一种基于深度学习的电池壳表面缺陷检测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的电池壳表面缺陷检测方法及系统，方法包括：数据采集

【技术实现步骤摘要】
一种基于深度学习的电池壳表面缺陷检测方法及系统


[0001]本专利技术属于电池壳检测
，具体是指一种基于深度学习的电池壳表面缺陷检测方法及系统
。

技术介绍

[0002]电池壳表面缺陷检测是指对电池壳外表面进行检测，以发现和识别可能存在的缺陷和损伤
。
但是现有的特征选择方法存在受噪声和冗余特征的影响导致准确性低的问题；传统的神经网络模型存在过拟合和损失函数的不平衡的问题；当前的参数搜索算法存在位置更新方法简单导致算法陷入局部最优解，无法找到全局最优解，且计算复杂度高的问题
。

技术实现思路

[0003]针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于深度学习的电池壳表面缺陷检测方法及系统，针对现有的特征选择方法存在受噪声和冗余特征的影响导致准确性低的问题，本方案基于皮尔逊相关系数
、
互信息和加权求和的方法计算相关性值，并将稳定性值和相关性值相结合进行特征选择，提高了特征选择的准确性和可靠性；针对传统的神经网络模型存在过拟合和损失函数的不平衡的问题，本方案基于负样本处理和调整参数优化损失函数，使损失函数更加全面地反映模型的性能，减少模型在训练数据上的过拟合问题，并增强模型的鲁棒性；针对当前的参数搜索算法存在位置更新方法简单导致算法陷入局部最优解，无法找到全局最优解，且计算复杂度高的问题，本方案基于
Logistic
映射初始化个体位置和基于余弦策略计算能量，扩大搜索范围，并采用柯西突变策略
、Logistic<br/>映射和精英个人引导机制优化位置更新策略，有效防止算法陷入局部最优解，以协调算法的局部发展和全局搜索能力，增强搜索效率和准确性
。
[0004]本专利技术采取的技术方案如下：本专利技术提供的一种基于深度学习的电池壳表面缺陷检测方法，该方法包括以下步骤：步骤
S1
：数据采集，采集电池壳表面图像和对应标签；
[0005]步骤
S2
：特征提取；
[0006]步骤
S3
：特征选择，基于皮尔逊相关系数
、
互信息和加权求和的方法计算相关性值，并将稳定性值和相关性值相结合进行特征选择；
[0007]步骤
S4
：建立神经网络模型，基于负样本处理和调整参数优化损失函数，实现神经网络模型的建立；
[0008]步骤
S5
：神经网络模型参数搜索，基于
Logistic
映射初始化个体位置和基于余弦策略计算能量，并采用柯西突变策略
、Logistic
映射和精英个人引导机制优化位置更新策略，完成参数搜索；
[0009]步骤
S6
：电池壳表面缺陷检测，基于神经网络模型输出的对应标签对电池壳表面进行缺陷检测
。
[0010]进一步地，在步骤
S1
中，所述数据采集是采集电池壳表面图像和对应标签，对应标
签包括电池壳表面缺陷类型和无缺陷
。
[0011]进一步地，在步骤
S2
中，所述特征提取是从采集的数据中提取特征，形成原始特征数据集
YS。
[0012]进一步地，在步骤
S3
中，所述特征选择具体包括以下步骤：步骤
S31
：初始化，预先设定稳定性阈值
δ
、
第一相关性值阈值
ε
B
、
第二相关性值阈值
ε
C
、
相关性阈值
ε
、
第一相关性值权重
ζ
B
和第二相关性值权重
ζ
C
；
[0013]步骤
S32
：计算特征的稳定性值，所用公式如下：；式中，
A
是特征的稳定性值，
G
是特征，
i
是特征索引，
mode
（
G
i
）是特征
G
i
中最频繁出现的非缺失值的元组数量，
N
i
是特征
G
i
中非缺失值的元组总数，
N1
是原始特征数据集
YS
中的特征数量；
