基于自适应深度学习的新能源锂电池表面缺陷检测方法技术

本发明专利技术公开了一种基于自适应深度学习的新能源锂电池表面缺陷检测方法。包括：对锂电池表面灰度图像进行非线性映射；将解耦的照射分量和反射分量变换至频域；对频域数据进行滤波、傅里叶反变换、指数变换，得到重构锂电池图像；基于形态学处理、背景差分，增强缺陷处的灰度响应；进行图像分割、连通域分析筛选处理，将结果作为标注图像；设计算子模拟光照细节，对锂电池表面灰度图像进行样本增强操作；基于增强的样本图像集与标注图像，训练深度卷积神经网络；基于训练好的网络实现锂电池表面缺陷检测。利用本发明专利技术，可以在锂电池表面缺陷检测场景中，提高检测效率，降低误检率。

Surface defect detection method of new energy lithium battery based on adaptive deep learning

【技术实现步骤摘要】
基于自适应深度学习的新能源锂电池表面缺陷检测方法
本专利技术涉及计算机视觉、深度学习
，具体涉及一种基于自适应深度学习的新能源锂电池表面缺陷检测方法。
技术介绍
锂电池广泛的应用于移动设备、新能源汽车、家电等领域，为我们的生活带来了极大的便捷。锂电池具有能量密度高、使用寿命长自放电率低的特点，其一般是使用锂合金为负极材料、使用非水电解质溶液的电池。对于软包装电池一般在业态溶液套上聚合物外壳，并在结构上采用铝塑膜进行包装，正是由于软包装的特点，在企业的生产过程中常常由于密封不严、不均匀，或者是生产过程中的磕碰都会导致电池表面出现凸包缺陷，这种缺陷严重的影响了电池的安全性、使用寿命和性能，必须对锂电池表面缺陷，尤其是凸包现象进行严格检查。一些小型锂电池企业的主要检测方式是人工进行质检，使电池旋转一周，然后通过人眼进行观察，这种方式效率极低、误检率高。因此，开始出现基于图像处理的锂电池检测研究。一般的锂电池，例如18650锂电池，或类似的柱状锂电池都需要连续采集各个柱面的影像来得到完整的结果，一般较为先进的采集设备可以通过三至四张采集图像进行拼接得到完整的柱面图像。一些研究提出的采用相机加深度学习的方式对电池外观进行检查，这种方式需要大量的数据集标注，同时过度依赖三维点云信息，并且受数据集的标注影响很大。目前采用深度学习的方法主要是先获得电池三维点云模板，然后进行模板匹配的方式进行缺陷检查，之后生成标注，这种检测方式很不稳定、速度慢、且对于微小的凸包缺陷无法检测，导致检测速度慢、漏检率高。r>另一些研究提出用几十余种打光方式综合得到缺陷，以清华大学洛阳高端装备研究院的最新产品为例。该设备使用四百余种光源，则相机需要连续采集足够多的图像才能保证每种光源的照射后的图像都能被捕捉。由于光控系统复杂且相机帧率存在技术限制，该方法检测标称时间为四分之一秒左右，但该系统明显无法调用所有光源，且无法直接通过单种光源的图像采集来得到结果。此类系统参数过于复杂，在生产中、维护时调参和校准的工作费时费力，且无法达到理论上的性能最优，导致虽然漏检率低，但误报率高。因此，现有锂电池表面缺陷检测技术存在检测效率低、误检率高的问题。
技术实现思路
本专利技术提供了一种基于自适应深度学习的新能源锂电池表面缺陷检测方法，该方法基于计算机视觉技术、深度学习技术实现了锂电池表面缺陷检测，检测效率更高，误检率更低。