本发明涉及质量检测，具体而言，涉及一种基于计算机视觉的冲压件质量检测方法及系统。
背景技术：
1、冲压件的质量检测是一个关键环节，它直接关系到产品的最终质量和可靠性。目前已经有一些使用计算机视觉处理技术来对冲压件进行质检的方案，这些现有方式基本都是提取冲压件的冲压区域的轮廓特征，再将提取的轮廓特征与设计轮廓特征进行偏差计算，在偏差度大于偏差阈值时即认定为不合格。
2、但是，上述这种基于单一因素对冲压件进行质检的方式，仅对那些存在明显冲压质量问题的冲压件进行质检，而对于那些非明显的冲压质量问题的冲压件，就很容易误判定为质检合格，这会导致冲压件产品中存在过高比率的不合格产品，难以满足实际生产需要。
技术实现思路
1、为了解决上述背景技术中存在的技术问题，本发明提供了一种基于计算机视觉的冲压件质量检测方法、系统、电子设备及计算机存储介质。
2、本发明提供了一种基于计算机视觉的冲压件质量检测方法，包括如下步骤：
3、获取冲压完成的冲压件的高清图像，基于计算机视觉技术从所述高清图像中提取得出所述冲压件的外观特征集；其中，所述外观特征集中包括轮廓信息、深度信息、颜色信息、纹理信息；
4、使用第一质检模型对所述外观特征集进行处理分析，获得第一合格评估值，若所述第一合格评估值高于第一评估阈值，则生成并输出质检合格结论信息；以及，若所述第一合格评估值低于第二评估阈值，则生成并输出质检不合格结论信息；
5、若所述第一合格评估值低于第一评估阈值但高于第二评估阈值，则将所述外观特征集输入第二质检模型，所述第二质检模型输出第二合格评估值；
6、若所述第二合格评估值高于第三评估阈值，则生成并输出质检合格结论信息，否则生成并输出质检不合格结论信息；
7、其中，所述第一质检模型对于冲压件的非明显缺陷的识别能力低于所述第二质检模型。
8、可选地，所述第一质检模型基于支持向量机、高斯朴素贝叶斯、隐马尔科夫模型、随机森林中的任一种构建；所述第二质检模型基于深度学习算法构建，所述深度学习算法是卷积神经网络、循环神经网络、长短期记忆网络、transformer中的任一种。
9、可选地，所述基于计算机视觉技术从所述高清图像中提取得出所述冲压件的外观特征集，包括：
10、对所述高清图像进行朝向校正处理，调取预设的冲压区域分布信息，根据所述冲压区域分布信息从所述高清图像中确定得出各冲压区域；
11、基于计算机视觉技术从所述冲压区域对应的图像中提取得出子外观特征集，将各所述子外观特征集进行矩阵转化、矩阵融合，获得所述外观特征集。
12、可选地，所述第二质检模型通过如下方式训练得到：
13、本地网络节点采用所述深度学习算法构建所述第二质检模型的基础模型，将所述基础模型发布于协同网络中；
14、该协同网络中的协同网络节点接收所述基础模型，并根据发布信息中的模型应用场景信息自行收集对应的训练数据集，使用所述训练数据集对所述基础模型进行训练；
15、在各所述协同网络节点对所述基础模型进行训练的过程中，所述本地网络节点通过所述协同网络向各所述协同网络节点发布训练策略更新信息，各所述协同网络节点根据所述训练策略更新信息调整训练方式，直到所述基础模型达到训练终止条件，提取各所述基础模型的模型关键参数并将其反馈给所述本地网络节点；
16、所述本地网络节点接收各所述模型关键参数，将各所述模型关键参数导入目标基础模型中，并使用测试数据集对所述目标基础模型进行测试，根据测试结果从各所述模型关键参数中确定出目标模型关键参数；其中，所述目标基础模型是所述本地网络节点训练得出的；
17、将所述目标模型关键参数导入所述目标基础模型中，即获得所述第二质检模型。
18、可选地，所述本地网络节点通过所述协同网络向各所述协同网络节点发布训练策略更新信息，包括：
19、所述本地网络节点通过所述协同网络获取各所述协同网络节点的训练数据集中包含的训练数据类型的第一数量，以及各所述协同网络节点已经用于训练的训练数据类型的第二数量；
20、根据所述第一数量、所述第二数量确定得出训练终止条件的严苛度，根据训练终止条件的严苛度生成所述训练策略更新信息，通过所述协同网络向各所述协同网络节点发布所述训练策略更新信息。
