基于深度学习的锂电极组缺陷识别方法与流程

本发明涉及深度学习，尤其涉及基于深度学习的锂电极组缺陷识别方法。

背景技术：

1、现有技术在锂电极组缺陷识别的实际运作中存在感知维度单一与模型泛化能力不足的固有缺陷。许多检测方案主要依赖二维图像进行分析，这种方式对于颜色、纹理对比明显的缺陷如异物、划痕等较为有效，但对于仅表现为高度变化的几何缺陷，例如微小的凹坑、褶皱或涂层厚度不均，则几乎无法检出，因为这些缺陷在二维平面图像上可能不呈现任何光学特征差异，导致漏检风险。举例而言，一个因干燥工艺问题产生的轻微凹陷，在二维图像中与正常区域可能完全一致，但它却可能影响电池的内部应力分布与电化学性能，传统二维视觉方法对此束手无策。另一方面，当前多数依赖深度学习的方案采用监督学习模式，其性能高度依赖于一个庞大且完备的缺陷样本数据库。这在实际生产中几乎是不可能实现的，因为缺陷的形态千变万化，且新的缺陷类型会随着工艺波动不断出现。因此，需要进行改进。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的基于深度学习的锂电极组缺陷识别方法。

2、为了实现上述目的，本发明采用了如下技术方案，基于深度学习的锂电极组缺陷识别方法，包括以下步骤：

3、采集待检测的锂电极组的三维多模态图像集合；

4、提取所述三维多模态图像集合中每个三维多模态图像的二维纹理特征和三维高程特征；

5、根据交叉注意力机制融合所述二维纹理特征和所述三维高程特征，得到跨模态联合特征；

6、通过预设的结合涂层厚度先验分布的无监督归一化流网络处理所述跨模态联合特征，得到特征映射分布数据；

7、计算所述特征映射分布数据的分布偏移量，得到异常分数；

8、根据所述异常分数和预设异常判定阈值判断所述锂电极组的缺陷状态；

9、当判断所述锂电极组处于所述缺陷状态时，对所述特征映射分布数据进行反向映射，得到像素级映射矩阵；

10、根据所述像素级映射矩阵生成异常热力图并在所述异常热力图中标注缺陷位置。

11、较佳地，采集待检测的锂电极组的三维多模态图像集合的步骤具体为：

12、获取扫描帧率参数，根据所述扫描帧率参数控制产线线激光轮廓仪对待检测的锂电极组的三维轮廓进行扫描，得到第一扫描数据；

13、控制所述产线线激光轮廓仪对所述待检测的锂电极组的边缘三维轮廓进行扫描，得到第二扫描数据；

14、对所述第一扫描数据和所述第二扫描数据进行拼接，得到三维点云数据；

15、获取最近邻点数量参数，根据所述最近邻点数量参数利用统计离群值滤除算法对所述三维点云数据中的噪声点进行滤除，得到清洗后的三维点云数据，将所述清洗后的三维点云数据进行投影处理，得到三维深度图；

16、获取曝光参数，根据所述曝光参数控制双目视觉相机对所述待检测的锂电极组的表面纹理进行拍摄，得到二维彩色图像；

17、提取所述二维彩色图像中的金属高反光区域生成反光掩膜，利用所述反光掩膜去除所述二维彩色图像和所述三维深度图中的高亮干扰信息后，分别提取所述二维彩色图像的角点特征和所述三维深度图的边缘特征；

18、基于所述角点特征和所述边缘特征对所述三维深度图和所述二维彩色图像进行对齐处理，得到对齐后的多模态图像数据；

19、持续采集所述对齐后的多模态图像数据，合并全部所述对齐后的多模态图像数据，得到所述三维多模态图像集合。

20、较佳地，提取所述三维多模态图像集合中每个三维多模态图像的二维纹理特征和三维高程特征的步骤具体为：

21、提取所述三维多模态图像集合中每个三维多模态图像的通道层级数据，分离所述通道层级数据，得到第一视觉通道数据和第二深度通道数据；

22、构建主干视觉转换器网络，将所述第一视觉通道数据分割为多个图像分块数据，将所述图像分块数据输入至所述主干视觉转换器网络中，利用所述主干视觉转换器网络的自注意力机制提取所述图像分块数据在平面维度下的纹理分布信息，得到第一纹理特征向量，对所述第一纹理特征向量进行展平，得到所述二维纹理特征；

