[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

本申請公開了一種鋰電池缺陷檢測方法、系統及存儲介質，涉及缺陷檢測技術領域，方法包括：獲取鋰電池外觀缺陷數據集；將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；從鋰電池外觀缺陷語義特征庫中抽取第一缺陷特征，并通過第一缺陷特征對鋰電池外觀缺陷數據集進行數據增強，以得到鋰電池缺陷檢測模型；通過鋰電池缺陷檢測模型對鋰電池待檢測圖像進行缺陷檢測,得到缺陷檢測結果。通過這種方法，提高缺陷檢測網絡的可靠性、魯棒性及檢測精度。

技術領域

本申請涉及缺陷檢測技術領域，尤其涉及一種鋰電池缺陷檢測方法、系統及存儲介質。

背景技術

目前，鋰電池的生產工藝向全自動化發展，每個工藝點都逐步淘汰或減少人工的介入，相關技術中的基于深度學習的鋰電池外觀缺陷的檢測方式，由于缺陷樣本在正常生產過程中的占比很小，而基于深度學習的檢測方式需要大量缺陷樣本，才能使缺陷檢測網絡進入良好的收斂；同時，在實際生產中的缺陷樣本也存在分布不均，不同缺陷類別的樣本數量并不相同，往往差距巨大，這使得檢測網絡產生明顯的傾向現象，樣本數量更多的缺陷類別被檢測出來的可能性比樣本數量少的類別更大，導致基于深度學習的檢測方式存在誤判情況較多、檢測精度較低。

發明內容

本申請旨在至少解決現有技術中存在的技術問題之一。為此，本申請提出一種鋰電池缺陷檢測方法、系統及存儲介質，提高缺陷檢測網絡的可靠性、魯棒性及檢測精度。

第一方面，本申請實施例提供了一種鋰電池缺陷檢測方法，所述方法包括：

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。

根據本申請實施例中提供的一個或多個技術方案，至少具有如下有益效果:構建鋰電池外觀缺陷數據集后，通過對象特征提取模型對鋰電池外觀缺陷數據集進行特征抽取，得到第一像素級缺陷語義特征集；對第一像素級缺陷語義特征集進行提純后，得到第二像素級缺陷語義特征集；對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；從鋰電池外觀缺陷語義特征庫中抽取第一缺陷特征，并通過第一缺陷特征對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；根據第一缺陷樣本數據和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；通過鋰電池缺陷檢測模型對鋰電池待檢測圖像進行缺陷檢測,得到缺陷檢測結果。與相關技術相比，本申請通過像素級特征對鋰電池外觀缺陷數據集進行數據增強的外觀檢測方式，從像素級層面描述鋰電池外觀缺陷，使得增強后的第一缺陷樣本數據能描述任何形狀和紋理的缺陷，也能夠有效解決缺陷樣本不足及類別分布不均的問題，因此，基于第一缺陷樣本數據和鋰電池外觀缺陷數據集訓練得到的鋰電池缺陷檢測模型進行外觀檢測能提高缺陷檢測網絡的可靠性、魯棒性及檢測精度。

根據本申請第一方面的一些實施例，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；