【技术实现步骤摘要】
本申请涉及图像处理，尤其涉及一种动力电池x射线图像的亮度增强方法、装置以及电子设备。
技术介绍
1、为了确保动力电池的安全性，防止出现析锂、短路等潜在风险,负极极片应在隔膜的保护下包覆住正极极片,即负极极片的外部尺寸应超出正极极片相应范围。负极极片略长于正极极片的区域称为overhang，overhang区域的尺寸检测是动力电池生产过程中极为重要的一道工序，一般由x射线进行无损穿透成像检测。但在x射线成像的过程当中，当x射线辐射剂量不足、射线管电压较低或待检测的电芯较厚时，可能会导致图像整体亮度降低、极片对比度减弱且细节轮廓模糊等问题出现，这些问题进而对后续overhang区域尺寸测量任务的效率及准确性产生负面影响。
技术实现思路
1、本申请提供了一种动力电池x射线图像的亮度增强方法、装置以及电子设备，以解决因动力电池x射线图像整体亮度较低而影响overhang区域尺寸测量任务的准确性的技术问题。
2、第一方面，本申请提供了一种动力电池x射线图像的亮度增强方法，包括：将动力电池x射线图像的训练数据集输入至原始编码器，以使上述原始编码器对上述训练数据集的特征向量进行提取，得到对应的第一特征向量，其中，上述训练数据集中包括两种不同亮度的原始x射线图像；使用注意力机制对上述第一特征向量进行处理，得到第二特征向量并将上述第二特征向量输入至原始解码器，以使上述原始解码器对上述第二特征向量进行解码，得到对应的目标图像，其中，上述目标图像的目标位置的明亮程度大于对应的上述原始x射线图
3、第二方面，本申请提供了一种动力电池x射线图像的亮度增强装置，包括：第一输入模块，用于将动力电池x射线图像的训练数据集输入至原始编码器，以使上述原始编码器对上述训练数据集的特征向量进行提取，得到对应的第一特征向量，其中，上述训练数据集中包括两种不同亮度的原始x射线图像；第二输入模块，用于使用注意力机制对上述第一特征向量进行处理，得到第二特征向量并将上述第二特征向量输入至原始解码器，以使上述原始解码器对上述第二特征向量进行解码，得到对应的目标图像，其中，上述目标图像的目标位置的明亮程度大于对应的上述原始x射线图像的对应位置的明亮程度，上述目标位置为上述目标图像的电芯区域；训练模块，用于使用上述训练数据集对上述原始编码器进行训练，上述目标图像对上述原始解码器进行训练，以调整上述原始编码器中的参数和上述原始解码器中的参数，得到训练后的目标编码器和目标解码器；第一处理模块，用于通过上述目标编码器、上述注意力机制以及上述目标解码器对待增强x射线图像进行图像亮度增强处理，得到对应的亮度增强图像。
4、作为一种可选的示例，上述装置还包括：第二处理模块，用于在将动力电池x射线图像的训练数据集输入至原始编码器之前，将经过预训练的预设神经网络模型的全连接层替换为1×1的卷积层，得到上述原始编码器。
5、作为一种可选的示例，上述装置还包括：第一构建模块，用于在使用注意力机制对上述第一特征向量进行处理之前，构建并训练上述注意力机制；第二构建模块，用于构建上述原始解码器，其中，上述原始解码器由转置卷积组成。
6、作为一种可选的示例，上述第二输入模块包括：第一获取单元，用于使用上述注意力机制获取上述原始编码器每层的特征图；第一处理单元，用于对上述每层的特征图沿通道进行拼接，并进行下采样处理和全局平均池化处理，得到与上述第一特征向量维度相同的第三特征向量；第二处理单元，用于对上述第三特征向量进行归一化处理，得到第四特征向量；第一计算单元，用于将上述第四特征向量与上述第一特征向量进行逐点相乘，得到上述第二特征向量。
7、作为一种可选的示例，上述训练模块包括：构建单元，用于构建第一判别器和第二判别器，其中，上述第一判别器由五层神经网络构成，用于整体混淆上述训练数据集和上述目标图像，上述第二判别器由四层小型神经网络构成，用于局部混淆上述训练数据集和上述目标图像；第二计算单元，用于对上述第一判别器的第一对抗性优化目标和上述第二判别器的第二对抗性优化目标进行求反运算，得到第一损失函数和第二损失函数；第三计算单元，用于根据上述第一损失函数和上述第二损失函数，计算得到总损失函数；训练单元，用于使用上述总损失函数对上述原始编码器和上述原始解码器进行训练，得到训练后的目标解码器和目标解码器。
8、作为一种可选的示例，上述训练模块还包括：第二获取单元，用于在对上述第一判别器的第一对抗性优化目标和上述第二判别器的第二对抗性优化目标进行求反运算，得到第一损失函数和第二损失函数之前，获取上述训练数据集的第一数据规模和上述目标图像的第二数据规模；第三获取单元，用于获取上述训练数据集的第一样本和上述目标图像的第二样本；第四计算单元，用于根据上述第一数据规模、上述第二数据规模、上述第一样本以及上述第二样本，计算得到上述第一对抗性优化目标。
