基于深度学习去除刀具刃口图像中的附着物的方法和系统技术方案

本发明专利技术属于刀具刃口图像处理领域，具体是指一种基于深度学习去除刀具刃口图像中的附着物的方法及系统，包括采集含附着物和擦拭干净的刀具刃口图像并生成数据集，其特征为，还包括以下步骤，步骤一，采用

【技术实现步骤摘要】
基于深度学习去除刀具刃口图像中的附着物的方法和系统
本专利技术属于刀具刃口图像处理领域，具体是指一种基于深度学习去除刀具刃口图像中的附着物的方法及系统。
技术介绍
分切是电动汽车动力电池生产的一个重要生产工艺，分切刀具的质量是影响分切的电极片质量的重要因素，确保分切刀具刃口豁口数量和大小在安全阈值下才能保证电池极片切割中产生的毛刺不至于引起短路风险。因此，对于刀具豁口的检测十分重要。由于刀具有油易于粘附，使用、转运和现场检测环境洁净度无法得到保证，在刃口处易粘连金属附着物、毛发和棉絮等位置和形态各异的附着物，刃口附着物存在影响了显微成像时自动对焦和清晰成像，导致显微图像拼接失败，形成刀具伪边缘，增加豁口误检率，严重影响系统检测精度。现有技术有基于深度学习去除附着物方法，缺乏对目标的针对性学习，导致计算资源浪费在背景等无关特征上；然而工业现场的计算资源有限，模型的参数量巨大导致模型在处理大尺寸图片时耗费大量时间，严重耽误生产效率。且现有技术缺乏对图像中局部与全局之间的特征依赖关系的提取，存在去除效果差，甚至无法去除附着物的缺点，因此提高刀具刃口图像的附着物去除模型性能十分重要。
技术实现思路
本专利技术目的在于提供一种基于深度学习去除刀具刃口图像中的附着物的方法和系统，以准确检测并去除刀具刃口附着物，保证刀具豁口检测有效性和精度。实现上述目的的技术方案为，一种基于深度学习去除刀具刃口图像中的附着物的方法，包括采集含附着物和擦拭干净的刀具刃口图像并生成数据集，还包括以下步骤，步骤一，采用3×3卷积和激活函数对输入的含附着物图片的浅层特征提取和通道提升；在输入特征两边界进行卷积之前，为保证特征图在卷积过程中尺寸大小不变和保持边界信息，采取了补1操作。步骤二，采用长短期记忆网络提取附着物递归去除过程中的时序信息；长短期记忆网络改进了原始的递归神经网络，通过对门单元的控制，从而决定流动特征的取舍或遗忘，有效地解决了网络训练过程中的梯度爆炸和丢失问题。步骤三，对输入的含附着物图片的引入自注意力模块进行深层特征提取；采用普通的残差模块提取深层特征，缺少了自注意力机制的引导，导致附着物粘连的边缘出现扭曲现象，而自注意力模块能有效提取附着物特征，更好分辨图像中的刀具部分和附着物部分。步骤四，通过3×3的卷积，逐通道进行卷积，整合特征获得输出附着物去除后的3通道图像。进一步，所述步骤三中，提取深层特征时采用数个深度可分离卷积残差模块中穿插1个自注意力模块。自注意力机制可以作为图像响应的向导，在输入的特征序列中，分别计算某特征在任意位置的响应，从而获得全局信息，动态调节特征图谱中的网络权值，达到聚焦于附着物区域的效果。进一步，所述深度可分离卷积残差模块数量为5个。选取合适的模块数量确保在计算时间和去除效果上取得平衡。进一步，所述深度可分离卷积残差模块由3×3深度卷积、激活函数ReLU6和1×1点卷积依次构成。ReLU6激活函数的最大响应限制在6。避免了因激活响应太大，导致在低精度工业设备上单精度浮点和整形运算时，出现精度丢失的现象。进一步，步骤一所述的激活函数为ReLU激活函数。进一步，步骤一至步骤四采用结构相似度的相反数作为损失函数用来减少因附着物误去除产生的噪点。一种基于深度学习去除刀具刃口图像中的附着物的系统，包括浅层特征提取模块，由3×3卷积和激活函数组成，用于提取输入图片的浅层特征和通道提升；长短期记忆网络，用于提取附着物递归去除过程中的时序信息，增强网络在时间维度上的特征提取能力；自注意力机制的深层特征提取模块，数个深度可分离卷积残差模块中穿插1个自注意力模块，用自注意力机制对残差模块进行引导，降低附着物粘连的边缘扭曲现象。进一步，所述深度可分离卷积残差模块数量为5个。进一步，所述深度可分离卷积残差模块由3×3深度卷积、激活函数ReLU6和1×1点卷积依次构成。进一步，还包括网络损失函数，以结构相似度的相反数作为网络损失函数用来减少因附着物误去除产生的噪点。本案在去除刀具刃口图像中的附着物工业应用中存在以下部分或全部技术效果：一是刀具图片中纹理特征较少，本案引入深度可分离卷积，对比普通的PReNet递归神经网络，使用本案降低了90％参数量和计算量，符合工业现场的速度需求；二是引入了自注意力机制，提高了特征图通道中的附着物定位能力，使附着物与刀具边缘的衔接部分更平滑，说明去除效果显著，提升了刀具豁口检测系统精度。附图说明图1为本专利技术的总流程图；图2为本专利技术的具体实施中建立的整体网络结构示意图；图3为图2所示的附着物去除模块结构示意图；附着物去除模块包括Conv3x3(即3×3卷积)和ReLU构成的浅层特征提取模块、LSTM(即长短期记忆网络提取模块)、DESA(即基于自注意力机制的深层特征提取模块)和Conv3x3(即3×3卷积)构成的特征整合模块；图4为图3所示的DESA(即基于自注意力机制的深层特征提取模块)的结构示意图；图5为图4所示的Self-Attention(即自注意力机制)示意图；图6为图4所示的DSRB(即深度可分离卷积残差模块)结构示意图；图7为本专利技术实施例中的实验使用到的刀具刃口无任何附着物的原始图像；图8为本专利技术实施例中的实验使用到的刀具刃口沾染附着物后的图像；图9为使用本专利技术具体实施的方法和系统对图8图像中的附着物进行去除后的图像；图10为使用普通的PReNet递归神经网络对图8图像中的附着物进行去除后的图像。具体实施方式以下结合实验中应用本专利技术对刀具刃口图像附着物去除的说明对本专利技术进行详细具体的说明，本专利技术的整体流程图如图1所示，实施步骤如下：1)制作实验数据集：实验使用放大倍数为10的蔡司物镜，靶面尺寸为1.1英寸的Basler工业相机，构成0.345微米/像素精度的光学系统。采集外径约为110mm，内径约为90mm的某型号动力电池分切刀具。实验从312套刀具图片中(每套300张4096*2160分辨率图片)，收集了567张含附着物4k分辨率图片，其中包含训练集510张，测试集57张。对含有附着物部分进行随机裁剪，生成尺寸为100×100含附着物和对应的无附着物图片，共3478对，其中包含训练集3130对，测试集占348对。2)搭建深度学习网络模型参见图1至图3，本专利技术实施中刀具附着物去除网络包括附着物去除模块，该附着物去除模块包括由3×3卷积和ReLU激活函数构成的浅层特征提取模块、LSTM长短期记忆网络提取模块、DESA自注意力机制的深层特征提取模块和由3×3卷积构成的特征整合模块，其中递归T次后的输出图像公式如下：如公式(1)所示，XO为输入的附着物图片，F(X1,X2)为附着物图像到无附着物图像的非线性映射操作，YT为递归T次后的附着物去除图像，n为总递归次数。当T＝1时，F本文档来自技高网...

