的缺陷类别，所述分割网络用于对所述至少一组特征图进行分割处理，得到所述目标对象的缺陷区域。
11.在一种可能的实现方式中，所述获取待检测图像，包括：获取目标对象的n帧初始图像，所述n帧初始图像是图像采集设备在不同光源方向，拍摄到所述目标对象带有不同明暗分布的图像；根据所述目标对象的所述n帧初始图像，确定所述目标对象的m帧第二梯度图像；将所述n帧初始图像和所述m帧第二梯度图像进行合并处理，得到合并后的待检测图像。
12.根据本公开的一方面，提供了一种缺陷检测装置，包括：获取模块，用于获取待检测图像，所述待检测图像包括多个通道信息，所述多个通道信息包括针对不同光源方向的目标对象的明暗分布信息，以及所述目标对象的梯度信息，其中，对于不同光源方向，图像采集设备拍摄到的目标对象的明暗分布信息不同；确定模块，用于将所述待检测图像输入缺陷检测网络，确定所述待检测图像的缺陷检测结果，所述缺陷检测结果包括目标对象的缺陷区域和/或缺陷类别；其中，所述缺陷检测网络基于训练数据集训练得到，所述训练数据集包括目标对象的多个样本图像，所述样本图像包括多个通道信息，所述多个通道信息包括针对不同光源方向的目标对象的明暗分布信息，以及所述目标对象的梯度信息。
13.在一种可能的实现方式中，所述装置还包括训练所述缺陷检测网络的训练模块，用于：将所述训练数据集的样本图像输入初始状态的缺陷检测网络，得到第一预测结果；根据预设的损失函数、所述第一预测结果、所述样本图像，确定第一损失，其中，所述第一损失用于指示所述缺陷检测网络对样本图像的检测误差；根据所述第一损失，对初始状态的缺陷检测网络进行训练，得到训练好的缺陷检测网络。
14.在一种可能的实现方式中，所述装置还包括构建模块，用于在训练所述缺陷检测网络之前，构建训练数据集，其中，所述构建训练数据集包括：获取目标对象的n帧待处理图像，所述n帧待处理图像是图像采集设备在不同光源方向，拍摄到所述目标对象带有不同明暗分布的图像；根据所述目标对象的所述n帧待处理图像，确定所述目标对象的m帧第一梯度图像；将所述n帧待处理图像和所述m帧第一梯度图像进行合并处理，得到合并后的样本图像；将多个样本图像进行聚合，构建训练数据集。
15.在一种可能的实现方式中，所述根据所述目标对象的所述n帧待处理图像，确定所述目标对象的m帧第一梯度图像，包括：利用光度立体技术，根据所述目标对象的所述n帧待处理图像，确定所述目标对象的m帧第一梯度图像。
16.在一种可能的实现方式中，所述获取目标对象的n帧待处理图像，包括：在所述图
像采集设备采集到的n帧待处理图像为彩色图像的情况下，将所述彩色图像转化为灰度图像；将转化后的n帧灰度图像，确定为获取的目标对象的n帧待处理图像。
17.在一种可能的实现方式中，所述缺陷检测网络包括特征提取网络、分类网络、以及分割网络，所述分类网络和所述分割网络均与所述特征提取网络连接，其中，所述特征提取网络用于对输入的待检测图像进行特征提取，得到至少一组特征图，所述分类网络用于对所述至少一组特征图进行分类处理，得到所述目标对象的缺陷类别，所述分割网络用于对所述至少一组特征图进行分割处理，得到所述目标对象的缺陷区域。
18.在一种可能的实现方式中，所述获取模块，用于：获取目标对象的n帧初始图像，所述n帧初始图像是图像采集设备在不同光源方向，拍摄到所述目标对象带有不同明暗分布的图像；根据所述目标对象的所述n帧初始图像，确定所述目标对象的m帧第二梯度图像；将所述n帧初始图像和所述m帧第二梯度图像进行合并处理，得到合并后的待检测图像。
19.根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
20.根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
21.在本公开实施例中，获取的待检测图像可包括多个通道信息，所述多个通道信息包括针对不同光源方向的目标对象的明暗分布信息，以及所述目标对象的梯度信息，其中，对于不同光源方向，图像采集设备拍摄到的目标对象的明暗分布信息不同；将所述待检测图像输入缺陷检测网络，确定所述待检测图像的缺陷检测结果。这样，待检测图像可以至少在一个通道信息上，呈现出明显的缺陷特征，可以更稳定地进行缺陷检测，大幅降低了因不同场景下，同一目标对象成像效果不一样而导致的错检、漏检的概率，提高缺陷检测的精准度；而且，还可以自动检测出待检测图像中存在的缺陷，减少了人工成本。
22.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
23.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
24.图1示出根据本公开实施例的缺陷检测方法的流程图。
25.图2示出根据本公开实施例的光源方向的示意图。
26.图3示出根据本公开实施例的神经网络的示意图。
27.图4示出根据本公开实施例的缺陷检测装置的框图。
28.图5示出根据本公开实施例的一种电子设备的框图。
29.图6示出根据本公开实施例的另一种电子设备的框图。
具体实施方式
30.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同
