密封圈分类模型的训练、密封圈的分类方法及装置与流程

[0001]
本申请涉及计算机视觉技术领域，尤其是涉及一种密封圈分类模型的训练、密封圈的分类方法及装置。


背景技术：

[0002]
在密封圈生产后或者使用前，需要对密封圈进行检测，判断密封圈是否有毛刺，若存在毛刺，则该密封圈为非良品；若不存在毛刺，则为良品。其中，密封圈包括o型圈。
[0003]
现有技术中，由于良品的o型圈的边缘到o型圈圆心的距离为定值，因此，可以通过检测o型圈边缘上的点与圆心的距离，判断该o型圈是否存在毛刺，若o型圈边缘上包括点到圆心的距离超出了设定的阈值范围的点，则认为该o型圈存在毛刺，即该o型圈为非良品，其中，阈值范围是根据良品o型圈的边缘到圆心的距离设定的。但是，该方法应用于非刚性的o型圈时，例如，橡胶o型圈，由于橡胶o型圈会发生形变，使得o型圈的边缘到o型圈圆心的距离发生改变，通过上述方法判断橡胶o型圈是否为良品时，易将产生形变但是没有毛刺的良品o型圈判断为非良品，使得检测的结果存在较大的误差，检测的精确度较低。


技术实现要素：

[0004]
有鉴于此，本申请的目的在于提供一种密封圈分类模型的训练、密封圈的分类方法及装置，以提高密封圈检测的精确度。
[0005]
第一方面，本申请实施例提供了一种密封圈分类模型的训练方法，所述密封圈分类模型包括多个卷积神经网络以及分类器；所述训练方法包括：
[0006]
获取多个样本密封圈分别对应的样本特征数据；针对每个样本特征数据，执行：
[0007]
将该样本特征数据分别输入至多个卷积神经网络，对所述样本特征数据进行卷积处理，得到与各个卷积神经网络分别对应的第一样本中间特征矩阵；不同卷积神经网络对应不同尺寸的线性卷积核；
[0008]
将各个卷积神经网络分别对应的第一样本中间特征矩阵进行融合处理，得到第二样本中间特征矩阵；
[0009]
将所述第二样本中间特征矩阵输入至分类器，获取与该样本特征数据对应的预测分类结果；
[0010]
根据各个样本特征数据分别对应的预测分类结果以及实际分类结果，对多个所述卷积神经网络以及所述分类器进行本轮训练；
[0011]
经过对所述卷积神经网络以及所述分类器的多轮训练，得到所述密封圈分类模型。
[0012]
本申请的一些实施例中，所述获取多个样本密封圈分别对应的样本特征数据，包括：
[0013]
根据多个样本密封圈分别对应的样本图像，获取表征对应样本密封圈尺寸特征的样本特征数据；所述样本特征数据中的不同特征值与样本密封圈的不同外边缘位置点一一
对应；且所述样本特征数据中任一特征值，为与该任一特征值对应的外边缘位置点和对应样本密封圈中心之间的距离。
[0014]
本申请的一些实施例中，所述根据多个样本密封圈分别对应的样本图像，获取能够表征对应样本密封圈尺寸特征的样本特征数据，包括：
[0015]
获取各个所述样本密封圈分别对应的所述样本图像；
[0016]
从所述样本图像中，确定对应样本密封圈的中心位置点及外边缘轮廓；
[0017]
基于所述外边缘轮廓确定多个所述外边缘位置点，并确定所述中心位置点与各个所述外边缘位置点之间的距离；
[0018]
基于所述中心位置点与各个所述外边缘位置点之间的距离，得到所述样本特征数据。
[0019]
本申请的一些实施例中，所述确定所述中心位置点与各个所述外边缘位置点之间的距离，包括：
[0020]
计算所述中心位置点与各个所述外边缘位置点之间的图像距离；
[0021]
针对每个所述外边缘位置点，根据该外边缘位置点对应的图像距离，以及所述样本密封圈的半径，得到所述中心位置点与各个所述外边缘位置点之间的距离。
[0022]
本申请的一些实施例中，所述将各个卷积神经网络分别对应的第一样本中间特征矩阵进行融合处理，得到第二样本中间特征矩阵，包括：
[0023]
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样本中间特征矩阵进行拼接处理，得到所述第二样本中间特征矩阵。
[0024]
第二方面，本申请实施例还提供一种密封圈的分类方法，所述分类方法包括：
