基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统与流程

本发明涉及极片极耳检测，具体涉及基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统。

背景技术：

动力电池是指具有较大电能容量和输出功率，可配置电动自行车、电动汽车、电动设备及工具驱动电源的电池，通常也包括在军事上的潜艇与高级智能机器人及企事业单位使用的蓄能设备、通讯指挥系统的常备电源等。随着新兴的电动自行车、电动汽车的开发和商业化生产、新型潜艇及无人水下航行器的发展，使得社会对新型动力电池的需求大幅度增加。

动力锂离子电池极片在生产过程中，会因为在涂布工艺中由于涂布机、辊压机等原因造成正负极的露箔、暗斑、亮斑、掉料等缺陷，这样会严重影响电池的性能和使用寿命。因此在制片后会通过人工检测或采用传统机器视觉自动化检测，但是由于人工易受主观因素影响导致漏检频发，检测效率低下，而传统机器视觉算法无法覆盖生产中的各种缺陷且分类效果较差从而导致经常发生误检，因此基于深度学习的卷积神经网络与计算机视觉检测必将代替人工检测与传统机器视觉检测成为未来主要发展方向。

动力锂离子电池极片自动检测方法(201310549948.8)，该专利着重描述检测机械结构，而对视觉检测方法没有重点描述。

目前传统机器视觉的动力锂离子电池极片缺陷检测，由工业线扫相机、高亮线型光源、工控机及图像处理算法构成。但由于动力锂离子电池正负极片需要检测正反两面，因此需要2组相机同时工作来满足检测要求。由于对极片表面与极耳的检测要求不同，所以对应每组相机都会有多种算法相结合。为了能对缺陷进行分类，这些算法耦合叠加后会形成一套复杂的映射关系，检测稳定性会受到较大影响，并且需操作人员具有很强的先验知识储备才能对系统进行调试。极片与极耳焊接一体图见图1，极耳见图2，极片极耳缺陷图片见附图6。

技术实现要素：

本发明的目的是为了克服现有技术中基于传统机器视觉方案安装调试复杂、检测环境要求苛刻和需要调试工人具备较强的先验知识的不足，提供针对动力锂离子电池极片极耳的基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统。

本发明的技术方案：基于卷积神经网络的极片极耳缺陷检测模型的构建方法，包括：

(1)图像预处理：将输入图片进行双高斯差分，分割为极片和极耳两类数据；

(2)数据标注：对步骤(1)分割得到的极片图像数据中的缺陷进行位置标注，对极耳图像数据进行分类标注；

(3)神经网络的构建：设计四个卷积神经模型，模型1为提取图像固定维度特征的神经网络模型；模型2在模型1的基础上添加分类层，用于对极耳缺陷特征进行分类，模型3在模型1的基础上对极片缺陷检测出的特征进行多尺度边界回归以确定锚框方位，再通过非极大值抑制方法确定主要边界框体；模型4在模型1的基础上对极片缺陷边界回归主体输出的特征向量进行分类；

将模型1作为图像固定维度特征提取模型，将模型2作为极耳缺陷分类模型，模型3、4通过多尺度融合成为极片缺陷检测模型；

(4)模型训练：对极耳缺陷分类模型和极片缺陷检测模型进行模型训练；

(5)创建损失函数：分别针对极耳缺陷分类模型和极片缺陷检测模型创建损失函数，将两个损失相加得到最终损失函数；

(6)模型评估：分别对极耳缺陷分类模型和极片缺陷检测模型进行评估；

(7)模型融合：依据模型评估结果得到极耳缺陷分类与极片缺陷检测的最优模型，通过concentrate函数将两种模型作为子模型融合成一个最优融合模型，以加快检测速度；

(8)数据推理：将经过图像预处理分割出的极耳与极片图像数据转换成张量数据同时进入步骤(7)的最优融合模型，在数据向前传播的过程中，极耳的张量数据进入极耳缺陷分类子模型，极片的张量数据进入极片缺陷检测子模型，最后经过置信度阈值的调整输出检测结果。

进一步的，步骤(4)中，分别将极片图像数据和极耳图像数据分为80％的训练数据集与20％的验证数据集，采用多卷积层，小卷积核的方法，利用训练集和验证集分别对极耳缺陷分类模型和极片缺陷检测模型进行训练并在每次迭代后对训练集进行验证。