的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
31.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
32.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。本文中术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
33.另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
34.在一种可能的实现方式中，本公开实施例的缺陷检测方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(user equipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(personal digital assistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
35.在一些可能的实现方式中，该缺陷检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。在一个示例中，该处理器可以为通用处理器如中央处理器(cpu，central processing unit)、图形处理器(gpu，graphics processing unit)、特定应用集成电路(application-specific integrated circuit，asic)等，也可以为人工智能处理器，如人工智能(ai，artificial intelligence)芯片等，例如：神经网络处理器(neural processing unit，npu)。
36.示例性地，在执行主体为终端设备的情况下，终端设备(例如数控车床)可连接图像采集设备(例如基恩士相机等工业相机)和机械臂，可以调用终端设备连接的图像采集设备，获取包含目标对象的待检测图像；然后，终端设备可通过本公开实施例提供的缺陷检测方法，确定待检测图像的缺陷检测结果，并根据确定的缺陷检测结果引导机械臂执行相应的操作。
37.示例性地，在执行主体为服务器的情况下，服务器可以远程接收其它机器设备(例如车间内配置有工业相机和机械臂的数控机床)发送的待检测图像，服务器可执行本公开实施例提供的缺陷检测方法，确定待检测图像的缺陷检测结果，并将该缺陷检测结果发送至其他机器设备，使该机器设备根据接收的缺陷检测结果执行相应的操作(例如，引导数控机床的机械臂执行操作)。
38.在一种可能的实现方式中，本公开实施例的缺陷检测方法得到的缺陷检测结果，可用于引导机械臂执行相应的操作，以提高工业生产的良品率，广泛应用于工件质量检测、产品的智能制造等场景。
39.示例性地，在缺陷检测结果表明目标对象无缺陷的情况下，机械臂可操作目标对象执行下一流水作业步骤(例如组装)；或者，在缺陷检测结果表明目标对象某个或某几个区域存在可修复缺陷(例如划痕)的情况下，机械臂可对目标对象的缺陷进行修复，修复后
再执行下一流水作业步骤；又或者，在缺陷检测结果表明目标对象某个或某几个区域存在不可修复缺陷(例如裂纹)的情况下，机械臂可对目标对象进行销毁处理。本公开对缺陷检测结果的应用场景不作限制。
40.图1示出根据本公开实施例的缺陷检测方法的流程图，如图1所示，所述缺陷检测方法包括：
41.在步骤s11中，获取待检测图像，所述待检测图像包括多个通道信息，所述多个通道信息包括针对不同光源方向的目标对象的明暗分布信息，以及所述目标对象的梯度信息，其中，对于不同光源方向，图像采集设备拍摄到的目标对象的明暗分布信息不同；
42.在步骤s12中，将所述待检测图像输入缺陷检测网络，确定所述待检测图像的缺陷检测结果，所述缺陷检测结果包括目标对象的缺陷区域和/或缺陷类别；
43.其中，所述缺陷检测网络基于训练数据集训练得到，所述训练数据集包括目标对象的多个样本图像，所述样本图像包括多个通道信息，所述多个通道信息包括针对不同光源方向的目标对象的明暗分布信息，以及所述目标对象的梯度信息。
44.在一种可能的实现方式中，本公开实施例的缺陷检测方法可用于检测目标对象(例如工件)的表面缺陷，可通过检测图像采集设备采集目标对象得到的图像，确定待检测物体存在的缺陷信息，例如包括缺陷类别(例如垫伤、划痕、锈蚀、磕碰、凹坑、斑点、色差、缺损等)和/或缺陷区域，可被广泛应用于轻工、化工、机械制造、半导体等多个行业，例如可检测金属表面、玻璃表面、纸张表面、电子元器件表面、工业产品表面、工业部件表面等存在的缺陷。应当理解，本公开实施例的缺陷检测方法可用于检测各类目标对象表面的各种缺陷，本公开对目标对象的类别，以及检测到的缺陷的类别不作限制。
45.在一种可能的实现方式中，所述图像采集设备包括成像视野在第一预设范围内的工业相机。工业相机又称工业摄像机(例如基恩士相机)，相比于非工业的普通相机(民用相机)，工业相机具有高图像稳定性、高传输能力和高抗干扰能力等，工业相机可以是基于电荷耦合器件(charge coupled device，ccd)或互补金属氧化物半导体(complementary metal oxide semiconductor，cmos)芯片的相机。