[0025]
获取待检测密封圈的目标图像；
[0026]
基于所述目标图像，获取能够表征所述待检测密封圈的尺寸特征的目标特征数据；所述目标特征数据中的不同特征值与所述待检测密封圈的不同外边缘位置点一一对应；且任一特征值，为与该任一特征值对应的外边缘位置和所述待检测密封圈中心之间的距离；
[0027]
将所述目标特征数据输入至预先训练的密封圈分类模型中，获取与所述待检测密封圈对应的分类结果。
[0028]
第三方面，本申请实施例还提供一种密封圈分类模型的训练装置，所述训练装置包括：
[0029]
获取模块，用于获取多个样本密封圈分别对应的样本特征数据；
[0030]
处理模块，用于针对每个样本特征数据，执行：将该样本特征数据分别输入至多个卷积神经网络，对所述样本特征数据进行卷积处理，得到与各个卷积神经网络分别对应的第一样本中间特征矩阵；不同卷积神经网络对应不同尺寸的线性卷积核；
[0031]
融合模块，用于将各个卷积神经网络分别对应的第一样本中间特征矩阵进行融合处理，得到第二样本中间特征矩阵；
[0032]
结果获取模块，用于将所述第二样本中间特征矩阵输入至分类器，获取与该样本特征矩阵对应的预测分类结果；
[0033]
训练模块，用于根据各个样本特征数据分别对应的预测分类结果以及实际分类结果，对多个所述卷积神经网络以及所述分类器进行本轮训练；
[0034]
模型确定模块，用于经过对所述卷积神经网络以及所述分类器的多轮训练，得到所述密封圈分类模型。
[0035]
第四方面，本申请实施例还提供一种密封圈的分类装置，所述分类装置包括：
[0036]
图像获取模块，用于获取待检测密封圈的目标图像；
[0037]
目标特征数据获取模块，用于基于所述目标图像，获取能够表征所述待检测密封圈尺寸特征的目标特征数据；所述目标特征数据中的不同特征值与所述待检测密封圈的不同外边缘位置点一一对应；且任一特征值，为与该任一特征值对应的外边缘位置点和所述待检测密封圈中心之间的距离；
[0038]
分类结果确定模块，用于将所述目标特征数据输入至预先训练的密封圈分类模型中，获取与所述待检测密封圈对应的分类结果。
[0039]
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中所述的密封圈分类模型的训练方法的步骤。
[0040]
第六方面，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二方面所述的密封圈的分类方法的步骤。
[0041]
第七方面，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中所述的密封圈分类模型的训练方法的步骤。
[0042]
第八方面，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二方面所述的密封圈的分类方法的步骤。
[0043]
本申请实施例提供了一种密封圈分类模型的训练、密封圈的分类方法及装置，其中，本申请提出的密封圈分类模型的训练方法，训练得到了密封圈分类模型，该密封圈分类模型中包括多个卷积神经网络和分类器，其中，不同卷积神经网络对应不同尺寸的线性卷积核，通过多个卷积神经网络对每个样本特征数据进行卷积处理，能够较准确的得到每个样本特征数据对应的第一样本中间特征矩阵；使得第一样本中间特征矩阵融合处理后得到第二样本中间特征矩阵较准确，进而基于每个样本特征数据对应的第二样本中间特征矩阵，训练得到的密封圈分类模型较为准确。进一步的，本申请训练后得到的密封圈分类模型，既能对刚性的密封圈进行分类，也能对非刚性的密封圈进行分类，且通过本申请训练后得到的密封圈分类模型对密封圈进行分类，分类的准确度较高，能较准确的检测出密封圈的类别，进而提高了密封圈检测的精确度。
[0044]
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
[0045]