进一步的，步骤(5)中，针对极耳缺陷分类模型，创建softmax交叉熵损失函数，用于表征真实样本和预测概率之间的差值；针对极片缺陷检测模型，创建huber损失函数，用于计算边界框回归主体；然后将这两个损失相加得到最终损失函数。

进一步的，步骤(6)中，采用准确率来评价极耳缺陷分类结果，对极片缺陷检测边界框的预测采用平均绝对误差来评价结果；若极耳缺陷分类结果平均准确率小于98.5％，极片缺陷检测边界框的预测平均召回率小于98.5％，则调整超参数据后重新训练。

本发明还提供一种基于卷积神经网络的极片极耳缺陷检测方法，包括：

s1：采集图像，将采集的图像数据通过电缆传输至工控机；

s2：对图像数据进行预处理，通过双高斯差分分割为极片和极耳两类数据；

s3：将步骤s2的两组图像数据转换成张量数据并输入前面方法构建的最优融合模型；

s4：极耳的张量数据通过极耳缺陷分类推理，输出极耳分类结果；极片的张量数据通过极片缺陷检测，输出缺陷位置分类结果、边框坐标、置信度；

s5：通过评级标准将产品分为合格和不合格两种品类。

进一步的，步骤s1中，在极片极耳的正反两面利用线扫描工业相机并行采集图像。

本发明还提供一种基于卷积神经网络的极片极耳缺陷检测系统，具有：

图像数据获取单元，利用线扫描工业相机并行，在焊接的极片极耳的正反两面采集图像，并通过电缆传输至工控机；

图像数据预处理单元，通过双高斯差分分割为极片和极耳两类数据；

检测单元，利用前面所述的方法构建极片极耳缺陷检测模型，将两组图像数据转化程张量数据并输入该极片极耳缺陷检测模型；

结果输出单元，经过检测单元后输出极耳分类结果，极片缺陷位置分类结果、边框坐标、置信度，并通过评级标准给出合格和不合格结论。

极片由集流体箔材及其两侧的涂层组成，极耳焊接于极片的一端。评级标准为各企业的产品合格评价标准。

本发明优点：

1、不同位置的缺陷分类可以由同一卷积神经网络合并输出。二组相机采集可以并行计算减少检测耗时，提高效率。

2、通过深度学习的方法，神经网络会学习图像数据特征并加以泛化。避免传统算法耦合叠加，最终检测效果也远优于传统算法。

附图说明

图1为动力锂离子电池焊接的极片极耳示例图；

图2为动力锂离子电池极耳示例图；

图3为极片缺陷检测模型结构；

图4为模型训练流程图；

图5为实施例1极片极耳缺陷检测系统结构图；

图6为动力锂离子电池极耳与极耳缺陷示例图，其中a为极耳裂口，b为极耳豁口，c为极片颗粒，d为极片气泡，e为极片露箔。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种修改或改动，这些等价形式同样落于本申请所附权利要求书所限定的范围。

实施例1

一种基于卷积神经网络的极片极耳缺陷检测系统，具有：

图像数据获取单元，利用线扫描工业相机并行，在焊接的极片极耳的正反两面采集图像，并通过电缆传输至工控机。

图像数据预处理单元，通过双高斯差分分割为极片和极耳两类数据。

检测单元，利用实施例2记载的方法构建极片极耳缺陷检测模型，将两组图像数据转化程张量数据并输入该极片极耳缺陷检测模型。

结果输出单元，经过检测单元后输出极耳分类结果，极片缺陷位置分类结果、边框坐标、置信度，并通过评级标准给出合格和不合格结论。

实施例2

一种基于卷积神经网络的极片极耳缺陷检测方法，包括：

s1：采集图像，将采集的图像数据通过电缆传输至工控机。

s2：对图像数据进行预处理，通过双高斯差分分割为极片和极耳两类数据。

s3：将步骤s2的两组图像数据转换成张量数据并输入极片极耳缺陷检测模型，该模型构建方法如下：

(1)图像预处理：将输入图片进行双高斯差分，分割为极片和极耳两类数据。

(2)数据标注：对步骤(1)分割得到的极片图像数据中的缺陷进行位置标注，对极耳图像数据进行分类标注。

(3)神经网络的构建：设计四个卷积神经模型，模型1为提取图像固定维度特征的神经网络模型；模型2在模型1的基础上添加分类层，用于对极耳缺陷特征进行分类，模型3在模型1的基础上对极片缺陷检测出的特征进行多尺度边界回归以确定锚框方位，再通过非极大值抑制方法确定主要边界框体；模型4在模型1的基础上对极片缺陷边界回归主体输出的特征向量进行分类；

