电池极耳外观缺陷检测方法技术

本申请是关于一种电池极耳外观缺陷检测方法。该方法包括：获取待测极耳缺陷图像以及模型支持集；将待测极耳缺陷图像以及模型支持集输入目标双支神经网络，输出待测极耳缺陷图像的缺陷类型；目标双支神经网络的训练方式为：获取小样本训练集，小样本训练集包含N种极耳缺陷类型的图像样本，各个图像样本中标注有极耳缺陷类型；在小样本训练集中获取模型支持集以及模型查询集；将模型支持集以及模型查询集输入初始双支神经网络进行训练，得到目标双支神经网络。本申请提供的方案，能够降低电池极耳缺陷检测的难度，降低缺陷检测数据收集耗时，降低检测成本，提高检测效率。提高检测效率。提高检测效率。

【技术实现步骤摘要】
电池极耳外观缺陷检测方法


[0001]本申请涉及缺陷检测
，尤其涉及电池极耳外观缺陷检测方法。

技术介绍

[0002]传统图像处理算法在针对不同缺陷进行检测时，需要人工手动定义缺陷算子，但由于锂电池极耳具有复杂的缺陷特征，手工定义算子调参困难且扩展性差，在图像检测阶段需要对图像进行大量的上下采样、滤波计算等预处理操作，检测耗时。在采用传统深度卷积神经网络进行检测时，需要利用深度卷积神经网络出色的特征提取能力，替代人工自定义算子，实现锂电池极耳的缺陷检测，但检测的有效缺陷样本量少，传统深度卷积神经网络的训练又依赖于大规模标注数据集，因此基于传统深度卷积神经网络的缺陷检测数据收集耗时长，人力成本大。
[0003]现有技术中，公开号为CN111079785A的专利（一种图像识别方法、装置及终端设备）中，提出了通过获取样本训练集以及执行特征提取操作，将样本训练集中的样本图像组输入孪生神经网络中，得到第一特征向量和第二特征向量，根据第一特征向量、第二特征向量、样本标记以及基于余弦距离的对比损失函数计算损失值，若损失值小于或等于预设损失阈值，或迭代次数大于或等于预设迭代次数，使用孪生神经网络对待处理图像组进行图像识别。
[0004]上述现有技术存在以下缺点：该方案需要大量标记的缺陷样本来进行训练，但有效的电池极耳缺陷样本难以获取，数据收集耗时长，检测成本高而效率低，需要将类别特征识别问题转换成类间差异程度识别问题，解决对电池极耳外观缺陷进行检测的问题，提高检测效率。

