一种基于点云数据的锂电池极片表面缺陷检测方法技术

本发明专利技术利用一种基于点云数据的锂电池极片表面缺陷检测方法，有效利用缺陷的几何特征信息。提出了3D点云目标检测的检测网络，具有较强的实时性，能够适应锂电池极片表面各种缺陷大小的特征提取，同时降低了小目标缺陷对周围背景干扰信息敏感程度，从而增强了缺陷检测的稳定性。有利于保障锂电池生产环节安全，提升锂电池生产质量。

【技术实现步骤摘要】
一种基于点云数据的锂电池极片表面缺陷检测方法
本专利技术涉及锂电池极片表面缺陷检测
，具体涉及一种基于点云数据的锂电池极片表面缺陷检测方法。
技术介绍
锂电池是一类由锂金属或锂合金为负极材料、使用非水电解质溶液的新型高能电池。随着科学技术的发展，各种移动的电子设备在人类生活中大量应用，锂电池在比容量、无记忆效应、长寿命、环保等综合性能远远超过其他二次电池，已经成为了移动电子设备主流供电方案。同时，大容量锂电池成为动力电源，已经开始在电动车辆，航空航天中使应用。锂电池电极涂布是一种电极涂料涂抹到铝或者铜之类的金属箔上，之后进行烘干除尘，可以用来做锂电池电极的材料。常见的锂电池极片表面缺陷检测方法，一般是使用工业相机与LED光源采集图像数据进行处理实现。锂电池表面缺陷如划痕、气泡、异物、针眼等，这类表面缺陷有弱纹理，低色差等特性，在图像处理上有一定难度。使用高精度三维扫描点云数据可以充分利用其空间上的几何特征，具有更大的信息量，如此采集的数据更加接近缺陷的真实形态，理论上能够带来更多特征信息。吴庆华(吴庆华.基于线结构光扫描的三维表面缺陷在线检测的理论与应用研究[D].华中科技大学,2013.)使用ICP配准方法，每次检测时将待检测表面与无缺陷模板进行配准后，提取不一致的区域来进行判断，这种方式是建立在无缺陷部分在点云中占大部分的前提下，同时依赖于配准的精度而具有较大计算量，效果上无法对各种大小的缺陷对进行分类与定位。
技术实现思路
为了解决现有技术中检测难以适应各种大小缺陷，同时小目标的缺陷受周围背景干扰强烈的问题，本专利技术提出一种基于点云数据的锂电池极片表面缺陷检测方法，通过端到端的学习直接处理坐标点云数据，对划痕、裂纹、气泡、颗粒等缺陷进行分类与定位。为了达到上述目的，本专利技术采用以下技术方案实现：一种基于点云数据的锂电池极片表面缺陷检测方法，使用基于学习的方法进行检测，其特征在于，包括下述内容：(1)点云获取：首先通过线扫式激光传感器得到锂电池极片表面点云，然后去除无效点、平均分割表面点云为B个点云块，通过并行处理分别对每块点云做随机下采样和单位化处理，组成批量输入检测网络；(2)制作数据集样本和标签：对已经人工标注的各类缺陷包围盒标签进行尺寸、方向及位置的整理：统计每类缺陷的平均包围盒尺寸，作为学习缺陷包围盒尺寸的基准，某个缺陷包围盒尺寸由该缺陷所属种类的平均包围盒尺寸与该缺陷的包围盒残余尺寸回归因子组成；在锂电池极片平面上，将所有缺陷包围盒的角度值归一到0～360°范围内的顺时针旋转角度，再将0～360°等分为几个区间，在区间内的角度视作一类，每个缺陷包围盒旋转角度由所在区间类别与残余回归组成；对缺陷包围盒内点云采用最远点采样获取多个表面关键点，与缺陷包围盒中心点一起作为该缺陷的投票关键点，并记录表面关键点相对缺陷包围盒中心点的偏移，确定缺陷在当前点云中的位置；(3)构建带有图注意力的多尺度特征提取骨干网络：(3-1)设计含有图注意力卷积的特征层FL：使用图结构表达点云，引入注意力机制，对图结构以串联方式加入Point-wise注意力和Channel-wise注意力，赋予图结构两种注意力权重；最后再对含有两种注意力权重的图结构输入到第三个MLP网络中，第三个MLP网络后接对称函数，对称函数的实现方式采用最大池化，自动学习带有注意力的图结构高维度特征，完成图注意力卷积层的设计，至此形成含有图注意力卷积的特征层FL；(3-2)使用多个含有图注意力卷积的特征层FL与带有跳跃连接的特征传播层组成的金字塔结构，整合多尺度特征，完成带有图注意力的多尺度特征提取骨干网络的构建；(4)引入深度霍夫投票机制，鲁棒地查找缺陷目标关键点：将带有图注意力的多尺度特征提取骨干网络的输出输入到第四个MLP网络中，由第四个MLP网络通过学习自动生成投票，再聚合投票得到投票关键点Vkey信息及投票聚类后的特征Vfea；(5)根据步骤(4)得到的聚合投票关键点信息及投票聚类后的特征Vfea，预测出一系列候选缺陷目标提案，包括投票关键点Vkey的偏差、缺陷包围盒尺寸、角度、缺陷种类概率，去除候选缺陷目标中重复的包围盒，筛选出最有可能的缺陷位置。所述(1)中对于所述点云获取方式为电机带动滚轮使锂电池极片水平移动，将线扫式激光传感器固定于锂电池极片上方，由编码器触发线扫式激光传感器逐帧采集数据，设定每1024帧数据合并为一个点云；表面点云被平均分割成16个点云块，随机下采样后得到8192个点。步骤(3)中Point-wise注意力和Channel-wise注意力的加入方式为：对图结构G在特征通道维度上，首先用池化层将点特征聚集到Channel-wise维度上，得到Point-wise响应Rp，随后接入第一个MLP网络，学习各个邻域连接权重Wp；G与Wp对应元素相乘得到带有Point-wise注意力的图Gp；对Gp在K维度上，首先用池化层将通道特征聚集到Point-wise维度上，得到Channel-wise响应Rc，后接入第二个MLP网络，学习各个通道的权重Wc；Gp与Wc对应元素相乘得到带有两种注意力的图Gpc，K为邻域数。金字塔结构的具体过程是：包含多个含有图注意力卷积的特征层FL，多个特征层FL依次堆叠，形成多个不同尺度的特征层，第一个尺度的特征层首先采用最远点采样做点云粗化处理，再将粗化处理的点云送入该尺度的图注意力卷积中，第一个尺度的特征层的输出采用最远点采样做点云粗化处理并将第一个尺度的特征层输出的高维度特征一起送入第二个尺度的特征层，以此类推，完成多个不同尺度特征层的堆叠，多个不同尺度的特征层之间通过插值、连接、特征生成完成多尺度特征的融合。与现有技术相比，本专利技术的有益效果是：本专利技术利用一种基于点云数据的锂电池极片表面缺陷检测方法，有效利用缺陷的几何特征信息。提出了针对锂电池极片表面缺陷检测的3D点云目标检测的检测网络，具有较强的实时性，能够适应锂电池极片表面各种缺陷大小的特征提取，同时降低了小目标缺陷对周围背景干扰信息敏感程度，从而增强了缺陷检测的稳定性。有利于保障锂电池生产环节安全，提升锂电池生产质量，满足锂电池行业对缺陷检测定位的精度要求，能够实现对划痕、裂纹、气泡、颗粒等各种大小缺陷的分类及定位。本专利技术方法将图结构、两种注意力机制、多尺度融合有机结合在一起，同时引用深度霍夫投票机制，获取表面关键点和中心点进行预测，充分利用点对信息，模型更稳定，提高预测精度。图注意力的引入，增强了局部点对之间的相关性，明确了不同通道特征之间关键程度，进而有利于学习到背景与缺陷、缺陷与缺陷之间的特征区别，利用金字塔结构融合了多尺度特征，增强了对小目标缺陷的检测能力，投票机制得到缺陷关键点，进一步提高对背景噪声的鲁棒性。附图说明图1是本专利技术使用的点云获取方式。图2是本专利技术一种基于点云数据的锂电池极片表面缺陷检测方法的工作流程图本文档来自技高网...

