本发明涉及机器视觉，尤其涉及一种检测电子烟生产线的产品缺陷的方法、装置、计算机可读存储介质及计算机程序产品。
背景技术：
1、ocr(optical character recognition，光学字符识别)是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。在日常生活中，文字内容无处不在，根据拍摄的内容，自动分析图像中的文字信息已经成为人们的广泛诉求。而通过深度学习技术，可以自动的定位文字区域，并且学习包含丰富语义信息的特征，识别出图像中的文字内容。
2、在申请号为202210553478.1，名称为“基于分割网络的零件缺陷检测与字符识别方法及装置”的中国专利中，其通过分类标注训练分割模型的方式，实现对零件图像进行缺陷检测，取代了传统的人工目视法，提高了检测效率。但是，其也有劣于人工目视法之处，无法适用于各种复杂的场景。
3、在ocr的技术实现上，一般面临仿射变换、尺度问题、光照不足、拍摄模糊等技术难点，传统的ocr仅在比较规整的印刷文档上表现比较好，在复杂场景(如图像模糊、低分辨率、干扰信息等)下，传统的ocr(包括上述专利技术)的文字检测、识别性能都不够理想。另外，ocr应用常需要对接海量数据，因此，要求数据能够得到及时处理，例如产线上错检的数据以及无法识别缺陷的数据都需要及时进行处理，不然可能会导致批量错检或无法识别的情况，从而导致需要批量进行重检作业，浪费没必要的人力物力成本。
4、因此，如何有效解决复杂场景下的ocr检测，提高视觉检测系统工作的稳定性，成为本领域技术人员亟待解决的问题。
技术实现思路
1、本发明的目的在于提供表征图像区域轮廓的方法、装置、计算机可读存储介质及计算机程序产品，以解决或至少部分解决上述背景技术中提及的技术问题。
2、为达此目的，本发明采用以下技术方案：
3、第一方面，本发明提供了一种检测电子烟生产线的产品缺陷的方法，包括：
4、收集正常品和各种各样的残次品的图片样本，构建训练样本库；
5、利用训练样本库进行深度学习模型的训练，得到用于ocr检测的字符识别模型；
6、采用字符识别模型对待检产品的图像进行识别检测，确定待检产品是否为ng产品，以及识别ng产品的缺陷种类；
7、对能识别出缺陷种类的ng产品根据缺陷种类进行自动分类；或，对不能识别出缺陷种类的ng产品的图像进行人工标注，并利用人工标注的图像对所述字符识别模型进行再训练。
8、可选地，所述采用字符识别模型对待检产品的图像进行识别检测，确定待检产品是否为ng产品，以及识别ng产品的缺陷种类，具体包括：
9、采用字符识别模型对待检产品的图像进行识别检测，确定待检产品是否为ng产品；
10、若是，对ng产品根据缺陷种类进行自动分类；
11、若否，对ng产品的图像进行人工标注。
12、可选地，所述对不能识别出缺陷种类的ng产品的图像进行人工标注，具体包括：
13、通过预定的滑动窗口对不能识别出缺陷种类的ng产品的图像的字符区域按序进行切割，得到若干子字符特征；
14、通过所述滑动窗口，对与所述不能识别出缺陷种类的ng产品的摆放姿态相同的正常品的图片样本的字符区域按序进行切割，得到若干比对特征；
15、将各所述子字符特征分别与对应的比对特征进行相似度匹配，得到每个子字符特征对应的相似度；
16、将相似度低于预设相似度阈值的子字符特征标记为待标注特征；
17、自动跳转至所述不能识别出缺陷种类的ng产品的图像所在页面，框选所述待标注特征所在的区域，并在所述页面弹出用于键入或修改标注的输入框；
18、通过所述输入框，对缺陷种类进行人工标注。
19、可选地，所述收集正常品和各种各样的残次品的图片样本，构建训练样本库，具体包括：
20、收集正常品在各种各样的摆放姿态下的图片样本，和各种各样的残次品的图片样本；
21、根据字符缺陷的类别，对收集的各残次品的图片样本分别进行标注；
22、将所标注的类别相同的缺陷的图片样本划分到同一个缺陷样本组中；
23、对所收集的图片样本进行数据增强处理，得到训练样本库。
24、可选地，所述利用训练样本库进行深度学习模型的训练，得到用于ocr检测的字符识别模型，具体包括：
25、选取待训练的深度学习模型；
26、将训练样本库中的图片样本输入到所述深度学习模型中，调整深度学习模型的训练参数，训练得到所述字符识别模型。
