[發明專利]一種動態網絡中服務配置的優化方法及裝置

在審

• 申請號: 202110794814.7
• 申請日: 2021-07-14
• 公開（公告）號: CN113762330A
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 鈔蓓英;張董;趙亮
• 申請（專利權）人: 北京深點視覺科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T5/00;G06T7/11;G06N3/04;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 王闖

1.一種鋰電池涂布瑕疵分類方法，其特征在于，包括以下步驟：

構建鋰電池涂布圖像訓練集，所述鋰電池涂布圖像訓練集包括多張標注有鋰電池涂布瑕疵小類別的鋰電池涂布圖像樣本；

搭建深度學習模型，所述深度學習模型為卷積神經網絡；

將所述鋰電池涂布圖像訓練集中的鋰電池涂布圖像樣本輸入到所述深度學習模型中，調整所述深度學習模型的參數，以得到訓練好的深度學習模型；

將待檢測鋰電池涂布圖像樣本輸入到訓練好的深度學習模型中，訓練好的深度學習模型輸出所述待檢測鋰電池涂布圖像樣本的鋰電池涂布瑕疵小類別；

基于訓練好的深度學習模型輸出的鋰電池涂布瑕疵小類別，獲取鋰電池涂布瑕疵大類別；其中每種所述鋰電池涂布瑕疵大類別包括多種所述鋰電池涂布瑕疵小類別，所述鋰電池涂布瑕疵大類別包括劃痕、膠帶、漏金屬、氣泡、未輥壓、粘料和褶皺。

2.根據權利要求1所述一種鋰電池涂布瑕疵分類方法，其特征在于，將所述鋰電池涂布圖像訓練集中的鋰電池涂布圖像樣本輸入到所述深度學習模型中，調整所述深度學習模型的參數，以得到訓練好的深度學習模型包括以下步驟：

將所述鋰電池涂布圖像訓練集中的每個鋰電池涂布圖像樣本分別劃分出不同的檢測區域；

判斷每個所述鋰電池涂布圖像樣本中的各個檢測區域是否有瑕疵，若有，將相應檢測區域的瑕疵位置分割出去，以形成瑕疵圖像樣本；

對所述瑕疵圖像樣本進行圖像增強處理，以獲取預處理后的瑕疵圖像樣本；

將預處理后的瑕疵圖像樣本輸入到所述深度學習模型中，調整所述深度學習模型的參數，以得到訓練好的深度學習模型。

3.根據權利要求2所述一種鋰電池涂布瑕疵分類方法，其特征在于，將所述鋰電池涂布圖像訓練集中的每個鋰電池涂布圖像樣本分別劃分出不同的檢測區域包括以下步驟：

根據鋰電池涂布的材料邊界將所述鋰電池涂布圖像訓練集中的鋰電池涂布圖像樣本劃分為不同檢測區域，其中所述檢測區域包括涂布區、極耳區、陶瓷區和背景區。

4.根據權利要求3所述一種鋰電池涂布瑕疵分類方法，其特征在于，將相應檢測區域的瑕疵位置分割出去，以形成瑕疵圖像樣本包括以下步驟：

基于瑕疵的對比度和大小，采用全局閾值分割的方式或者局部閾值的分割方式將相應檢測區域的瑕疵位置分割出去，以形成瑕疵圖像樣本。

5.根據權利要求4所述一種鋰電池涂布瑕疵分類方法，其特征在于，對所述瑕疵圖像樣本進行圖像增強處理，以獲取預處理后的瑕疵圖像樣本包括以下步驟：

采用灰度變換增強的方法對所述瑕疵圖像樣本進行圖像增強處理，以獲取預處理后的瑕疵圖像樣本；其中采用以下計算公式進行灰度變換增強：

G’＝G*Mult+Add

其中G為圖像當前灰度值，Mult為所乘系數，Add為偏移值；

其中Mult和Add的計算公式如下：

Mult＝255/(GMax-GMin)

Add＝-Mult*GMin

其中GMin為原圖像的最小灰度值，GMax為圖像的最大灰度值。

6.一種鋰電池涂布瑕疵分類裝置，其特征在于，包括：

圖像采集模塊，用于采集鋰電池涂布圖像樣本并構建鋰電池涂布圖像訓練集，所述鋰電池涂布圖像訓練集包括多張標注有鋰電池涂布瑕疵小類別的鋰電池涂布圖像樣本；其中多個所述鋰電池涂布瑕疵小類別歸屬于同一鋰電池涂布瑕疵大類別；

深度學習模型模塊，用于將所述鋰電池涂布圖像訓練集中的鋰電池涂布圖像樣本輸入到所述深度學習模型中，調整所述深度學習模型的參數，以得到訓練好的深度學習模型；以及將待檢測鋰電池涂布圖像樣本輸入到訓練好的深度學習模型中，以獲取所述待檢測鋰電池涂布圖像樣本的鋰電池涂布瑕疵小類別；

瑕疵匹配模塊，用于將訓練好的深度學習模式獲取的鋰電池涂布瑕疵小類別歸一為鋰電池涂布瑕疵大類別。

7.根據權利要求6所述一種鋰電池涂布瑕疵分類裝置，其特征在于，還包括：

圖像預處理模塊，用于對所述鋰電池涂布圖像訓練集中的鋰電池涂布圖像樣本以及待檢測鋰電池涂布圖像樣本進行預處理。