一种固体氧化物燃料电池表面缺陷检测方法及系统

本发明属于燃料电池领域，更具体地，涉及一种固体氧化物燃料电池表面缺陷检测方法及系统。

背景技术：

1、固体氧化物燃料电池(sofc)因其高效、环保、可靠等诸多优点，广泛应用于能源领域，成为能源转型和可持续发展的关键技术之一。然而，sofc电池片的制造过程中难免会产生表面缺陷，这些缺陷可能会影响电池性能和寿命。

2、当前，传统的电池片表面缺陷检测方法主要依赖于人工视觉观察，这种方法主观性强且费时费力。虽然机器视觉系统能够取代人眼进行检测，但在实际应用中仍存在诸多问题和挑战，特别是在需要手动设计基于经验的传统图像特征来区分缺陷和非缺陷时。近年来，深度学习技术在图像特征提取方面取得显著进展。

3、由于在实际固体氧化物燃料电池片生产中很难事先收集到足够的缺陷样本，因此，采用基于有监督学习方法对电池片表面缺陷检测，训练样本中缺陷样本较少，正负样本不平衡，可能导致生成的模型不稳定或无效，检准确性不高，且容易导致过拟合，泛化能力低；并且，人工标注缺陷样本的成本高昂，特别是针对多种不同类型的缺陷，需要大量人力资源。无监督方法虽然有效地弥补了监督方法的不足，但由于无监督方法只依赖正样本数据进行训练，在训练过程中缺少电池片表面缺陷信息的指导，因此无法保证对于每种类型的缺陷样本都能获得良好的检测效果。

技术实现思路

1、针对现有技术的缺陷和改进需求，本发明提供了一种固体氧化物燃料电池表面缺陷检测方法及系统，其目的在于提升检测准确性。

2、为实现上述目的，按照本发明的第一方面，提供了一种固体氧化物燃料电池表面缺陷检测方法，包括：

3、训练阶段：

4、采用训练集训练缺陷恢复模型，所述训练集中的训练样本为生产线上检验合格的固体氧化物燃料电池图像；所述缺陷恢复模型包括：鉴别器d、生成器g和编码器e；其中，鉴别器d和生成器g构成对抗网络，编码器e和生成器g构成对抗网络，且编码器e的输出维度为一维；

5、采用训练样本对鉴别器d和生成器g构成的对抗网络进行训练；

6、将训练样本输入至编码器e进行缺陷特征提取，所述编码器e输出缺陷特征的概率分布图；将所述缺陷特征的概率分布图输入至训练好的生成器g中进行缺陷恢复，得到缺陷恢复后的图像；当生成器g输出的缺陷恢复后的图像与输入的训练样本之间的特征损失收敛时，完成对编码器e的训练；

7、应用阶段：将具有缺陷的固体氧化物燃料电池图像输入至训练好的编码器e中，生成器g输出缺陷恢复后的图像；将所述缺陷恢复后的图像与输入的具有缺陷的固体氧化物燃料电池图像相减，得到残差图；用所述残差图进行电池片表面缺陷定位。

8、进一步地，在应用阶段，还包括：

9、将所述残差图与缺陷特征的概率分布图进行融合，得到融合后的图像，用所述融合后的图像进行电池片表面缺陷定位；其中，所述缺陷特征的概率分布图为所述具有缺陷的固体氧化物燃料电池图像输入至训练好的编码器e中的输出。