21、可选地，所述严苛度与所述第一数量正相关，以及与所述第二数量负相关。
22、本发明还提供了一种基于计算机视觉的冲压件质量检测系统，包括特征提取模块、第一处理模块、第二处理模块；
23、所述特征提取模块，用于获取冲压完成的冲压件的高清图像，基于计算机视觉技术从所述高清图像中提取得出所述冲压件的外观特征集；其中，所述外观特征集中包括轮廓信息、深度信息、颜色信息、纹理信息；
24、所述第一处理模块，用于使用第一质检模型对所述外观特征集进行第一处理分析，获得第一合格评估值，若所述第一合格评估值高于第一评估阈值，则生成并输出质检合格结论信息；以及，若所述第一合格评估值低于第二评估阈值，则生成并输出质检不合格结论信息；
25、所述第二处理模块，用于若所述第一合格评估值低于第一评估阈值但高于第二评估阈值，则将所述外观特征集输入第二质检模型，所述第二质检模型输出第二合格评估值；若所述第二合格评估值高于第三评估阈值，则生成并输出质检合格结论信息，否则生成并输出质检不合格结论信息；
26、其中，所述第一质检模型对于冲压件的非明显缺陷的识别能力低于所述第二质检模型。
27、本发明还提供了一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如前任一项所述的方法。
28、本发明还提供了一种计算机存储介质，该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如上任一项所述的方法。
29、本发明还提供了一种计算机程序产品，所述计算机程序产品中包含计算机代码，所述计算机代码被电子设备的处理器执行时，实现如上任一项所述的方法。
30、本发明的有益效果在于：
31、本发明方案设置了两个质检模型，即第一质检模型、第二质检模型，两个模型的处理能力存在差别，第一质检模型的处理能力相比于第二质检模型更弱，其通过简单的识别方法来处理那些存在明显质量问题的冲压件，二质检模型则采用更复杂的方法识别那些不存在明显质量问题的冲压件。于是，本发明通过使用两种高低不同处理能力的质检模型相互配合，实现了对存在明显或不明显质量问题的冲压件均能进行识别，从而可显著提高冲压件的良品率。
1.一种基于计算机视觉的冲压件质量检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于计算机视觉的冲压件质量检测方法，其特征在于：所述第一质检模型基于支持向量机、高斯朴素贝叶斯、隐马尔科夫模型、随机森林中的任一种构建；所述第二质检模型基于深度学习算法构建，所述深度学习算法是卷积神经网络、循环神经网络、长短期记忆网络、transformer中的任一种。
3.根据权利要求2所述的一种基于计算机视觉的冲压件质量检测方法，其特征在于：基于计算机视觉技术从所述高清图像中提取得出所述冲压件的外观特征集，包括：
4.根据权利要求2所述的一种基于计算机视觉的冲压件质量检测方法，其特征在于：所述第二质检模型通过如下方式训练得到：
5.根据权利要求4所述的一种基于计算机视觉的冲压件质量检测方法，其特征在于：本地网络节点通过所述协同网络向各所述协同网络节点发布训练策略更新信息，包括：
6.根据权利要求5所述的一种基于计算机视觉的冲压件质量检测方法，其特征在于：所述严苛度与所述第一数量正相关，以及与所述第二数量负相关。
7.一种基于计算机视觉的冲压件质量检测系统，包括特征提取模块、第一处理模块、第二处理模块；其特征在于：
8.一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；其特征在于：所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-6任一项所述的方法。
9.一种计算机存储介质，该存储介质上存储有计算机程序，其特征在于：该计算机程序被处理器运行时执行如权利要求1-6任一项所述的方法。
10.一种计算机程序产品，其特征在于：所述计算机程序产品中包含计算机代码，所述计算机代码被电子设备的处理器执行时，实现如权利要求1-6任一所述的方法。
