本公开涉及人工智能的，具体而言，涉及一种缺陷识别方法、装置、电子设备及存储介质。
背景技术：
1、铸造类工件的铸造质量在工业领域越来越重要。例如，连铸圆坯因其重量轻、体积小等优点在工业界被广泛使用。在连铸圆坯的生产过程中，连铸圆坯的内部质量评估至关重要。其中，连铸圆坯的表面质量检测主要依靠对酸蚀后的圆坯低倍试样进行观测，进而对各种缺陷的类别及等级进行判定。现有技术中，主要采用人工判断或者机器辅助人工判断的方式对连铸圆坯进行缺陷检测。经过酸洗后的连铸圆坯样本通过相机拍摄获得其截面图像，通过人工比对的方式，对图像中存在的缺陷进行确定。
2、相关技术中，需要在经验丰富的评级工人的协助下才能较为准确地输出缺陷检测结果。然而，人工检测及评级具有较大的主观性，可能存在误判的情况；且人工评判受外界因素影响较大，进而存在较大的误检或者误判概率。传统的计算机辅助缺陷识别模型泛化能力(generalization ability)较弱，针对特殊问题可能存在较大的检测误差，进而导致后续评级存在较大的错误概率。
技术实现思路
1、本公开实施例至少提供一种缺陷识别方法、装置、电子设备及存储介质。
2、第一方面，本公开实施例提供了一种缺陷识别方法，包括：
3、获取待处理图像；其中，所述待处理图像中包含待识别工件图像；
4、将所述待处理图像输入至缺陷识别模型中进行缺陷识别处理，得到缺陷识别结果；所述缺陷识别结果用于指示所述待识别工件的缺陷图形特征；
5、基于所述待识别工件的缺陷评级标准对所述缺陷图形特征进行分级处理，得到所述待识别工件的缺陷分级信息；
6、基于所述缺陷分级信息对初始分级模型进行训练，训练后得到目标分级模型，并基于所述目标分级模型对待识别工件进行缺陷分级识别。
7、一种可选的实施方式中，所述缺陷识别模型为深度学习语义分割模型；
8、所述将所述待处理图像输入至缺陷识别模型中进行缺陷识别处理，得到缺陷识别结果，包括：
9、将所述待处理图像输入至所述深度学习语义分割中进行缺陷检测，得到所述待识别工件的至少一种缺陷类型和每种缺陷类型的多个缺陷图形特征；
10、基于每种所述缺陷类型和每种所述缺陷类型的多个缺陷图形特征，确定所述缺陷识别结果。
11、一种可选的实施方式中，所述缺陷的数量为多个；所述基于所述待识别工件的缺陷评级标准对所述缺陷图形特征进行分级处理，得到所述待识别工件的缺陷分级信息，包括：
12、对多个所述缺陷进行分类处理，得到至少一个缺陷组；其中，相同缺陷组中所包含的缺陷的类型相同；
13、确定每个所述缺陷组中各缺陷的多个缺陷图形特征，得到至少一个缺陷特征组；
14、基于所述缺陷评级标准对每个所述缺陷特征组中的缺陷图形特征进行分级处理，得到所述缺陷分级信息。
15、一种可选的实施方式中，所述基于所述缺陷分级信息对初始分级模型进行训练，训练后得到目标分级模型，包括：
16、通过每个所述缺陷特征组和该缺陷特征组的缺陷分级信息构建训练样本，得到训练样本集合；其中，每个所述训练样本包括一个缺陷特征组和该缺陷特征组的缺陷分级信息；
17、将所述训练样本集合中的训练样本依次输入至分类模型中进行训练，训练后得到所述目标分级模型。
18、一种可选的实施方式中，所述方法还包括：
19、基于所述缺陷图形特征确定所述待识别工件的缺陷评价指标；
20、基于所述缺陷评价指标对所述待识别工件进行质量分析。
21、一种可选的实施方式中，所述基于所述缺陷图形特征确定所述待识别工件的缺陷评价指标，包括：
22、在每个所述缺陷特征组中确定特征类型相同的缺陷图形特征；
23、确定所述特征类型相同的缺陷图形特征的特征平均值；
24、将所述特征平均值确定为所述缺陷评价指标。
25、第二方面，本公开实施例提供了一种缺陷识别装置，包括：
26、获取单元，用于获取待处理图像；其中，所述待处理图像中包含待识别工件图像；
27、识别单元，用于将所述待处理图像输入至缺陷识别模型中进行缺陷识别处理，得到缺陷识别结果；所述缺陷识别结果用于指示所述待识别工件的缺陷图形特征；
28、分级处理单元，用于基于所述待识别工件的缺陷评级标准对所述缺陷图形特征进行分级处理，得到所述待识别工件的缺陷分级信息；