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。
[0046]
图1示出了本申请实施例所提供的一种密封圈分类模型的训练方法的流程图；
[0047]
图2示出了本申请实施例所提供的一种密封圈的分类方法的流程图；
[0048]
图3示出了本申请实施例所提供的一种密封圈分类模型的训练装置的结构框图；
[0049]
图4示出了本申请实施例所提供的一种密封圈的分类装置的结构框图；
[0050]
图5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；
[0051]
图6示出了本申请实施例所提供的另一种电子设备的结构示意图。
具体实施方式
[0052]
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。
[0053]
考虑到现有技术中通过检测o型圈边缘上的点与圆心的距离，判断该o型圈是否存在毛刺，若o型圈边缘上包括点到圆心的距离超出了设定的阈值范围的点，则认为该o型圈存在毛刺，即该o型圈为非良品，其中，阈值范围是根据良品o型圈的边缘到圆心的距离设定的。但是，该方法应用于非刚性的o型圈时，例如，橡胶o型圈，由于橡胶o型圈会发生形变，使得o型圈的边缘到o型圈圆心的距离发生改变，通过上述方法判断橡胶o型圈是否为良品时，易将产生形变但是没有毛刺的良品o型圈判断为非良品，使得检测的结果存在较大的误差，检测的精确度较低。基于此，本申请实施例提供了一种密封圈分类模型的训练、密封圈的分类方法及装置，下面通过实施例进行描述。
[0054]
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密封圈分类模型的训练方法进行详细介绍。
[0055]
实施例一
[0056]
本申请实施例提供了一种密封圈分类模型的训练方法，如图1所示的一种密封圈分类模型的训练方法的流程图，其中，该密封圈分类模型包括多个卷积神经网络以及分类器；该训练方法包括s101-s106，具体如下：
[0057]
s101，获取多个样本密封圈分别对应的样本特征数据。
[0058]
本申请实施例中，每个样本密封圈对应一样本特征数据，因此，获取多个样本密封圈中每个样本密封圈对应的样本特征数据，得到多个样本特征数据。
[0059]
作为一可选实施例，通过以下过程获取多个样本密封圈分别对应的样本特征数据：根据多个样本密封圈分别对应的样本图像，获取能够表征对应样本密封圈尺寸特征的样本特征数据；样本特征数据中的不同特征值与样本密封圈的不同外边缘位置点一一对应；且样本特征数据中任一特征值，为与该任一特征值对应的外边缘位置点和对应样本密
封圈中心之间的距离。
[0060]
作为一可选实施例，样本特征数据中的不同特征值也可以为与样本密封圈的不同内边缘位置点一一对应的特征值；则该样本特征数据中任一特征值，为与该任一特征值对应的内边缘位置点和对应样本密封圈中心之间的距离。其中，样本特征数据中包括的特征值的数量以及样本密封圈的数量可以根据实际需要进行设置。
[0061]
作为一可选实施例，根据多个样本密封圈分别对应的样本图像，获取能够表征对应样本密封圈尺寸特征的样本特征数据，包括：
[0062]
第一，获取各个样本密封圈分别对应的样本图像；
[0063]
本申请实施例中，若获取到的样本密封圈的样本图像为红绿蓝(red-green-blue，rgb)格式的图像时，则需要将该图像转换为灰度图像，并将转换后的灰度图像进行图像二值化处理，得到处理后的样本图像。
[0064]
第二，从样本图像中，确定对应样本密封圈的中心位置点及外边缘轮廓；
[0065]
承接上述实施例进行描述，可以通过圆心定位算法，确定处理后的样本图像对应的中心位置点。例如，可以通过确定样本图像的外切矩形，将样本图像对应的外切矩形的中心点确定为样本图像的中心位置点。同时，可以从二值化处理后的样本图像中，确定外边缘轮廓。
[0066]
第三，基于外边缘轮廓确定多个外边缘位置点，并确定中心位置点与各个外边缘位置点之间的距离；
[0067]
