[發明專利]鋰電池缺陷檢測方法、系統及存儲介質

在審

• 申請號: 202310084363.7
• 申請日: 2023-01-16
• 公開（公告）號: CN116129221A
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 洪智勇;馮英偉;梁冠杰;肖華潤;張文康;甄德鑫
• 申請（專利權）人: 五邑大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/77;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 孫浩

1.一種鋰電池缺陷檢測方法，其特征在于，包括：

獲取鋰電池外觀缺陷數據集和獲取鋰電池待檢測圖像；

將所述鋰電池外觀缺陷數據集輸入到對象特征提取模型中進行特征抽取，得到第一像素級缺陷語義特征集；

對所述第一像素級缺陷語義特征集進行提純，得到第二像素級缺陷語義特征集；

對所述第二缺陷語義特征進行分類，構建鋰電池外觀缺陷語義特征庫；

從所述鋰電池外觀缺陷語義特征庫中抽取第一缺陷特征，并通過所述第一缺陷特征對所述鋰電池外觀缺陷數據集進行數據增強，得到第一缺陷樣本數據；

根據所述第一缺陷樣本數據和所述鋰電池外觀缺陷數據集對初始鋰電池缺陷檢測模型進行訓練，得到鋰電池缺陷檢測模型；

通過所述鋰電池缺陷檢測模型對所述鋰電池待檢測圖像進行缺陷檢測,得到缺陷檢測結果。

2.根據權利要求1所述的鋰電池缺陷檢測方法，其特征在于，所述獲取鋰電池外觀缺陷數據集，包括：

獲取鋰電池外觀缺陷圖像；

對所述鋰電池外觀缺陷圖像進行缺陷類型、缺陷位置及缺陷大小標注，得到標簽集；

根據所述鋰電池外觀缺陷圖像和所述標簽集，得到鋰電池外觀缺陷數據集。

3.根據權利要求2所述的鋰電池缺陷檢測方法，所述對象特征提取模型包括特征提取網絡層、全連接層及分類網絡，所述將所述鋰電池外觀缺陷數據集輸入到對象特征提取模型中進行特征抽取，得到第一像素級缺陷語義特征集，包括:

獲取所述特征提取網絡層輸出的淺層特征圖；

對所述全連接層的參數進行歸一化處理，得到所述全連接層參數的歸一化值；

根據所述淺層特征圖和所述全連接層參數的歸一化值，對所述特征提取網絡層輸出的第一特征圖進行歸一化處理，得到淺層特征置信度掩碼；

將所述淺層特征置信度掩碼映射至所述鋰電池外觀缺陷圖像，提取所述鋰電池外觀缺陷圖像的像素組合為第一像素級缺陷語義特征集。

4.根據權利要求3所述的鋰電池缺陷檢測方法，其特征在于，所述將所述淺層特征置信度掩碼映射至所述鋰電池外觀缺陷圖像，提取所述鋰電池外觀缺陷圖像的像素組合為第一像素級缺陷語義特征集，包括：

將所述淺層特征置信度掩碼映射至所述鋰電池外觀缺陷圖像，獲取網絡對缺陷的關注像素和重要程度；

根據所述關注像素和所述重要程度，提取所述鋰電池外觀缺陷圖像的像素組合為第一像素級缺陷語義特征集。

5.根據權利要求3所述的鋰電池缺陷檢測方法，其特征在于，所述淺層特征置信度掩碼的計算公式如下：

其中，表示所述淺層特征置信度掩碼，∈表示置信度閾值，表示第一特征置信度掩碼，k表示第k個圖像，h表示第一特征圖的高，w表示所述第一特征圖的寬，小于置信度閾值的所述淺層特征置信度掩碼為零；

所述第一特征置信度掩碼的計算公式如下：

其中，θ′表示所述全連接層參數的歸一化值，n表示第n個全連接層參數，v′表示所述淺層特征圖，k表示第k個圖像，h表示所述第一特征圖的高，w表示所述第一特征圖的寬。

6.根據權利要求5所述的鋰電池缺陷檢測方法，其特征在于，所述對所述第一像素級缺陷語義特征集進行提純，得到第二像素級缺陷語義特征集，包括：

將所述第一像素級缺陷語義特征集的第一像素進行擴散，得到擴散像素數據；

計算所述第一像素級缺陷語義特征集中缺陷的邊緣像素，得到的邊緣像素數據；

將所述邊緣像素數據與所述擴散像素數據進行比較，得到比較數據；

根據所述比較數據，重新計算所述邊緣像素，直至所述比較數據符合預設條件。

7.根據權利要求6所述的鋰電池缺陷檢測方法，其特征在于，所述通過所述第一缺陷特征對所述鋰電池外觀缺陷數據集進行數據增強，包括：

將所述第一缺陷特征和所述鋰電池外觀缺陷數據集中的所述第二缺陷樣本數據進行隨機的角度、數量及位置的擺放。