[发明专利]一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法

说明书

本发明公开一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法，该方法基于多尺度卷积特征融合网络模型，该模型引入了跨通道深度卷积，分别在原始图像的三通道上进行卷积，加强了模型的光谱不变性。还引入了具有不同感受野大小的多尺度卷积，加强了模型多尺度特征表达能力。对于每张图片都提取三通道及其标签作为模型输入值进行训练，同时还引入maxout刺激了不同神经元之间的竞争，提高了网络的学习能力，增强模型的非线性拟合能力，大幅提升了网络在多类别锂电池片表面缺陷数据集上的分类精确度及速度。

技术领域

本发明涉及缺陷检测分类领域，涉及一种锂电池缺陷分类的视觉检测方法，具体是一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法。

背景技术

随着科技的发展，数码产品如手机、笔记本电脑等移动产品的广泛使用，锂离子电池以优异的性能在这类产品中得到广泛应用，并在逐步向其他产品应用领域发展。所以锂电池需要大批量生产，同时还应具备质量要求高、速度快、精确度高以及次品率低等特点。

但是锂电池种类有很多，大小不一，形状也各有不同。锂电池片缺陷主要包括极耳缺陷、边缘缺陷和极网缺陷,其中极网缺陷主要包括划痕异物缺陷和气泡缺陷。卷积神经网络作为一种自主提取特征的网络模型，能够相当好的适应于锂电池多类别缺陷图像分类这样的复杂任务。把深度学习技术应用在锂电池极片的缺陷检测中,取代传统的依靠人工进行检测的方法,可以高效率、低成本地完成锂电池极片的缺陷检测,从而提高成品合格率,达到提高锂电池质量和安全性的效果的同时，还能降低生产成本，从而提升企业效益。

发明内容

为解决锂电池缺陷数据集的缺陷与背景强相似问题和复杂背景下多尺度缺陷特征提取与分类问题，本发明提出了一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法。该方法基于多尺度卷积特征融合网络模型，该模型引入了跨通道深度卷积，分别在原始图像的三通道上进行卷积，加强了模型的光谱不变性。还引入了具有不同感受野大小的多尺度卷积，加强了模型多尺度特征表达能力。对于每张图片都提取三通道及其标签作为模型输入值进行训练，同时还引入maxout刺激了不同神经元之间的竞争，提高了网络的学习能力，增强模型的非线性拟合能力，大幅提升了网络在多类别锂电池片表面缺陷数据集上的分类精确度及速度。

本发明解决所述问题所采用的技术方案是，设计了一种基于多尺度卷积特征融合网络测试验证样本集的锂电池缺陷分类方法，其特征在于，该方法的具体步骤是：

第一步、分类图像获取及其初步处理

1-1原始图像获取：通过高像素专业彩色工业相机拍摄原始锂电池缺陷图片；

1-2图像预处理：人工剔除由于光线、人工干扰形成的拥有巨大瑕疵的图片，随后利用最小二乘法对余下的图片中的锂电池边缘进行拟合，将其拟合为直线边线，然后得到具有有效直线边缘的有效图像集；

1-3所需数据集制作：人工手动对步骤1-2得到的有效图像集进行分类，然后对所有目标图像添加对应的缺陷种类标签，并从中随机抽取10％作为验证样本集根集，40％为训练样本集根集，50％为测试样本集；

1-4数据集扩充增强：在步骤1-3的基础上，对验证样本集根集与训练样本集根集使用方差为1、均值为0的高斯噪声、灰度变化值为5的变化，图像分别翻转90°、180°，将数据集增强四倍，分别得到验证样本集和训练样本集；

第二步、多尺度卷积特征融合网络设计

2-1跨通道卷积设计：将图片分为RGB三个通道，分别在三个通道上对每个输入通道上进行1*1的卷积操作，并对其输出特征图进行批量归一正则化和Relu激活函数操作，得到输出结果；

2-2多尺度融合卷积设计：设计卷积核为1*1、3*3、5*5、7*7四种卷积核，分别对步骤2-1得到的RGB三个通道的输出结果进行多尺度卷积，随后将5*5、7*7的卷积合卷积后作为大尺度特征进行融合，1*1、3*3卷积核作为小特征进行特征融合，得到多个尺度融合后的输出结果；