46.示例性地，图像采集设备可以是成像视野约为200x240mm的工业相机(例如基恩士相机)。其中，工业相机拍摄图像的成像视野范围越小，成像效果越好，本公开仅以第一预设范围为200x240mm为例，对第一预设范围的具体取值不作限制。
47.在一种可能的实现方式中，步骤s11可包括：获取目标对象的n帧初始图像，所述n帧初始图像是图像采集设备在不同光源方向，拍摄到所述目标对象带有不同明暗分布的图像；根据所述目标对象的所述n帧初始图像，确定所述目标对象的m帧第二梯度图像；将所述n帧初始图像和所述m帧第二梯度图像进行合并处理，得到合并后的待检测图像。
48.其中，第二梯度图像代表在训练完成后的预测阶段中，获取待检测图像过程中的梯度图像。
49.示例性地，可保持图像采集设备与目标对象的位置不变，并在目标对象四周的不同位置设置n个(n≥1，例如n＝5)光源，图像采集设备在不同的n个光源方向的情况下，对目标对象进行拍摄，得到包含目标对象图像的n帧初始图像，每帧初始图像可对应一个光源方向，每帧初始图像的目标对象拥有不同的明暗分布信息。
50.其中，初始图像中目标对象的各像素的像素值大小，可反映出目标对象的明暗分
布信息，像素值越大表示越亮(越接近白色)，像素值越小表示越暗(越接近黑色)。
51.可以根据这n帧初始图像中目标对象的明暗分布信息，计算目标对象表面的方向梯度，可以得到m帧(m≥1，例如m＝3)第二梯度图像，这m帧第二梯度图像可反映出目标对象表面的凹凸变化信息，例如目标对象的纹理信息，边缘信息等。
52.其中，第二梯度图像中目标对象的各像素的像素值大小，可反映出目标对象表面的凹凸变化信息，像素值越大的区域表示凹凸变化越大(纹理细节越多)，像素值越小表示凹凸变化越小(越接近光滑平面)。
53.然后，可以将n帧初始图像和m帧第二梯度图像进行通道合并处理，得到包括n+m个通道信息的待检测图像。
54.应当理解，本公开仅以n+m为例，对待检测图像具体的通道数量n+m不作限制。
55.不同于相关技术，待检测图像是rgb三通道彩色图，以r：red(红色)，g：green(绿色)，b：blue(蓝色)作为其三个通道信息，三个通道信息代表的都是在相同光照条件下(光源方向相同)的不同颜色信息。本技术实施例的待检测图像是以不同光源方向的目标对象的明暗分布信息，以及目标对象的梯度信息作为其多个通道信息。
56.这样，有利于目标对象存在细微缺陷的检测场景(比如，目标对象的细微缺陷在某些角度的光照下会不显示或显示不清楚)，至少在一个通道信息上，呈现出明显的缺陷特征。
57.在步骤s11获取到待检测图像，可在步骤s12中，将待检测图像输入缺陷检测网络，确定待检测图像的缺陷检测结果，缺陷检测结果包括目标对象的缺陷区域和/或缺陷类别。
58.目标对象的缺陷区域表示缺陷所在的区域，可以在待检测图像中通过矩形框标注、多边形标注、关键点标注、颜色标注、文本标注(例如文本标注缺陷的中心点坐标)等方式，显示缺陷区域，本公开对此不作限制。
59.目标对象的缺陷类别可包括垫伤、划痕、锈蚀、磕碰、凹坑、斑点、色差、缺损等，进一步，缺陷检测结果也可以包括待检测图像属于每个缺陷类别的缺陷概率，其中，缺陷概率的值越大，待检测物体属于其对应缺陷类别的可能性越大，而缺陷概率的值越小，待检测物体属于其对应缺陷类别的可能性越小。
60.在上述过程中，缺陷检测网络可以是训练好的神经网络，该缺陷检测网络经过训练数据集中的大量样本图像训练(学习)后，能够对输入的待检测图像进行缺陷检测，得到准确的缺陷检测结果。
61.示例性地，训练数据集可包括目标对象的多个样本图像，每个样本图像可包括n+m个通道信息，该n+m个通道信息可包括n个针对不同光源方向的目标对象的明暗分布信息，以及m个目标对象的梯度信息，可以参考上文步骤s11待检测图像的获取方式，获取多个样本图像。然后，可在样本图像上标注(例如人工标注)出缺陷信息，例如，缺陷区域和/或缺陷类别。
62.示例性地，缺陷检测网络可以包括多个卷积层、池化层、全连接层等，可以是卷积神经网络(convolutional neural networks，cnn)、深度神经网络(deep learning neural network，dnn)、循环神经网络(recurrent neural network，rnn)、残差网络(residual networks，resnets)、反向传播神经网络(back propagation，bp)、骨干神经网络(backbone neural network)等等中的至少一种，本公开对缺陷检测网络的网络结构不作具体限制。
63.示例性地，可以通过梯度下降法来调节缺陷检测网络的网络参数，使得网络参数优化，提升网络的准确率；梯度下降法可以采用随机梯度下降法(stochastic gradient descent，sgd)、批量梯度下降法(batch gradient descent，bgd)或者小批量梯度下降法(mini batch gradient descent，mbgd)，本公开对梯度下降法的类型不做限定。本公开对缺陷检测网络训练方法不作限制。
