【技术实现步骤摘要】
本申请实施例涉及图像处理领域，尤其涉及基于像素对比学习的电池表面缺陷检测方法、设备及介质。
技术介绍
1、锂离子电池具有能量密度高、电池重量轻、低下生产成本、平均输出电压高、寿命长等优点，得到广泛应用。电池表面缺陷会导致温度偏移，存在潜在的漏液和爆炸风险，因此需要对电池进行表面缺陷检测，避免存在表面缺陷的电池流入市场使用。
2、缺陷检测主要是找出物体表面缺陷的类别和所在位置，传统检测方法大多通过人工目测完成，即需要通过培训特定工人来识别复杂的表面缺陷，但这种方法不仅需要耗费大量的人力，而且准确率较低，同时还容易受到人为主观因素的影响。或者，通过红外传感器根据距离进行检测，但这种方法难以检测较小的缝或凹痕，检测精度低。
技术实现思路
1、以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
2、本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一，本申请实施例提供了基于像素对比学习的电池表面缺陷检测方法、设备及介质，提升自动化电池表面缺陷检测的精度。
3、本申请的第一方面的实施例，一种基于像素对比学习的电池表面缺陷检测方法，包括：
4、获取待检测图像；
5、将所述待检测图像输入至训练好的检测模型进行电池表面缺陷检测，得到检测结果；
6、训练所述检测模型，包括以下步骤：
7、获取第一图像和第二图像，所述第一图像标注有电池表面缺陷类型的标签，所述第二图像为正常电池表面图像；
8、根据所述第一图像的特征和所述第二图像的特征得到特征差异图；
9、根据所述特征差异图进行预测得到掩码图，所述掩码图包括各个像素点的预测类别；
10、对所述特征差异图进行对比学习，根据所述预测类别构建正负样本对，计算正负样本对间的相似度；
11、根据所述标签、所述掩码图和所述相似度得到损失函数值，根据所述损失函数值调整所述检测模型的参数，得到训练好的检测模型。
12、根据本申请的第一方面的某些实施例，获取所述第一图像，包括：
13、通过已标注图像对标注模型进行监督学习，调整所述标注模型的参数；
14、将未标注图像输入至调参后的标注模型得到有标注图像；
15、对所述有标注图像进行清洗得到标注错误的图像；
16、将清洗后的有标注图像输入至所述标注模型进行训练，根据标注错误的图像调整所述标注模型的参数，得到目标标注模型；
17、将待标注图像输入至所述目标标注模型，得到第一图像。
18、根据本申请的第一方面的某些实施例，在所述根据所述第一图像的特征和所述第二图像的特征得到特征差异图之前，所述方法包括：
19、将所述第一图像和所述第二图像分别输入至两个特征提取网络中进行特征提取得到所述第一图像的特征和所述第二图像的特征；其中，两个所述特征提取网络权重共享。
20、根据本申请的第一方面的某些实施例，所述特征提取网络对输入图像进行特征提取，包括：
21、通过所述特征提取网络的多个卷积层分别对所述输入图像进行卷积和上采样得到多个第一特征图，将多个所述第一特征图通过残差块进行残差连接得到输出特征；
22、其中，所述残差块获取所述第一特征图的偏移域，根据所述偏移域确定卷积采样区域，根据所述卷积采样区域进行卷积。
23、根据本申请的第一方面的某些实施例，所述根据所述第一图像的特征和所述第二图像的特征得到特征差异图，包括：
24、根据所述第一图像的特征和所述第二图像的特征进行特征融合得到融合特征；
25、根据所述融合特征得到特征差异图。
26、根据本申请的第一方面的某些实施例，所述根据所述第一图像的特征和所述第二图像的特征进行特征融合得到融合特征，包括：
27、将所述第一图像的特征和所述第二图像的特征在通道上合并得到合并特征；
28、将所述合并特征通过嵌入层编码得到嵌入特征，由所述嵌入特征映射得到键、查询和值；
29、基于注意力机制根据键、查询和值得到注意力特征；
30、将所述嵌入特征和所述注意力特征进行残差连接得到第一残差特征；
31、将所述第一残差特征通过第一归一化层进行归一化处理得到第一归一化特征；
32、将所述第一归一化特征依次进过前馈神经网络和第二归一化层得到第二归一化特征；
33、将所述第一归一化特征和所述第二归一化特征进行残差连接得到第二残差特征；
34、对所述第二残差特征进行解码得到融合特征。
35、根据本申请的第一方面的某些实施例，所述根据所述特征差异图进行预测得到掩码图，包括：
36、对所述特征差异图依次进行上采样处理、卷积处理、归一化处理、激活函数处理、卷积处理和激活函数处理得到掩码图。