23、构建包含残差连接结构的主干三维卷积网络，将所述第二深度通道数据输入至所述主干三维卷积网络中，利用所述主干三维卷积网络的空间卷积核提取所述第二深度通道数据在空间高度维度下的几何分布信息，得到第一高程特征张量，利用所述主干三维卷积网络的降采样层对所述第一高程特征张量进行降采样，得到所述三维高程特征。

24、较佳地，根据交叉注意力机制融合所述二维纹理特征和所述三维高程特征，得到跨模态联合特征的步骤具体为：

25、提取所述二维纹理特征的查询向量矩阵，提取所述三维高程特征的键向量矩阵和值向量矩阵；

26、获取特征维度缩放因子参数，对所述查询向量矩阵和所述键向量矩阵的转置矩阵进行点积运算，得到初始关联权重矩阵，将所述初始关联权重矩阵除以所述特征维度缩放因子参数，得到缩放关联权重矩阵；

27、利用指数归一化函数对所述缩放关联权重矩阵进行非线性映射处理，得到归一化注意力矩阵；

28、计算所述三维高程特征的空间几何梯度信息，根据所述空间几何梯度信息生成局部高程掩膜矩阵；

29、利用所述局部高程掩膜矩阵对所述归一化注意力矩阵进行空间权重调制后，对所述值向量矩阵进行矩阵乘法计算，得到三维激活特征；

30、拼接所述三维激活特征和所述二维纹理特征，得到多维融合张量数据，将所述多维融合张量数据输入至全连接感知机网络中进行参数降维，得到所述跨模态联合特征。

31、较佳地，通过预设的结合涂层厚度先验分布的无监督归一化流网络处理所述跨模态联合特征，得到特征映射分布数据的步骤具体为：

32、获取包含正常锂电极组样本的正常样本训练数据集，利用所述正常样本训练数据集对初始映射网络模型进行无监督训练，得到所述预设的结合涂层厚度先验分布的无监督归一化流网络；

33、将所述跨模态联合特征输入至所述预设的结合涂层厚度先验分布的无监督归一化流网络中，获取所述预设的结合涂层厚度先验分布的无监督归一化流网络中的缩放尺度参数矩阵和平移偏移参数矩阵，根据所述缩放尺度参数矩阵和所述平移偏移参数矩阵对所述跨模态联合特征进行非线性可逆映射变换，得到前向映射特征；

34、获取所述预设的结合涂层厚度先验分布的无监督归一化流网络的雅可比矩阵，计算所述雅可比矩阵对应的行列式参数数值；

35、获取预先构建的锂电极组参考厚度梯度数据，根据所述锂电极组参考厚度梯度数据构建空间先验校正因子；

36、根据所述行列式参数数值以及所述空间先验校正因子对所述前向映射特征进行对数概率密度评估计算，得到目标特征向量分布；

37、将所述目标特征向量分布与标准正态分布进行对齐，提取所述目标特征向量分布中的分布节点数据，合并所述分布节点数据，得到所述特征映射分布数据。

38、较佳地，计算所述特征映射分布数据的分布偏移量，得到异常分数的步骤具体为：

39、获取标准高维正态分布模板数据，提取所述特征映射分布数据的第一均值参数和所述标准高维正态分布模板数据的第二均值参数，计算所述第一均值参数和所述第二均值参数之间的绝对差值结果，得到均值分布差异；

40、提取所述特征映射分布数据的第一方差参数和所述标准高维正态分布模板数据的第二方差参数，计算所述第一方差参数和所述第二方差参数之间的偏离结果，得到方差分布差异；

41、获取联合评估函数模型，将所述均值分布差异和所述方差分布差异输入至所述联合评估函数模型中，评估所述均值分布差异和所述方差分布差异的累加结果，得到所述分布偏移量；

42、获取预设的最大容忍分布偏移量参数和预设的最小容忍分布偏移量参数，提取所述分布偏移量在所述最大容忍分布偏移量参数和所述最小容忍分布偏移量参数之间的相对位置数据；

