本发明专利技术公开了一种基于网络学习的电池CT图像极片对齐度智能识别方法，包括步骤：获取待识别电池的CT图像；待识别电池包括依次交替排列的阳极极片和阴极极片；将CT图像输入训练好的分割网络模型得到分割图像；分割图像中存在条形图案；根据分割图像可以得到电池极片的相邻极差等数据；训练好的分割网络模型包括编码器和解码器，编码器包括下采样卷积模块和通道空间注意力模块，解码器包括上采样卷积模块和输出模块。本申请在将通道空间注意力模块结合到编解码模型，通过通道空间注意力模块带来小幅计算量和参数量，且大幅度提高模型的分割性能，从而对CT图像进行分割得到分割图像，以便通过分割图像中的条形图案得到极片的对齐度。
1、随着新能源电池市场的不断扩大，对电池安全的关注度也随之增加。在大规模生产过程中，利用计算机断层扫描（ct）自动、精确、持续地对新能源电池进行阴阳极检测。得到ct图像后，针对ct图像进行处理，实现电池的阴阳极检测，ct图像的处理方法有两类：
2、第一类、基于传统图像处理算法，包括依据灰度阈值分割、边缘检测提取等。这类算法严重依赖图像质量与预先人工调参。当图像质量不够好，调参参数选择不当时，算法失效，造成误判、漏判的后果，精度较低。
3、第二类、基于网络学习的图像处理算法。例如，公开号为cn116205851a的专利文献采用阴阳极点检测的深度学习算法模型检测正负极极点，需要训练集、测试集等大量数据，这类算法依赖人工标注图像的准确性以及网络的鲁棒性和泛化能力，效率较低。
1、本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于网络学习的电池ct图像极片对齐度智能识别方法，旨在解决现有技术中基于ct图像的阴阳极检测难以兼顾精度和效率的问题。
>4、获取待识别电池的ct图像；其中，所述待识别电池包括：依次交替排列的若干个阳极极片和若干个阴极极片；5、将所述ct图像输入训练好的分割网络模型，得到分割图像；其中，所述分割图像中存在若干个条形图案，所述阳极极片的顶点以及相应的阴极极片的顶点分别位于条形图案的两个长边顶点；所述训练好的分割网络模型包括：编码器和解码器，所述编码器包括：下采样卷积模块和通道空间注意力模块，所述解码器包括：上采样卷积模块和输出模块。
6、所述的基于网络学习的电池ct图像极片对齐度智能识别方法，其中，所述训练好的分割网络模型采用如下步骤训练得到：
7、获取电池的ct图像，并基于所述ct图像中阴极极片的顶点和相应的阳极极片的顶点，对所述ct图像进行分割，得到标签图像；
8、同时将所述ct图像输入分割网络模型，得到预测图像；
9、根据所述预测图像和所述标签图像进行对照，对所述分割网络模型的参数进行更新，得到训练好的分割网络模型。
10、所述的基于网络学习的电池ct图像极片对齐度智能识别方法，其中，当所述ct图像为目标与背景均衡的正负均衡样本时，所述分割网络模型的损失函数为：
11、；
12、当所述ct图像为正负不均衡样本时，所述分割网络模型的损失函数为：
13、；
14、；
15、；
16、；
17、其中，表示损失函数，表示二元交叉熵损失函数，表示集合差异损失函数，表示ct图像的数量，表示第
i个标签图像，表示对数函数，表示sigmoid函数，表示第
i个预测图像。
18、所述的基于网络学习的电池ct图像极片对齐度智能识别方法，其中，所述下采样模块有四个，所述下采样卷积模块包括：两个第一卷积层以及一个池化层；所述通道空间注意力模块有四个；所述上采样模块有四个，所述上采样模块包括：两个第一卷积层以及一个逆卷积层；
19、将所述ct图像输入分割网络模型，得到预测图像，包括：
20、将所述ct图像输入第一个下采样卷积模块，得到第一卷积图像；
21、将所述第一卷积图像输入第一个通道空间注意力模块，得到第一注意力图像；
22、将所述第一注意力图像输入第二个下采样卷积模块，得到第二卷积图像；
23、将所述第二卷积图像输入第二个通道空间注意力模块，得到第二注意力图像；
24、将所述第二注意力图像输入第三个下采样卷积模块，得到第三卷积图像；
25、将所述第三卷积图像输入第三个通道空间注意力模块，得到第三注意力图像；
26、将所述第三注意力图像输入第四个下采样卷积模块，得到第四卷积图像；
27、将所述第四卷积图像输入第四个通道空间注意力模块，得到第四注意力图像；
28、将所述第四注意力图像输入第一个上采样卷积模块，得到第五卷积图像；
29、将所述第五卷积图像输入第二个上采样卷积模块，得到第六卷积图像；
30、将所述第六卷积图像输入第三个上采样卷积模块，得到第七卷积图像；
31、将所述第七卷积图像输入第四个上采样卷积模块，得到第八卷积图像；
32、将所述第八卷积图像输入输出模块，得到预测图像。
33、所述的基于网络学习的电池ct图像极片对齐度智能识别方法，其中，所述通道空间注意力模块包括：通道注意力层和空间注意力层；
