[發明專利]一種基于深度學習的通用型電池極性自動檢測方法

有效

• 申請號: 201910386913.4
• 申請日: 2019-05-10
• 公開（公告）號: CN110222679B
• 公開（公告）日: 2023-07-11
• 發明（設計）人: 王麗明;郭慶明;羅仕桂;聶龍如;游國富;陳豫川;蔣博
• 申請（專利權）人: 惠州市德賽電池有限公司
• 主分類號: G06V10/22
• 分類號: G06V10/22;G06V10/764;G06V10/778;G06V10/82;G06N3/04
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 陳衛;譚映華

1.一種基于深度學習的通用型電池極性自動檢測方法，其特征在于，所述方法包括：

獲取待檢測位置的圖片；

確定待檢測的電池極性區域；

利用正極、非正極、負極和非負極四分類模型的深度學習算法模型對所述待檢測的電池極性區域進行識別分類，得到電池極性分類結果，具體為：

構建多層卷積神經網絡，采用逐層訓練機制，對每層采用Wake-Sleep深度學習算法進行調優，每次僅調整一層，逐層調整，Wake階段是認知過程，通過下層的輸入特征Input和向上的認知Encoder權重產生每一層的抽象表達Code，再通過當前的生成Decoder權重產生一個重建信息Reconstruction，計算輸入特征和重建信息殘差；

采用誤差反向傳導算法訓練所述多層卷積神經網絡，得到電池極性識別模型；

將所述多層卷積神經網絡的輸出層節點修改為4，并利用訓練好的電池極性識別模型的權重初始化修改后的多層卷積神經網絡的權重；

用正極、非正極、負極和非負極數據集對修改后的多層卷積神經網絡進行訓練，得到正極、非正極、負極和非負極四分類模型；

其中，所述正極模型的特征輸入包括正極；

所述非正極模型的特征輸入包括正極未貼青稞紙、負極、負極貼一層青稞紙和負極貼兩層青稞紙；

所述負極模型的特征輸入包括負極；

所述非負極模型的特征輸入包括正極、正極未貼青稞紙、正極貼兩層青稞紙、負極貼一層青稞紙和負極貼兩層青稞紙。

2.根據權利要求1所述的基于深度學習的通用型電池極性自動檢測方法，其特征在于，

所述電池極性分類結果包括正極、非正極、負極和非負極四類極性。

3.根據權利要求2所述的基于深度學習的通用型電池極性自動檢測方法，其特征在于，

所述多層卷積神經網絡包括輸入層、隱藏層和輸出層；

所述輸入層用于整個多層卷積神經網絡的數據輸入；

所述隱藏層包括正極、非正極、負極和非負極四個訓練模型；

所述輸出層用于輸出電池極性分類結果。

4.根據權利要求1所述的基于深度學習的通用型電池極性自動檢測方法，其特征在于，所述獲取待檢測位置的圖片，具體包括：

人工將待檢測的電池擺放在定位模組上進行位置固定；

工業相機自動對定位模組上待檢測的電池進行拍照，得到待檢測位置的圖片。

5.根據權利要求4所述的基于深度學習的通用型電池極性自動檢測方法，其特征在于，所述工業相機自動對定位模組上待檢測的電池進行拍照，具體包括：

所述工業相機根據定位模組上待檢測的電池數量和工業相機的焦距決定拍照的次數，若多次拍照，則將多次拍照后得到的多張圖片拼接成一張圖片后進行檢測。

6.根據權利要求1所述的基于深度學習的通用型電池極性自動檢測方法，其特征在于，所述確定待檢測的電池極性區域，具體包括：

采用區域分割的方法，確定每個待檢測電池的檢測位置以及該位置所應放置的正確極性，最終確定待檢測的電池極性區域。