29、训练单元，用于基于所述缺陷分级信息对初始分级模型进行训练，训练后得到目标分级模型，并基于所述目标分级模型对待识别工件进行缺陷分级识别。
30、一种可选的实施方式中，在所述缺陷识别模型为深度学习语义分割模型的情况下，识别单元，还用于：
31、将所述待处理图像输入至所述深度学习语义分割中进行缺陷检测，得到所述待识别工件的至少一种缺陷类型和每种缺陷类型的多个缺陷图形特征；
32、基于每种所述缺陷类型和每种所述缺陷类型的多个缺陷图形特征，确定所述缺陷识别结果。
33、一种可选的实施方式中，在所述缺陷的数量为多个的情况下，分级处理单元，还用于：
34、对多个所述缺陷进行分类处理，得到至少一个缺陷组；其中，相同缺陷组中所包含的缺陷的类型相同；
35、确定每个所述缺陷组中各缺陷的多个缺陷图形特征，得到至少一个缺陷特征组；
36、基于所述缺陷评级标准对每个所述缺陷特征组中的缺陷图形特征进行分级处理，得到所述缺陷分级信息。
37、一种可选的实施方式中，分级处理单元，还用于：
38、通过每个所述缺陷特征组和该缺陷特征组的缺陷分级信息构建训练样本，得到训练样本集合；其中，每个所述训练样本包括一个缺陷特征组和该缺陷特征组的缺陷分级信息；
39、将所述训练样本集合中的训练样本依次输入至分类模型中进行训练，训练后得到所述目标分级模型。
40、一种可选的实施方式中，该装置，还用于：
41、基于所述缺陷图形特征确定所述待识别工件的缺陷评价指标；
42、基于所述缺陷评价指标对所述待识别工件进行质量分析。
43、一种可选的实施方式中，该装置，还用于：
44、在每个所述缺陷特征组中确定特征类型相同的缺陷图形特征；
45、确定所述特征类型相同的缺陷图形特征的特征平均值；
46、将所述特征平均值确定为所述缺陷评价指标。
47、第三方面，本公开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，或第一方面中任一种可能的实施方式中的步骤。
48、第四方面，本公开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，或第一方面中任一种可能的实施方式中的步骤。
49、在本技术实施例中，通过缺陷评级标准对缺陷图形特征进行分级处理的方式，可以更加准确对待识别工件进行缺陷等级，在基于该缺陷分级信息对初始分级模型进行训练之后，可以得到分级更加准确的目标分级模型。相对于现有技术通过人工比对的方式对待识别工件进行缺陷检测的技术方案，本公开技术方案能够更加准确快速的对待识别工件进行缺陷检测，并得到更加准确对待识别工件的缺陷检测结果进行分级处理。
50、为使本公开的上述目的、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。
1.一种缺陷识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述缺陷识别模型为深度学习语义分割模型；
3.根据权利要求1所述的方法，其特征在于，所述缺陷的数量为多个；所述基于所述待识别工件的缺陷评级标准对所述缺陷图形特征进行分级处理，得到所述待识别工件的缺陷分级信息，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述缺陷分级信息对初始分级模型进行训练，训练后得到目标分级模型，包括：
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述缺陷图形特征确定所述待识别工件的缺陷评价指标，包括：
7.一种缺陷识别装置，其特征在于，包括：
8.一种电子设备，其特征在于，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如权利要求1至6任一所述的缺陷识别方法的步骤。
9.一种计算机可读存储介质，其特征在于，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如权利要求1至6任一所述的缺陷识别方法的步骤。