34、将所述第一卷积图像输入第一个通道空间注意力模块，得到第一注意力图像，包括：
35、将所述第一卷积图像输入通道注意力层，得到通道注意力图像；
36、根据所述第一卷积图像和所述通道注意力图像，确定通道图像；
37、将所述通道图像输入空间注意力层，得到空间注意力图像；
38、根据所述通道图像和所述空间注意力图像，得到第一注意力图像。
39、所述的基于网络学习的电池ct图像极片对齐度智能识别方法，其中，所述输出模块包括：两个第一卷积层和一个第二卷积层；所述第一卷积层为3×3的卷积操作，所述第二卷积层为1×1的卷积操作。
40、所述的基于网络学习的电池ct图像极片对齐度智能识别方法，其中，所述基于网络学习的电池ct图像极片对齐度智能识别方法，还包括：
41、提取所述分割图像中条形图案的阴极极点的位置和阳极极点的位置；
42、根据所述条形图案的阴极极点的位置和阳极极点的位置，确定所述条形图案的相邻极差；
43、针对所有条形图案中阳极极点的位置，确定所述条形图案的阳极极差；
44、针对所有条形图案中阴极极点的位置，确定所述条形图案的阴极极差。
45、一种基于网络学习的电池ct图像极片对齐度智能识别系统，其中，包括：
46、获取模块，用于获取待识别电池的ct图像；其中，所述待识别电池包括：依次交替排列的若干个阳极极片和若干个阴极极片；
47、分割模块，用于将所述ct图像输入训练好的分割网络模型，得到分割图像；其中，所述分割图像中存在若干个条形图案，所述阳极极片的顶点以及相应的阴极极片的顶点分别位于条形图案的两个长边顶点；所述训练好的分割网络模型包括：编码器和解码器，所述编码器包括：下采样卷积模块和通道本文档来自技高网...
【技术保护点】
1.一种基于网络学习的电池CT图像极片对齐度智能识别方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于网络学习的电池CT图像极片对齐度智能识别方法，其特征在于，所述训练好的分割网络模型采用如下步骤训练得到：
3.根据权利要求2所述的基于网络学习的电池CT图像极片对齐度智能识别方法，其特征在于，当所述CT图像为目标与背景均衡的正负均衡样本时，所述分割网络模型的损失函数为：
4.根据权利要求2所述的基于网络学习的电池CT图像极片对齐度智能识别方法，其特征在于，所述下采样模块有四个，所述下采样卷积模块包括：两个第一卷积层以及一个池化层；所述通道空间注意力模块有四个；所述上采样模块有四个，所述上采样卷积模块包括：两个第一卷积层以及一个逆卷积层；
5.根据权利要求4所述的基于网络学习的电池CT图像极片对齐度智能识别方法，其特征在于，所述通道空间注意力模块包括：通道注意力层和空间注意力层；
6.根据权利要求4所述的基于网络学习的电池CT图像极片对齐度智能识别方法，其特征在于，所述输出模块包括：两个第一卷积层和一个第二卷积层；所述第一卷积层为3×3的卷积操作，所述第二卷积层为1×1的卷积操作。
7.根据权利要求1-6任意一项所述的基于网络学习的电池CT图像极片对齐度智能识别方法，其特征在于，所述基于网络学习的电池CT图像极片对齐度智能识别方法，还包括：
8.一种基于网络学习的电池CT图像极片对齐度智能识别系统，其特征在于，包括：
9.根据权利要求8所述的基于网络学习的电池CT图像极片对齐度智能识别系统，其特征在于，包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于网络学习的电池CT图像极片对齐度智能识别方法的步骤。
...
【技术特征摘要】
1.一种基于网络学习的电池ct图像极片对齐度智能识别方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于网络学习的电池ct图像极片对齐度智能识别方法，其特征在于，所述训练好的分割网络模型采用如下步骤训练得到：
3.根据权利要求2所述的基于网络学习的电池ct图像极片对齐度智能识别方法，其特征在于，当所述ct图像为目标与背景均衡的正负均衡样本时，所述分割网络模型的损失函数为：
4.根据权利要求2所述的基于网络学习的电池ct图像极片对齐度智能识别方法，其特征在于，所述下采样模块有四个，所述下采样卷积模块包括：两个第一卷积层以及一个池化层；所述通道空间注意力模块有四个；所述上采样模块有四个，所述上采样卷积模块包括：两个第一卷积层以及一个逆卷积层；
5.根据权利要求4所述的基于网络学习的电池ct图像极片对齐度智能识别方法，其特征在于，所述通道空间注意力模块包括：通道注意...
【专利技术属性】
技术研发人员：夏迪梦，
申请(专利权)人：深圳市微拓领航科技合伙企业有限合伙，
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。