[發明專利]基于卷積神經網絡的動力電池焊接質量檢測方法及系統

有效

• 申請號: 202011139458.7
• 申請日: 2020-10-22
• 公開（公告）號: CN112215834B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 楊亞濤;楊潤澤;楊順情;陶凱;馬君顯;張力;朱義雙;陳勇
• 申請（專利權）人: 深圳大學;深圳市大德激光技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京冠和權律師事務所 11399
• 代理人: 朱健

1.一種基于卷積神經網絡的動力電池焊接質量檢測方法，其特征在于，包括：

構建初始卷積神經網絡模型；

獲取第一樣本數據，將所述第一樣本數據按預設比例隨機分為第一數量的訓練集、第二數量的驗證集和第三數量的測試集；

基于所述訓練集、所述驗證集和所述測試集對所述初始卷積神經網絡模型進行訓練，獲得檢測模型；

將待測試圖像輸入所述檢測模型，獲取第一檢測結果；

定時從第三方平臺獲取第二樣本數據；

解析所述第二樣本數據，獲取第二樣本圖像和對應于所述第二樣本圖像的第二樣本結果；

將所述第二樣本數據輸入所述檢測模型，獲取第二檢測結果；

比對所述第二檢測結果與所述第二樣本結果；當比對結果為所述第二檢測結果與所述第二樣本結果不同時，獲取所述第二樣本數據的原始來源；

對所述第二樣本數據的原始來源進行可靠性驗證，當驗證通過時，將所述第二樣本數據添加進所述第一樣本數據中，形成新的第一樣本數據；

基于新的所述第一樣本數據對所述初始卷積神經網絡模型進行訓練，獲取新的檢測模型；

其中，對所述第二樣本數據的原始來源進行驗證，包括：

獲取所述第三方平臺對于所述原始來源配置的第一可信值；

獲取用戶對于所述原始來源配置的第二可信值；

獲取所述第三方平臺上其他來源對于所述原始來源配置的第三可信值；

基于所述第一可信值、所述第二可信值和所述第三可信值，計算所述原始來源的可信度，計算公式如下：

其中，H為所述原始來源的所述可信度；D₁為所述第一可信值；D₂為所述第二可信值；D_3,j為第j個其他來源對于所述原始來源的第三可信值；N為所述其他來源的數目；α為用戶預先配置的所述第一可信值的權重；β為用戶預先配置的所述第二可信值的權重；γ為用戶預先配置的所述第三可信值的權重；δ_j為用戶預先配置的對于第j個其他來源的信任系數；

當所述可信度大于預設的驗證閾值時，通過所述可靠性驗證；

所述的基于卷積神經網絡的動力電池焊接質量檢測方法還包括：

在從第三方平臺獲取第二樣本數據之前，采用所述測試集對所述檢測模型進行測試，獲取第一測試結果；

在所述基于新的所述第一樣本數據對所述初始卷積神經網絡模型進行訓練，獲取新的檢測模型之后，采用所述測試集對所述檢測模型進行測試，獲取第二測試結果；

比較所述第一測試結果和所述第二測試結果，獲取所述第一測試結果和所述第二測試結果的差異情況；

基于所述差異情況調整所述第一可信值和/或所述第二可信值和/或所述第三可信值；

其中，基于所述差異情況調整所述第一可信值和/或所述第二可信值和/或所述第三可信值，包括：

當所述差異情況為所述第一測試結果小于所述第二測試結果且所述第一測試結果與所述第二測試結果的差值大于等于第一預設差值時，對所述第一可信值和/或所述第二可信值和/或所述第三可信值進行上調，上調公式如下：

其中，k₀表示上調前的所述第一可信值或所述第二可信值或所述第三可信值；k₁為預設的上調幅度值；K₁表示上調后的所述第一可信值或所述第二可信值或所述第三可信值；k_H表示預設的上調上限值；X表示所述第一可信值或所述第二可信值或所述第三可信值在計算所述可信度時的占比；

當所述差異情況為所述第一測試結果大于所述第二測試結果且所述第一測試結果與所述第二測試結果的差值大于等于第二預設差值時，對所述第一可信值和/或所述第二可信值和/或所述第三可信值進行下調，下調公式如下：

其中，K₂表示下調后的所述第一可信值或所述第二可信值或所述第三可信值；k₁為預設的下調幅度值；k_L表示預設的下調下限值；

其中，所述第一樣本數據為在往動力電池上焊接防爆閥的工業現場采集的焊接缺陷樣本。