【技术保护点】
1.一种基于点云数据的锂电池极片表面缺陷检测方法，使用基于学习的方法进行检测，其特征在于，包括下述内容：/n(1)点云获取：/n首先通过线扫式激光传感器得到锂电池极片表面点云，然后去除无效点、平均分割表面点云为B个点云块，通过并行处理分别对每块点云做随机下采样和单位化处理，组成批量输入检测网络；/n(2)制作数据集样本和标签：/n对已经人工标注的各类缺陷包围盒标签进行尺寸、方向及位置的整理：/n统计每类缺陷的平均包围盒尺寸，作为学习缺陷包围盒尺寸的基准，某个缺陷包围盒尺寸由该缺陷所属种类的平均包围盒尺寸与该缺陷的包围盒残余尺寸回归因子组成；/n在锂电池极片平面上，将所有缺陷包围盒的角度值归一到0～360°范围内的顺时针旋转角度，再将0～360°等分为几个区间，在区间内的角度视作一类，每个缺陷包围盒旋转角度由所在区间类别与残余回归组成；/n对缺陷包围盒内点云采用最远点采样获取多个表面关键点，与缺陷包围盒中心点一起作为该缺陷的投票关键点，并记录表面关键点相对缺陷包围盒中心点的偏移，确定缺陷在当前点云中的位置；/n(3)构建带有图注意力的多尺度特征提取骨干网络：/n(3-1)设计含有图注意力卷积的特征层FL：/n使用图结构表达点云，引入注意力机制，对图结构以串联方式加入Point-wise注意力和Channel-wise注意力，赋予图结构两种注意力权重；最后再对含有两种注意力权重的图结构输入到第三个MLP网络中，第三个MLP网络后接对称函数，对称函数的实现方式采用最大池化，自动学习带有注意力的图结构高维度特征，完成图注意力卷积层的设计，至此形成含有图注意力卷积的特征层FL；/n(3-2)使用多个含有图注意力卷积的特征层FL与带有跳跃连接的特征传播层组成的金字塔结构，整合多尺度特征，完成带有图注意力的多尺度特征提取骨干网络的构建；/n(4)引入深度霍夫投票机制，鲁棒地查找缺陷目标关键点：/n将带有图注意力的多尺度特征提取骨干网络的输出输入到第四个MLP网络中，由第四个MLP网络通过学习自动生成投票，再聚合投票得到投票关键点V...