64.对比相关技术，待检测图像为仅在某一光照条件下拍摄的目标对象的图像，目标对象的缺陷成像效果可能会十分不明显，(例如，在目标对象为汽车的冲压件，其缺陷会比较细微，在不同的光照条件下，呈现的成像效果不一样，不容易区分)，对其进行缺陷检测，检测精度会比较受现场的环境影响，精准度不够高，判断缺陷的性能不稳定，可能会存在漏检、错检的情况。
65.而在本公开的实施例中，待检测图像可包括多个通道信息，至少在一个通道信息上，呈现出明显的缺陷特征，可以更稳定地进行缺陷检测，大幅降低了因不同场景下，同一目标对象成像效果不一样而导致的错检、漏检的概率，提高缺陷检测的精准度；而且，还可以自动检测出待检测图像中存在的缺陷，减少了人工成本。
66.下面分别从缺陷检测网络的训练阶段和预测阶段，对本公开实施例的缺陷检测方法进行展示说明。
67.在对缺陷检测网络进行训练之前，可以先构建缺陷检测网络的训练数据集。
68.由于训练数据集对缺陷检测网络进行训练的过程，就是缺陷检测网络对训练数据集的学习过程，通过调整缺陷检测网络的参数，使得缺陷检测网络输出的缺陷检测结果与训练数据集中样本图像标注的缺陷信息接近，尽可能地拟合训练数据集中的样本图像。这样，训练好的缺陷检测网络(经过学习后的缺陷检测网络)就可以对输入的任意待检测图像做出决策，输出缺陷检测结果。
69.其中，训练数据集作为缺陷检测网络的检测效果的影响因素，训练数据集越好，缺陷检测网络的表现就越好，得到的缺陷检测结果也越准确。
70.在一种可能的实现方式中，构建训练数据集可包括步骤s01～步骤s04：
71.在步骤s01中，获取目标对象的n帧待处理图像，所述n帧待处理图像是图像采集设备在不同光源方向，拍摄到所述目标对象带有不同明暗分布的图像；
72.在步骤s02中，根据所述目标对象的所述n帧待处理图像，确定所述目标对象的m帧第一梯度图像；
73.在步骤s03中，将所述n帧待处理图像和所述m帧第一梯度图像进行合并处理，得到合并后的样本图像；
74.在步骤s04中，将多个样本图像进行聚合，构建训练数据集。
75.其中，第一梯度图像代表在对缺陷检测网络训练之前，构建训练数据集中样本图像的过程中的梯度图像。这里的第一梯度图像与上文的第二梯度图像用于区别不同对象，而不是用于描述特定顺序。
76.示例性地，在步骤s01中，所述光源方向可包括目标对象的左上角、左下角、右上角、右下角、和中央。
77.图2示出根据本公开实施例光源方向的示意图，如图2所示，图像采集设备可以是工业相机，目标对象可以是工件(例如汽车冲压件)，可以在拍摄现场预设五个光源，即：光
源a～光源e。
78.其中，光源a～光源e这五个光源的照射位置是不一样的，光源a位于目标对象的左上角，光源b位于目标对象的右上角，光源c位于目标对象的左下角，光源d位于目标对象的右下角，光源e位于目标对象的中央。
79.可以对同一个工件连续拍摄5帧待处理图像，其中，这5帧待处理图像拍摄的时候，灯光的照射位置是不一样的，可针对这5个位置拍摄5帧待处理图像。例如，可保持工业相机与目标对象的位置不变，在点亮光源a的情况下，可使用工业相机对目标对象进行拍摄，得到光源a方向下的待处理图像a；在点亮光源b的情况下，可使用工业相机对目标对象进行拍摄，得到光源b方向下的待处理图像b；以此类推，在点亮光源e的情况下，可使用工业相机对目标对象进行拍摄，得到光源e方向下的待处理图像e。其中，待处理图像a～待处理图像e中的目标对象分别呈现有不同的明暗分布。
80.应当理解，根据不同光源的数量，可确定待处理图像的数量，例如，在图2示出了光源a～光源e这五个不同光源的情况下，可以将待处理图像的数量n确定为5。其中，图2作为示例，本公开对光源的数量、亮度不作限制，可根据现场的实际情况进行设置。
81.通过这种方式，可以提供多个光源方向下的图像信息，以实现至少在一个光源方向下的图像信息，呈现出明显的缺陷特征。
82.为了便于后续可以更高效地对待处理图像进行处理，在得到了不同光源方向下的n帧待处理图像，还可以将这n帧待处理图像转换为灰度图像。
83.在一种可能的实现方式中，步骤s01可包括：在所述图像采集设备采集到的n帧待处理图像为彩色图像的情况下，将所述彩色图像转化为灰度图像；将转化后的n帧灰度图像，确定为获取的目标对象的n帧待处理图像。
84.举例来说，假设图像采集设备采集到的待处理图像为rgb三通道彩色图像，其中，r：red(红色)，g：green(绿色)，b：blue(蓝色)。可以根据待处理图像的三个颜色通道信息，利用亮度优先转换法、平均亮度转换法、权重亮度转换法、最大亮度转换法、最小亮度转化法等方法，将彩色图像转换为灰度图像，得到转换后的目标对象的待处理图像。
85.通过这种方式，有利于提高后续对待处理图像的处理效率，进而提高后续缺陷检测的效率。
86.在步骤s01得到了目标对象的n帧待处理图像，可在步骤s02中，根据目标对象的n帧待处理图像，确定目标对象的m帧第一梯度图像。
87.在一种可能的实现方式中，步骤s02可包括：利用光度立体技术，根据所述目标对象的所述n帧待处理图像，确定所述目标对象的m帧第一梯度图像。
88.其中，光度立体(photometric stereo)技术可以使用n帧待处理图像还原目标对象表面的三维结构，在目标对象和图像采集设备的相对位置不变的情况下，使用不同方向的光源照射目标对象，可以产生不同的明暗效果。通过求解基于朗伯反射原理的反射方程组，求解目标对象表面的法向分布或者深度信息，得到目标对象的m帧第一梯度图像。
