电池极片缺陷检测方法技术

本申请提供了一种电池极片缺陷检测方法

【技术实现步骤摘要】
电池极片缺陷检测方法、计算设备和存储介质


[0001]本申请涉及目标检测
，特别涉及一种电池极片缺陷检测方法
、
计算设备和存储介质
。

技术介绍

[0002]随着新能源产业的迅速发展，越来越多的行业通过电力取代传统化石燃料作为能量的来源
。
作为电力的储存方式，电池技术也在不断发展当中，目前锂电池已成为其中研究与应用最为广泛的电池，而极片作为锂电池中的电极，其重要性不言而喻，生产出的极片如果存在缺陷，一方面会降低电池充放电等性能，另一方面会对安全性造成较大的隐患，严重的时候可能导致电池隔膜刺穿，正负极短路，进而引发电池燃烧，甚至爆炸
。
因此，保证生产出锂电池及极片具备良好品质，并在出厂前检测出存在缺陷的产品就显得尤为重要
。
[0003]自
20
世纪以来，人们逐渐开始对瑕疵和缺陷进行了深入研究，在实际的工业检测过程中，由于被检测目标在尺寸
、
背景
、
颜色和纹理特征等方面存在不同程度的差异，给缺陷检测工作带来了较大的困难
。
对于表面缺陷检测方法的发展过程，大致可分为三个阶段：人工目视检测
、
光学传感器检测以及机器视觉检测
。
其中，传统的人工检测法和光学传感器检测法由于检测精度和效率较低等因素，已逐渐被机器视觉法所取代，机器视觉技术以其高精度
、
高效率
、
高安全性
、
无损检测等特点，在缺陷检测中起到了至关重要的作用
。
[0004]在锂电池极片缺陷检测行业中，机器视觉技术也得到了广泛的应用
。
目前，机器视觉检测方法又可分为传统方法与深度学习方法两种
。
传统方法需要复杂
、
针对性强的算法设计工作，近年来相关方向研究已逐渐减少，而深度学习方法能够将数据转换为复杂的抽象表示，使系统能够学习特征，这种能力克服了对特定缺陷的复杂特征要求，目前已经成为锂电池极片表面缺陷领域中的热点方向
。
[0005]但总体上来看，目前的深度学习方法在锂电池缺陷检测方面的应用刚刚起步，很多采用深度学习方法对极片表面缺陷的方案，针对具备小目标
、
大长宽比目标等特点的缺陷，还存在着检测精度不足
、
检测效率低
、
缺少对极片缺陷特点的针对性检测等问题
。

