[發明專利]一種基于集成深度學習的鋰電池瑕疵檢測方法

在審

• 申請號: 202011084115.5
• 申請日: 2020-10-12
• 公開（公告）號: CN112258459A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 李志華;郭曙杰
• 申請（專利權）人: 江南大學
• 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: 大連理工大學專利中心 21200
• 代理人: 劉秋彤;梅洪玉

本發明公開了一種基于集成深度學習的鋰電池瑕疵檢測方法，包括以下步驟：步驟(1),通過工業相機獲取鋰電池三維圖像；步驟(2),對原始圖像進行灰度化處理并進行預處理，包括濾波、除噪；步驟(3)，提取預處理后的圖像的感興趣區域，作為集成深度學習神經網絡的輸入進行瑕疵識別；步驟(4)根據對鋰電池瑕疵識別的結果，來對鋰電池進行良品與次品的分流處理。本發明實現了鋰電池生產過程中瑕疵檢測和分類，有助于節約人工成本。同時，相較于人工檢測，能夠提高鋰電池瑕疵檢測精度和速度，提升了鋰電池工業生產的效率和可靠性。

技術領域

本發明涉及電池生產技術領域，尤其涉及一種基于集成深度學習的鋰電池瑕疵檢測方法。

背景技術

鋰電池具有重量輕、使用壽命長、高低溫適應能力強、額定電壓高、綠色環保的特點，近年來隨著各行各業的發展，鋰電池的需求不斷增長。

傳統的鋰電池瑕疵檢測往往采用人工進行質量檢測，這種檢測方式時間長并且耗費大量人力財力，檢測結果受質檢人員的主觀因素影響，容易出現漏檢和誤檢的情況。隨著電池生產速度的不斷提高，人工檢測方式無法保證在較低成本的情況下逐個檢測生產的所有鋰電池，所以傳統的人工檢測方式己經無法滿足現代自動化生產需求。

通過集成深度學習技術，用計算機代替人眼判斷或測量，可以取代人工完成鋰電池的分選，提高效率。

發明內容

本發明的目的是針對現有的鋰電池瑕疵檢測方法能力不足，提供一種基于集成深度學習的鋰電池瑕疵檢測方法，通過計算機視覺的方法識別鋰電池的瑕疵包括凹坑、褶皺、劃痕、氧化、漏液、膜包覆異常，挑選出不合格的鋰電池。本發明采用的技術方案是：

一種基于集成深度學習的鋰電池瑕疵檢測方法，包括以下步驟：

步驟(1),通過工業相機獲取鋰電池三維圖像；

步驟(2),對原始圖像進行灰度化處理并進行預處理，包括濾波、除噪；

步驟(3)，將處理過的圖像作為集成深度學習神經網絡模型的輸入，進行瑕疵識別；

步驟(4)，根據對鋰電池瑕疵識別的結果，來對鋰電池進行良品與次品的分流處理。

進一步地，集成深度學習神經網絡模型集成了YOLO(You Only Look Once)V3神經網絡框架以及Faster R-CNN框架，以此來對鋰電池瑕疵數據進行訓練和分類。由于不再是單一的框架模型進行預測，所以模型有了更強的魯棒性，也就不容易產生過擬合現象。

同時，集成深度學習神經網絡神經網絡模型是通過使用鋰電池圖像數據訓練得到的。具體是指，通過將已有的工業相機獲取到的圖像進行裁剪加工，處理為統一的格式、統一的灰度、統一尺寸的圖像。并將圖像進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練集、驗證集以及測試集。最后對每幅圖像進行標注，打包為相應的標注文件，以便用于網絡模型訓練。

進一步地，在集成深度學習神經網絡模型中的YOLOV3神經網絡框架中，對于鋰電池瑕疵類別預測方面主要是將原來的單標簽分類改進為多標簽分類，因此網絡結構上就將原來用于單標簽多分類的softmax層替換成用于多標簽多分類的邏輯回歸層。邏輯回歸層主要用到sigmoid函數，該函數可以將輸入約束在0到1的范圍內，因此當一張圖像經過特征提取后的某一類輸出經過sigmoid函數約束后如果大于0.5，就表示屬于該類。Sigmoid函數定義如下：

為了對鋰電池圖像基本特征進行提取，采用全連接卷積神經網絡Darknet-53框架，其中包含53個卷積層，同時在不同層之間設置快捷鏈路從而形成不同卷積層之間的殘差網絡，來提高YOLO V3模型的魯棒性，降低過擬合。同時YOLO V3神經網絡框架包含1個池化層和1個全連接層。YOLO V3神經網絡的輸入尺寸為256×256×3。