89.应当理解，为了提高准确性，上述过程中使用的光源可以是经过标定的光源。
90.假设步骤s01得到了5帧(n＝5)待处理图像，即待处理图像a～待处理图像e。
91.示例性地，利用光度立体技术，根据目标对象的5帧(n＝5)待处理图像，可确定目标对象的5帧(n＝5)第一梯度图像。例如，可以利用光度立体技术处理待处理图像a、待处理
图像b、待处理图像c和待处理图像d，得到第一梯度图像g1；利用光度立体技术处理待处理图像a、待处理图像b、待处理图像c和待处理图像e，得到第一梯度图像g2；利用光度立体技术处理待处理图像a、待处理图像b、待处理图像d和待处理图像e，得到第一梯度图像g3；利用光度立体技术处理待处理图像a、待处理图像c、待处理图像d和待处理图像e，得到第一梯度图像g4；利用光度立体技术处理待处理图像b、待处理图像c、待处理图像d和待处理图像e，得到第一梯度图像g5；这样，可以更充分利用待处理图像的信息，提高得到的第一梯度图像的准确性。
92.示例性地，利用光度立体技术，根据目标对象的5帧(n＝5)待处理图像，可确定目标对象的3帧(n＝3)第一梯度图像。例如，还可以利用利用光度立体技术，按照预设的三维坐标轴方向处理待处理图像a～待处理图像e，得到代表左右方向(x轴方向)的第一梯度图像gx，代表上下方向(y轴方向)的第一梯度图像gy，以及代表前后方向(z轴方向)的第一梯度图像gz。
93.示例性地，还可以利用工业相机的自带的光度立体技术相关的软件接口(或算法包)，将目标对象的5帧待处理图像，生成目标对象的3帧第一梯度图像。
94.应当理解，本公开对利用光度立体技术确定第一梯度图像的具体方式不作限制，对待处理图像的数量n，以及生成的第一梯度图像的数量m也不做限制。
95.通过这种方法，得到的m帧第一梯度图像可以准确地反映目标对象的表面的三维结构，不受物体表面反射系数的影响，更好地呈现目标对象的缺陷特征。
96.在步骤s01～s02分别确定了n帧待处理图像和m帧第一梯度图像，可在步骤s03中，将这n帧待处理图像和m帧第一梯度图像进行通道合并处理，得到合并后的样本图像，该样本图像可包括n+m个通道信息。
97.其中，在通道合并之前，可以先对n帧待处理图像和m帧第一梯度图像进行归一化处理，是将各帧图像汇总的像素按比例缩放，将其统一到一个大致相同的数值区间内。然后，再对归一化后的图像进行通道合并，得到合并后的样本图像。本公开对通道合并的具体方式不作限制。
98.这样，按照步骤s01～s03的方式，获得多个样本图像，在步骤s04中，可以将多个样本图像进行聚合，构建训练数据集。
99.对比相关技术，训练数据集的样本图像为仅在某一光照条件下拍摄的目标对象的图像，目标对象的缺陷成像效果可能会十分不明显，采集这样的训练数据集训练好的缺陷检测网络，缺陷检测网络的精度会比较受现场的环境影响，其缺陷检测的准确度不够高，判断缺陷的性能不稳定，可能会存在漏检、错检的情况。
100.本公开的实施例，通过步骤s01～s04，得到的训练数据集中的每一个样本图像，都具有多个通道信息，至少在一个通道信息上，呈现出明显的缺陷特征，采用该训练数据集训练好的缺陷检测网络，可以更稳定地进行缺陷检测，大幅降低了因不同场景下，同一目标对象成像效果不一样而导致无法的错检、漏检的概率，提高缺陷检测的精准度。
101.在步骤s01～s04确定了训练数据集之后，可以根据训练数据集训练缺陷检测网络。
102.在一种可能的实现方式中，所述缺陷检测网络包括特征提取网络、分类网络、以及分割网络，所述分类网络和所述分割网络均与所述特征提取网络连接，其中，所述特征提取
网络用于对输入的待检测图像进行特征提取，得到至少一组特征图，所述分类网络用于对所述至少一组特征图进行分类处理，得到所述目标对象的缺陷类别，所述分割网络用于对所述至少一组特征图进行分割处理，得到所述目标对象的缺陷区域。
103.其中，缺陷检测网络的输入是多个通道的，与待检测图像的通道数量一致。例如，如果待检测图像有n+m个通道，缺陷检测网络的输入同为n+m个通道。本公开实施例的缺陷检测网络的通道数量可根据实际的应用场景(例如适配待检测图像)进行设置，本公开对此不作限制。
104.举例来说，图3示出根据本公开实施例的神经网络结构的示意图。如图3所示，神经网络可包括：由骨干(backbone)网络31和脖颈(neck)网络32构成的特征提取网络、分类网络33、分割网络34(或分割网络34’)。其中，分类网络33和分割网络34(或分割网络34’)均与特征提取网络连接。
105.如图3所示，骨干(backbone)网络31可以是残差网络(例如包括resnet18网络)，可用于对输入图像(例如待检测图像)进行特征提取，可包括五个卷积层layer0，layer1，layer2，layer3，layer4，五个卷积层layer0，layer1，layer2，layer3，layer4分别为输出了五个尺度的特征图。
