锂电池极片表面缺陷的检测系统及方法

本发明属于计算机视觉的，具体涉及一种锂电池极片表面缺陷的检测系统及方法。

背景技术：

1、现有技术中，对锂电池的极片进行缺陷视觉识别的技术中，存在一种使用yolov7及更低版本的yolo网络为主体的检测方法。例如，专利号为cn202211552287.x、发明名称为《一种基于yolov7的锂电池极片翻折缺陷检测方法》的中国专利，采用聚合网络结合yolov7对翻折缺陷进行针对性训；专利号为cn202211681008.x、发明名称为《基于yolov5的锂电池缺陷检测方法、系统、设备以及存储介质》的中国专利，采用分割图像结合yolov5的方式检测表面缺陷。

2、在现有技术中，当针对锂电池极片的表面缺陷检测采用ct图像或红外图像时，所采用的相关方法常为非深度学习的方式，并没有与yolo模型相结合的内容。

3、但是，现有技术中采用的yolo网络检测锂电池极片表面缺陷的方式，存在下列问题：

4、（1）没有对输入的图像进行合理的预处理，导致yolo网络在识别相关缺陷前，检测网络的输入图像就已经丢失部分相关缺陷的特征，导致检测忽略实际锂电池极片所存在的缺陷，降低了检测的准确度，部分现有技术即使有预处理的过程，也只是简单的尺寸处理或图像噪声去除，没有考虑到如何在输入图像到深度学习网络前强化表面缺陷的特征信息；

5、（2）采用的yolo网络版本过低，均为yolov7及更低的版本，且缺乏针对全面锂电池极片表面检测的场景进行单独的结构优化，只能通过对yolo网络的参数调整进行低效率检测，且yolov7网络的结构较为笨重没有轻量化，使用已有的yolov7网络难以提高检测效率，在工业应用时部署也将占用更多的计算资源和存储空间，不利于提升实际应用落地；

6、（3）针对的缺陷检测类型过少，例如只检测翻折缺陷；

7、（4）部分现有技术需要分割原始的图像再进行检测识别，导致yolo网络运算量过大而影响检测效率。

技术实现思路

1、为了克服现有技术存在的缺陷与不足，本发明的第一目的在于提供一种锂电池极片表面缺陷的检测系统，第二目的在于提供一种锂电池极片表面缺陷的检测方法，通过所设计的图像增强处理方式和对yolov8网络的轻量化改进，实现。

