[發明專利]一種基于卷積神經網絡對鋰電池焊接質量的檢測方法

有效

• 申請號: 202010551312.7
• 申請日: 2020-06-17
• 公開（公告）號: CN111815572B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 楊亞濤;潘龍輝;楊順情;陶凱;陳勇;馬君顯;張力;楊潤澤;朱義雙
• 申請（專利權）人: 深圳市大德激光技術有限公司;深圳大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/08;G06N3/04
• 代理公司: 北京冠和權律師事務所 11399
• 代理人: 朱健

本發明提供了一種基于卷積神經網絡對鋰電池焊接質量的檢測方法，包括：采集鋰電池相關的源樣本，對源樣本進行分類；將卷積神經網絡模型在預設數據集里進行預訓練，獲得預訓練模型，且基于實際的分類樣本數據集對預訓練模型進行再次訓練處理，獲得最終模型；保存所述最終模型，并輸入焊接樣本進行在線檢測，預測所述焊接樣本的分類類型。通過采集訓練樣本，訓練基于預訓練的卷積神經網絡的焊接質量分類器，使其能快速準確地分類不同種類的焊接缺陷類型，能有效解決當前分類技術中需要提前人工提取特征，準確性較低等問題。

技術領域

本發明涉及神經網絡技術領域，特別涉及一種基于卷積神經網絡對鋰電池焊接質量的檢測方法。

背景技術

傳統的激光焊接后的質量檢測主要是人工檢測，通常是檢測人員進入到車間后，對焊接好的鋰電池通過相關的技術知識去進行質量檢測。然而在檢測過程中，檢測工人可能會受到人的經驗、心理和生理等的因素影響，會影響到檢測的準確度和可靠度。比如，在對質量檢測過程中，會出現焊縫檢測的錯漏等情況。因此，這種通過機器學習的檢測方式，便會得到大家的青睞。

鋰電池表面的防爆閥和翻轉片是鋰電池的一個重要組成部分，其焊后質量檢測包括焊縫是否出現焊洞，焊縫連接區域有高度差，缺焊，焊縫合格的檢測。然而，金屬焊接材質的高反光性、焊縫周圍復雜的背景以及焊縫本身紋理的干擾會對質量檢測造成很大的困難。因此，有一個好的檢測算法至關重要。

且專利號CN107093175B提出了利用圖像分割的方法對動力電池缺陷進行檢測。

采用傳統圖像處理的方式，如圖像分割等方法，需要花費大量的時間建立特征工程與調節分類器參數，需要建立多個模板，很難將焊接后的產品做一個具體的分類。針對上述問題，本發明提供一種基于深度學習預訓練方式的檢測方法，通過采集訓練樣本，訓練基于預訓練的卷積神經網絡的焊接質量分類器，使其能快速準確地分類不同種類的焊接缺陷類型，能有效解決當前分類技術中需要提前人工提取特征，準確性較低等問題。

發明內容

本發明提供一種基于卷積神經網絡對鋰電池焊接質量的檢測方法，用以解決上述提出的技術問題。

本發明提供一種基于卷積神經網絡對鋰電池焊接質量的檢測方法，包括

采集鋰電池相關的源樣本，對源樣本進行分類；

將卷積神經網絡模型在預設數據集里進行預訓練，獲得預訓練模型，且基于實際的分類樣本數據集對預訓練模型進行再次訓練處理，獲得最終模型；

保存所述最終模型，并輸入焊接樣本進行在線檢測，預測所述焊接樣本的分類類型。

在一種可能實現的方式中，

所述采集源樣本，對源樣本進行分類的步驟包括：

將所述源樣本按隨機比例進行分類，獲得訓練樣本、驗證樣本、檢測樣本；

其中，所述隨機比例包括：獲得的訓練樣本：驗證樣本：測試樣本＝3:1:1、5:1:1或10:1:1；

其中，所述源樣本為焊接好的鋰電池表面的防爆閥圖像。

在一種可能實現的方式中，

將卷積神經網絡模型在預設數據集里進行預訓練，獲得預訓練模型，且基于分類結果對預訓練模型進行預處理，獲得最終訓練模型的具體步驟包括：

將預訓練模型的卷積層參數保存在共享的卷積層中；

將采集的訓練樣本放入到預訓練模型共享的卷積層中來提取圖像特征，并將所述圖像特征輸入到全連接層中進行特征分類，并基于輸出層輸出特征分類結果，實現對預訓練模型的訓練，并獲得第一訓練模型；

將驗證樣本輸入到驗證反饋模型進行驗證和反饋，并將反饋結果輸入到所述第一訓練模型中作為調整參數進行訓練，獲得第二訓練模型；