[發明專利]用于電池隔膜異常檢測的神經網絡的訓練方法

在審

• 申請號: 202011462904.8
• 申請日: 2020-12-11
• 公開（公告）號: CN112418353A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 王瑞
• 申請（專利權）人: 中山瑞恒網絡科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本申請公開了一種用于電池隔膜異常檢測的神經網絡的訓練方法，其包括：獲取經檢測合格的原始電池隔膜圖像作為訓練圖像集；將所述訓練圖像集中的原始電池隔膜圖像輸入第一卷積神經網絡以獲得第一特征圖；將所述第一特征圖通過反卷積神經網絡以獲得重構電池隔膜圖像；計算所述原始電池隔膜圖像和所述重構電池隔膜圖像之間的第一均方差損失函數值；將所述原始電池隔膜圖像和所述重構電池隔膜圖像輸入差別特征提取網絡以獲得差別特征；將所述差別特征通過分類函數以獲得分類損失函數值；以及，基于所述第一均方差損失函數值和所述分類損失函數值更新所述第一卷積神經網絡、反卷積神經網絡和所述差別特征提取網絡。

技術領域

本申請涉及深度學習和神經網絡領域，且更為具體地，涉及一種用于電池隔膜異常檢測的神經網絡的訓練方法、基于深度神經網絡的用于電池隔膜異常檢測方法、系統和電子設備。

背景技術

電池隔膜是指在電池正極和負極之間一層隔膜材料，是電池中非常關鍵的部分，對電池安全性和成本有直接影響。電池隔膜的制備方法分為干法和濕法兩類，其中，濕法使用較多。

現有的濕法是將液態烴或一些小分子物質與聚烯烴樹脂混合，經加熱熔融后形成均勻的混合物，然后降溫進行相分離并壓制得膜片。壓制而成的膜片進行雙向拉伸使分子鏈取向后得到膜材料。在現有的濕法制作設備中，由于對膜片的壓制以及拉伸存在一定的工藝誤差，作用在膜片表面時會使膜片產生不同程度的皺縮，進而影響膜片的制作。

因此，期待一種能夠對電池隔膜的生產過程進行監控的方案，以及時地發現膜片被壓制和拉伸不合格的情況從而能夠及時停止后續的制備流程，降低成本。

目前，深度學習以及神經網絡已經廣泛應用于計算機視覺、自然語言處理、文本信號處理等領域。此外，深度學習以及神經網絡在圖像分類、物體檢測、語義分割、文本翻譯等領域，也展現出了接近甚至超越人類的水平。

深度學習尤其是神經網絡的發展為解決電池隔膜的異常檢測提供了新的解決思路和方案。

發明內容

為了解決上述技術問題，提出了本申請。本申請的實施例提供了一種用于電池隔膜異常檢測的神經網絡的訓練方法、基于深度神經網絡的用于電池隔膜異常檢測方法、系統和電子設備，其以純正樣本來構建訓練集，使得所訓練的圖像重構神經網絡僅能夠學習到如何重構正樣本，也就是，如果輸入電池隔膜圖像為異常電池隔膜的圖像，則重構的電池隔膜圖像會缺失異常特征，這樣，使得基于原始圖像和重構圖像之間的差異便可以實現電池隔膜的異常檢測。

根據本申請的一個方面，提供了一種用于電池隔膜異常檢測的神經網絡的訓練方法，包括：

獲取經檢測合格的原始電池隔膜圖像作為訓練圖像集；

將所述訓練圖像集中的原始電池隔膜圖像輸入第一卷積神經網絡以獲得第一特征圖；

將所述第一特征圖通過反卷積神經網絡以獲得重構電池隔膜圖像；

計算所述原始電池隔膜圖像和所述重構電池隔膜圖像之間的第一均方差損失函數值；

將所述原始電池隔膜圖像和所述重構電池隔膜圖像輸入差別特征提取網絡以獲得差別特征，所述差別特征表示所述原始電池隔膜圖像和所述重構電池隔膜圖像在特征空間的差異；

將所述差別特征通過分類函數以獲得分類損失函數值；以及

基于所述第一均方差損失函數值和所述分類損失函數值更新所述第一卷積神經網絡、反卷積神經網絡和所述差別特征提取網絡。

在上述用于電池隔膜異常檢測的神經網絡的訓練方法中，將所述訓練圖像集中的原始電池隔膜圖像輸入第一卷積神經網絡以獲得第一特征向量中，所述第一卷積神經網絡包括N層卷積層，N為大于等于4小于等于5的正整數。