本申请实施例中，多个外边缘位置点之间的间距相同。示例性的，可通过下述方法确定外边缘轮廓的多个外边缘位置点：以样本图像的中心位置点为起点任意设置一条射线，以该射线为起始位置，每间隔预设的角度值设置一条射线，在样本图像上设置了多条射线，每条射线与外边缘轮廓相交的点为外边缘位置点。示例性的，若预设的角度值为0.5度，则通过上述过程，可在样本图像上设置720条射线，进而得到该样本图像对应的720个外边缘位置点。
[0068]
作为一可选实施例，可以通过下述过程确定中心位置点与各个外边缘位置点之间的距离：第一，计算中心位置点与各个外边缘位置点之间的图像距离；第二，针对每个外边缘位置点，根据该外边缘位置点对应的图像距离，以及样本密封圈的半径，得到中心位置点与各个外边缘位置点之间的距离。
[0069]
在本申请实施例中，考虑到不同的样本密封圈对应的尺寸可能不同，例如，样本密封圈a的尺寸可以为10毫米，样本密封圈b可以为15毫米，为了使该密封圈分类模型可以适用于不同尺寸的密封圈，在计算得到中心位置点与各个外边缘位置点之间的图像距离之后，可以通过上述过程确定中心位置点与各个所述外边缘位置点之间的距离。
[0070]
示例性的，可以通过外边缘位置点对应的图像距离除以样本密封圈的半径，得到中心位置点与各个外边缘位置点之间的距离，通过上述过程实现对样本图像上外边缘位置点对应的图像距离的归一化处理，即将不同半径的样本图像上外边缘位置点对应的图像距离进行归一化处理，实现密封圈分类模型的输入的训练数据的统一。
[0071]
第四，基于中心位置点与各个外边缘位置点之间的距离，得到样本特征数据。
[0072]
本申请实施例中，若外边缘位置点的数量为720个，则对应的样本特征数据中包括720个距离值，该距离值为外边缘位置点和对应样本密封圈中心位置点之间的距离。
[0073]
s102，针对每个样本特征数据，执行：将该样本特征数据分别输入至多个卷积神经网络，对样本特征数据进行卷积处理，得到与各个卷积神经网络分别对应的第一样本中间特征矩阵；不同卷积神经网络对应不同尺寸的线性卷积核。
[0074]
本申请实施例中，不同卷积神经网络对应的线性卷积核的尺寸可以根据实际情况进行设置。示例性的，多个卷积神经网络中含有包括尺寸为1
×
1线性卷积核的第一卷积神经网络、包括尺寸为1
×
3线性卷积核的第二卷积神经网络、包括尺寸为1
×
5线性卷积核的第三卷积神经网络、以及包括尺寸为1
×
7线性卷积核的第四卷积神经网络，第一卷积神经网络、第二卷积神经网络、第三卷积神经网络、第四卷积神经网络分别对每个样本特征数据进行处理，得到每个样本特征数据对应的第一样本中间特征矩阵，其中，每个卷积神经网络中设置的线性卷积核的个数可以根据实际需要进行设置。优选的，第一卷积神经网络上设置的1
×
1线性卷积核的个数为8个，第二卷积神经网络上设置的1
×
3线性卷积核的个数为8个，第三卷积神经网络上设置的1
×
5线性卷积核的个数为8个，第四卷积神经网上设置的1
×
7线性卷积核的个数为8个，则第一卷积神经网络、第二卷积神经网络、第三卷积神经网络、第四卷积神经网络分别对每个样本特征数据进行处理，得到的每个样本特征数据对应的第一样本中间特征矩阵中包括32个中间特征矩阵。
[0075]
本申请实施例中，设置多个包括不同尺寸的线性卷积核的卷积神经网络对样本特征数据进行特征提取，能够更全面的提取出样本图像对应的样本特征数据的第一样本中间特征矩阵，即能够对样本密封圈对应的样本图像中不同跨度的毛刺的特征进行提取，避免遗漏样本图像中的特征，进而提高了密封圈上检测的准确度，其中，毛刺的跨度是指样本密封圈对应的样本图像上毛刺区域对应的圆心角，圆心角越大，则毛刺的跨度越大。
[0076]
s103，将各个卷积神经网络分别对应的第一样本中间特征矩阵进行融合处理，得到第二样本中间特征矩阵。
[0077]
