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′(...

【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