[发明专利]电池表面缺陷和粘合剂检测方法、装置、介质和电子设备

说明书

本发明涉及一种电池表面缺陷和粘合剂检测方法、装置、存储介质以及电子设备，该方法包括：获取待检测的电池表面图像，建立并训练深度学习网络，获得电池表面缺陷和粘合剂检测模型，所述电池表面缺陷和粘合剂检测模型包括分割网络和分类网络，所述分割网络包括卷积网络以及残差挤压和激励网络，将所述电池表面图像输入至所述卷积网络以及所述残差挤压和激励网络进行分割，得到电池表面缺陷图像和粘合剂图像，将所述电池表面缺陷图像和粘合剂图像输入至所述分类网络进行分类，得到电池表面缺陷和粘合剂检测得分，从而实现了提高电池表面缺陷检测精度、对电池表面缺陷和粘合剂位置进行定位。

技术领域

本发明涉及工业缺陷检测技术领域，特别是涉及一种电池表面缺陷和粘合剂检测方法、装置、存储介质以及电子设备。

背景技术

自动工业检测是计算机视觉技术最重要的应用之一，这些检测系统中的大多数都集中在检测工业生产环境中的表面缺陷，例如划痕、空洞和变色。缺陷检测的传统方法是对图像进行预处理，然后人工提取特征，最后训练分类器对缺陷进行分类。其需要技术人员花费大量的时间利用图像算法提取特征，项目周期长，并且特征提取的好坏直接影响精度的高低，鲁棒性差，远远不能满足工业自动化生产对于缺陷检测的精度、速度和泛化能力的需求。

与传统方法相比，深度学习可以省略数据的预处理，直接从原始数据中学习抽象的、本质的特征，从而代替人工提取特征，近年来被广泛地应用于缺陷检测领域。电池表面的缺陷会导致电池内部的化学液体泄漏并导致可怕的事故，以及涂在电池表面用于后续密封的胶水粘合剂如果脱落，也会导致安全事故，因此对电池表面缺陷和粘合剂进行检测成为一项至关重要而且必要的任务。但是，电池表面的缺陷和粘合剂都是小规模的，并且随着高性能图像采集设备的普及，高质量图像获取的门槛得以降低，从而带来了高分辨率图像中检测小目标的问题，即缺陷只占整张高分辨率图片的一小部分，现有的深度学习模型很难自发地集中在这些零星分布的微小结构上，导致训练效果不佳，进而导致电池表面缺陷和粘合剂检测精度低，无法对电池表面缺陷和粘合剂的位置进行有效定位。

发明内容

基于此，本发明的目的在于，提供一种电池表面缺陷和粘合剂检测方法、装置、存储介质以及电子设备，其具有提高电池表面缺陷和粘合剂检测精度、对表面缺陷位置和粘合剂位置进行定位的优点。

根据本申请实施例的第一方面，提供一种电池表面缺陷和粘合剂检测方法，包括如下步骤：

获取待检测的电池表面图像；

建立并训练深度学习网络，获得电池表面缺陷和粘合剂检测模型；所述电池表面缺陷和粘合剂检测模型包括分割网络和分类网络；所述分割网络包括卷积网络以及残差挤压和激励网络；

将所述电池表面图像输入至所述卷积网络以及所述残差挤压和激励网络进行分割，得到电池表面缺陷图像和粘合剂图像；

将所述电池表面缺陷图像和粘合剂图像输入至所述分类网络进行分类，得到电池表面缺陷和粘合剂检测得分。

根据本申请实施例的第二方面，提供一种电池表面缺陷和粘合剂检测装置，包括：

获取模块，用于获取待检测的电池表面图像；

建立与训练模块，用于建立并训练深度学习网络，获得电池表面缺陷和粘合剂检测模型；所述电池表面缺陷和粘合剂检测模型包括分割网络和分类网络；所述分割网络包括卷积网络以及残差挤压和激励网络；

分割模块，用于将所述电池表面图像输入至所述卷积网络以及所述残差挤压和激励网络进行分割，得到电池表面缺陷图像和粘合剂图像；

分类模块，用于将所述电池表面缺陷图像和粘合剂图像输入至所述分类网络进行分类，得到电池表面缺陷和粘合剂检测得分。