2、为了达到上述目的，本发明采用以下技术方案：

3、一种锂电池极片表面缺陷的检测系统，包括相互连接的图像预处理模块、改进型极片缺陷深度学习网络；

4、图像预处理模块用于对锂电池极片的原始表面图像进行预处理得到增强图像；

5、图像预处理模块包括去噪模块、增强模块；

6、去噪模块用于对原始表面图像进行k-近邻均值滤波得到去噪图像；

7、增强模块与去噪模块连接，用于通过小波变换的线性调整和多尺度细节增强的方式处理去噪图像的低频分量、高频分量得到增强图像；

8、改进型极片缺陷深度学习网络用于从增强图像中获取锂电池极片的表面缺陷；

9、改进型极片缺陷深度学习网络包括主干网络模块、颈部模块、注意力机制模块、头部模块；

10、主干网络模块与增强模块连接，用于对增强图像中的表面缺陷进行特征提取；

11、颈部模块与主干网络模块连接，用于对提取的特征进行轻量化卷积、采样处理；

12、注意力机制模块与颈部模块连接，用于对表面缺陷的特征进行强化学习；

13、头部模块与注意力机制模块连接，用于根据强化学习后的特征，识别表面缺陷在增强图像中的类型、位置。

14、优选地，还包括图像获取模块；

15、图像获取模块与去噪模块连接，用于拍摄锂电池极片表面的原始表面图像。

16、优选地，还包括工件分类模块；

17、工件分类模块与头部模块连接，用于将存在表面缺陷的锂电池极片工件与工业标准设计数模进行拟合对比，对锂电池极片工件是否合格进行分类。

18、优选地，图像预处理模块还包括尺寸设置模块；

19、尺寸设置模块分别与增强模块、主干网络模块连接，用于将增强图像处理为设定的标准尺寸后输入到主干网络模块。

20、优选地，改进型极片缺陷深度学习网络预先经过训练，在训练时采用eiou损失函数；

21、eiou损失函数如下式所示：

22、，

23、，

24、，

25、，

26、其中，a={x,y,w,h}为预测框的参数，b= {x',y',w',h'}为真实框的参数，c为预测框叠加真实框的最小面积，ρ代表b与bgt之间的距离，α代表权重函数，v用来度量预测框与真实框各自长宽比的相似性，c代表包含预测框和真实框的最小区域对角线之间的距离，wc、hc分别为最小外接矩形的宽度、最小外接矩形的高度，b、bgt、w、wgt、h、hgt分别为预测框或真实框的中心点、宽度、高度，gt表示真实框，{ x,y }、{ x',y'}分别为预测框、真实框中心点的坐标， iou为预测框与真实框的交并比。

27、优选地，改进型极片缺陷深度学习网络的结构，为在yolov8网络的基础上进行的改进；

28、主干网络模块、头部模块分别为yolov8网络中原有的backbone网络、head网络；

29、颈部模块为对yolov8网络中原有的neck网络替换为轻量化卷积的方式；

30、注意力机制模块设于颈部模块与yolov8网络原有head网络中间。

31、优选地，颈部模块包括两个轻量卷积模块、四个轻量跨阶段部分特征融合模块、两个上采样模块、两个下采样模块；

32、第一个轻量卷积模块分别主干网络模块、第一个上采样模块、第四个轻量跨阶段部分特征融合模块；第一个上采样模块连接第一个轻量跨阶段部分特征融合模块；第一个轻量跨阶段部分特征融合模块分别连接主干网络模块、第二个轻量卷积模块；第二个轻量卷积模块分别连接第二个上采样模块、第三个轻量跨阶段部分特征融合模块；第二个上采样模块连接第二个轻量跨阶段部分特征融合模块；第二个轻量跨阶段部分特征融合模块分别连接主干网络模块、第一个下采样模块；第一个下采样模块连接第三个轻量跨阶段部分特征融合模块；第三个轻量跨阶段部分特征融合模块连接第二个下采样模块。

33、进一步地，轻量卷积模块用于先进行一次普通卷积得到部分的基础特征图，再对基础特征图进行廉价卷积线性变换得到ghost特征图；

34、轻量跨阶段部分特征融合模块的结构为：两个卷积模块分别设置在输入端、输出端，一个分割模块与输入端的卷积模块连接，多个轻量卷积瓶颈层分为对称的两大块分别与分割模块连接，每个轻量卷积瓶颈层分别连接一个连接模块，连接模块再连接输出端的卷积模块；

35、轻量卷积瓶颈层的结构为：三个轻量卷积模块依次连接后，再整体并行接入一个卷积模块，卷积模块的输出与轻量卷积瓶颈层中最后一个轻量卷积模块分别接入同一个连接模块。

36、优选地，注意力机制模块包括三个并行的坐标注意力模块；

37、坐标注意力模块分别与颈部模块、头部模块连接，用于加强对表面缺陷的特征学习。

38、一种基于前述第一项锂电池极片表面缺陷的检测系统的锂电池极片表面缺陷的检测方法，包括步骤如下：

39、对锂电池极片的原始表面图像，先进行k-近邻均值滤波得到去噪图像，然后采用小波变换的线性调整和多尺度细节增强的方式处理去噪图像的低频分量、高频分量得到增强图像；

40、使用预先经过训练的改进型极片缺陷深度学习网络，先对增强图像中的表面缺陷进行特征提取，然后对提取的特征进行轻量化卷积、采样处理，接着对表面缺陷的特征进行强化学习，最后根据强化学习后的特征识别表面缺陷在增强图像中的类型、位置。

41、本发明与现有技术相比，具有如下优点和有益效果：

42、本发明对输入的原始表面图像进行k-近邻均值滤波、多尺度细节小波变换的低对比度图像增强，且无需分割原始表面图像再进行检测识别，能够在识别相关表面缺陷前强化其特征，降低了运算量，提高了检测的准确度；

43、本发明在高版本的yolov8网络基础上，针对全面锂电池极片表面缺陷检测的场景对结构进行优化，采用了改进neck网络的颈部模块并引入了注意力机制模块，得到结构较轻量化的改进型极片缺陷深度学习网络，同时提高检测效率，在工业应用时的部署也减少了占用的计算资源和存储空间，符合实际生产需求；

44、本发明能检测的锂电池极片表面缺陷类型全面。