[發明專利]一種基于生成對抗網絡的鋰電池表面缺陷檢測方法

有效

• 申請號: 202010417852.6
• 申請日: 2020-05-18
• 公開（公告）號: CN111598877B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 劉坤;文熙;韓江銳;陳海永
• 申請（專利權）人: 河北工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/187;G06N3/04;G06N3/08
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 付長杰

1.一種基于生成對抗網絡的鋰電池表面缺陷檢測方法，其特征在于，該方法首先生成對抗網絡與相應的損失函數學習鋰電池正常表面分布，使訓練好的生成器能擬合鋰離子電池正常表面圖像分布，并利用訓練好的生成器對鋰離子電池表面進行重構，獲得重構圖像；然后，將重構圖像與原始圖像進行差分操作，并利用自適應閾值分割方法對差分結果進行分割，得到可能缺陷像素；最后，通過設定連通域大小，排除誤檢的區域，實現對鋰電池表面是否缺陷的檢測；該方法具體包括兩個部分：

第一部分，得到鋰離子電池表面分布

1-1、圖像采集：用高精度CMOS工業相機對鋰離子電池正常表面進行圖像采集，并通過工作站計算機存儲；

1-2、圖像預處理：將采集的圖像以大小為128*128、步長為32的滑動窗口，自左向右、從上到下進行滑動剪切，得到訓練網絡的數據集；

1-3、生成對抗網絡模型搭建與初始化：所述的生成對抗網絡由生成器網絡和判別器網絡構成，生成器網絡和判別器網絡均采用卷積神經網絡；

所述的生成器網絡由4個步長為2的卷積單元和4個步長為2的反卷積單元構成，實現圖像的下采樣和上采樣；順序進行4個卷積單元之后再順序進行4個反卷積單元，最后一個反卷積單元輸出為生成器網絡的輸出；其中，最后一個反卷積單元中的激活函數為tanh函數，保證生成器網絡輸出在圖像值域范圍內，在前三個反卷積單元中反卷積操作之后使用實例標準函數操作IN，隨后采用修正線性單元激活函數Relu對標準化結果進行激活；

所述判別器網絡由4個步長為2的卷積單元構成，將圖像下采樣，最終輸出值用于區分輸入圖像的真假；

在每個卷積操作之后均使用實例標準化函數IN對卷積結果進行標準化，隨后采用泄露修正線性單元激活函數Leaky Relu對標準化結果進行激活；

1-4、訓練生成對抗網絡模型：訓練模型時，利用損失函數與梯度下降法更新生成器和判別器網絡參數，直至模型損失收斂；

網絡參數利用以下損失函數進行訓練：

其中L_Dis為判別器損失，L_Gen為生成器損失；L_{gan_d}、L_{gan_g}、L_r分別表示判別器對抗損失、生成器對抗損失、生成器輸入圖像與輸出圖像的均方差損失，用下式表示：

其中N為每個批次輸入圖像總數，x⁽ⁿ⁾為輸入圖像中第n張真實圖像；G(x⁽ⁿ⁾)為圖像輸入生成器之后的輸出的偽圖，D(x⁽ⁿ⁾)為真實圖像輸入判別器得到的輸出，D(G(x⁽ⁿ⁾))為偽圖像輸入判別器得到的輸出；

第二部分，缺陷區域獲取

2-1、圖像重構：訓練好生成對抗網絡模型的網絡參數后，將測試圖像t輸入生成器網絡，得到重構圖像t′；

2-2、差分操作：在步驟2-1的基礎上，對測試圖像及其生成器網絡輸出的重構圖像作差分操作，從而得到感興趣區域；

2-3、二值分割：在步驟2-2的基礎上，選定閾值對差分結果進行二值分割，以得出缺陷候選區域；

2-4、連通域獲取，在步驟2-3的基礎上，對二值分割結果進行連通域選擇，得到候選連通域；

2-5、計算候選連通域的大小及缺陷檢測：在步驟2-4的基礎上，提取候選連通域的面積，通過設定連通域閾值，將不滿足條件的候選連通域排除，得到缺陷區域；所述連通域閾值為所有缺陷種類中尺寸最小的缺陷像素面積的一半；

該方法用于檢測軟包鋰電池表面缺陷，包括露鋁、劃痕、凹痕、針孔以及凹坑缺陷。

2.根據權利要求1所述的檢測方法，其特征在于：所述軟包鋰電池大小為46.0mm×20.7mm×11.3mm，相機采集的圖像大小為2048×1088像素。

3.根據權利要求1所述的檢測方法，其特征在于：模型訓練時，每個批次輸入圖像總數為64，生成器學習率為0.0001，判別器學習率設為0.00005。