本申请公开了一种锂电池缺陷检测方法、系统及存储介质，涉及缺陷检测技术领域，方法包括：获取锂电池外观缺陷数据集；将锂电池外观缺陷数据集输入到对象特征提取模型中进行特征抽取，得到第一像素级缺陷语义特征集；对第一像素级缺陷语义特征集进行提纯，得到第二像素级缺陷语义特征集；对第二缺陷语义特征进行分类，构建锂电池外观缺陷语义特征库；从锂电池外观缺陷语义特征库中抽取第一缺陷特征，并通过第一缺陷特征对锂电池外观缺陷数据集进行数据增强，以得到锂电池缺陷检测模型；通过锂电池缺陷检测模型对锂电池待检测图像进行缺陷检测,得到缺陷检测结果。通过这种方法，提高缺陷检测网络的可靠性、鲁棒性及检测精度。鲁棒性及检测精度。鲁棒性及检测精度。
【技术实现步骤摘要】
锂电池缺陷检测方法、系统及存储介质
[0001]本申请涉及缺陷检测
，尤其涉及一种锂电池缺陷检测方法、系统及存储介质。
技术介绍
[0002]目前，锂电池的生产工艺向全自动化发展，每个工艺点都逐步淘汰或减少人工的介入，相关技术中的基于深度学习的锂电池外观缺陷的检测方式，由于缺陷样本在正常生产过程中的占比很小，而基于深度学习的检测方式需要大量缺陷样本，才能使缺陷检测网络进入良好的收敛；同时，在实际生产中的缺陷样本也存在分布不均，不同缺陷类别的样本数量并不相同，往往差距巨大，这使得检测网络产生明显的倾向现象，样本数量更多的缺陷类别被检测出来的可能性比样本数量少的类别更大，导致基于深度学习的检测方式存在误判情况较多、检测精度较低。
技术实现思路
[0003]本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种锂电池缺陷检测方法、系统及存储介质，提高缺陷检测网络的可靠性、鲁棒性及检测精度。
[0004]第一方面，本申请实施例提供了一种锂电池缺陷检测方法，所述方法包括：
[0005]获取锂电池外观缺陷数据集和获取锂电池待检测图像；
[0006]将所述锂电池外观缺陷数据集输入到对象特征提取模型中进行特征抽取，得到第一像素级缺陷语义特征集；
[0007]对所述第一像素级缺陷语义特征集进行提纯，得到第二像素级缺陷语义特征集；
[0008]对所述第二缺陷语义特征进行分类，构建锂电池外观缺陷语义特征库；
[0009]从所述锂电池外观缺陷语义特征库中抽取第一缺陷特征，并通过所述第一缺陷特征对所述锂电池外观缺陷数据集进行数据增强，得到第一缺陷样本数据；
[0010]根据所述第一缺陷样本数据和所述锂电池外观缺陷数据集对初始锂电池缺陷检测模型进行训练，得到锂电池缺陷检测模型；
[0011]通过所述锂电池缺陷检测模型对所述锂电池待检测图像进行缺陷检测,得到缺陷检测结果。
[0012]根据本申请实施例中提供的一个或多个技术方案，至少具有如下有益效果:构建锂电池外观缺陷数据集后，通过对象特征提取模型对锂电池外观缺陷数据集进行特征抽取，得到第一像素级缺陷语义特征集；对第一像素级缺陷语义特征集进行提纯后，得到第二像素级缺陷语义特征集；对第二缺陷语义特征进行分类，构建锂电池外观缺陷语义特征库；从锂电池外观缺陷语义特征库中抽取第一缺陷特征，并通过第一缺陷特征对锂电池外观缺陷数据集进行数据增强，得到第一缺陷样本数据；根据第一缺陷样本数据和锂电池外观缺陷数据集对初始锂电池缺陷检测模型进行训练，得到锂电池缺陷检测模型；通过锂电池缺陷检测模型对锂电池待检测图像进行缺陷检测,得到缺陷检测结果。与相关技术相比，本申
请通过像素级特征对锂电池外观缺陷数据集进行数据增强的外观检测方式，从像素级层面描述锂电池外观缺陷，使得增强后的第一缺陷样本数据能描述任何形状和纹理的缺陷，也能够有效解决缺陷样本不足及类别分布不均的问题，因此，基于第一缺陷样本数据和锂电池外观缺陷数据集训练得到的锂电池缺陷检测模型进行外观检测能提高缺陷检测网络的可靠性、鲁棒性及检测精度。
[0013]根据本申请第一方面的一些实施例，所述获取锂电池外观缺陷数据集，包括：
[0014]获取锂电池外观缺陷图像；
[0015]对所述锂电池外观缺陷图像进行缺陷类型、缺陷位置及缺陷大小标注，得到标签集；
[0016]根据所述锂电池外观缺陷图像和所述标签集，得到锂电池外观缺陷数据集。
[0017]根据本申请第一方面的一些实施例，所述对象特征提取模型包括特征提取网络层、全连接层及分类网络，所述将所述锂电池外观缺陷数据集输入到对象特征提取模型中进行特征抽取，得到第一像素级缺陷语义特征集，包括:
[0018]获取所述特征提取网络层输出的浅层特征图；
[0019]对所述全连接层的参数进行归一化处理，得到所述全连接层参数的归一化值；
[0020]根据所述浅层特征图和所述全连接层参数的归一化值，对所述特征提取网络层输出的第一特征图进行归一化处理，得到浅层特征置信度掩码；
[0021]将所述浅层特征置信度掩码映射至所述锂电池外观缺陷图像，提取所述锂电池外观缺陷图像的像素组合为第一像素级缺陷语义特征集。
