面向多景深X-ray图像锂电池区域的检测方法及其系统与流程

本技术涉及智能化检测，并且更具体地，涉及一种面向多景深x-ray图像锂电池区域的检测方法及其系统。

背景技术：

1、锂电池作为新型能源的代表，已广泛应用于电动汽车、储能系统、智能手机等领域。而锂电池的质量问题一直是制约其发展的重要因素之一。为了保障锂电池的质量，需要对其进行严格的检测。电池片区域检测是锂电池质量检测的基础任务之一，也是其他检测任务的前提。

2、然而，传统的电池片区域检测方法主要依赖于人工判定，效率低下、易出错。并且，现有的锂电池区域检测方法主要面向单一景深图像，对于多景深图像的检测效果并不理想。

3、因此，期望一种优化的面向多景深x-ray图像锂电池区域的检测方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种面向多景深x-ray图像锂电池区域的检测方法及其系统，其获取x-ray锂电池图像；采用基于深度学习的人工智能技术，挖掘x-ray锂电池图像中关于电池区域图像隐含特征的充分表达，并基于电池区域图像的隐含特征进行解码，以对锂电池电池位置区域进行精准识别，进而提高对于锂电池质量检测的精准度。

2、第一方面，提供了一种面向多景深x-ray图像锂电池区域的检测方法，其包括：

3、获取x-ray锂电池图像；

4、将所述x-ray锂电池图像输入基于金字塔网络的编码器以得到第一至第五检测特征图；

5、基于第一至第五检测特征图的传递，将所述第五检测特征图通过解码器以得到锂电池特征矩阵，其中，所述解码器与所述编码器具有对称的网络结构；以及

6、对所述锂电池特征矩阵进行图像语义分割以得到包含锂电池电池位置区域掩码的解码图像。

7、在上述面向多景深x-ray图像锂电池区域的检测方法中，将所述x-ray锂电池图像输入基于金字塔网络的编码器以得到第一至第五检测特征图，包括：将所述x-ray锂电池图像输入所述编码器的第一卷积模块以得到所述第一检测特征图；将所述第一检测特征图输入所述编码器的第二卷积模块以得到所述第二检测特征图；将所述第二检测特征图输入所述编码器的第三卷积模块以得到所述第三检测特征图；将所述第三检测特征图输入所述编码器的第四卷积模块以得到所述第四检测特征图；以及，将所述第四检测特征图输入所述编码器的第五卷积模块以得到所述第五检测特征图。

8、在上述面向多景深x-ray图像锂电池区域的检测方法中，基于第一至第五检测特征图的传递，将所述第五检测特征图通过解码器以得到锂电池特征矩阵，其中，所述解码器与所述编码器具有对称的网络结构，包括：将所述第五检测特征图输入所述解码器的第一反卷积模块以得到第五解码特征图；将所述第五检测特征图通过多尺度特征提取模块传递至所述第一反卷积模块以得到第五传递特征图；以及，融合所述第五传递特征图和所述第五解码特征图以得到第五融合解码特征图作为所述解码器的第二反卷积模块的输入。

9、在上述面向多景深x-ray图像锂电池区域的检测方法中，将所述第五检测特征图通过多尺度特征提取模块传递至所述第一反卷积模块以得到第五传递特征图，包括：将所述第五检测特征图通过所述多尺度特征提取模块的第一卷积层以得到第一尺度特征图；将所述第五检测特征图通过所述多尺度特征提取模块的第二至第四卷积层以得到第二至第四尺度特征图，其中，所述第二至第四卷积层分别使用具有不同空洞率的空洞卷积核；对所述第五检测特征图进行沿通道维度的全局均值处理以得到第五检测全局特征矩阵；以及，融合所述第一尺度特征图、所述第二至第四尺度特征图和所述第五检测全局特征矩阵以得到所述第五传递特征图。

10、在上述面向多景深x-ray图像锂电池区域的检测方法中，融合所述第一尺度特征图、所述第二至第四尺度特征图和所述第五检测全局特征矩阵以得到所述第五传递特征图，包括：以如下融合公式来融合所述第一尺度特征图、所述第二至第四尺度特征图和所述第五检测全局特征矩阵以得到所述第五传递特征图；其中，所述融合公式为：

