[发明专利]基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统

说明书

本发明涉及极片极耳检测，具体涉及基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统，模型构建：图像经过双高斯差分后进行数据分割；数据标注；神经网络构建：模型1为提取图像固定维度特征的神经网络模型；模型2在模型1的基础上添加分类层，用于对极耳缺陷特征进行分类，模型3在模型1的基础上对极片缺陷检测出的特征进行多尺度边界回归以确定锚框方位，再通过非极大值抑制方法确定主要边界框体；模型4在模型1的基础上对极片缺陷边界回归主体输出的特征向量进行分类；模型训练；创建损失函数；模型评估；融合成一个最优融合模型；模型推理输出检测结果。本发明提高了极片极耳缺陷检测效率及准确率。

技术领域

本发明涉及极片极耳检测，具体涉及基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统。

背景技术

动力电池是指具有较大电能容量和输出功率，可配置电动自行车、电动汽车、电动设备及工具驱动电源的电池，通常也包括在军事上的潜艇与高级智能机器人及企事业单位使用的蓄能设备、通讯指挥系统的常备电源等。随着新兴的电动自行车、电动汽车的开发和商业化生产、新型潜艇及无人水下航行器的发展，使得社会对新型动力电池的需求大幅度增加。

动力锂离子电池极片在生产过程中，会因为在涂布工艺中由于涂布机、辊压机等原因造成正负极的露箔、暗斑、亮斑、掉料等缺陷，这样会严重影响电池的性能和使用寿命。因此在制片后会通过人工检测或采用传统机器视觉自动化检测，但是由于人工易受主观因素影响导致漏检频发，检测效率低下，而传统机器视觉算法无法覆盖生产中的各种缺陷且分类效果较差从而导致经常发生误检，因此基于深度学习的卷积神经网络与计算机视觉检测必将代替人工检测与传统机器视觉检测成为未来主要发展方向。

动力锂离子电池极片自动检测方法(201310549948.8)，该专利着重描述检测机械结构，而对视觉检测方法没有重点描述。

目前传统机器视觉的动力锂离子电池极片缺陷检测，由工业线扫相机、高亮线型光源、工控机及图像处理算法构成。但由于动力锂离子电池正负极片需要检测正反两面，因此需要2组相机同时工作来满足检测要求。由于对极片表面与极耳的检测要求不同，所以对应每组相机都会有多种算法相结合。为了能对缺陷进行分类，这些算法耦合叠加后会形成一套复杂的映射关系，检测稳定性会受到较大影响，并且需操作人员具有很强的先验知识储备才能对系统进行调试。极片与极耳焊接一体图见图1，极耳见图2，极片极耳缺陷图片见附图6。

发明内容

本发明的目的是为了克服现有技术中基于传统机器视觉方案安装调试复杂、检测环境要求苛刻和需要调试工人具备较强的先验知识的不足，提供针对动力锂离子电池极片极耳的基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统。

本发明的技术方案：基于卷积神经网络的极片极耳缺陷检测模型的构建方法，包括：

(1)图像预处理：将输入图片进行双高斯差分，分割为极片和极耳两类数据；

(2)数据标注：对步骤(1)分割得到的极片图像数据中的缺陷进行位置标注，对极耳图像数据进行分类标注；

(3)神经网络的构建：设计四个卷积神经模型，模型1为提取图像固定维度特征的神经网络模型；模型2在模型1的基础上添加分类层，用于对极耳缺陷特征进行分类，模型3在模型1的基础上对极片缺陷检测出的特征进行多尺度边界回归以确定锚框方位，再通过非极大值抑制方法确定主要边界框体；模型4在模型1的基础上对极片缺陷边界回归主体输出的特征向量进行分类；

将模型1作为图像固定维度特征提取模型，将模型2作为极耳缺陷分类模型，模型3、4通过多尺度融合成为极片缺陷检测模型；

(4)模型训练：对极耳缺陷分类模型和极片缺陷检测模型进行模型训练；

(5)创建损失函数：分别针对极耳缺陷分类模型和极片缺陷检测模型创建损失函数，将两个损失相加得到最终损失函数；