[0022]根据本申请第一方面的一些实施例，所述将所述浅层特征置信度掩码映射至所述锂电池外观缺陷图像，提取所述锂电池外观缺陷图像的像素组合为第一像素级缺陷语义特征集，包括：
[0023]将所述浅层特征置信度掩码映射至所述锂电池外观缺陷图像，获取网络对缺陷的关注像素和重要程度；
[0024]根据所述关注像素和所述重要程度，提取所述锂电池外观缺陷图像的像素组合为第一像素级缺陷语义特征集。
[0025]根据本申请第一方面的一些实施例，所述浅层特征置信度掩码的计算公式如下：
[0026][0027]其中，表示所述浅层特征置信度掩码，∈表示置信度阈值，表示第一特征置信度掩码，k表示第k个图像，h表示第一特征图的高，w表示所述第一特征图的宽，小于置信度阈值的所述浅层特征置信度掩码为零；
[0028]所述第一特征置信度掩码的计算公式如下：
[0029][0030]其中，θ
′
表示所述全连接层参数的归一化值，n表示第n个全连接层参数，v
′
表示所述浅层特征图，k表示第k个图像，h表示所述第一特征图的高，w表示所述第一特征图的宽。
[0031]根据本申请第一方面的一些实施例，所述对所述第一像素级缺陷语义特征集进行
提纯，得到第二像素级缺陷语义特征集，包括：
[0032]将所述第一像素级缺陷语义特征集的第一像素进行扩散，得到扩散像素数据；
[0033]计算所述第一像素级缺陷语义特征集中缺陷的边缘像素，得到的边缘像素数据；
[0034]将所述边缘像素数据与所述扩散像素数据进行比较，得到比较数据；
[0035]根据所述比较数据，重新计算所述边缘像素，直至所述比较数据符合预设条件。
[0036]根据本申请第一方面的一些实施例，所述通过所述第一缺陷特征对所述锂电池外观缺陷数据集进行数据增强，包括：
[0037]将所述第一缺陷特征和所述锂电池外观缺陷数据集中的所述第二缺陷样本数据进行随机的角度、数量及位置的摆放。
[0038]根据本申请第一方面的一些实施例，所述根据所述第一缺陷样本数据和所述锂电池外观缺陷数据集，对初始锂电池缺陷检测模型进行训练，得到锂电池缺陷检测模型，包括
[0039]将所述第一缺陷样本数据分别与所述锂电池外观缺陷数据集中的所述第二缺陷样本数据、所述标签集进行结合，以对初始锂电池缺陷检测模型进行训练，得到锂电池缺陷检测模型。
[0040]根据本申请第二方面实施例的锂电池缺陷检测系统，其包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的锂电池缺本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种锂电池缺陷检测方法，其特征在于，包括：获取锂电池外观缺陷数据集和获取锂电池待检测图像；将所述锂电池外观缺陷数据集输入到对象特征提取模型中进行特征抽取，得到第一像素级缺陷语义特征集；对所述第一像素级缺陷语义特征集进行提纯，得到第二像素级缺陷语义特征集；对所述第二缺陷语义特征进行分类，构建锂电池外观缺陷语义特征库；从所述锂电池外观缺陷语义特征库中抽取第一缺陷特征，并通过所述第一缺陷特征对所述锂电池外观缺陷数据集进行数据增强，得到第一缺陷样本数据；根据所述第一缺陷样本数据和所述锂电池外观缺陷数据集对初始锂电池缺陷检测模型进行训练，得到锂电池缺陷检测模型；通过所述锂电池缺陷检测模型对所述锂电池待检测图像进行缺陷检测,得到缺陷检测结果。2.根据权利要求1所述的锂电池缺陷检测方法，其特征在于，所述获取锂电池外观缺陷数据集，包括：获取锂电池外观缺陷图像；对所述锂电池外观缺陷图像进行缺陷类型、缺陷位置及缺陷大小标注，得到标签集；根据所述锂电池外观缺陷图像和所述标签集，得到锂电池外观缺陷数据集。3.根据权利要求2所述的锂电池缺陷检测方法，所述对象特征提取模型包括特征提取网络层、全连接层及分类网络，所述将所述锂电池外观缺陷数据集输入到对象特征提取模型中进行特征抽取，得到第一像素级缺陷语义特征集，包括:获取所述特征提取网络层输出的浅层特征图；对所述全连接层的参数进行归一化处理，得到所述全连接层参数的归一化值；根据所述浅层特征图和所述全连接层参数的归一化值，对所述特征提取网络层输出的第一特征图进行归一化处理，得到浅层特征置信度掩码；将所述浅层特征置信度掩码映射至所述锂电池外观缺陷图像，提取所述锂电池外观缺陷图像的像素组合为第一像素级缺陷语义特征集。4.根据权利要求3所述的锂电池缺陷检测方法，其特征在于，所述将所述浅层特征置信度掩码映射至所述锂电池外观缺陷图像，提取所述锂电池外观缺陷图像的像素组合为第一像素级缺陷语义特征集，包括：将所述浅层特征置信度掩码映射至所述锂电池外观缺陷图像，获取网络对缺陷的关注像素和重要程度；根据所述关注像素和所述重要程度，提取所述锂电池外观缺陷图像的像素组合为第一像素级缺陷语义特征集。5.根据权利要求3所述的锂电池缺陷...
【专利技术属性】
技术研发人员：洪智勇，冯英伟，梁冠杰，肖华润，张文康，甄德鑫，
申请(专利权)人：五邑大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。