一种基于深度学习的燃料电池实时缺陷检测方法与流程

本发明属于燃料电池缺陷检测，尤其涉及一种基于深度学习的燃料电池实时缺陷检测方法。

背景技术：

1、氢燃料电池作为一种清洁能源技术，对于应对气候变化威胁和满足全球不断增长的能源需求具有关键意义，其在多种应用领域中展现出广泛的应用潜力，但其大规模部署面临着组件质量控制的挑战。

2、在传统质量控制方法中，通常会采用红外(ir)热成像技术检测方法以及光学检测方法，红外(ir)热成像技术检测方法一个广泛使用的方法，这种技术利用特定气体与材料接触时产生的热信号来检测缺陷，虽然ir热成像在检测运行过程中由于燃料电池退化而产生的缺陷方面效果显著，但在制造阶段，例如电池组装过程中的热压环节，也可能导致诸如裂纹、纤维穿透等缺陷的产生，这些缺陷可能会影响电池组件的性能和寿命，因此开发能够实时、高效检测这些缺陷的方法变得尤为重要；光学检测方法，如利用计算机视觉(cv)算法处理材料的图像数据，也被探索用于检测氢燃料电池组件的缺陷，包括基于阈值分割的算法，用于识别图像中的亮点或暗点缺陷。

3、然而，以上两种方法在检测形态复杂的缺陷(如电池组件微弱的划痕或擦伤)时存在局限性。此外，这些基于特定特征筛选的算法可能无法识别不符合预设参数的其他类型的组件缺陷，如大小、形状或亮度等，尤其是是在形态复杂的情况下，则更是无法满足检测需求。

技术实现思路

1、本发明克服了现有技术的不足，提供一种基于深度学习的燃料电池实时缺陷检测方法，以解决现有技术中存在的问题。

2、为达到上述目的，本发明采用的技术方案为：一种基于深度学习的燃料电池实时缺陷检测方法，包括

3、s100、从燃料电池上获取图像数据以及对图像数据进行预处理的采集预处理模块；

4、s200、对预处理后的图像数据进行检测的检测模块；

5、s300、对检测后的图像数据进行分析反馈的处理模块；

6、所述检测模块包括第一模型与第二模型，

7、所述第一模型对图像数据提取激活向量，通过激活向量捕捉来自不同尺度的图像特征；

8、所述第二模型包括作为主干网络的resnet、区域提议网络以及用于目标分类与边界框回归的特征提取器，对图像数据中的对象进行定位，并对其进行分类。

9、本发明一个较佳实施例中，所述采集预处理模块对图像数据进行裁剪、标准化以及去噪处理。

10、本发明一个较佳实施例中，采用以下方法对图像数据进行获取及预处理：

11、s11、采用相机系统对燃料电池进行连续拍摄，获取燃料电池表面的连续图像数据；

12、s12、对图像数据进行标准化处理，包括调整图像的亮度及对比度，以及对图像进行去噪处理，并通过高斯滤波器对图像数据进行平滑处理。

13、本发明一个较佳实施例中，所述高斯滤波器对图像数据进行平滑处理时，采用以下公式：

14、

15、其中g(x,y)是高斯滤波器的响应，x和y是图像中的像素位置，σ是标准差，用于控制滤波器的平滑程度。

16、本发明一个较佳实施例中，所述第一模型为padim模型，所述第一模型使用efficientnet-b4对图像数据进行特征提取，所述第一模型从efficientnet-b4的第3、第7和第17个块中提取激活向量，通过激活向量捕捉到的来自不同尺度的图像特征。

17、本发明一个较佳实施例中，所述第一模型通过计算特征向量的均值和协方差来建立正态分布矩阵，其中，使用马氏距离计算异常分数，公式如下：

18、s(p)＝(f(p)-μ(p))t(p)-1(f(p)-μ(p))

