[发明专利]一种基于深度学习的通用型电池极性自动检测方法

权利要求书

1.一种基于深度学习的通用型电池极性自动检测方法，其特征在于，所述方法包括：

获取待检测位置的图片；

确定待检测的电池极性区域；

利用正极、非正极、负极和非负极四分类模型的深度学习算法模型对所述待检测的电池极性区域进行识别分类，得到电池极性分类结果，具体为：

构建多层卷积神经网络，采用逐层训练机制，对每层采用Wake-Sleep深度学习算法进行调优，每次仅调整一层，逐层调整，Wake阶段是认知过程，通过下层的输入特征Input和向上的认知Encoder权重产生每一层的抽象表达Code，再通过当前的生成Decoder权重产生一个重建信息Reconstruction，计算输入特征和重建信息残差；

采用误差反向传导算法训练所述多层卷积神经网络，得到电池极性识别模型；

将所述多层卷积神经网络的输出层节点修改为4，并利用训练好的电池极性识别模型的权重初始化修改后的多层卷积神经网络的权重；

用正极、非正极、负极和非负极数据集对修改后的多层卷积神经网络进行训练，得到正极、非正极、负极和非负极四分类模型；

其中，所述正极模型的特征输入包括正极；

所述非正极模型的特征输入包括正极未贴青稞纸、负极、负极贴一层青稞纸和负极贴两层青稞纸；

所述负极模型的特征输入包括负极；

所述非负极模型的特征输入包括正极、正极未贴青稞纸、正极贴两层青稞纸、负极贴一层青稞纸和负极贴两层青稞纸。

2.根据权利要求1所述的基于深度学习的通用型电池极性自动检测方法，其特征在于，

所述电池极性分类结果包括正极、非正极、负极和非负极四类极性。

3.根据权利要求2所述的基于深度学习的通用型电池极性自动检测方法，其特征在于，

所述多层卷积神经网络包括输入层、隐藏层和输出层；

所述输入层用于整个多层卷积神经网络的数据输入；

所述隐藏层包括正极、非正极、负极和非负极四个训练模型；

所述输出层用于输出电池极性分类结果。

4.根据权利要求1所述的基于深度学习的通用型电池极性自动检测方法，其特征在于，所述获取待检测位置的图片，具体包括：

人工将待检测的电池摆放在定位模组上进行位置固定；

工业相机自动对定位模组上待检测的电池进行拍照，得到待检测位置的图片。

5.根据权利要求4所述的基于深度学习的通用型电池极性自动检测方法，其特征在于，所述工业相机自动对定位模组上待检测的电池进行拍照，具体包括：

所述工业相机根据定位模组上待检测的电池数量和工业相机的焦距决定拍照的次数，若多次拍照，则将多次拍照后得到的多张图片拼接成一张图片后进行检测。

6.根据权利要求1所述的基于深度学习的通用型电池极性自动检测方法，其特征在于，所述确定待检测的电池极性区域，具体包括：

采用区域分割的方法，确定每个待检测电池的检测位置以及该位置所应放置的正确极性，最终确定待检测的电池极性区域。