【技术保护点】
1.一种基于深度学习去除刀具刃口图像中的附着物的方法，包括采集含附着物和擦拭干净的刀具刃口图像并生成数据集，其特征为，还包括以下步骤，/n步骤一，采用

【技术特征摘要】
1.一种基于深度学习去除刀具刃口图像中的附着物的方法，包括采集含附着物和擦拭干净的刀具刃口图像并生成数据集，其特征为，还包括以下步骤，
步骤一，采用卷积和激活函数对输入的含附着物图片的浅层特征提取和通道提升；
步骤二，采用长短期记忆网络提取附着物递归去除过程中的时序信息；
步骤三，对输入的含附着物图片的引入自注意力模块进行深层特征提取；
步骤四，通过的卷积，整合通道的特征，输出附着物去除后的刀具刃口图像。


2.根据权利要求1所述的基于深度学习去除刀具刃口图像中的附着物的方法，其特征为，所述步骤三中，提取深层特征时采用数个深度可分离卷积残差模块中穿插1个自注意力模块。


3.根据权利要求2所述的基于深度学习去除刀具刃口图像中的附着物的方法其特征为，所述深度可分离卷积残差模块数量为5个。


4.根据权利要求2或3所述的基于深度学习去除刀具刃口图像中的附着物的方法其特征为，所述深度可分离卷积残差模块由深度卷积、激活函数ReLU6和点卷积依次构成。


5.根据权利要求1所述的基于深度学习去除刀具刃口图像中的附着物的方法其特征为，步骤一所述的激活函数为ReLU激活函数。


6....

【专利技术属性】
技术研发人员：杨辉华，梁智滨，赵文义，陈文丽，颜振翔，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45