19、其中f(p)是图像数据中的特征向量，μ(p)和∑(p)是训练阶段计算得到的均值和协方差。

20、本发明一个较佳实施例中，所述第二模型为faster-rcnn模型，所述第二模型采用以下方法进行训练：

21、s21、所述第二模型在大型的通用数据集上进行预训练以利用已有的数据资源，使第二模型能够学习到从一般图像中提取特征和识别对象的能力；

22、s22、第二模型在相机搜集的燃料电池缺陷的小型数据集上进行微调，使第二模型在有限的标注数据上实现高效学习。

23、本发明一个较佳实施例中，所述处理模块对第一模型及第二模型的检测结果进行汇总分析。

24、本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

25、(1)本发明通过将图像采集和预处理、深度学习算法，以及结果分析和反馈三个模块结合，图像采集和预处理模块通过高分辨率相机系统精确捕捉燃料电池的图像，并对这些图像进行预处理，确保了用于缺陷检测的数据质量和一致性，这一步骤的优化大大提高了后续深度学习分析的准确性。

26、(2)检测模块包括第一模型与第二模型，利用先进的深度学习技术精准地识别和定位燃料电池中的缺陷，第一模型采用padim模型，提供了强大的无监督异常检测能力，而第二模型采用faster-rcnn模型，能够在已知缺陷类型的精确识别和定位方面表现卓越，这些算法的结合不仅提高了缺陷检测的覆盖范围，还提高了检测的精度和效率；

27、(3)处理模块能够提供准确的缺陷分析，并基于这些分析提出改进生产流程的建议，该模块的应用增强了整个系统的可靠性，并为持续的生产优化提供了数据支持，本发明通过整合这三个模块，不仅在燃料电池的缺陷检测领域实现了技术上的创新，还显著提高了检测的准确性和效率，为提升燃料电池生产制造和使用过程的整体质量和可靠性提供了有力支持。

技术特征：

1.一种基于深度学习的燃料电池实时缺陷检测方法，其特征在于，包括

2.根据权利要求1所述的一种基于深度学习的燃料电池实时缺陷检测方法，其特征在于，所述采集预处理模块对图像数据进行裁剪、标准化以及去噪处理。

3.根据权利要求1或2所述的一种基于深度学习的燃料电池实时缺陷检测方法，其特征在于，采用以下方法对图像数据进行获取及预处理：

4.根据权利要求3所述的一种基于深度学习的燃料电池实时缺陷检测方法，其特征在于，所述高斯滤波器对图像数据进行平滑处理时，采用以下公式：

5.根据权利要求1所述的一种基于深度学习的燃料电池实时缺陷检测方法，其特征在于，所述第一模型为padim模型，所述第一模型使用efficientnet-b4对图像数据进行特征提取，所述第一模型从efficientnet-b4的第3、第7和第17个块中提取激活向量，通过激活向量捕捉到的来自不同尺度的图像特征。

6.根据权利要求5所述的一种基于深度学习的燃料电池实时缺陷检测方法，其特征在于，所述第一模型通过计算特征向量的均值和协方差来建立正态分布矩阵，其中，使用马氏距离计算异常分数，公式如下：

7.根据权利要求1所述的一种基于深度学习的燃料电池实时缺陷检测方法，其特征在于，所述第二模型为faster-rcnn模型，所述第二模型采用以下方法进行训练：

8.根据权利要求1所述的一种基于深度学习的燃料电池实时缺陷检测方法，其特征在于，所述处理模块对第一模型及第二模型的检测结果进行汇总分析。

技术总结
本发明公开了一种基于深度学习的燃料电池实时缺陷检测方法，属于燃料电池缺陷检测技术领域，包括S100、从燃料电池上获取图像数据以及对图像数据进行预处理的采集预处理模块；S200、对预处理后的图像数据进行检测的检测模块；S300、对检测后的图像数据进行分析反馈的处理模块；所述检测模块包括第一模型与第二模型，所述第一模型对图像数据提取激活向量，通过激活向量捕捉来自不同尺度的图像特征；所述第二模型包括作为主干网络的ResNet、区域提议网络以及用于目标分类与边界框回归的特征提取器，对图像数据中的对象进行定位，并对其进行分类。本发明显著提高了检测的准确性和效率，为提升燃料电池生产制造和使用过程的整体质量和可靠性提供了有力支持。

技术研发人员：周春荣,许德智
受保护的技术使用者：苏州梅曼智能科技有限公司
技术研发日：
技术公布日：2024/4/22