11、fc＝concat[f1，f2，f3，f4，m5]

12、其中，f1，f2，f3，f4，m5表示所述第一尺度特征图、所述第二至第四尺度特征图和所述第五检测全局特征矩阵，concat[·]表示级联函数，fc表示所述第五传递特征图。

13、在上述面向多景深x-ray图像锂电池区域的检测方法中，还包括训练步骤：用于对所述编码器和所述解码器进行训练。

14、在上述面向多景深x-ray图像锂电池区域的检测方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括训练x-ray锂电池图像，以及，所述包含锂电池电池位置区域掩码的解码图像的真实图像；将所述训练x-ray锂电池图像输入所述基于金字塔网络的编码器以得到第一至第五训练检测特征图；基于第一至第五训练检测特征图的传递，将所述第五训练检测特征图通过所述解码器以得到训练锂电池特征矩阵，其中，所述解码器与所述编码器具有对称的网络结构；对所述训练锂电池特征矩阵进行类傅里叶尺度域概率修正以得到优化训练锂电池特征矩阵；对所述优化训练锂电池特征矩阵进行图像语义分割以得到包含锂电池电池位置区域掩码的解码图像；计算所述解码图像和所述真实图像之间的均方误差值；以及，以所述均方误差值作为损失函数值并通过梯度下降的反向传播来对所述编码器和所述解码器进行训练。

15、在上述面向多景深x-ray图像锂电池区域的检测方法中，对所述训练锂电池特征矩阵进行类傅里叶尺度域概率修正以得到优化训练锂电池特征矩阵，包括：以如下优化公式对所述训练锂电池特征矩阵进行类傅里叶尺度域概率修正以得到所述优化训练锂电池特征矩阵；其中，所述优化公式为：

16、

17、其中，mi，j是所述训练锂电池特征矩阵的第(i，j)位置的特征值，w和h分别是所述训练锂电池特征矩阵的高度和宽度，且α和β为用于尺度调节的超参数，exp(·)表示计算以数值为幂的自然指数函数值，m′i，j是所述优化训练锂电池特征矩阵的第(i，j)位置的特征值。

18、第二方面，提供了一种面向多景深x-ray图像锂电池区域的检测系统，其包括：

19、图像获取模块，用于获取x-ray锂电池图像；

20、编码模块，用于将所述x-ray锂电池图像输入基于金字塔网络的编码器以得到第一至第五检测特征图；

21、解码模块，用于基于第一至第五检测特征图的传递，将所述第五检测特征图通过解码器以得到锂电池特征矩阵，其中，所述解码器与所述编码器具有对称的网络结构；以及

22、图像语义分割模块，用于对所述锂电池特征矩阵进行图像语义分割以得到包含锂电池电池位置区域掩码的解码图像。

23、在上述面向多景深x-ray图像锂电池区域的检测系统中，所述编码模块，包括：第一卷积单元，用于将所述x-ray锂电池图像输入所述编码器的第一卷积模块以得到所述第一检测特征图；第二卷积单元，用于将所述第一检测特征图输入所述编码器的第二卷积模块以得到所述第二检测特征图；第三卷积单元，用于将所述第二检测特征图输入所述编码器的第三卷积模块以得到所述第三检测特征图；第四卷积单元，用于将所述第三检测特征图输入所述编码器的第四卷积模块以得到所述第四检测特征图；以及，第五卷积单元，用于将所述第四检测特征图输入所述编码器的第五卷积模块以得到所述第五检测特征图。

24、与现有技术相比，本技术提供的面向多景深x-ray图像锂电池区域的检测方法及其系统，其获取x-ray锂电池图像；采用基于深度学习的人工智能技术，挖掘x-ray锂电池图像中关于电池区域图像隐含特征的充分表达，并基于电池区域图像的隐含特征进行解码，以对锂电池电池位置区域进行精准识别，进而提高对于锂电池质量检测的精准度。