作为一可选实施例，将各个卷积神经网络分别对应的第一样本中间特征矩阵进行融合处理，得到第二样本中间特征矩阵，包括：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样本中间特征矩阵进行拼接处理，得到第二样本中间特征矩阵。承接s102中的实施例继续说明，将每个样本特征数据对应的第一样本中间特征矩阵中包括的32个中间特征矩阵，按照多个卷积神经网络对应的预设顺序进行拼接处理，得到第二样本中间特征矩阵。
[0078]
s104，将第二样本中间特征矩阵输入至分类器，获取与该样本特征数据对应的预测分类结果。
[0079]
本申请实施例中，分类器中设置有相应的类别标签，示例性的，类别标签可以为良品以及非良品。具体的，在将第二样本中间特征矩阵输入至分类器后，可得到第二样本中间特征矩阵对应每一类别标签的概率，并基于第二样本中间特征矩阵对应每一类别标签的概率以及预设的良品概率阈值，确定该样本特征数据对应的预测分类结果。例如，若分类的类别标签包括良品以及非良品，则将第二样本中间特征矩阵输入至分类器中，可得到第二样本中间特征矩阵为良品的概率为0.75，非良品的概率为0.25，若预设的良品概率阈值为0.7，则该第二样本中间特征矩阵为良品的概率大于了预设的良品概率阈值，确定该第二样本中间特征矩阵为良品，即该第二样本中间特征矩阵对应的样本密封圈为良品，其中，预测分类结果为第二样本中间特征矩阵为良品。
[0080]
s105，根据各个样本特征数据分别对应的预测分类结果以及实际分类结果，对多个卷积神经网络以及分类器进行本轮训练。
[0081]
示例性的，若第二样本中间特征矩阵的数量为1000个，则将1000个第二样本中间特征矩阵输入到分类器中，得到1000个第二样本中间特征矩阵中每个第二样本中间特征矩阵对应的预测分类结果，基于1000个第二样本中间特征矩阵中每个第二样本中间特征矩阵对应的实际分类结果，对多个卷积神经网络以及分类器进行训练。
[0082]
s106，经过对卷积神经网络以及分类器的多轮训练，得到密封圈分类模型。
[0083]
示例性的，通过对卷积神经网络以及分类器进行多轮训练，当分类器输出的结果的准确率满足设置的准确率阈值时，则停止训练，得到密封圈分类模型。
[0084]
本申请实施例中，训练得到的密封圈分类模型能够应用于不同形状的密封圈，例如，o型密封圈、矩形密封圈等。同时，训练得到的密封圈分类模型既适用于刚性密封圈，也适用于非刚性密封圈，例如非刚性密封圈包括橡胶密封圈、硅胶密封圈等。
[0085]
本申请实施例中提出的密封圈分类模型的训练方法，训练得到了密封圈分类模型，该密封圈分类模型中包括多个卷积神经网络和分类器，其中，不同卷积神经网络对应不同尺寸的线性卷积核，通过多个卷积神经网络对每个样本特征数据进行卷积处理，能够较准确的得到每个样本特征数据对应的第一样本中间特征矩阵；使得第一样本中间特征矩阵融合处理后得到第二样本中间特征矩阵较准确，进而基于每个样本特征数据对应的第二样本中间特征矩阵，训练得到的密封圈分类模型较为准确。进一步的，本申请训练后得到的密封圈分类模型，既能对刚性的密封圈进行准确分类，也能对非刚性的密封圈进行准确分类，且通过本申请训练后得到的密封圈分类模型对密封圈进行分类，分类的准确度较高，能较准确的检测出密封圈的类别，进而提高了密封圈检测的精确度。
[0086]
实施例二
[0087]
本申请实施例提供了一种密封圈的分类方法，如图2所示的一种密封圈的分类方法的流程图，该训练方法包括s201-s203，具体如下：
[0088]
s201，获取待检测密封圈的目标图像。
[0089]
本申请实施例中，获取待检测密封圈的目标图像的过程与上述实施例一中获取样本密封圈对应的样本图像的过程相似，获取待检测密封圈的目标图像的过程可参考上述实施例一的过程，重复之处不在赘述。
[0090]
s202，基于目标图像，获取能够表征待检测密封圈的尺寸特征的目标特征数据；目标特征数据中的不同特征值与待检测密封圈的不同外边缘位置点一一对应；且任一特征值，为与该任一特征值对应的外边缘位置点和待检测密封圈中心之间的距离。
[0091]
s203，将目标特征数据输入至预先训练的密封圈分类模型中，获取与待检测密封圈对应的分类结果。
