[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

说明书

本发明提出一种基于深度领域适应的锂电池表面缺陷检测方法，该方法在分类器中设计了一种基于最大均值差异MMD和KL散度等统计量的适应层，并在特征提取后设计了一个领域判别器用于对抗判别提取的特征来自于哪一个域。一方面两种方式互补机制能够使提取的两域公共特征更加充分，另一方面，基于统计量的适应层设计能够使目标域数据参与到分类器的训练中，从而使模型在目标域上有更好的泛化能力。模型在特征提取网络中设计了一个简单有效的多尺度特征融合策略，能够对细小缺陷有很好的识别效果。本发明拥有高效的检测效果而又缓解了深度学习对标签数据的依赖性，训练好的模型对目标域数据有更好的泛化能力。

技术领域

本发明涉及机器视觉技术领域，具体提供一种基于深度领域适应的锂电池表面缺陷检测方法。

背景技术

目前，锂离子电池的应用越来越广泛，例如手机、笔记本、电动汽车等，形成了一个巨大的产业群。但在生产过程中产生的一些缺陷严重影响锂电池寿命和安全系数。如封边褶皱，极片划痕、露箔、颗粒、穿孔、暗斑、异物，以及表面凹痕、污迹、鼓包、喷码变形等。对于电池缺陷检测的传统方法是人工测量和判断。但电池检测结果受检测人员主观意愿、情绪、视觉疲劳等人为因素的影响，从而出现漏检，误检的情况。机器视觉的检测系统可以克服人工检测的缺点，从而使检测结果标准、可量化，提高整个生产系统的自动化程度；既节约了人力成本，也避免人为统计数据所带来的错误。

最近国内外众多学者将深度学习技术大量应用在锂电池的表面缺陷检测中，其中周佳禾等人(周佳禾,宫元九.利用卷积神经网络检测锂电池电极缺陷[J].电子测量技术,2019(19).)提出了一种以卷积神经网络(CNN)为核心的锂电池电极缺陷检测方法，将电池电极完整区域图像通过CNN提取的特征送入支持向量SVM机给出最终预测检测结果。该方法需要大量带有标签的训练数据，而数据的标注需要大量的人力物力成本。深度领域适应技术能够缓解深度学习模型对标签数据的依赖。深度领域适应方法是深度迁移学习的一个代表分支，其利用一个与待检测数据集相似的有标签数据集作为源域，待检测数据集作为目标域(目标域数据可以不需要标注)。

而现有的深度领域适应方法不能直接应用到锂电池的表面缺陷检测当中，识别率不理想。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，设计了一种基于深度领域适应的锂电池表面缺陷检测方法。

为实现上述目的，本发明采用的技术方案是：

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数据，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：