模型1：提取图像固定维度特的神经网络模型结构如下表：

模型3、4：极片缺陷检测模型结构见附图3。

将模型1作为图像固定维度特征提取模型，将模型2作为极耳缺陷分类模型，模型3、4通过多尺度融合成为极片缺陷检测模型。

(4)模型训练：分别将极片图像数据和极耳图像数据分为80％的训练数据集与20％的验证数据集，采用多卷积层，小卷积核的方法，利用训练集和验证集分别对极耳缺陷分类模型和极片缺陷检测模型进行训练并在每次迭代后对训练集进行验证。模型训练流程图见附图4。

(5)创建损失函数：针对极耳缺陷分类模型，创建softmax交叉熵损失函数，用于表征真实样本和预测概率之间的差值；针对极片缺陷检测模型，创建huber损失函数，用于计算边界框回归主体；然后将这两个损失相加得到最终损失函数。

(6)模型评估：采用准确率来评价极耳缺陷分类结果，对极片缺陷检测边界框的预测采用平均绝对误差来评价结果；若极耳缺陷分类结果平均准确率小于98.5％，极片缺陷检测边界框的预测平均召回率小于98.5％，则调整超参数据后重新训练。

(7)模型融合：依据模型评估结果得到极耳缺陷分类与极片缺陷检测的最优模型，通过concentrate函数将两种模型作为子模型融合成一个最优融合模型，以加快检测速度。

(8)数据推理：将经过图像预处理分割出的极耳与极片图像数据转换成张量数据同时进入步骤(7)的最优融合模型，在数据向前传播的过程中，极耳的张量数据进入极耳缺陷分类子模型，极片的张量数据进入极片缺陷检测子模型，最后经过置信度阈值的调整输出检测结果。

s4：极耳的张量数据通过极耳缺陷分类推理，输出极耳分类结果；极片的张量数据通过极片缺陷检测，输出缺陷位置分类结果、边框坐标、置信度。

s5：通过评级标准将产品分为合格和不合格两种品类。

本发明在模型训练过程中就已经结合损失函数与模型评价结果来决定是否在追加数据或调整超参再训练，最后取分类与边框效果最优的卷积神经网络模型进行融合后当作最终网络模型。因此在缺陷推理过程种通过置信度阈值设置已经排除98.5％以上的不确定因素，因此本发明方法对缺陷检测的准确率度大于等于98.5％。

实施例3

试验公司：天津市捷威动力工业有限公司

公司地址：天津市西青区汽车工业园开源路11号

选取10个不合格与10个合格的极片与极耳结合体样品将其混合摆放，其中1号的极片为露薄缺陷，5号的极片有暗痕缺陷，6号的极片有气泡缺陷，9号的极片有颗粒缺陷，10号的极耳有裂口缺陷，13号的极耳有弯折缺陷，14号的极耳有褶皱缺陷，17号的极耳有划痕缺陷，19号的极耳与极片各有褶皱与露薄缺陷，20号的极耳与极片各有弯折与暗痕缺陷。利用实施例2的方法对该20个产品进行检测。

具体检测过程如下：

s1：采集图像，将采集的图像数据通过电缆传输至工控机；

s2：对图像数据进行预处理，通过双高斯差分分割为极片和极耳两类数据；

s3：将步骤s2的两组图像数据转换成张量数据并输入实施例2记载的方法构建的最优融合模型；

s4：极耳的张量数据通过极耳缺陷分类推理，输出极耳分类结果；极片的张量数据通过极片缺陷检测，输出缺陷位置分类结果、边框坐标、置信度；

s5：通过评级标准将产品分为合格和不合格两种品类。

检测结果显示，20个产品中1号的极片为露薄缺陷，5号的极片有暗痕缺陷，6号的极片有气泡缺陷，9号的极片有颗粒缺陷，10号的极耳有裂口缺陷，13号的极耳有弯折缺陷，14号的极耳有褶皱缺陷，17号的极耳有划痕缺陷，19号的极耳与极片各有褶皱与露薄缺陷，20号的极耳与极片各有弯折与暗痕缺陷，其余均为合格品且与预设相同，表明本发明的方案可用于极片极耳的缺陷检测。