一种基于自适应深度学习的新能源锂电池表面缺陷检测方法，该方法包括：步骤一，采集锂电池表面灰度图像，利用非线性算子对锂电池表面灰度图像进行非线性映射，解耦照射分量和反射分量：ln(G(x,y)+1)＝ln(I(x,y)+1)+ln(R(x,y)+1)其中，G为锂电池表面灰度图像，I为照射分量，R为反射分量，(x，y)为像素点坐标；步骤二，通过傅里叶变换将解耦的照射分量和反射分量变换至频域；步骤三，利用高斯高通滤波器分别对照射分量的频域数据和反射分量的频域数据进行滤波，得到滤波锂电池频域数据：G′(u,v)×H(u,v)＝I′(u,v)×H(u,v)+R′(u,v)×H(u,v)其中，H(u,v)为高斯高通滤波器，I′(u,v)代表着照射分量的频域数据，R′(u,v)代表着反射分量的频域数据，G′(u,v)为锂电池频域数据，G′(u,v)×H(u,v)为滤波锂电池频域数据；步骤四，对滤波锂电池频域数据进行傅里叶反变换、指数变换，得到重构锂电池图像；步骤五，构建形态学结构元素，分别对重构锂电池图像进行膨胀、腐蚀操作，将膨胀结果与腐蚀结果做差，得到增强缺陷图像；步骤六，利用大津阈值法对增强缺陷图像进行图像分割、连通域分析以及筛选处理，得到标注图像；步骤七，对x、y方向的Sobel梯度算子进行基于随机权重分配的线性叠加，生成梯度算子SobelG：SobelG＝SobelGx*a+SobelGy*b其中，SobelGx、SobelGy分别表示x、y方向的Sobel梯度算子，SobelG表示随机生成的梯度算子，a∈[0,1],b∈[0,1],a+b∈[0,1]；使用随机生成的梯度算子SobelG对锂电池表面灰度图像进行处理；将处理结果与锂电池原始光照分布图像叠加，得到样本增强图像；步骤八，针对多个锂电池，根据步骤一至七生成锂电池表面灰度图像、样本增强图像以及标注图像，作为样本数据集，基于交叉熵函数训练深度卷积神经网络；步骤九，将待检测锂电池的表面灰度图像输入训练好的深度卷积神经网络，实现新能源锂电池表面缺陷检测。步骤二包括：对解耦的照射分量和反射分量进行傅里叶变换，得到照射分量的频域数据和反射分量的频域数据：FT(ln(G(x,y)))＝FT(ln(I(x,y)+1))+FT(ln(R(x,y)+1)其中，FT表示傅里叶变换。步骤三中的高斯高通滤波器为：其中，常数c用来控制滤波器函数斜面的锐化，取值在γH、γL之间，γH>1,γL<1,D0为截止频率，D2(u,v)表示与频率中心的距离的平方。步骤五包括：构造形态学结构元素k：采用结构元素k对重构锂电池图像S进行膨胀运算得到膨胀结果X；采用结构元素k对重构锂电池图像S进行腐蚀运算得到腐蚀结果Y；图像X与图像Y相减得到增强缺陷图像G1：G1＝X-Y。步骤七包括：对x、y方向的Sobel梯度算子进行基于随机权重分配的线性叠加，生成梯度算子SobelG：SobelG＝SobelGx*a+SobelGy*b其中，SobelGx、SobelGy分别表示x、y方向的Sobel梯度算子，SobelG表示随机生成的梯度算子，a∈[0,1],b∈[0,1],a+b∈[0,1]；使用随机生成的梯度算子SobelG对锂电池表面灰度图像进行处理，得到模拟光照细节的图像；对锂电池表面灰度图像进行低通滤波，得到锂电池原始光照分布图像；将模拟光照细节的图像与锂电池原始光照分布图像点对点相加，得到样本增强图像。步骤八中的交叉熵函数为：其中，S1为通道1的输出结果，L1是标注图像中像素对应的二值标签，缺陷标注位置为1，其余位置为0,α为一超参数。本专利技术的有益效果在于：1.本专利技术采用解耦照射分量和反射分量、傅里叶变换等计算机视觉技术，对锂电池图像进行处理，获得更加准确的缺陷定位，无需人工标注，提高了标注效率和准确率，并且有助于降低缺陷的误检率；2.本专利技术采用深度学习技术，基于获得的缺陷标注图像对神经网络进行训练，实现了半监督的缺陷检测，提高了缺陷检测效率；3.本专利技术通过设计的梯度算子模拟随机照射干扰，即可得到多种光源效果的图像，实现样本增强，而非使用多种乃至上百种光源去感知边缘特征，不仅提高了检测效率，而且，基于样本增强的数据集训练神经网络，对光源、缺陷类型具有更强的泛化本文档来自技高网...