[0092]
本申请实施例中，若待检测密封为o型圈，对待检测密封圈进行检测时，需要通过上述s201-s203获取待检测密封圈的外边缘对应的第一分类结果，并获取待检测密封圈的内边缘对应的第二分类结果。获取待检测密封圈的内边缘对应的第二分类结果包括：第一，基于待检测密封圈的目标图像，获取能够表征待检测密封圈尺寸特征的第二目标特征数据；第二目标特征数据中的不同特征值与待检测密封圈的不同内边缘位置点一一对应；且任一特征值，为与该任一特征值对应的内边缘位置和密封圈中心之间的距离；第二，将第二
目标特征数据输入至预先训练的密封圈分类模型中，获取与待检测密封圈对应的第二分类结果。进一步的，基于第一分类结果以及第二分类结果确定密封圈的检测结果。当第一分类结果对应的良品的概率大于设定的良品概率阈值，且第二分类结果为良品的概率大于设定的良品概率阈值时，该待检测密封圈为良品。反之，当第一分类结果对应的良品的概率小于等于设定的良品概率阈值，或/和第二分类结果为良品的概率小于等于设定的良品概率阈值时，该待检测密封圈为非良品。
[0093]
本申请实施例提供的密封圈的分类方法，获取待检测密封圈的目标图像，并基于该目标图像获取目标特征数据，将目标特征数据输入至预先训练的密封圈分类模型中，获取与待检测密封圈对应的分类结果。本申请实施例通过实施例一训练的得到的密封圈分类模型对待检测密封圈进行分类，得到待检测密封圈对应的分类结果，其中，实施例一训练后得到的密封圈分类模型，既能对刚性的密封圈进行准确分类，也能对非刚性的密封圈进行准确分类，减小了非刚性的密封圈的检测误差，提高了分类的准确性，进而提高了密封圈检测的精确度。
[0094]
实施例三
[0095]
本申请实施例提供了一种密封圈分类模型的训练装置，如图3所示的一种密封圈分类模型的训练装置的结构框图，该训练装置包括：
[0096]
获取模块301，获取多个样本密封圈分别对应的样本特征数据。
[0097]
处理模块302，用于针对每个样本特征数据，执行：将该样本特征数据分别输入至多个卷积神经网络，对所述样本特征数据进行卷积处理，得到与各个卷积神经网络分别对应的第一样本中间特征矩阵；不同卷积神经网络对应不同尺寸的线性卷积核。
[0098]
融合模块303，用于将各个卷积神经网络分别对应的第一样本中间特征矩阵进行融合处理，得到第二样本中间特征矩阵。
[0099]
结果获取模块304，用于将所述第二样本中间特征矩阵输入至分类器，获取与该样本特征数据对应的预测分类结果。
[0100]
训练模块305，用于根据各个样本特征数据分别对应的预测分类结果以及实际分类结果，对多个所述卷积神经网络以及所述分类器进行本轮训练。
[0101]
模型确定模块306，用于经过对所述卷积神经网络以及所述分类器的多轮训练，得到所述密封圈分类模型。
[0102]
作为一可选实施例，所述获取模块，利用下述步骤获取多个样本密封圈分别对应的样本特征数据：
[0103]
根据多个样本密封圈分别对应的样本图像，获取表征对应样本密封圈尺寸特征的样本特征数据；所述样本特征数据中的不同特征值与样本密封圈的不同外边缘位置点一一对应；且所述样本特征数据中任一特征值，为与该任一特征值对应的外边缘位置点和对应样本密封圈中心之间的距离。
[0104]
作为一可选实施例，所述获取模块，利用下述步骤获取能够表征对应样本密封圈尺寸特征的样本特征数据：
[0105]
获取各个所述样本密封圈分别对应的所述样本图像；
[0106]
从所述样本图像中，确定对应样本密封圈的中心位置点及外边缘轮廓；
[0107]
基于所述外边缘轮廓确定多个所述外边缘位置点，并确定所述中心位置点与各个
所述外边缘位置点之间的距离；
[0108]
基于所述中心位置点与各个所述外边缘位置点之间的距离，得到所述样本特征数据。
[0109]
作为一可选实施例，所述获取模块，利用下述步骤确定所述中心位置点与各个所述外边缘位置点之间的距离：
[0110]
计算所述中心位置点与各个所述外边缘位置点之间的图像距离；
[0111]