27、第二方面，本发明还提供了一种检测电子烟生产线的产品缺陷的装置，包括：
28、存储器，用于存储训练样本库，所述训练样本库中收集有正常品和各种各样的残次品的图片样本；
29、深度学习模块，电连接所述存储器，用于利用训练样本库进行深度学习模型的训练，得到用于ocr检测的字符识别模型；
30、机器视觉系统，分别电连接所述深度学习模块和所述存储器，用于采用字符识别模型对待检产品的图像进行识别检测，确定待检产品是否为ng产品，以及识别ng产品的缺陷种类；
31、所述机器视觉系统还用于对能识别出缺陷种类的ng产品根据缺陷种类进行自动分类；或，对不能识别出缺陷种类的ng产品的图像进行人工标注；
32、所述深度学习模块还用于利用人工标注的图像对所述字符识别模型进行再训练。
33、可选地，所述机器视觉系统包括用于采用字符识别模型对待检产品的图像进行识别检测的识别检测模块，所述识别检测模块电连接有用于对ng产品进行自动分类的分拣模块，和用于对图像进行人工标注的图像处理模块。
34、可选地，所述图像处理模块包括：
35、图像分割单元，用于通过预定的滑动窗口对不能识别出缺陷种类的ng产品的图像的字符区域按序进行切割，得到若干子字符特征；以及，用于通过所述滑动窗口，对与所述不能识别出缺陷种类的ng产品的摆放姿态相同的正常品的图片样本的字符区域按序进行切割，得到若干比对特征；
36、字符特征比对单元，电连接所述图像分割单元，用于将各所述子字符特征分别与对应的比对特征进行相似度匹配，得到每个子字符特征对应的相似度；
37、标记单元，电连接所述字符特征比对单元，用于将相似度低于预设相似度阈值的子字符特征标记为待标注特征；
38、标注修改单元，电连接所述标记单元，用于自动跳转至所述机器视觉系统的显示有不能识别出缺陷种类的ng产品的图像的页面，框选所述待标注特征所在的区域，并在所述页面弹出用于键入或修改标注的输入框。
39、第三方面，本发明提供了计算机可读存储介质，存储介质中存储有至少一条指令，其特征在于，指令由处理器加载并执行以实现如上所述的一种检测电子烟生产线的产品缺陷的方法。
40、第四方面，本发明提供了计算机程序产品，包括计算机程序/指令，其特征在于，当计算机程序/指令被处理器执行时，实现如上所述的一种检测电子烟生产线的产品缺陷的方法。
41、与现有技术相比，本发明的有益效果为：
42、本发明将传统的ocr检测和深度学习进行结合，为实现字符检测智能化开辟了道路，让机器视觉系统有了“大脑”，并且，其还可以在实际生成过程中在线训练，不断积累经验，使检测结果越来越精准，极大地提高了生成效率。
1.一种检测电子烟生产线的产品缺陷的方法，其特征在于，包括：
2.根据权利要求1所述的一种检测电子烟生产线的产品缺陷的方法，其特征在于，所述采用字符识别模型对待检产品的图像进行识别检测，确定待检产品是否为ng产品，以及识别ng产品的缺陷种类，具体包括：
3.根据权利要求1所述的一种检测电子烟生产线的产品缺陷的方法，其特征在于，所述对不能识别出缺陷种类的ng产品的图像进行人工标注，具体包括：
4.根据权利要求1所述的一种检测电子烟生产线的产品缺陷的方法，其特征在于，所述收集正常品和各种各样的残次品的图片样本，构建训练样本库，具体包括：
5.根据权利要求4所述的一种检测电子烟生产线的产品缺陷的方法，其特征在于，所述利用训练样本库进行深度学习模型的训练，得到用于ocr检测的字符识别模型，具体包括：
6.一种检测电子烟生产线的产品缺陷的装置，其特征在于，包括：
7.根据权利要求6所述的一种检测电子烟生产线的产品缺陷的装置，其特征在于，所述机器视觉系统包括用于采用字符识别模型对待检产品的图像进行识别检测的识别检测模块，所述识别检测模块电连接有用于对ng产品进行自动分类的分拣模块，和用于对图像进行人工标注的图像处理模块。
8.根据权利要求6所述的一种检测电子烟生产线的产品缺陷的装置，其特征在于，所述图像处理模块包括：
9.计算机可读存储介质，存储介质中存储有至少一条指令，其特征在于，指令由处理器加载并执行以实现如权利要求1-5中任意一项所述的一种检测电子烟生产线的产品缺陷的方法。
10.计算机程序产品，包括计算机程序/指令，其特征在于，当计算机程序/指令被处理器执行时，实现权利要求1-5中任意一项所述的一种检测电子烟生产线的产品缺陷的方法。