【技术保护点】
1.一种基于自适应深度学习的新能源锂电池表面缺陷检测方法，其特征在于，该方法包括：/n步骤一，采集锂电池表面灰度图像，利用非线性算子对锂电池表面灰度图像进行非线性映射，解耦照射分量和反射分量：/nln(G(x，y)+1)＝ln(I(x，y)+1)+ln(R(x，y)+1)/n其中，G为锂电池表面灰度图像，I为照射分量，R为反射分量，(x，y)为像素点坐标；/n步骤二，通过傅里叶变换将解耦的照射分量和反射分量变换至频域；/n步骤三，利用高斯高通滤波器分别对照射分量的频域数据和反射分量的频域数据进行滤波，得到滤波锂电池频域数据：/nG′(u，v)×H(u，v)＝I′(u，v)×H(u，v)+R′(u，v)×H(u，v)/n其中，H(u，v)为高斯高通滤波器，I′(u，v)代表着照射分量的频域数据，R′(u，v)代表着反射分量的频域数据，G′(u，v)为锂电池频域数据，G′(u，v)×H(u，v)为滤波锂电池频域数据；/n步骤四，对滤波锂电池频域数据进行傅里叶反变换、指数变换，得到重构锂电池图像；/n步骤五，构建形态学结构元素，分别对重构锂电池图像进行膨胀、腐蚀操作，将膨胀结果与腐蚀结果做差，得到增强缺陷图像；/n步骤六，利用大津阈值法对增强缺陷图像进行图像分割、连通域分析以及筛选处理，得到标注图像；/n步骤七，对x、y方向的Sobel梯度算子进行基于随机权重分配的线性叠加，生成梯度算子Sobel...

【技术特征摘要】
1.一种基于自适应深度学习的新能源锂电池表面缺陷检测方法，其特征在于，该方法包括：
步骤一，采集锂电池表面灰度图像，利用非线性算子对锂电池表面灰度图像进行非线性映射，解耦照射分量和反射分量：
ln(G(x，y)+1)＝ln(I(x，y)+1)+ln(R(x，y)+1)
其中，G为锂电池表面灰度图像，I为照射分量，R为反射分量，(x，y)为像素点坐标；
步骤二，通过傅里叶变换将解耦的照射分量和反射分量变换至频域；
步骤三，利用高斯高通滤波器分别对照射分量的频域数据和反射分量的频域数据进行滤波，得到滤波锂电池频域数据：
G′(u，v)×H(u，v)＝I′(u，v)×H(u，v)+R′(u，v)×H(u，v)
其中，H(u，v)为高斯高通滤波器，I′(u，v)代表着照射分量的频域数据，R′(u，v)代表着反射分量的频域数据，G′(u，v)为锂电池频域数据，G′(u，v)×H(u，v)为滤波锂电池频域数据；
步骤四，对滤波锂电池频域数据进行傅里叶反变换、指数变换，得到重构锂电池图像；
步骤五，构建形态学结构元素，分别对重构锂电池图像进行膨胀、腐蚀操作，将膨胀结果与腐蚀结果做差，得到增强缺陷图像；
步骤六，利用大津阈值法对增强缺陷图像进行图像分割、连通域分析以及筛选处理，得到标注图像；
步骤七，对x、y方向的Sobel梯度算子进行基于随机权重分配的线性叠加，生成梯度算子SobelG：
SobelG＝SobelGx*a+SobelGy*b
其中，SobelGx、SobelGy分别表示x、y方向的Sobel梯度算子，SobelG表示随机生成的梯度算子，a∈[0，1]，b∈[0，1]，a+b∈[0，1]；使用随机生成的梯度算子SobelG对锂电池表面灰度图像进行处理；将处理结果与锂电池原始光照分布图像叠加，得到样本增强图像；
步骤八，针对多个锂电池，根据步骤一至七生成锂电池表面灰度图像、样本增强图像以及标注图像，作为样本数据集，基于交叉熵函数训练深度卷积神经网络；
步骤九，将待检测锂电池的表面灰度图像输入训练好的深度卷积神经网络，实现新能源锂电池表面缺陷检测。


2.如权利要求1所述的基于自适应深度学习的新能源锂电池表面缺...

【专利技术属性】
技术研发人员：刘甜甜，车志敏，
申请(专利权)人：刘甜甜，
类型：发明
国别省市：河南;41