106.其中，卷积层layer0可包括卷积处理单元conv、批量标准化单元bn(batch normalization)、激活函数处理单元relu、最大池化单元max pool；卷积层layer1可包括3个瓶颈单元bottleneck；卷积层layer2可包括4个瓶颈处理单元bottleneck；卷积层layer3可包括6个瓶颈单元bottleneck；卷积层layer4可包括3个瓶颈单元bottleneck。
107.应当理解，本公开对骨干(backbone)网络31包括的卷积层的数量，以及每个卷积层的具体结构不作具体限制，上文所述的卷积层结构仅作为示例。
108.如图3所示，脖颈(neck)网络32可用于对骨干(backbone)网络31输出的特征图进行进一步的处理，可收集不同阶段中特征图，并对不同阶段的特征图进行组合。例如，脖颈(neck)网络32可对layer1，layer2，layer3，layer4输出的特征图均进行降维处理，其中，1
×
1表示进行降维运算，得到具备相同维度的特征图(c2,c3,c4,c5)，然后对具备相同维度的特征图进行特征融合，得到四组融合后的特征图(p2,p3,p4,p5)。具体地，上述示例中的特征融合通过不断将高层次特征上采样(2
×
up)与低层次特征直接相加来实现。当然，还可以通过不断将高层次特征上采样与低层次特征直接相乘来实现特征融合。本公开实施例不限定特征融合的具体算法。
109.这样，通过由骨干(backbone)网络31和脖颈(neck)网络32构成的特征提取网络，对待检测图像进行特征提取，可得到至少一组特征图。
110.如图3所示，分类网络33可用于根据至少一组特征图进行分类处理，得到分类结果。例如，分类网络33可包括4个全连接单元fc1～fc4，可以对layer4输出的特征图进行线性和/或非线性变换，将其映射至样本图像的标记空间，得到待检测图像的分类结果，可包括目标对象的多个缺陷类别，以及属于每个缺陷类别的缺陷概率。
111.如图3所示，分割网络34(或分割网络34’)可用于根据至少一组特征图进行分割处理，得到分割图像。例如，分割网络34(或分割网络34’)可对特征图p2进行卷积处理conv、批量标准化处理bn、激活处理relu，得到分割特征，再对分割特征进行卷积处理conv、批量标准化处理bn、激活处理relu、卷积处理conv、下采样处理interpolate，得到分割图像。其中，
分割网络34得到的是掩膜表示(mask)的分割结果，分割网络34’得到的是轮廓(contours)表示的分割结果，其中，任一种分割结果可包括目标对象的缺陷区域，本公开对分割结果的具体表示形式不作具体限制。
112.其中，分割网络可包括解码器(decoder)、金字塔池模块(pyramid pooling module，ppm)、空洞空间卷积池化金字塔(atrous spatial pyramid pooling，aspp)等，本公开对此不作具体限定。应当理解，如果针对的是目标物体为汽车的冲压件的质检场景，考虑到缺陷数据会比较少，正常的数据会比较多，分割网络可以选择从像素级别理解图像的语义分割网络，以提高后续缺陷检测的准确性。
113.通过这种方式，可基于缺陷检测网络对待检测图像进行缺陷检测，有利于得到更准确的缺陷检测结果。
114.在一种可能的实现方式中，训练所述缺陷检测网络的过程可包括：将所述训练数据集的样本图像输入初始状态的缺陷检测网络，得到第一预测结果；根据预设的损失函数、所述第一预测结果、所述样本图像，确定第一损失，其中，所述第一损失用于指示所述缺陷检测网络对样本图像的检测误差；根据所述第一损失，对初始状态的缺陷检测网络进行训练，得到训练好的缺陷检测网络。
115.举例来说，可以将训练数据集的样本图像输入初始状态的缺陷检测网络，使初始状态的缺陷检测网络对样本图像进行缺陷检测处理，得到第一预测结果。可将第一预测结果、样本图像输入预设的损失函数，得到第一损失；然后，可基于第一损失，对初始状态的缺陷检测网络进行训练，迭代地调整初始状态的缺陷检测网络的网络参数，直至得到目标状态的缺陷检测网络，也即训练好的缺陷检测网络。
116.其中，可以将样本图像一个一个的输入初始状态的缺陷检测网络进行训练，也可以将样本图像一个批次(batch)一个批次的输入初始状态的缺陷检测网络进行批训练，本公开对具体的训练方式不作限制。
117.其中，损失函数可以包括0-1损失函数、对数损失函数、指数损失函数、平方损失函数、均方误差损失函数(mean square error，mse)等，本公开对损失函数的具体形式不作限制。
118.通过这种方式，可以实现对缺陷检测网络的精准训练，得到训练好的缺陷检测网络。
119.在训练好缺陷检测网络之后，就可以在预测阶段，执行步骤s11～步骤s12，利用训练好的缺陷检测网络对待检测图像进行缺陷检测，预测出待检测图像的缺陷检测结果，该缺陷检测结果可包括目标对象的缺陷区域和/或缺陷类别。
120.综上所述，本公开实施例的缺陷检测方法，可将获取的包括多个通道信息的待检测图像，输入训练好的缺陷检测网络，确定待检测图像的缺陷检测结果，其中，待检测图像，以及用于训练缺陷检测网络的训练数据集中的样本图像，可包括多个通道信息(针对不同光源方向的目标对象的明暗分布信息，以及所述目标对象的梯度信息)。
121.通过这种方式，获取的待检测图像可包括多个通道信息，这样，至少在一个通道信息上，可呈现出明显的缺陷特征，大幅降低了因不同场景下，同一目标对象成像效果不一样而导致的错检、漏检的概率，提高缺陷检测的精准度；而且，还可以自动检测出待检测图像中存在的缺陷，减少了人工成本。
