一种基于知识蒸馏轻量化U-Net的锂电池极片缺陷检测方法

本发明涉及锂电池制造质量检测，具体涉及一种基于知识蒸馏轻量化u-net的锂电池极片缺陷分割提取方法。

背景技术：

1、锂电池极片是锂离子电池的核心部件之一，极片涂布与辊压过程中产生的露箔、划痕、气泡、掉粉、褶皱等表面缺陷的形态、面积、位置分布直接决定了电池的一致性、容量与安全性能。随着动力电池与储能电池产能的快速扩张，极片缺陷的在线检测需求日益迫切，而极片缺陷具有尺度跨度大、形态不规则、与正常涂布纹理灰度差异小等特点，给缺陷的准确分割与定量分析带来了极大挑战。准确分割与定量表征锂电池极片缺陷，对电池制造良率提升、安全隐患预警和工艺参数优化具有重要的科学意义和工程价值。在传统的极片缺陷检测方法中，通常采用人工目检结合抽样显微复核的方式进行缺陷甄别，存在效率低、主观性强、无法全检等问题。近年来，研究者陆续引入了可见光机器视觉结合阈值分割、边缘检测、模板匹配等传统图像处理技术用于缺陷提取，但极片表面涂层颗粒纹理复杂、部分内部缺陷在可见光下不可见，传统方法对低对比度缺陷与内部气泡等隐性缺陷缺乏检测能力。脉冲热激励红外热成像技术通过分析极片表面温场变化揭示内部与表面缺陷，为极片检测提供了新的数据模态。随着深度学习技术的发展，u-net、deeplab等语义分割网络在工业检测领域取得了显著成效，并被逐步引入到红外热像缺陷检测中。但极片红外检测具有产线节拍快、边缘设备算力受限、热图序列时序信息丰富等特点，单一结构的分割网络仍存在以下不足：（1）高精度分割网络参数量与计算量大，难以在产线边缘计算设备上实时部署；（2）单帧热图对瞬时热扰动敏感，未利用热图序列的时序温升信息，缺陷对比度不足；（3）轻量化直接压缩网络导致特征表达能力下降，缺陷边界分割精度显著损失。因此，亟需一种针对极片红外热像特点的、具有高精度知识迁移与轻量化实时推理能力的自动分割提取方法。

技术实现思路

1、为解决现有技术无法克服极片红外热像中缺陷对比度低、热扰动噪声强、高精度模型难以实时部署等干扰，难以对锂电池极片缺陷进行自动化、高精度、实时分割提取的技术问题，本发明的目的在于提供一种基于知识蒸馏轻量化u-net的锂电池极片缺陷分割提取方法，所采用的技术方案具体如下：一种基于知识蒸馏轻量化u-net的锂电池极片缺陷分割提取方法，所述方法包括：对锂电池极片进行脉冲热激励并利用红外热像仪采集极片表面热图序列；根据热图序列的温升特性对采集的热图进行时序特征融合数据增强；沿缺陷边界对融合后的热图进行人工标注，获得参考热图数据集；对参考热图数据集进行归一化处理获得数据集；基于resunet设计教师分割网络，将输入热图信息转换成张量以提取缺陷深层特征；基于深度可分离卷积设计轻量化学生分割网络；设计知识蒸馏模块，包括软标签蒸馏子模块与特征图蒸馏子模块，用于将教师网络的知识迁移至学生网络；融合获得kd-liteunet融合模型；根据缺陷像素占比低、热图噪声强的特点设计蒸馏联合损失函数，获得学生网络的损失函数权重；根据损失函数权重进行蒸馏监督计算，获得模型反馈；根据kd-liteunet融合模型进行训练获得训练好的轻量化模型；利用训练好的轻量化模型对极片红外热图进行缺陷分割提取；对分割提取结果进行形态学后处理与连通域分析，获得缺陷图像结果；对缺陷图像结果进行缺陷面积、温升速率统计及极片质量分级数据分析。

2、进一步地，所述脉冲热激励与热图序列采集方法包括：将锂电池极片样品平整固定于检测平台，采用高能闪光灯对极片表面进行脉冲热激励，脉冲持续时间为2-5ms；采用制冷型红外热像仪在热激励后连续采集2秒的极片表面热图序列，热像仪光谱范围为8-14μm，帧频不低于60hz，单帧热图分辨率不低于640×512像素。

3、进一步地，所述时序特征融合与标注方法包括：对采集的热图序列按时序温升特征融合公式进行数据增强，时序融合公式如下所示：i_peak(x,y) = max_t(i_t(x,y))，i_rate(x,y) = max_t(δi_t(x,y)/δt)，i_fuse(x,y) = [i_peak(x,y), i_rate(x,y), i_t(x,y)]，式中，i_t(x,y)表示第t帧热图在(x,y)处的灰度值；i_peak(x,y)表示温升峰值特征图；δi_t(x,y)/δt表示相邻帧温升速率；i_rate(x,y)表示最大温升速率特征图；i_t(x,y)表示热激励后第t帧热图；i_fuse(x,y)表示3通道时序融合热图；将时序融合热图沿缺陷边界进行人工像素级标注，将露箔、划痕、气泡、掉粉四类缺陷分别标注，生成参考热图数据；对参考热图灰度信息进行归一化处理，将像素值线性映射至[0,1]区间，获得标准数据集。

