基于更丰富卷积特征边缘检测网络的电池缺陷检测方法

本发明涉及电池缺陷检测，具体涉及一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法。

背景技术：

1、电池是制约新能源技术发展的重要因素之一，电池质量直接影响新能源设备的性能和使用寿命，表面缺陷检测是电池制造过程的一个重要环节。现有的人工检测方法受工人主观以及容易出现疲劳等因素影响较大，难以满足大规模生产需要，因此基于机器视觉的缺陷检测算法得以应用。通过机器视觉检测算法提取的缺陷特征主要依赖于人工定义的规则，其判断标准并不唯一，只提取浅层特征，限制了其在工业检测中的广泛应用。而基于神经网络的缺陷检测算法能够取得令人难以置信的成果。

2、然而，由于电池上缺陷存在多尺度特性和强烈的背景干扰，如背景纹理形状随机分布、表面缺陷在强度和形状上与背景重叠等，这些因素导致了开发相关的网络检测电池缺陷实施起来困难较大。

3、现在所广泛应用的软包锂电池外壳采用的是铝塑膜，其质地很软，很容易被划伤或者扎破。如果铝塑膜被划伤或者扎破，会造成电池内部产生的气体或电解质漏出，严重的甚至会造成短路，引发火灾等危险情况。而且软包锂电池与其他物体发生磕碰，可能造成其表面出现凹陷,另外如果软包锂电池内部电解质变质,产生大量气体，也会导致外壳会出现凸起。这些缺陷的出现会严重影响产品的质量，因此，在软包锂电池的生产过程中，根据电池的表面缺陷，筛选出其中的不良品具有非常强烈的市场需求。

4、缺陷检测是一种重要的质量控制方法，旨在检测产品制造过程中存在的缺陷和不良品，以保证产品的质量和性能。在现代工业生产中，由于产品的复杂性和生产过程的高度自动化，缺陷检测已经成为了一项重要的技术，应用于各种领域，如电子制造、汽车制造、机械加工、航空航天等。缺陷检测的背景技术主要包括图像处理、特征提取、分类算法、深度学习、数据增强和实时监控系统等。随着计算能力的提升和人工智能技术的进步，这些技术正在不断向前推进，为缺陷检测提供了更加有效、高效和自动化的方法。

5、近年来，边缘检测技术作为一种新兴的智能技术，可以大幅度地减少数据量，并且剔除不相关的信息，保留图像重要的结构属性，即可以识别数字图像中亮度变化明显的点，从而提取到图像中的边缘。通过收集数据、构建模型以及对模型进行训练和在线测试，可以反应出所拍摄物体的边缘及结构特征，进而可以很方便的识别出物体的形状与大小。但是边缘检测技术仍面临着更大的不确定性，包括产品缺陷种类以及识别表面材料的不确定性等，这是一个亟需解决的问题。

技术实现思路

1、本发明提出了一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，以解决现有边缘检测由于产品缺陷种类以及识别表面材料的不确定，导致特征提取不充分，检测精度不足的技术问题。

2、为解决上述技术问题，本发明提供了一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，包括以下步骤：

3、步骤s1：采集训练图像，对所述训练图像进行预处理，得到数据集；

4、步骤s2：构建缺陷检测模型；所述缺陷检测模型包括特征提取模块和特征融合模块；

5、所述特征提取模块包括全卷积模块和边缘信息提取模块；

6、所述全卷积模块用于对所述数据集进行语义分割；

7、所述边缘信息提取模块用于提取边缘特征；

8、所述特征融合模块用于进行特征融合，由特征拼接、卷积、损失计算和非线性激活组成；

9、步骤s3：将所述数据集输入所述缺陷检测模型进行训练：通过设置模型训练参数和初始权重，计算训练损失，并根据训练损失调整学习率和迭代次数；

10、步骤s4：将待检测的电池图片输入所述缺陷检测模型，得到缺陷类别和位置。

11、优选地，步骤s1中的预处理包括：对采集到的所有含有待检测缺陷的原始图像利用阈值切割法进行裁剪，根据图像阈值将每张待检测缺陷的原始图像的电池部分和背景分离，得到只含有电池部分的小图像；对小图像进行手动标定，将其中的缺陷部分进行标注。

12、优选地，所述全卷积模块包括4个全卷积层，所述全卷积层的操作包括：通过层归一化、两个卷积层和最大池化进行处理后，输入卷积注意力层处理；

13、所述卷积注意力层由卷积嵌入和卷积投射构成，通过卷积注意力层处理的结果被馈送到转换函数中，然后进行层归一化操作，得到嵌入结果；

14、将所述嵌入结果输入多分支卷积层，所述多分支卷积层中的一个层对mhsa输出应用空洞卷积，其他层应用膨胀卷积，将结果通过空间卷积进行求和以融合特征；

15、将融合特征的结果与嵌入结果通过空间卷积再次进行融合得到最终的输出结果。

16、优选地，第l个所述卷积注意力层的输出z′l为：

17、

18、

19、

20、式中，flatten表示扁平化操作，depthconv表示深度卷积操作，reshape表示重塑操作，q、k和v表示权值矩阵，d表示q和k矩阵的列数，softmax表示归一化操作。

