[發(fā)明專利]一種基于集成深度學(xué)習(xí)的鋰電池瑕疵檢測方法

在審

• 申請?zhí)枺?/td>: 202011084115.5
• 申請日: 2020-10-12
• 公開（公告）號: CN112258459A
• 公開（公告）日: 2021-01-22
• 發(fā)明（設(shè)計）人: 李志華;郭曙杰
• 申請（專利權(quán)）人: 江南大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G01N21/88;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 大連理工大學(xué)專利中心 21200
• 代理人: 劉秋彤;梅洪玉

1.一種基于集成深度學(xué)習(xí)的鋰電池瑕疵檢測方法，其特征在于，包括以下步驟：

步驟(1),通過工業(yè)相機(jī)獲取鋰電池三維圖像；

步驟(2),對原始圖像進(jìn)行灰度化處理并進(jìn)行預(yù)處理，包括濾波、除噪；

步驟(3)，將處理過的圖像作為集成深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型的輸入，進(jìn)行瑕疵識別；

步驟(4)，根據(jù)對鋰電池瑕疵識別的結(jié)果，對鋰電池進(jìn)行良品與次品的分流處理。

2.如權(quán)利要求1所述的一種基于集成深度學(xué)習(xí)的鋰電池瑕疵檢測方法，其特征在于，集成深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型是通過使用鋰電池圖像數(shù)據(jù)訓(xùn)練得到的；具體是指，通過將已有的工業(yè)相機(jī)獲取到的圖像進(jìn)行裁剪加工，處理為統(tǒng)一的格式、統(tǒng)一的灰度、統(tǒng)一尺寸的圖像；并將圖像進(jìn)行最大最小的歸一化處理，使得圖像對比更加明顯；然后，按照一定的比例選取訓(xùn)練集、驗證集以及測試集；最后對每幅圖像進(jìn)行標(biāo)注，打包為相應(yīng)的標(biāo)注文件，以便用來對集成深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

3.如權(quán)利要求1所述的一種基于集成深度學(xué)習(xí)的鋰電池瑕疵檢測方法，其特征在于，集成深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型集成了YOLOV3神經(jīng)網(wǎng)絡(luò)框架以及Faster R-CNN框架，來對鋰電池瑕疵數(shù)據(jù)進(jìn)行訓(xùn)練和分類。

4.如權(quán)利要求3所述的一種基于集成深度學(xué)習(xí)的鋰電池瑕疵檢測方法，其特征在于，集成深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型中的YOLOV3神經(jīng)網(wǎng)絡(luò)框架，對于鋰電池瑕疵類別預(yù)測方面是將原來的單標(biāo)簽分類改進(jìn)為多標(biāo)簽分類，因此網(wǎng)絡(luò)結(jié)構(gòu)上就將原來用于單標(biāo)簽多分類的softmax層替換成用于多標(biāo)簽多分類的邏輯回歸層；邏輯回歸層用到sigmoid函數(shù)，sigmoid函數(shù)將輸入約束在0到1的范圍內(nèi)，因此當(dāng)一張圖像經(jīng)過特征提取后的某一類輸出經(jīng)過sigmoid函數(shù)約束后如果大于0.5，就表示屬于該類；Sigmoid函數(shù)定義如下：

5.如權(quán)利要求3所述的一種基于集成深度學(xué)習(xí)的鋰電池瑕疵檢測方法，其特征在于，集成深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型中的YOLO V3神經(jīng)網(wǎng)絡(luò)框架，采用全連接卷積神經(jīng)網(wǎng)絡(luò)Darknet-53框架，其中包含53個卷積層，同時在不同層之間設(shè)置快捷鏈路從而形成不同卷積層之間的殘差網(wǎng)絡(luò)，提高YOLO V3模型的魯棒性，降低過擬合；同時YOLO V3神經(jīng)網(wǎng)絡(luò)框架包含1個池化層和1個全連接層；YOLO V3神經(jīng)網(wǎng)絡(luò)的輸入尺寸為256×256×3。

6.如權(quán)利要求3所述的一種基于集成深度學(xué)習(xí)的鋰電池瑕疵檢測方法，其特征在于，鋰電池圖像輸入Faster R-CNN模型后，首先會經(jīng)過一個卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像特征的提取，其次通過區(qū)域候選網(wǎng)絡(luò)和特征信息生成該圖像中可能包含目標(biāo)的候選框，然后將每個候選框中的特征信息篩選出來，最后對該候選框內(nèi)的目標(biāo)進(jìn)行分類以及框邊界的精準(zhǔn)回歸；最終實現(xiàn)對鋰電池瑕疵的檢測和分類。

7.如權(quán)利要求6所述的一種基于集成深度學(xué)習(xí)的鋰電池瑕疵檢測方法，其特征在于，F(xiàn)aster R-CNN模型需經(jīng)過以下四個步驟進(jìn)行訓(xùn)練：

步驟61：采用fine-tuning策略，在ImageNet上預(yù)訓(xùn)練的pretrained模型初始化鋰電池外觀圖像特征提取網(wǎng)絡(luò)并訓(xùn)練RPN網(wǎng)絡(luò)；

步驟62:使用步驟61中訓(xùn)練完成的RPN網(wǎng)絡(luò)產(chǎn)生的候選區(qū)域框，并作為輸入訓(xùn)練FasterR-CNN網(wǎng)絡(luò)；

步驟63:利用步驟62中訓(xùn)練好的Faster R-CNN網(wǎng)絡(luò)第二次訓(xùn)練RPN，固定RPN網(wǎng)絡(luò)的特定參數(shù)；

步驟64:利用步驟63訓(xùn)練的RPN網(wǎng)絡(luò)重新生成候選框，再次訓(xùn)練Faster R-CNN網(wǎng)絡(luò)，微調(diào)Faster R-CNN最后幾層的網(wǎng)絡(luò)；此時，RPN網(wǎng)絡(luò)與Faster R-CNN網(wǎng)絡(luò)實現(xiàn)參數(shù)共享，這樣使用Faster R-CNN即可同時進(jìn)行鋰電池瑕疵圖像候選框的提取以及瑕疵目標(biāo)的檢測。

8.如權(quán)利要求1所述的一種基于集成深度學(xué)習(xí)的鋰電池瑕疵檢測方法，其特征在于，步驟(4)所述對鋰電池的瑕疵識別包括凹坑、褶皺、劃痕、氧化、漏液、膜包覆異常。