[发明专利]一种基于深度领域适应的锂电池表面缺陷检测方法

权利要求书

1.一种基于深度领域适应的锂电池表面缺陷检测方法，该方法的深度领域适应模型设计包括：

特征提取器，基于卷积神经网络搭建起来的，用于对输入图像自动提取有效特征的子模块；

分类器，由全连接层构成的用于对特征准确分类的子模块；

领域判别器，由全连接层构成的用于对特征来自于源域还是目标域进行一个二类判别的子模块；

该模型在特征提取器后面接一个领域判别器并与分类器并联；在分类器中设计一个适应层，适应层引用最大均值差异MMD和KL散度为度量准则，计算出源域和目标域这两域特征分布的差异性，并让该差异值最小化来更新模型参数；所述源域的图像数据为不同生产线上采集的锂电池表面缺陷图像，或者不同厂家的采集系统采集的缺陷图像；所述目标域是将要检测的生产线上采集的缺陷图像；

适应层引入最大均值差异MMD和KL散度作为统计量来计算两域特征分布的差异，适应层的自适应损失函数L_con为式(1)：

L_con＝MMD(S,T)+λD_KL(p||q)                  (1)

式中，MMD(S,T)为MMD的计算公式，其中S,T分别表示源域和目标域；D_KL(p||q)为KL散度的计算公式，其中p表示原有分布，q表示用来近似p的简单分布；λ为平衡系数，由式(2)计算得到：

式中i为当前训练的步数，N为总的训练步数。

2.根据权利要求1所述的锂电池表面缺陷检测方法，其特征在于，深度领域适应模型在训练过程中，源域和目标域的数据流路径不同，总的损失函数包含三项：

其中α，β是平衡参数,每一项损失在反向传播中的更新规则是：

其中，μ表示学习率，θ表示对应模块参数，f代表特征提取器，c代表分类器，d代表领域判别器；L是交叉熵损失函数，d_s，d_t是源域和目标域的域标签；

在反向传播过程中，自适应损失函数L_con更新特征提取器F和分类器适应层前的参数；对抗性损失函数负责更新特征提取器F和领域判别器D的参数；分类损失函数L_c用于更新特征提取器F和整个分类器C的参数。

3.根据权利要求1所述的锂电池表面缺陷检测方法，其特征在于，特征提取器以VGG-16网络为基础，包括五组卷积运算，每组卷积运算由两个或三个卷积层、及跟在相应卷积层后的批量归一层和一个池化层组成，经过五组卷积运算后最终输出32倍下采样的512个通道的特征图；在特征提取过程中融入多尺度特征融合策略，该策略是在第三组和第四组卷积运算的输出特征图后分别加一条支路，对每条支路进行卷积操作和池化操作，加上VGG-16本身的第五组卷积运算的输出一共有三条支路，每条支路的最终输出特征图大小均为4*4，将三个支路的输出特征图进行拉伸操作，拉伸成一维向量再拼接在一起形成一个4*4*3的一维向量，该一维向量就是融合后的特征向量。

4.根据权利要求3所述的锂电池表面缺陷检测方法，其特征在于，VGG-16网络的所有的卷积核大小为3×3、步长为1，池化窗口大小为2*2，步长为2；第三组卷积运算后面的支路的卷积核大小为3*3，步长为2，池化窗口大小2*2，步长2；第四组后面的支路的卷积核大小3*3，步长为1，池化窗口大小2*2，步长2。