技术实现思路

[0006]本申请提供了一种电池极片缺陷检测方法
、
计算设备和存储介质，能够针对具备小目标
、
大长宽比目标等特点的缺陷，实现高精度
、
高效率且针对性的检测
。
[0007]为了实现上述目的，第一方面，本申请提供了电池极片缺陷检测方法，该方法包括：
[0008]S1、
获取电池极片表面缺陷数据集，所述电池极片缺陷数据集包括多张电池极片表面缺陷图像；
[0009]S2、
构建目标检测网络，所述目标检测网络包括：基于可变形下采样卷积模块构建的主干网络
、
基于上下文增强模块和下采样卷积块构建的特征融合网络以及基于注意力机制的检测头；
[0010]S3、
基于所述电池极片表面缺陷数据集，训练所述目标检测网络；
[0011]S4、
通过训练好的所述目标检测网络，对待检测的电池极片表面缺陷图像进行检测，得到缺陷的位置
、
大小和类别中至少一项
。
[0012]在一种可能实施方式中，所述步骤
S2
包括：
[0013]S21、
将可变形下采样卷积模块，作为所述目标检测网络主干网络的特征提取器，所述主干网络的下采样倍数为预设倍数，所述预设倍数用于增大所述主干网络的感受野，以使所述主干网络对图像的全局信息进行特征提取，其中，所述可变形下采样卷积模块包括串联模块
、
多个卷积模块和可变形下采样模块；
[0014]S22、
在所述目标检测网络中特征融合网络的引出分支，加入所述上下文增强模块以及所述下采样卷积块；
[0015]S23、
在所述目标检测网络的检测头中加入融合注意力机制的解耦头，所述解耦头用于解耦并分别执行针对所述电池极片表面缺陷的分类任务和回归任务，所述分类任务为检测所述缺陷的类型，所述回归任务为检测所述缺陷的位置坐标和
/
或缺陷的置信度
。
[0016]在一种可能实施方式中，所述步骤
S3
包括：
[0017]S31、
按照预设的像素比例，将所述电池极片表面缺陷数据集中的电池极片表面缺陷图像自适应缩放；
[0018]S32、
将缩放后的所述电池极片表面缺陷图像输入所述目标检测网络进行训练，使用
K
均值聚类方法生成所述电池极片表面缺陷图像的锚框；
[0019]S33、
对所述电池极片表面缺陷图像的锚框进行分类，按照分类结果的置信度，采用随机梯度下降优化器，按照预设的训练批次
、
预设的训练迭代次数
、
预设的学习率
、
预设的动量系数和预设的权重衰减系数，迭代更新所述目标检测网络的模型参数
。
[0020]在一种可能实施方式中，所述步骤
S4
包括：
[0021]S41、
根据多种缺陷类型，设定所述训练好的目标检测网络中不同类型的缺陷对应的非极大值抑制参数，所述非极大值抑制参数决定对应类别的缺陷的检测精度；
[0022]S42、
基于所述训练好的目标检测网络，检测出电池极片表面缺陷的位置
、
大小和类别中至少一项
。
[0023]在一种可能实施方式中，所述步骤
S1
包括：
[0024]S11、
通过线扫相机和
/
或面扫相机，采集得到符合目标分辨率的电池极片表面缺陷图像；
[0025]S12、
对采集到的所述电池极片表面缺陷图像进行预处理；
[0026]S13、
基于预处理后的所述电池极片表面缺陷图像，确定所述电池极片表面缺陷数据集
。
[0027]在一种可能实施方式中，所述步骤
S12
包括：
[0028]对所述电池极片表面缺陷图像中极片区域的边缘进行识别与裁剪；
[0029]采用线性对比度增强法，提高所述极片区域中缺陷所在的区域与其他区域之间的对比度
。
[0030]在一种可能实施方式中，所述步骤
S13
包括：
[0031]对预处理后的所述电池极片表面缺陷图像中缺陷的位置及种类进行标注，得到电池极片表面缺陷数据集，按照预设的比例，将所述电池极片表面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电池极片缺陷检测方法，其特征在于，所述方法包括：
S1、
获取电池极片表面缺陷数据集，所述电池极片缺陷数据集包括多张电池极片表面缺陷图像；
S2、
构建目标检测网络，所述目标检测网络包括：基于可变形下采样卷积模块构建的主干网络
、
基于上下文增强模块和下采样卷积块构建的特征融合网络以及基于注意力机制的检测头；
S3、
基于所述电池极片表面缺陷数据集，训练所述目标检测网络；
S4、
通过训练好的所述目标检测网络，对待检测的电池极片表面缺陷图像进行检测，得到缺陷的位置
、
大小和类别中至少一项
。2.
根据权利要求1所述的电池极片缺陷检测方法，其特征在于，所述步骤
S2
包括：
S21、
将可变形下采样卷积模块，作为所述目标检测网络主干网络的特征提取器，所述主干网络的下采样倍数为预设倍数，所述预设倍数用于增大所述主干网络的感受野，以使所述主干网络对图像的全局信息进行特征提取，其中，所述可变形下采样卷积模块包括串联模块
、
多个卷积模块和可变形下采样模块；
S22、
在所述目标检测网络中特征融合网络的引出分支，加入所述上下文增强模块以及所述下采样卷积块；
S23、
在所述目标检测网络的检测头中加入融合注意力机制的解耦头，所述解耦头用于解耦并分别执行针对所述电池极片表面缺陷的分类任务和回归任务，所述分类任务为检测所述缺陷的类型，所述回归任务为检测所述缺陷的位置坐标和
/
或缺陷的置信度
。3.
根据权利要求1所述的电池极片缺陷检测方法，其特征在于，所述步骤
S3
包括：
S31、
按照预设的像素比例，将所述电池极片表面缺陷数据集中的电池极片表面缺陷图像自适应缩放；
S32、
将缩放后的所述电池极片表面缺陷图像输入所述目标检测网络进行训练，使用
K
均值聚类方法生成所述电池极片表面缺陷图像的锚框；
S33、
对所述电池极片表面缺陷图像的锚框进行分类，按照分类结果的置信度，采用随机梯度下降优化器，按照预设的训练...

【专利技术属性】
技术研发人员：郑力新，冉庆东，马健，黄鹤锋，陈坚墩，
申请(专利权)人：华侨大学，
类型：发明
国别省市：