21、优选地，步骤s2中的边缘信息提取模块包括五个阶段，每个阶段均依次经过第一卷积层、通道累加、第二卷积层、上采样、损失计算和非线性激活处理。

22、优选地，第一阶段不包括上采样，第一阶段和第二阶段的第一卷积层由两个卷积通道组成，第三阶段至第五阶段的第一卷积层由三个卷积通道组成；每个阶段之间通过下采样相连接。

23、优选地，每个阶段中第一卷积层的所有卷积通道均由3x3和1x1的卷积核构成，3x3卷积核的通道数依次为64、128、256、512和512；所述1x1卷积核的通道数为21；每个阶段中第二卷积层由1x1的单卷积通道组成，通道数为1。

24、优选地，所述特征融合模块的卷积尺寸为1x1，通道数为1；特征拼接采用concat进行操作。

25、优选地，所述边缘信息提取模块的单个像素的损失函数的表达式为：

26、

27、

28、式中，y+和y-分别表示正样例与负样例，λ表示超参数，xi和yi分别表示当前像素的cnn特征向量和groundtruth的边缘概率值，p(·)表示标准sigmoid函数，w表示本文网络结构将要学习的所有参数，η表示边缘概率。

29、优选地，将所述损失函数进行改进后的表达式为：

30、

31、式中，表示第k阶段的cnn特征向量，是最终融合层的特征向量，|i|是图像的所有像素的个数，k表示总得训练阶段。

32、本发明的有益效果至少包括：本发明采用边缘检测技术应用于电池表面缺陷检测，利用机器视觉的可靠性及其判断标准的唯一性，将全卷积transfomer语义分割融入边缘检测，解决了电池缺陷检测过程中由于环境及其他因素干扰而产生的误识别，且进一步提高了电池折痕、划痕、异物、凹凸曲面的识别效率和识别精度，为提高电池表面缺陷检测效率和精度提供了一种全新的思路。

技术特征：

1.一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，其特征在于：步骤s1中的预处理包括：对采集到的所有含有待检测缺陷的原始图像利用阈值切割法进行裁剪，根据图像阈值将每张待检测缺陷的原始图像的电池部分和背景分离，得到只含有电池部分的小图像；对小图像进行手动标定，将其中的缺陷部分进行标注。

3.根据权利要求1所述的一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，其特征在于：所述全卷积模块包括4个全卷积层，所述全卷积层的操作包括：通过层归一化、两个卷积层和最大池化进行处理后，输入卷积注意力层处理；

4.根据权利要求3所述的一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，其特征在于：第l个所述卷积注意力层的输出z′l为：

5.根据权利要求1所述的一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，其特征在于：步骤s2中的边缘信息提取模块包括五个阶段，每个阶段均依次经过第一卷积层、通道累加、第二卷积层、上采样、损失计算和非线性激活处理。

6.根据权利要求4所述的一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，其特征在于：第一阶段不包括上采样，第一阶段和第二阶段的第一卷积层由两个卷积通道组成，第三阶段至第五阶段的第一卷积层由三个卷积通道组成；每个阶段之间通过下采样相连接。

7.根据权利要求6所述的一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，其特征在于：每个阶段中第一卷积层的所有卷积通道均由3x3和1x1的卷积核构成，3x3卷积核的通道数依次为64、128、256、512和512；所述1x1卷积核的通道数为21；每个阶段中第二卷积层由1x1的单卷积通道组成，通道数为1。

8.根据权利要求1所述的一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，其特征在于：所述特征融合模块的卷积尺寸为1x1，通道数为1；特征拼接采用concat进行操作。

9.根据权利要求1所述的一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，其特征在于：所述边缘信息提取模块的单个像素的损失函数的表达式为：

10.根据权利要求9所述的一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，其特征在于：将所述损失函数进行改进后的表达式为：

技术总结
本发明提供了一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，采集训练图像，多训练图像进行预处理，得到数据集；构建缺陷检测模型；缺陷检测模型包括特征提取模块和特征融合模块；特征提取模块包括全卷积模块和边缘信息提取模块；全卷积模块用于对数据集进行语义分割；边缘信息提取模块用于提取边缘特征；特征融合模块用于进行特征融合，由特征拼接、卷积、损失计算和非线性激活组成；将数据集输入缺陷检测模型进行训练：通过设置模型训练参数和初始权重，计算训练损失，并根据训练损失调整学习率和迭代次数；将待检测的电池图片输入缺陷检测模型，得到缺陷类别和位置。

技术研发人员：肖锦华,李孟垚
受保护的技术使用者：武汉理工大学
技术研发日：
技术公布日：2024/4/7