[0014]步骤
S33
：计算第一相关性值，将采集的对应标签作为分类标签，基于皮尔逊相关系数计算特征和分类标签之间的第一相关性值，所用公式如下：；式中，
B
ij
是第
i
个特征和第
j
个分类标签之间的第一相关性值，
F
是分类标签的值，
j
是分类标签索引，是特征
G
i
中所有非缺失值的平均值，是分类标签
F
j
的平均值，
N2
是分类标签的数量；
[0015]步骤
S34
：计算第二相关性值，基于互信息计算特征和分类标签之间的第二相关性值，所用公式如下：；式中，
C
ij
是第
i
个特征和第
j
个分类标签之间的第二相关性值，
H
（
G
i
）是特征
G
i
的信息熵，
H
（
F
j
）是分类标签
F
j
的信息熵，
H
（
G
i
，
F
j
）是特征
G
i
和分类标签
F
j
的联合熵；
[0016]步骤
S35
：构建中间特征数据集，将稳定性值小于稳定性阈值
δ
或稳定性值大于等于稳定性阈值
δ
且第一相关性值大于等于第一相关性阈值
ε
B
且第二相关性值大于等于第二相关性阈值
ε
C
的特征添加到中间特征数据集
ZS
中；
[0017]步骤
S36
：计算相关性值，基于第一相关性值和第二相关性值采用加权求和的方法计算中间特征数据集中特征的相关性值，所用公式如下：；式中，
E
ij
是第
i
个特征和第
j
个分类标签之间的相关性值；
[0018]步骤
S37
：构建最终特征数据集，将相关性值大于等于相关性阈值
ε
的特征添加到最终特征数据集
TS
中
。
[0019]进一步地，在步骤
S4
中，所述建立神经网络模型具体包括以下步骤：步骤
S41
：初始化神经网络模型，预先设定神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的电池壳表面缺陷检测方法，其特征在于：该方法包括以下步骤：步骤
S1
：数据采集，采集电池壳表面图像和对应标签；步骤
S2
：特征提取；步骤
S3
：特征选择，基于皮尔逊相关系数
、
互信息和加权求和的方法计算相关性值，并将稳定性值和相关性值相结合进行特征选择；步骤
S4
：建立神经网络模型，基于负样本处理和调整参数优化损失函数，实现神经网络模型的建立；步骤
S5
：神经网络模型参数搜索，基于
Logistic
映射初始化个体位置和基于余弦策略计算能量，并采用柯西突变策略
、Logistic
映射和精英个人引导机制优化位置更新策略，完成参数搜索；步骤
S6
：电池壳表面缺陷检测，基于神经网络模型输出的对应标签对电池壳表面进行缺陷检测
。2.
根据权利要求1所述的一种基于深度学习的电池壳表面缺陷检测方法，其特征在于：在步骤
S3
中，所述特征选择具体包括以下步骤：步骤
S31
：初始化，预先设定稳定性阈值
δ
、
第一相关性值阈值
ε
B
、
第二相关性值阈值
ε
C
、
相关性阈值
ε
、
第一相关性值权重
ζ
B
和第二相关性值权重
ζ
C
；步骤
S32
：计算特征的稳定性值，所用公式如下：；式中，
A
是特征的稳定性值，
G
是特征，
i
是特征索引，
mode
（
G
i
）是特征
G
i
中最频繁出现的非缺失值的元组数量，
N
i
是特征
G
i
中非缺失值的元组总数，
N1
是原始特征数据集
YS
中的特征数量；步骤
S33
：计算第一相关性值，将采集的对应标签作为分类标签，基于皮尔逊相关系数计算特征和分类标签之间的第一相关性值，所用公式如下：；式中，
B
ij
是第
i
个特征和第
j
个分类标签之间的第一相关性值，
F
是分类标签的值，
j
是分类标签索引，是特征
G
i
中所有非缺失值的平均值，是分类标签
F
j
的平均值，
N2
是分类标签的数量；步骤
S34
：计算第二相关性值，基于互信息计算特征和分类标签之间的第二相关性值，所用公式如下：；式中，
C
ij