122.可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
123.此外，本公开还提供了缺陷检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种缺陷检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
124.图4示出根据本公开实施例的缺陷检测装置的框图，如图4所示，所述装置包括：
125.获取模块41，用于获取待检测图像，所述待检测图像包括多个通道信息，所述多个通道信息包括针对不同光源方向的目标对象的明暗分布信息，以及所述目标对象的梯度信息，其中，对于不同光源方向，图像采集设备拍摄到的目标对象的明暗分布信息不同；
126.确定模块42，用于将所述待检测图像输入缺陷检测网络，确定所述待检测图像的缺陷检测结果，所述缺陷检测结果包括目标对象的缺陷区域和/或缺陷类别；
127.其中，所述缺陷检测网络基于训练数据集训练得到，所述训练数据集包括目标对象的多个样本图像，所述样本图像包括多个通道信息，所述多个通道信息包括针对不同光源方向的目标对象的明暗分布信息，以及所述目标对象的梯度信息。
128.在一种可能的实现方式中，所述装置还包括训练所述缺陷检测网络的训练模块，用于：将所述训练数据集的样本图像输入初始状态的缺陷检测网络，得到第一预测结果；根据预设的损失函数、所述第一预测结果、所述样本图像，确定第一损失，其中，所述第一损失用于指示所述缺陷检测网络对样本图像的检测误差；根据所述第一损失，对初始状态的缺陷检测网络进行训练，得到训练好的缺陷检测网络。
129.在一种可能的实现方式中，所述装置还包括构建模块，用于在训练所述缺陷检测网络之前，构建训练数据集，其中，所述构建训练数据集包括：获取目标对象的n帧待处理图像，所述n帧待处理图像是图像采集设备在不同光源方向，拍摄到所述目标对象带有不同明暗分布的图像；根据所述目标对象的所述n帧待处理图像，确定所述目标对象的m帧第一梯度图像；将所述n帧待处理图像和所述m帧第一梯度图像进行合并处理，得到合并后的样本图像；将多个样本图像进行聚合，构建训练数据集。
130.在一种可能的实现方式中，所述根据所述目标对象的所述n帧待处理图像，确定所述目标对象的m帧第一梯度图像，包括：利用光度立体技术，根据所述目标对象的所述n帧待处理图像，确定所述目标对象的m帧第一梯度图像。
131.在一种可能的实现方式中，所述获取目标对象的n帧待处理图像，包括：在所述图像采集设备采集到的n帧待处理图像为彩色图像的情况下，将所述彩色图像转化为灰度图像；将转化后的n帧灰度图像，确定为获取的目标对象的n帧待处理图像。
132.在一种可能的实现方式中，所述缺陷检测网络包括特征提取网络、分类网络、以及分割网络，所述分类网络和所述分割网络均与所述特征提取网络连接，其中，所述特征提取网络用于对输入的待检测图像进行特征提取，得到至少一组特征图，所述分类网络用于对所述至少一组特征图进行分类处理，得到所述目标对象的缺陷类别，所述分割网络用于对所述至少一组特征图进行分割处理，得到所述目标对象的缺陷区域。
133.在一种可能的实现方式中，所述获取模块41，用于：获取目标对象的n帧初始图像，
所述n帧初始图像是图像采集设备在不同光源方向，拍摄到所述目标对象带有不同明暗分布的图像；根据所述目标对象的所述n帧初始图像，确定所述目标对象的m帧第二梯度图像；将所述n帧初始图像和所述m帧第二梯度图像进行合并处理，得到合并后的待检测图像。
134.该方法与计算机系统的内部结构存在特定技术关联，且能够解决如何提升硬件运算效率或执行效果的技术问题(包括减少数据存储量、减少数据传输量、提高硬件处理速度等)，从而获得符合自然规律的计算机系统内部性能改进的技术效果。
135.在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
136.本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
137.本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
138.本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
139.电子设备可以被提供为终端、服务器或其它形态的设备。
140.图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是用户设备(user equipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(personal digital assistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等终端设备。
141.参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)接口812，传感器组件814，以及通信组件816。
142.处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
143.存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
144.电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
145.多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。
在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
146.音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
147.i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
148.传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(cmos)或电荷耦合装置(ccd)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
149.通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(wi-fi)、第二代移动通信技术(2g)、第三代移动通信技术(3g)、第四代移动通信技术(4g)、通用移动通信技术的长期演进(lte)、第五代移动通信技术(5g)或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
150.在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
151.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
152.图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器或终端设备。参照图6，电子设备1900包括处理组件1922，其进一步包括
一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
153.电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(windows server
tm
)，苹果公司推出的基于图形用户界面操作系统(mac os x
tm
)，多用户多进程的计算机操作系统(unix
tm
),自由和开放原代码的类unix操作系统(linux
tm
)，开放原代码的类unix操作系统(freebsd
tm
)或类似。
154.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
155.本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
156.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
157.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
158.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令
的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
159.这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
160.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
161.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
162.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
163.该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
164.上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
165.本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
166.若本技术技术方案涉及个人信息，应用本技术技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本技术技术方案涉及敏感个人信息，应用本技术技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人
信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
167.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。