【技术特征摘要】
1.一种基于点云数据的锂电池极片表面缺陷检测方法，使用基于学习的方法进行检测，其特征在于，包括下述内容：
(1)点云获取：
首先通过线扫式激光传感器得到锂电池极片表面点云，然后去除无效点、平均分割表面点云为B个点云块，通过并行处理分别对每块点云做随机下采样和单位化处理，组成批量输入检测网络；
(2)制作数据集样本和标签：
对已经人工标注的各类缺陷包围盒标签进行尺寸、方向及位置的整理：
统计每类缺陷的平均包围盒尺寸，作为学习缺陷包围盒尺寸的基准，某个缺陷包围盒尺寸由该缺陷所属种类的平均包围盒尺寸与该缺陷的包围盒残余尺寸回归因子组成；
在锂电池极片平面上，将所有缺陷包围盒的角度值归一到0～360°范围内的顺时针旋转角度，再将0～360°等分为几个区间，在区间内的角度视作一类，每个缺陷包围盒旋转角度由所在区间类别与残余回归组成；
对缺陷包围盒内点云采用最远点采样获取多个表面关键点，与缺陷包围盒中心点一起作为该缺陷的投票关键点，并记录表面关键点相对缺陷包围盒中心点的偏移，确定缺陷在当前点云中的位置；
(3)构建带有图注意力的多尺度特征提取骨干网络：
(3-1)设计含有图注意力卷积的特征层FL：
使用图结构表达点云，引入注意力机制，对图结构以串联方式加入Point-wise注意力和Channel-wise注意力，赋予图结构两种注意力权重；最后再对含有两种注意力权重的图结构输入到第三个MLP网络中，第三个MLP网络后接对称函数，对称函数的实现方式采用最大池化，自动学习带有注意力的图结构高维度特征，完成图注意力卷积层的设计，至此形成含有图注意力卷积的特征层FL；
(3-2)使用多个含有图注意力卷积的特征层FL与带有跳跃连接的特征传播层组成的金字塔结构，整合多尺度特征，完成带有图注意力的多尺度特征提取骨干网络的构建；
(4)引入深度霍夫投票机制，鲁棒地查找缺陷目标关键点：
将带有图注意力的多尺度特征提取骨干网络的输出输入到第四个MLP网络中，由第四个MLP网络通过学习自动生成投票，再聚合投票得到投票关键点Vkey信息及投票聚类后的特征Vfea；
(5)根据步骤(4)得到的聚合投票关键点信息及投票聚类后的特征Vfea，预测出一系列候选缺陷目标提案，包括投票关键点Vkey的偏差、缺陷包围盒尺寸、角度、缺陷种类概率，去除候选缺陷目标中重复的包围盒，筛选出最有可能的缺陷位置。


2.根据权利要求1所述的基于点云数据的锂电池极片表面缺陷检测方法，其特征在于：所述(1)中对于所述点云获取方式为电机带动滚轮使锂电池极片水平移动，将线扫式激光传感器固定于锂电池极片上方，由编码器触发线扫式激光传感器逐帧采集数据，设定每1024帧数据合并为一个点云；表面点云被平均分割成16个点云块，随机下采样后得到8192个点。


3.根据权利要求1所述的基于点云数据的锂电池极片表面缺陷检测方法，其特征在于：所述(2)中某个缺陷包围盒尺寸Bboxd的表达式为：Bboxd＝Bboxmean_k+Resbbox_d⊙Bboxmean_k，其中⊙表示Hadamard乘积，每类缺陷的平均包围盒尺寸Bboxmean_k，包围盒残余尺寸回归因子Resbbox_d；
每个缺陷包围盒旋转角度αf由所在区间类别与残余回归组成，表达是为：



其中，classrota＝0,1,2,…,s表示s个区间的分类，残余回归因子Resrota范围为(-1，1]。


4.根据权利要求1所述的...

【专利技术属性】
技术研发人员：陈海永，王涛，刘卫朋，郭婧，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12