是第
i
个特征和第
j
个分类标签之间的第二相关性值，
H
（
G
i
）是特征
G
i
的信息熵，
H
（
F
j
）是分类标签
F
j
的信息熵，
H
（
G
i
，
F
j
）是特征
G
i
和分类标签
F
j
的联合熵；步骤
S35
：构建中间特征数据集，将稳定性值小于稳定性阈值
δ
或稳定性值大于等于稳定性阈值
δ
且第一相关性值大于等于第一相关性阈值
ε
B
且第二相关性值大于等于第二相关性阈值
ε
C
的特征添加到中间特征数据集
ZS
中；
步骤
S36
：计算相关性值，基于第一相关性值和第二相关性值采用加权求和的方法计算中间特征数据集中特征的相关性值，所用公式如下：；式中，
E
ij
是第
i
个特征和第
j
个分类标签之间的相关性值；步骤
S37
：构建最终特征数据集，将相关性值大于等于相关性阈值
ε
的特征添加到最终特征数据集
TS
中
。3.
根据权利要求1所述的一种基于深度学习的电池壳表面缺陷检测方法，其特征在于：在步骤
S5
中，所述神经网络模型参数搜索将神经网络模型的权重
W
和偏置项
σ
作为搜索维度，具体包括以下步骤：步骤
S51
：初始化，预先设定个体总数量
N5、
最大迭代次数
T、
个体维度
R、
分支参数
β
、
适应度阈值
ε
O
、Levy
常数
q、
神经网络模型的权重
W
和偏置项
σ
的搜索空间范围，搜索空间的下边界为
LB
，搜索空间的上边界为
UB
，用权重
W
和偏置项
σ
代表个体的位置；步骤
S52
：初始化个体位置，采用
Logistic
映射初始化个体位置，所用公式如下：
D
a+1
=
β
D
a
（1‑
D
a
），
a=1
，2，
…
，
N5
‑1；式中，
D1是0到1之间的随机数，
D
是个体位置，
a
是个体索引；步骤
S53
：计算最优适应度值和全局最优位置，将基于个体位置的神经网络模型正确率作为对应适应度值
M
，选择最高的适应度值作为最优适应度值，并将其对应的个体位置作为全局最优位置
D
best
；步骤
S54
：计算能量和步长，基于余弦策略计算能量，所用公式如下：；
Q=2
×
（1‑
rand
（0，1））；式中，
P
是能量，
Q
是步长，
t
是当前迭代次数，
cos
（）是余弦函数，
rand
（）是随机数生成函数；步骤
S55
：位置更新，若
|P|≥1
，则转至步骤
S551
，进入探索阶段；否则，则转至步骤
S552
，进入局部开采阶段；最后使用精英个人引导机制优化个体位置，步骤如下：步骤
S551
：探索阶段，为每个个体随机生成一个（0，1）之间的随机数
η
，基于
η
进行探索阶段的位置更新，并采用柯西突变策略对探索阶段位置更新后的全局最优位置进行优化，所用公式如下：；；；式中，
D
a
（
t+1
）是探索阶段位置更新后的第
a
个个体位置，
D
m
是当前个体的平均位置，
D
rand
是当前个体中的随机位置，
r1、r2、r3和
r4是（0，1）之间的随机数，
cauchy
（0，1）是标准柯西分布函数，
D
best
（
t+1
）是探索阶段位置更新后的全局最优位置，是采用柯西
突变策略优化后的全局最优位置；步骤
S552
：局部开采阶段，为每个个体随机生成一个（0，1）之间的随机数
γ
，若
γ
≥0.5
且
|P|≥0.5
，则转至步骤
S5521
，选择第一种位置更新方法进行位置更新；若
γ
≥0.5
且
|P|&lt;0.5
，则转至步骤
S5522
，选择第二种位置更新方法进行位置更新；若
γ
&lt;0.5
且
|P|≥0.5
，则转至步骤
S5523
，选择第三种位置更新方法进行位置更新；若
γ
&lt;0.5
且
|P|&lt;0.5
，则转至步骤

【专利技术属性】
技术研发人员：李云峰，
申请(专利权)人：北京妙想科技有限公司，
类型：发明
国别省市：