4、进一步地，所述kd-liteunet融合模型获得方法，包括：采用在imagenet上预训练的resnet-34作为编码骨干构建resunet教师分割网络，将输入时序融合热图重塑为512×512×3的张量，通过4阶段残差编码与4阶段反卷积解码并辅以跳跃连接，输出像素级缺陷概率图，教师网络训练完成后冻结参数；轻量化学生分割网络采用深度可分离卷积构建4阶段u-net结构，每阶段包含深度卷积、逐点卷积与通道混洗操作，学生网络参数量不超过教师网络的十分之一；设计知识蒸馏模块，软标签蒸馏子模块对教师网络与学生网络的输出概率分布经温度系数软化后进行kl散度对齐，特征图蒸馏子模块对教师与学生网络对应解码阶段的中间特征图经通道适配后进行l2距离对齐；将教师分割网络、轻量化学生分割网络与知识蒸馏模块融合，获得kd-liteunet融合模型。

5、进一步地，所述蒸馏联合损失函数获得方法，包括：针对缺陷像素占比低、热图噪声强、轻量化网络表达能力受限的问题，将蒸馏损失与像素监督损失联合，得到蒸馏联合损失函数，计算公式如下所示：l_kd = t^2·kl(softmax(z_s/t) || softmax(z_t/t))，l_feat = σ_l ||f_s^l - a_l(f_t^l)||_2，l_dice = 1 - 2tp / (2tp + fp + fn)，l =α·l_kd + β·l_feat + γ1·l_dice + γ2·l_bce，式中，z_s、z_t分别为学生网络与教师网络的输出logits；t为蒸馏温度系数，取值为4；kl(·)为kl散度；l_kd为软标签蒸馏损失；f_s^l、f_t^l分别为学生与教师网络第l解码阶段的中间特征图；a_l(·)为通道适配1×1卷积；l_feat为特征图蒸馏损失；tp为缺陷区域的真阳性像素数；fp为正常涂层被误判为缺陷的假阳性像素数；fn为缺陷被误判为正常涂层的假阴性像素数；l_dice为dice损失；l_bce为像素二值交叉熵损失；α、β、γ1、γ2为平衡系数；利用损失函数对学生网络进行蒸馏监督计算，获得模型反馈。

6、进一步地，所述模型训练获得方法，包括：将缺陷区域像素作为前景目标，将正常涂层区域像素作为背景；先采用像素监督损失训练教师分割网络至收敛并冻结教师网络参数；采用在imagenet上预训练的mobilenet权重初始化学生分割网络编码层，进行迁移学习；以蒸馏联合损失函数训练学生网络，初始学习率设置为5×10^-4，并按余弦退火策略进行动态调整；批量大小设置为16，迭代训练不少于150个epoch；当验证集dice系数连续15个epoch不再上升时停止训练，保存最佳学生网络权重作为轻量化模型。

7、进一步地，所述形态学后处理与连通域分析方法，包括：将轻量化模型分割提取结果热图按预设阈值进行二值化；使用形态学开运算去除孤立噪声点和细小毛刺，开运算公式为：o(a,b) = (a⊖b)⊕b，使用形态学闭运算填充缺陷内部细小孔洞并平滑缺陷边界，闭运算公式为：c(a,b) = (a⊕b)⊖b，式中，a为输入二值热图，b为结构元素；根据连通域分析对每个缺陷区域进行标记，去除面积小于预设阈值的伪缺陷区域，计算每个缺陷的面积、等效圆直径、最大温升值与最大温升速率；根据缺陷面积与温升特征将极片划分为优等、合格、不合格三个质量等级，获得最终的缺陷图像结果与统计参数。

8、本发明具有如下优异效果：本发明通过对极片进行脉冲热激励并采集红外热图序列，利用热场变化揭示表面与内部缺陷，数据具有丰富的缺陷形态与温升变化，能够为深度学习模型提供充足的样本；由于单帧热图对瞬时热扰动敏感，故采用时序温升特征融合对热图序列进行数据增强，在提高缺陷对比度的同时丰富数据多样性；将热图沿缺陷边界进行像素级人工标注，获得参考热图数据；对热图数据进行归一化处理以减少运算量并提升训练效率，获得标准数据集；由于高精度分割网络难以在产线边缘设备实时部署，故采用resunet教师网络提供高精度软标签与中间特征监督，同时采用深度可分离卷积构建参数量不足教师网络十分之一的轻量化学生网络；通过知识蒸馏模块将教师网络的输出分布知识与中间特征知识同时迁移至学生网络，避免直接压缩网络导致的表达能力下降；采用4阶段深度可分离u-net结构辅以通道混洗操作，在轻量化的同时保持通道间信息交互，融合获得kd-liteunet融合模型；由于缺陷像素占比低、热图噪声强，故设计蒸馏联合损失函数，将软标签蒸馏损失、特征图蒸馏损失与dice损失、交叉熵损失联合监督，在不增加推理成本的前提下提升学生网络的边界分割精度；利用训练好的轻量化模型对极片红外热图进行分割，推理速度快、满足产线在线检测节拍；由于模型分割结果可能存在细小噪声和孔洞，故采用形态学开闭运算与连通域分析进行后处理，获得完整的缺陷图像结果；最后对缺陷图像进行缺陷面积、温升速率与质量分级的统计与数据分析。本发明充分考虑了极片红外热像在时序、噪声、部署成本上的复杂性，设计了独特的时序特征融合、教师-学生知识蒸馏与轻量化u-net结构，增强了轻量化分割模型的特征表达能力与实时推理能力，提升了缺陷分割的完整度、准确度和在线检测效率，为锂电池制造质量控制提供了可靠的技术手段。