面向锂电池极片可监督学习的距离自适应掩码生成方法技术

公开了一种面向锂电池极片可监督学习的距离自适应掩码生成方法。其首先对获取的待检测锂电池的X

【技术实现步骤摘要】
面向锂电池极片可监督学习的距离自适应掩码生成方法


[0001]本申请涉及智能掩码生成领域，且更为具体地，涉及一种面向锂电池极片可监督学习的距离自适应掩码生成方法。

技术介绍

[0002]锂电池是目前应用最广泛的电池之一，其在移动电子设备、电动汽车、储能等领域都有广泛应用。在锂电池的生产过程中，质量检测是非常重要的环节。锂电池极片是锂电池的重要组成部分，对锂电池极片进行精准检测，能够保证电池的质量和性能。传统的锂电池极片检测方式主要依靠X
‑
ray设备采集锂电池X
‑
ray图像，然后对图像进行人工划分，从而实现极片的定位检测。这种方式存在人工干预较多、效率低下、精度不高等问题。而随着深度学习技术的发展，基于深度学习的锂电池极片检测方法具有自动化、高效、精度高等优势，成为当前的研究热点。
[0003]但是，基于深度学习的锂电池极片检测方法也存在一些问题，例如现有的方案中对于图像的掩码采用固定尺度的掩码操作，而固定阈值策略不能完全同时的适应放大比不同的X
‑
ray图像，直径较小在距离较大的极片所生成的掩码会很小，然而当直径较大时在距离较近的极片则会非常密集甚至粘连。因此，如何生成可学习的掩码标签，以及如何平衡密集极片和稀疏极片的关系成为难题。
[0004]因此，期望一种优化的面向锂电池极片可监督学习的距离自适应掩码生成方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种面向锂电池极片可监督学习的距离自适应掩码生成方法。其首先对获取的待检测锂电池的X
‑
ray图像进行图像块划分以得到图像块的序列，接着，将所述图像块的序列中的各个图像块分别通过ViT模型以得到多个图像块上下文特征向量，然后，将所述多个图像块上下文特征向量进行矩阵排列以得到解码特征矩阵，接着，对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵，然后，对所述优化后解码特征矩阵进行图像语义分割以得到图像语义分割结果，最后，基于所述图像语义分割结果，确定极片间距，并基于所述极片间距，设置距离自适应掩码值。这样，可以降低学习难度。
[0006]根据本申请的一个方面，提供了一种面向锂电池极片可监督学习的距离自适应掩码生成方法，其包括：
[0007]获取待检测锂电池的X
‑
ray图像；
[0008]对所述待检测锂电池的X
‑
ray图像进行图像块划分以得到图像块的序列；
[0009]将所述图像块的序列中的各个图像块分别通过包含嵌入层的ViT模型以得到多个图像块上下文特征向量；
[0010]将所述多个图像块上下文特征向量进行矩阵排列以得到解码特征矩阵；
[0011]对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵；
[0012]对所述优化后解码特征矩阵进行图像语义分割以得到图像语义分割结果；
[0013]基于所述图像语义分割结果，确定极片间距；以及
[0014]基于所述极片间距，设置距离自适应掩码值。
[0015]在上述的面向锂电池极片可监督学习的距离自适应掩码生成方法中，对所述待检测锂电池的X
‑
ray图像进行图像块划分以得到图像块的序列，包括：
[0016]沿着所述待检测锂电池的X
‑
ray图像的宽度方向将所述待检测锂电池的X
‑
ray图像划分为所述图像块的序列。
[0017]在上述的面向锂电池极片可监督学习的距离自适应掩码生成方法中，将所述图像块的序列中的各个图像块分别通过包含嵌入层的ViT模型以得到多个图像块上下文特征向量，包括：
[0018]使用所述ViT模型的嵌入层分别对所述图像块的序列中的各个图像块进行嵌入编码以得到图像块嵌入向量的序列；以及
[0019]使用所述ViT模型的上下文编码器对所述图像块嵌入向量的序列进行基于全局的上下文语义编码以获得所述多个图像块上下文特征向量。
[0020]在上述的面向锂电池极片可监督学习的距离自适应掩码生成方法中，使用所述ViT模型的嵌入层分别对所述图像块的序列中的各个图像块进行嵌入编码以得到图像块嵌入向量的序列，包括：