10、进一步地，还包括：对所述融合后的图像行二值分割。

11、进一步地，在训练阶段，所述编码器e输出的缺陷特征的概率分布图还作为约束所述鉴别器d的输入。

12、进一步地，在训练阶段，采用训练样本对鉴别器d和生成器g构成的对抗网络进行训练时，当生成器g输出的图像与输入的训练样本之间的特征损失收敛时，完成训练。

13、进一步地，所述生成器g包括依次连接的输入层、全连接层及输出层；

14、所述输入层用于输入噪声向量；

15、所述全连接层用于对输入的噪声向量进行特征提取以及维度变换；

16、所述输出层用于输出噪声图像。

17、进一步地，所述输出层的维度为一维或三维。

18、进一步地，所述训练样本输入至所述缺陷恢复模型之前，还包括：对所述训练样本进行分块、高斯滤波降噪和归一化处理。

19、按照本发明的第二方面，提供了一种固体氧化物燃料电池表面缺陷检测系统，包括计算机可读存储介质和处理器；

20、所述计算机可读存储介质用于存储可执行指令；

21、所述处理器用于读取所述计算机可读存储介质中存储的可执行指令执行第一方面任一项所述的方法。

22、按照本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面任一项所述的方法。

23、总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

24、(1)本发明的固体氧化物燃料电池表面缺陷检测方法，通过构建缺陷恢复模型，鉴别器d和生成器g构成对抗网络，编码器e和生成器g构成对抗网络，采用生产线上检验合格的sofc电池片图像作为正样本图像，由于鉴别器d和生成器g构成的对抗网络只接触到正样本图像，该对抗网络只能学习到电池片表面的正常特征；然后用训练好的生成器g对编码器e进行对抗训练，编码器e的输出维度为一维，训练好的生成器g基于编码器e输出的缺陷概率分布对缺陷进行恢复，得到高质量的不含缺陷的图像，用编码器生成的缺陷概率分布作为弱标签信息对生成器g进行指导，可以显著提高生成器生成修复缺陷图像的准确性；因此，在应用阶段，由于输入的图像为具有缺陷的sofc电池片图像，编码器e输出对应的缺陷概率分布，生成器g基于这一缺陷概率分布对缺陷进行恢复，得到高质量的缺陷恢复后的图像，将缺陷恢复后的图像与原输入的具有缺陷的sofc电池片图像进行对比，得到的残差图能够准确反映缺陷的位置信息，本发明的方法弥补了无监督网络缺少电池片表面缺陷信息的缺陷，能够提升缺陷检测的准确性。

25、(2)本发明的方法，仅需要正常电池片图像作为训练数据，避免了大量缺陷样本和手动标注的繁琐过程，降低了成本以及人工检测的主观性，并提升及检测效率。

26、(3)本发明的方法，在训练过程中进行分阶段训练，其一，先对生成器g和鉴别器d构成的对抗网络进行训练，可以专注于生成和鉴别样本，而不受编码器e的干扰；在生成器g固定的情况下，编码器e可以专注于学习如何生成适当的标签信息，以提高整体模型性能。其二、通过首先训练生成器g和鉴别器d，然后训练编码器e，可以更容易地实现收敛，降低训练复杂性，减少不稳定性；此外，可以更好地控制每个阶段的学习率，从而提高了整个训练过程的稳定性。其三、在编码器e训练之前，生成器g和鉴别器d已经具有一些合理的参数初始化，这有助于编码器e更容易地学习生成适当的标签信息。

27、(4)进一步地，在应用阶段，将得到残差图与编码器e输出的缺陷特征的概率分布图进行融合，得到融合后的图像，融合后的图像在无缺陷区域呈现均匀的灰度级别，而在有缺陷区域则显示出明显的灰度差异，用缺陷特征的概率分布图再对残差图中的缺陷位置进行指导，将像素层面的信息与特征层面上的信息结合，进一步提升缺陷定位的准确度。

28、(5)进一步地，对融合后的图像进行二值分割，实现像素级别的缺陷定位，进一步提升缺陷定位的准确度。

29、(6)进一步地，在训练阶段，编码器e输出的缺陷特征的概率分布图还作为约束鉴别器d的输入，使得鉴别器d能够同时考虑样本图像和编码器e生成的缺陷特征的分布信息，有助于提高鉴别器d对真实图像和生成图像之间的一致性判断，从而更准确地评估生成的图像是否包含缺陷；并且，通过将缺陷特征的概率分布引入到鉴别器d中，可以使生成器g更有针对性地生成不含缺陷的图像，有助于提高生成图像的质量，因为生成器g可以更好地了解哪些部分可能包含缺陷，并针对性地修复，进一步提升生成器g生成图像的真实性和精确性；同时，由于鉴别器d基于整个缺陷特征的概率分布来评估生成图像，即使缺陷特征在图像中的位置和强度有所变化，模型仍能够进行准确的检测和修复，可以增加模型的鲁棒性。