[发明专利]一种动态网络中服务配置的优化方法及装置

说明书

本申请提供了一种锂电池涂布瑕疵分类方法及装置，该方法涉及锂电池技术领域，构建锂电池涂布图像训练集，并对锂电池涂布图像训练集中的锂电池涂布图像样本进行标注锂电池涂布瑕疵小类别；搭建深度学习模型；将锂电池涂布图像训练集中的锂电池涂布图像样本输入到所述深度学习模型中，以得到训练好的深度学习模型；再将待检测锂电池涂布图像样本进行图像增强等预处理，输入到训练好的深度学习模型中，训练好的深度学习模型输出待检测锂电池涂布图像样本的锂电池涂布瑕疵小类别；基于训练好的深度学习模型输出的锂电池涂布瑕疵小类别，获取锂电池涂布瑕疵大类别。从而基于深度学习通过减小类内差异、图像增强的方式，实现锂电池涂布的精准分类。

技术领域

本申请属于锂电池技术领域，尤其涉及一种锂电池涂布瑕疵分类方法及装置。

背景技术

随着微电子技术的发展，小型化的设备日益增多，对电源提出了很高的要求。锂电池随之进入了大规模的实用阶段。在锂电池的生产工序中，涂布是关键的流程。但是在锂电池涂布生产、以及涂布模切，分切过程中，涂布的表面，极耳表面均会产生一些瑕疵，这些瑕疵有些会影响电池的安全性能，为客户的使用带来极大的隐患，因此检测涂布表面的瑕疵显得尤为重要。

在实际的生产中，通过工业照相机可以检测出瑕疵位置，并进行报警提示，虽然这样能够有效防止不良品流入后工序，但是并不能从根源上解决不良品的产生。因此分析瑕疵产生的原因，从涂布生产工艺，找出瑕疵产生的原因，可以从根本上解决问题，优化锂电池生产工艺。那么每种瑕疵产生的原因均不同，因此要准确对瑕疵类型进行分类。

发明内容

有鉴于此，本申请提供一种锂电池涂布瑕疵分类方法及装置，可以实现锂电池涂布瑕疵的精准分类。

第一方面，本申请实施例提供一种锂电池涂布瑕疵分类方法，包括以下步骤：

构建锂电池涂布图像训练集，所述锂电池涂布图像训练集包括多张标注有锂电池涂布瑕疵小类别的锂电池涂布图像样本；

搭建深度学习模型，所述深度学习模型为卷积神经网络；

将所述锂电池涂布图像训练集中的锂电池涂布图像样本输入到所述深度学习模型中，调整所述深度学习模型的参数，以得到训练好的深度学习模型；

将待检测锂电池涂布图像样本输入到训练好的深度学习模型中，训练好的深度学习模型输出所述待检测锂电池涂布图像样本的锂电池涂布瑕疵小类别；

基于训练好的深度学习模型输出的锂电池涂布瑕疵小类别，获取锂电池涂布瑕疵大类别；其中每种所述锂电池涂布瑕疵大类别包括多种所述锂电池涂布瑕疵小类别，所述锂电池涂布瑕疵大类别包括划痕、胶带、漏金属、气泡、未辊压、粘料和褶皱。

在一种可能的实施方式中，将所述锂电池涂布图像训练集中的锂电池涂布图像样本输入到所述深度学习模型中，调整所述深度学习模型的参数，以得到训练好的深度学习模型包括以下步骤：

将所述锂电池涂布图像训练集中的每个锂电池涂布图像样本分别划分出不同的检测区域；

判断每个所述锂电池涂布图像样本中的各个检测区域是否有瑕疵，若有，将相应检测区域的瑕疵位置分割出去，以形成瑕疵图像样本；

对所述瑕疵图像样本进行图像增强处理，以获取预处理后的瑕疵图像样本；

将预处理后的瑕疵图像样本输入到所述深度学习模型中，调整所述深度学习模型的参数，以得到训练好的深度学习模型。

在一种可能的实施方式中，将所述锂电池涂布图像训练集中的每个锂电池涂布图像样本分别划分出不同的检测区域包括以下步骤：

根据锂电池涂布的材料边界将所述锂电池涂布图像训练集中的锂电池涂布图像样本划分为不同检测区域，其中所述检测区域包括涂布区、极耳区、陶瓷区和背景区。