技术实现思路

[0005]为克服相关技术中存在的问题，本申请提供一种电池极耳外观缺陷检测方法，该电池极耳外观缺陷检测方法，能够降低电池极耳缺陷检测的难度，降低缺陷检测数据收集耗时，降低检测成本，提高检测效率。
[0006]本申请提供一种电池极耳外观缺陷检测方法，包括：获取待测极耳缺陷图像以及模型支持集；将待测极耳缺陷图像以及模型支持集输入目标双支神经网络，输出待测极耳缺陷图像的缺陷类型；目标双支神经网络的训练方式为：获取小样本训练集，小样本训练集包含N种极耳缺陷类型的图像样本，各个图像样本中标注有极耳缺陷类型；在小样本训练集中获取模型支持集以及模型查询集；将模型支持集以及模型查询集输入初始双支神经网络进行训练，得到目标双支神经网络。
[0007]在一种实施方式中，将模型支持集以及模型查询集输入初始双支神经网络进行训练，包括：根据模型查询集确定第一精炼特征向量集；
根据模型支持集确定精炼特征中心向量集；根据精炼特征中心向量集、第一精炼特征向量集以及对比损失函数调整初始双支神经网络的模型参数。
[0008]在一种实施方式中，根据模型查询集确定第一精炼特征向量集，包括：分别对模型查询集的各个图像样本进行自适应注意力区域提取处理，得到第一精炼特征空间集；分别对第一精炼特征空间集中的各个第一精炼特征空间进行序列化处理，得到第一精炼特征向量集。
[0009]在一种实施方式中，根据模型支持集确定精炼特征中心向量集，包括：分别对模型支持集的各个图像样本进行自适应注意力区域提取处理，得到第二精炼特征空间集；分别对第二精炼特征空间集的各个第二精炼特征空间进行序列化处理，得到C个第二精炼特征向量集，第二精炼特征向量集为模型支持集中相同极耳缺陷类型的图像样本对应的第二精炼特征向量的集合；C大于零；分别根据各个第二精炼特征向量集确定精炼特征中心向量集。
[0010]在一种实施方式中，自适应注意力区域提取处理，包括：确定当前图像样本的当前平均像素值；分别将当前图像样本的各个像素点的像素值与当前平均像素值对比，若当前像素值小于当前平均像素值，则去除当前像素值对应的像素点的特征空间；若当前像素值大于或等于当前平均像素值，则保留当前像素值对应的像素点的特征空间。
[0011]在一种实施方式中，序列化处理，包括：通过均值池化处理将特征空间转换为特征向量。
[0012]在一种实施方式中，分别根据各个第二精炼特征向量集确定精炼特征中心向量集，其中，根据任一个第二精炼特征向量集确定精炼特征中心向量包括：获取当前第二精炼特征向量集的特征通道数；根据当前第二精炼特征向量集中各个第二精炼特征向量，以及特征通道数确定当前第二精炼特征向量集对应的特征通道均值；将各个第二精炼特征向量集对应的特征通道均值的集合作为精炼特征中心向量集。
[0013]在一种实施方式中，根据精炼特征中心向量集、第一精炼特征向量集以及对比损失函数调整初始双支神经网络的模型参数，包括：将精炼特征中心向量集和第一精炼特征向量集中的向量两两配对，得到配对向量；将配对向量输入对比损失函数，对比损失函数为：其中，θ为模型参数，为精炼特征中心向量集中的向量，为第一精炼特征向量集中的向量，y为类型一致性参数，m为惩罚项常数，m大于零；若配对向量分别对应的极耳缺陷类型一致，则设定y为1，调整模型参数直至
与之间的差值处于第一差值范围之内，第一差值范围为大于
‑
1且小于1；若配对向量分别对应的极耳缺陷类型不一致，则设定y为0，调整模型参数直至与之间的差值处于第二差值范围之内，第二差值范围为大于m
‑
1且小于m+1。
[0014]在一种实施方式中，将待测极耳缺陷图像以及模型支持集输入目标双支神经网络，输出待测极耳缺陷图像的缺陷类型，包括：对待测极耳缺陷图像进行自适应注意力区域提取处理以及序列化处理，得到待测精炼特征向量；将待测精炼特征向量与模型支持集对应的精炼特征中心向量集中的各个向量进行配对，得到待测配对向量；将待测配对向量输入对比损失函数，得到C个损失函数值；在C个损失函数值中获取最小损失函数值，确定最小损失函数值对应的精炼特征中心向量对应的极耳缺陷类型，为待测极耳缺陷图像的缺陷类型。
[0015]在一种实施方式中，在小样本训练集中获取模型支持集以及模型查询集，包括：在小样本训练集中获取C种极耳缺陷类型的第一图像样本集作为模型支持集，第一图像样本集为C种极耳缺陷类型中的每种极耳缺陷类型均具有K个图像样本所形成的图像样本集，K大于零；在小样本训练集中获取C种极耳缺陷类型的第二图像样本集作为模型支持集，第二图像样本集为在C种极耳缺陷类型的图像样本中剔除第一图像样本集后所得到的剩余数据集中，随机选取的J个图像样本的集合，J大于零。
[0016]本申请提供的技术方案可以包括以下有益效果：通过获取待测极耳缺陷图像以及模型支持集，将待测极耳缺陷图像以及模型支持集输入目标双支神经网络，输出待测极耳缺陷图像的缺陷类型，将类别特征识别问题转换成类间差异程度识别问题，通过判断待测极耳缺陷图像的未知缺陷类型与模型支持集中各个已知的极耳缺陷类型之间的差异程度，从而确定待测极耳缺陷图像的缺陷类型，降低电池极耳缺陷检测的难度，降低缺陷检测数据收集耗时，降低检测成本；而目标双支神经网络的训练方式为：获取小样本训练集，小样本训练集包含N种极耳缺陷类型的图像样本，各个图像样本中标注有极耳缺陷类型，在小样本训练集中获取模型支持集以及模型查询集，将模型支本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池极耳外观缺陷检测方法，其特征在于，包括：获取待测极耳缺陷图像以及模型支持集；将所述待测极耳缺陷图像以及所述模型支持集输入目标双支神经网络，输出所述待测极耳缺陷图像的缺陷类型；所述目标双支神经网络的训练方式为：获取小样本训练集，所述小样本训练集包含N种极耳缺陷类型的图像样本，各个图像样本中标注有极耳缺陷类型；在所述小样本训练集中获取模型支持集以及模型查询集；将所述模型支持集以及所述模型查询集输入初始双支神经网络进行训练，得到所述目标双支神经网络。2.根据权利要求1所述的电池极耳外观缺陷检测方法，其特征在于，所述将所述模型支持集以及所述模型查询集输入初始双支神经网络进行训练，包括：根据所述模型查询集确定第一精炼特征向量集；根据所述模型支持集确定精炼特征中心向量集；根据所述精炼特征中心向量集、所述第一精炼特征向量集以及对比损失函数调整所述初始双支神经网络的模型参数。3.根据权利要求2所述的电池极耳外观缺陷检测方法，其特征在于，所述根据所述模型查询集确定第一精炼特征向量集，包括：分别对所述模型查询集的各个图像样本进行自适应注意力区域提取处理，得到第一精炼特征空间集；分别对所述第一精炼特征空间集中的各个第一精炼特征空间进行序列化处理，得到所述第一精炼特征向量集。4.根据权利要求3所述的电池极耳外观缺陷检测方法，其特征在于，所述根据所述模型支持集确定所述精炼特征中心向量集，包括：分别对所述模型支持集的各个图像样本进行所述自适应注意力区域提取处理，得到第二精炼特征空间集；分别对所述第二精炼特征空间集的各个第二精炼特征空间进行所述序列化处理，得到C个第二精炼特征向量集，所述第二精炼特征向量集为所述模型支持集中相同极耳缺陷类型的图像样本对应的第二精炼特征向量的集合；所述C大于零；分别根据各个第二精炼特征向量集确定所述精炼特征中心向量集。5.根据权利要求4所述的电池极耳外观缺陷检测方法，其特征在于，所述自适应注意力区域提取处理，包括：确定当前图像样本的当前平均像素值；分别将当前图像样本的各个像素点的像素值与当前平均像素值对比，若当前像素值小于当前平均像素值，则去除当前像素值对应的像素点的特征空间；若当前像素值大于或等于当前平均像素值，则保留当前像素值对应的像素点的特征空间。6.根据权利要求4所述的电池极耳外观缺陷检测方法，其特征在于，所述序列化处理，包括：通过均值池化处理将特征空间转换为特征向量。7.根据权利要求4所述的电池极耳外观缺陷检测方法，其特征在于，所述分别根据各个第二精炼特征向量集确定所述精炼特征中心向量集，其中，根据任一个第二精炼特征向量集确定精炼特...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：高视科技苏州有限公司，
类型：发明
国别省市：