针对每个所述外边缘位置点，根据该外边缘位置点对应的图像距离，以及所述样本密封圈的半径，得到所述中心位置点与各个所述外边缘位置点之间的距离。
[0112]
作为一可选实施例，融合模块具体用于通过下述步骤得到第二样本中间特征矩阵：
[0113]
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样本中间特征矩阵进行拼接处理，得到所述第二样本中间特征矩阵。
[0114]
本申请实施例提供的密封圈分类模型的训练装置，与上述实施例一提供的密封圈分类模型的训练方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
[0115]
实施例四
[0116]
本申请实施例提供了一种密封圈的分类装置，如图4所示的一种密封圈的分类装置的结构框图，该分类装置包括：
[0117]
图像获取模块401，用于获取待检测密封圈的目标图像；
[0118]
目标特征数据获取模块402，用于基于所述目标图像，获取能够表征所述待检测密封圈尺寸特征的目标特征数据；所述目标特征数据中的不同特征值与所述待检测密封圈的不同外边缘位置点一一对应；且任一特征值，为与该任一特征值对应的外边缘位置点和所述密封圈中心之间的距离；
[0119]
分类结果确定模块403，用于将所述目标特征数据输入至预先训练的密封圈分类模型中，获取与所述待检测密封圈对应的分类结果。
[0120]
本申请实施例提供的密封圈的分类装置，与上述实施例二提供的密封圈的分类方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
[0121]
实施例五
[0122]
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5所示，为本申请实施例提供的电子设备500的结构示意图，包括处理器501、存储器502、和总线503。其中，存储器502用于存储执行指令，包括内存5021和外部存储器5022；这里的内存5021也称内存储器，用于暂时存放处理器501中的运算数据，以及与硬盘等外部存储器5022交换的数据，处理器501通过内存5021与外部存储器5022进行数据交换，当电子设备500运行时，处理器501与存储器502之间通过总线503通信，使得处理器501在执行以下指令：
[0123]
获取多个样本密封圈分别对应的样本特征数据；
[0124]
针对每个样本特征数据，执行：
[0125]
将该样本特征数据分别输入至多个卷积神经网络，对所述样本特征数据进行卷积处理，得到与各个卷积神经网络分别对应的第一样本中间特征矩阵；不同卷积神经网络对应不同尺寸的线性卷积核；
[0126]
将各个卷积神经网络分别对应的第一样本中间特征矩阵进行融合处理，得到第二样本中间特征矩阵；
[0127]
将所述第二样本中间特征矩阵输入至分类器，获取与该样本特征数据对应的预测分类结果；
[0128]
根据各个样本特征数据分别对应的预测分类结果以及实际分类结果，对多个所述卷积神经网络以及所述分类器进行本轮训练；
[0129]
经过对所述卷积神经网络以及所述分类器的多轮训练，得到所述密封圈分类模型。
[0130]
一种可能设计中，处理器501可能执行的指令中，还包括：
[0131]
根据多个样本密封圈分别对应的样本图像，获取表征对应样本密封圈尺寸特征的样本特征数据；所述样本特征数据中的不同特征值与样本密封圈的不同外边缘位置点一一对应；且所述样本特征数据中任一特征值，为与该任一特征值对应的外边缘位置点和对应样本密封圈中心之间的距离。
[0132]
一种可能设计中，处理器501可能执行的指令中，还包括：
[0133]
获取各个所述样本密封圈分别对应的所述样本图像；
[0134]
从所述样本图像中，确定对应样本密封圈的中心位置点及外边缘轮廓；
[0135]
基于所述外边缘轮廓确定多个所以所述外边缘位置点，并确定所述中心位置点与各个所述外边缘位置点之间的距离；
[0136]
基于所述中心位置点与各个所述外边缘位置点之间的距离，得到所述样本特征数据。