9、作为一种可选的示例，上述训练模块还包括：第四获取单元，用于在获取上述训练数据集第一局部图块的第三样本和上述目标图像第二局部图块的第四样本之前，获取上述训练数据集的第一数据规模和上述目标图像的第二数据规模；第五获取单元，用于获取上述训练数据集的第一局部图块的第三样本和上述目标图像的第二局部图块的第四样本；第五计算单元，用于根据上述第一数据规模、上述第二数据规模、上述第三样本以及上述第四样本，计算得到上述第二对抗性优化目标。
10、作为一种可选的示例，上述训练模块还包括：第一选取单元，用于在获取上述训练数据集第一局部图块的第三样本和上述目标图像第二局部图块的第四样本之前，选取上述训练数据集的图像中心点的多个邻域，得到上述第一局部图块；第二选取单元，用于选取上述目标图像的图像中心点的多个邻域，得到上述第二局部图。
11、作为一种可选的示例，上述第三计算单元包括：第一处理子单元，用于根据上述第一损失函数形式化的定义上述原始解码器与上述第一判别器相对应的第三损失函数，根据上述第二损失函数形式化的定义上述原始解码器与上述第二判别器相对应的第四损失函数，其中，上述第三损失函数和上述第四损失函数的梯度小于1；第二处理子单元，用于基于第一最大均值差异形式化的定义整体差异损失函数，基于第二最大均值差异可以形式化的定义局部差异损失函数；第三处理子单元，用于将上述第三损失函数、上述第四损失函数、上述整体差异损失函数以及上述局部差异损失函数进行加权叠加得到上述总损失函数，其中，上述整体差异损失函数和上述局部差异损失函数为正则化项。
12、第三方面，本申请提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算本文档来自技高网...
【技术保护点】
1.一种动力电池X射线图像的亮度增强方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在将动力电池X射线图像的训练数据集输入至原始编码器之前，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，在使用注意力机制对所述第一特征向量进行处理之前，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述使用注意力机制对所述第一特征向量进行处理，得到第二特征向量包括：
5.根据权利要求1所述的方法，其特征在于，所述使用所述训练数据集对所述原始编码器进行训练，所述目标图像对所述原始解码器进行训练，以调整所述原始编码器中的参数和所述原始解码器中的参数，得到训练后的目标编码器和目标解码器包括：
6.根据权利要求5所述的方法，其特征在于，在对所述第一判别器的第一对抗性优化目标和所述第二判别器的第二对抗性优化目标进行求反运算，得到第一损失函数和第二损失函数之前，所述方法还包括：
7.根据权利要求5所述的方法，其特征在于，在对所述第一判别器的第一对抗性优化目标和所述第二判别器的第二对抗性优化目标
8.根据权利要求7所述的方法，其特征在于，在获取所述训练数据集第一局部图块的第三样本和所述目标图像第二局部图块的第四样本之前，所述方法还包括：
9.根据权利要求5所述的方法，其特征在于，所述根据所述第一损失函数和所述第二损失函数，计算得到总损失函数包括：
10.一种动力电池X射线图像的亮度增强装置，其特征在于，包括：
11.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至9任一项中所述的方法。
12.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至9任一项中所述的方法。
...【技术特征摘要】
1.一种动力电池x射线图像的亮度增强方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在将动力电池x射线图像的训练数据集输入至原始编码器之前，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，在使用注意力机制对所述第一特征向量进行处理之前，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述使用注意力机制对所述第一特征向量进行处理，得到第二特征向量包括：
5.根据权利要求1所述的方法，其特征在于，所述使用所述训练数据集对所述原始编码器进行训练，所述目标图像对所述原始解码器进行训练，以调整所述原始编码器中的参数和所述原始解码器中的参数，得到训练后的目标编码器和目标解码器包括：
6.根据权利要求5所述的方法，其特征在于，在对所述第一判别器的第一对抗性优化目标和所述第二判别器的第二对抗性优化目标进行求反运算，得到第一损失函数和第二损失函数之前，所述方法还包括：
7...
【专利技术属性】
技术研发人员：刘泽宁，龚飞，陈锦强，
申请(专利权)人：欣旺达动力科技股份有限公司，
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。