37、根据本申请的第一方面的某些实施例，所述损失函数值包括对比学习的损失值，所述对比学习的损失值表示为：其中，h表示图像的高，w表示图像的宽，pij表示对应坐标为(i,j)的像素的正样本对集合，|pij|表示集合中pij元素的数量，nij表示对应坐标(i,j)的像素的负样本对集合，vij坐标为(i,j)的像素的特征表示，v+表示vij的正样本特征表示，v-表示vij的负样本特征表示。
38、本申请的第二方面的实施例，一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于像素对比学习的电池表面缺陷检测方法。
39、本申请的第三方面的实施例，一种计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上所述的基于像素对比学习的电池表面缺陷检测方法。
40、上述方案至少具有以下的有益效果：通过获取第一图像和第二图像，第一图像标注有电池表面缺陷类型的标签，第二图像为正常电池表面图像；根据第一图像的特征和第二图像的特征得到特征差异图；根据特征差异图进行预测得到掩码图，掩码图包括各个像素点的预测类别；对特征差异图进行对比学习，根据预测类别构建正负样本对，计算正负样本对间的相似度；根据标签、掩码图和相似度得到损失函数值，根据损失函数值调整检测模型的参数，得到训练好的检测模型；增强了电池表面特征之间的异同，有效提升电池表面缺陷检测的准确性和鲁棒性；有效地提高电池工业产线上检测准确性和效率，降低产品质量的漏检率和误检率，从而保障电池产品的质量。
本文档来自技高网...【技术保护点】
1.一种基于像素对比学习的电池表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于像素对比学习的电池表面缺陷检测方法，其特征在于，获取所述第一图像，包括：
3.根据权利要求1所述的基于像素对比学习的电池表面缺陷检测方法，其特征在于，在所述根据所述第一图像的特征和所述第二图像的特征得到特征差异图之前，所述方法包括：
4.根据权利要求3所述的基于像素对比学习的电池表面缺陷检测方法，其特征在于，所述特征提取网络对输入图像进行特征提取，包括：
5.根据权利要求1所述的基于像素对比学习的电池表面缺陷检测方法，其特征在于，所述根据所述第一图像的特征和所述第二图像的特征得到特征差异图，包括：
6.根据权利要求1所述的基于像素对比学习的电池表面缺陷检测方法，其特征在于，所述根据所述第一图像的特征和所述第二图像的特征进行特征融合得到融合特征，包括：
7.根据权利要求1所述的基于像素对比学习的电池表面缺陷检测方法，其特征在于，所述根据所述特征差异图进行预测得到掩码图，包括：
8.根据权利要求1所述的基于
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的基于像素对比学习的电池表面缺陷检测方法。
10.一种计算机存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至8中任一项所述的基于像素对比学习的电池表面缺陷检测方法。
...【技术特征摘要】
1.一种基于像素对比学习的电池表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于像素对比学习的电池表面缺陷检测方法，其特征在于，获取所述第一图像，包括：
3.根据权利要求1所述的基于像素对比学习的电池表面缺陷检测方法，其特征在于，在所述根据所述第一图像的特征和所述第二图像的特征得到特征差异图之前，所述方法包括：
4.根据权利要求3所述的基于像素对比学习的电池表面缺陷检测方法，其特征在于，所述特征提取网络对输入图像进行特征提取，包括：
5.根据权利要求1所述的基于像素对比学习的电池表面缺陷检测方法，其特征在于，所述根据所述第一图像的特征和所述第二图像的特征得到特征差异图，包括：
6.根据权利要求1所述的基于像素对比学习的电池表面缺陷检测方法，其特征在于，所述根据所述第一图像的特征和所述第二图像的特征进行特征融合得到融合特征，包括：
7.根据权利要求1所述的基于像素对比学习的电池表面缺陷检测方法...
【专利技术属性】
技术研发人员：徐颖，陈樱文，翟懿奎，李博，黎心如，林东妍，许蜃科，唐劭恒，周易俊，谭康鸿，张洋，
申请(专利权)人：五邑大学，
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。