[0137]
一种可能设计中，处理器501可能执行的指令中，还包括：
[0138]
计算所述中心位置点与各个所述外边缘位置点之间的图像距离；
[0139]
针对每个所述外边缘位置点，根据该外边缘位置点对应的图像距离，以及所述样本密封圈的半径，得到所述中心位置点与各个所述外边缘位置点之间的距离。
[0140]
一种可能设计中，处理器501可能执行的指令中，还包括：
[0141]
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样本中间特征矩阵进行拼接处理，得到所述第二样本中间特征矩阵。
[0142]
实施例六
[0143]
基于同一技术构思，本申请实施例还提供了另一种电子设备。参照图6所示，为本申请实施例提供的电子设备600的结构示意图，包括处理器601、存储器602、和总线603。其中，存储器602用于存储执行指令，包括内存6021和外部存储器6022；这里的内存6021也称内存储器，用于暂时存放处理器601中的运算数据，以及与硬盘等外部存储器6022交换的数据，处理器601通过内存6021与外部存储器6022进行数据交换，当电子设备600运行时，处理器601与存储器602之间通过总线603通信，使得处理器601在执行以下指令：
[0144]
获取待检测密封圈的目标图像；
[0145]
基于所述目标图像，获取能够表征所述待检测密封圈的尺寸特征的目标特征数据；所述目标特征数据中的不同特征值与所述待检测密封圈的不同外边缘位置点一一对应；且任一特征值，为与该任一特征值对应的外边缘位置点和所述待检测密封圈中心之间的距离；
[0146]
将所述目标特征数据输入至预先训练的密封圈分类模型中，获取与所述待检测密封圈对应的分类结果。
[0147]
实施例七
[0148]
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密封圈分类模型的训练方法的步骤。
[0149]
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，能够执行上述密封圈分类模型的训练方法的步骤，从而提高密封圈检测的精确度。
[0150]
本申请实施例所提供的进行密封圈分类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。
[0151]
实施例八
[0152]
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密封圈的分类方法的步骤。
[0153]
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，能够执行上述密封圈的分类方法的步骤，从而提高待检测密封圈检测的精确度。
[0154]
本申请实施例所提供的进行密封圈的分类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。
[0155]
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。
[0156]
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。
[0157]
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。
[0158]
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。
[0159]
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-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0160]
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以所述权利要求的保护范围为准。