[0021]将所述图像块的序列中的各个图像块分别展开为一维像素输入向量以得到多个一维像素输入向量；以及
[0022]使用所述ViT模型的嵌入层对所述多个一维像素输入向量中各个一维像素输入向量进行全连接编码以得到所述图像块嵌入向量的序列。
[0023]在上述的面向锂电池极片可监督学习的距离自适应掩码生成方法中，对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵，包括：
[0024]以如下优化公式对所述解码特征矩阵进行特征亲和性空间仿射学习优化以得到所述优化后解码特征矩阵；
[0025]其中，所述优化公式为：
[0026][0027]其中，M表示所述解码特征矩阵，||M||2表示所述解码特征矩阵的二范数，||M||
*
表示所述解码特征矩阵的核范数，且n是所述解码特征矩阵的尺度，log表示以2为底的对数函数，exp(
·
)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，
⊙
表示按位置点乘，M
′
表示所述优化后解码特征矩阵。
[0028]在上述的面向锂电池极片可监督学习的距离自适应掩码生成方法中，基于所述极片间距，设置距离自适应掩码值，包括：
[0029]所述距离自适应掩码值为所述极片间距的0.3倍。
[0030]与现有技术相比，本申请提供的面向锂电池极片可监督学习的距离自适应掩码生成方法，其首先对获取的待检测锂电池的X
‑
ray图像进行图像块划分以得到图像块的序列，接着，将所述图像块的序列中的各个图像块分别通过ViT模型以得到多个图像块上下文特征向量，然后，将所述多个图像块上下文特征向量进行矩阵排列以得到解码特征矩阵，接
着，对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵，然后，对所述优化后解码特征矩阵进行图像语义分割以得到图像语义分割结果，最后，基于所述图像语义分割结果，确定极片间距，并基于所述极片间距，设置距离自适应掩码值。这样，可以降低学习难度。
附图说明
[0031]为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
[0032]图1为根据本申请实施例的不同策略和参数下的掩码生成效果图。
[0033]图2为根据本申请实施例的面向锂电池极片可监督学习的距离自适应掩码生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向锂电池极片可监督学习的距离自适应掩码生成方法，其特征在于，包括：获取待检测锂电池的X
‑
ray图像；对所述待检测锂电池的X
‑
ray图像进行图像块划分以得到图像块的序列；将所述图像块的序列中的各个图像块分别通过包含嵌入层的ViT模型以得到多个图像块上下文特征向量；将所述多个图像块上下文特征向量进行矩阵排列以得到解码特征矩阵；对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵；对所述优化后解码特征矩阵进行图像语义分割以得到图像语义分割结果；基于所述图像语义分割结果，确定极片间距；以及基于所述极片间距，设置距离自适应掩码值。2.根据权利要求1所述的面向锂电池极片可监督学习的距离自适应掩码生成方法，其特征在于，对所述待检测锂电池的X
‑
ray图像进行图像块划分以得到图像块的序列，包括：沿着所述待检测锂电池的X
‑
ray图像的宽度方向将所述待检测锂电池的X
‑
ray图像划分为所述图像块的序列。3.根据权利要求2所述的面向锂电池极片可监督学习的距离自适应掩码生成方法，其特征在于，将所述图像块的序列中的各个图像块分别通过包含嵌入层的ViT模型以得到多个图像块上下文特征向量，包括：使用所述ViT模型的嵌入层分别对所述图像块的序列中的各个图像块进行嵌入编码以得到图像块嵌入向量的序列；以及使用所述ViT模型的上下文编码器对所述图像块嵌入向量的序列进行基于全局的上下文语义编码以获得...

【专利技术属性】
技术研发人员：左嘉铭，姜南，庞有伟，赵骁骐，
申请(专利权)人：无锡源工三仟科技有限公司，
类型：发明
国别省市：