[发明专利]电芯表面缺陷检测方法

说明书

本发明公开了一种电芯表面缺陷检测方法，包括：采用高动态范围成像技术对电芯表面图像进行图像预处理；将预处理后的电芯表面图像输入双阶段端到端训练网络，得到电芯缺陷检测结果，第一阶段为分割网络，对电芯图像进行像素级分割，第二阶段为分类网络，对像素级分割结果进行分类与决策，双阶段端到端训练网络结构将分割损失和分类损失合并为一个统一的且允许同时学习的合并损失。本发明提供的电芯表面缺陷检测方法，采用高动态范围技术与深度学习相结合，解决了电芯高反光的金属表面导致难以获得细节丰富的表面图像问题；双阶段网络结构更容易捕获小的图像细节，只需25‑30张电芯图像即可进行训练，并且检测出较为准确的缺陷类别。

技术领域

本发明涉及电芯缺陷检测技术领域，尤其涉及一种电芯表面缺陷检测方法。

背景技术

在新能源电芯工业生产过程中，要确保成品的适当质量，最重要的任务之一是检查产品的表面质量。通常情况下，电芯表面质量控制采用人工目视法，工人接受培训以识别复杂的表面缺陷。或是采用传统机器视觉方案，通常，在传统的机器视觉方法中，功能必须手工制作以适应特定领域，受限于场景，当机器视觉方法适应不同的产品时，这些特性不适合不同的任务，并导致较长的开发周期，所以无法普遍推广使用。深度学习方法近年来成为计算机视觉领域最常见的方法，当应用于表面质量控制问题时，深度学习方法可以取得优异的效果，并适用于不同的产品。

因此，亟需一种电芯表面缺陷检测方法。

发明内容

本发明的目的是提供一种电芯表面缺陷检测方法，以解决上述现有技术中的问题，能够在少量缺陷样本情况下获得较为准确的检测结果。

本发明提供了一种电芯表面缺陷检测方法，其中，包括以下步骤：

采用高动态范围成像技术对电芯表面图像进行图像预处理；

将预处理后的所述电芯表面图像输入双阶段端到端训练网络，得到电芯缺陷检测结果，其中，第一阶段为分割网络，对电芯图像进行像素级分割，第二阶段为分类网络，对像素级分割结果进行分类与决策，所述双阶段端到端训练网络结构将分割损失和分类损失合并为一个统一的且允许同时学习的合并损失。

如上所述的电芯表面缺陷检测方法，其中，优选的是，所述采用高动态范围成像技术对电芯表面图像进行图像预处理，具体包括：

使用相机采集不同的曝光时间的低动态范围图像；

利用每个曝光时间相对应最佳细节的低动态范围图像来合成最终高动态范围图像。

如上所述的电芯表面缺陷检测方法，其中，优选的是，在所述第一阶段中，所述分割网络包括11个卷积层和3个最大池化层，其中，每个层将分辨率降低两倍，每个卷积层之后是一个特征归一化层和一个非线性ReLU层。

如上所述的电芯表面缺陷检测方法，其中，优选的是，在所述分割网络中，前九个卷积层包括大小为5×5的卷积内核，后两个卷积层分别包括大小为15×15和1×1的卷积内核，最后的输出掩模是在应用内核为1×1的卷积层后获得的；三个所述最大池化层均包括大小为2×2的池化核。

如上所述的电芯表面缺陷检测方法，其中，优选的是，在所述第二阶段中，所述分割网络的输出作为所述分类网络的输入，将分割网络的最后一个有1024个通道的卷积层的输出与单个通道分段输出映射连接起来，产生1025个通道。

如上所述的电芯表面缺陷检测方法，其中，优选的是，所述分类网络包括3个卷积层和3个最大池化层，1025个通道的组合层作为3个卷积层和3个最大池化层的输入，三个卷积层分别包括大小为5×5的卷积内核，第一卷积层有8个通道，第二个卷积层有16个通道，第三卷积层有32个通道，三个所述最大池化层均包括大小为2×2的池化核。