43、根据所述相对位置数据将所述分布偏移量映射至评分连续数值区间内，得到所述异常分数。

44、较佳地，根据所述异常分数和预设异常判定阈值判断所述锂电极组的缺陷状态的步骤具体为：

45、提取所述异常分数对应的第一浮点数值结果，获取所述预设异常判定阈值对应的第二浮点数值结果，将所述第一浮点数值结果与所述第二浮点数值结果进行比较；

46、当所述第一浮点数值结果大于所述第二浮点数值结果时，判定所述锂电极组存在瑕疵，确定所述锂电极组处于所述缺陷状态；

47、当所述第一浮点数值结果不大于所述第二浮点数值结果时，判定所述特征映射分布数据属于允许波动范围之内，确定所述锂电极组处于正常状态。

48、较佳地，当判断所述锂电极组处于所述缺陷状态时，对所述特征映射分布数据进行反向映射，得到像素级映射矩阵的步骤具体为：

49、获取处于缺陷状态的锂电极组的特征映射分布数据，将获取的所述特征映射分布数据构建为缺陷状态数据集合；

50、提取所述预设的结合涂层厚度先验分布的无监督归一化流网络的逆向计算神经元参数集合，根据所述逆向计算神经元参数集合建立所述预设的结合涂层厚度先验分布的无监督归一化流网络的逆向仿射变换函数；

51、将所述缺陷状态数据集合输入至所述逆向仿射变换函数中，控制所述逆向仿射变换函数对所述缺陷状态数据集合进行逐层反推可逆映射计算，得到二维空间域下的高维还原特征；

52、提取所述高维还原特征中的每个像素点位置对应的特征响应强度数值；

53、获取所述三维多模态图像集合对应的原图宽度尺寸参数和原图高度尺寸参数，按照所述原图宽度尺寸参数和所述原图高度尺寸参数将全部的所述特征响应强度数值进行阵列化排布，得到所述像素级映射矩阵。

54、较佳地，根据所述像素级映射矩阵生成异常热力图并在所述异常热力图中标注缺陷位置的步骤具体为：

55、遍历并提取所述像素级映射矩阵中的每个映射节点的响应数值大小，建立色彩渐变映射对照字典表，根据所述响应数值大小在所述色彩渐变映射对照字典表中查询对应的渲染颜色通道值；

56、根据所述渲染颜色通道值对所述像素级映射矩阵的二维平面进行渲染着色，得到所述异常热力图；

57、获取预设的红色高亮颜色阈值参数，提取所述异常热力图中所述渲染颜色通道值大于所述红色高亮颜色阈值参数的极值连通区域；

58、提取所述极值连通区域的中心坐标点位置信息和边界轮廓信息，根据所述边界轮廓信息计算包围所述极值连通区域的外接矩形尺寸参数；

59、在所述异常热力图中所述中心坐标点位置信息对应的局部区域利用所述外接矩形尺寸参数绘制矩形缺陷包围框，根据所述矩形缺陷包围框在所述异常热力图上完成对所述缺陷位置的标注。

60、与现有技术相比，本发明的优点和积极效果在于：

61、本发明通过采集包含二维纹理与三维高程的复合型多模态图像，能够构建对锂电极组完整且立体的数字化描述，为后续的分析奠定坚实的数据基础。在处理这些数据时，并非进行简单的信息叠加，而是通过执行一种深度关联融合操作，智能发掘并结合二维纹理特征与三维高程特征之间的内在联系，使得对缺陷的表征不再局限于单一维度，能够识别出仅在多维信息耦合下才显现的复杂缺陷。检测的核心逻辑建立在无监督学习的范式之上，仅需对正常合格的电极组样本进行学习，即可构建出标准品的高维特征分布模型，这从根本上规避了传统监督学习方法必须事先收集并标注海量、多样化缺陷样本的巨大难题，提升了模型对未知、新型缺陷的泛化识别能力。当识别出某个电极组的特征分布偏离标准模型时，会计算出量化异常分数，并能够利用逆向映射技术，直接在原始图像空间上生成像素级的缺陷定位热力图，以高亮形式标注出缺陷的具体位置与轮廓，实现了从缺陷检测到缺陷定位的闭环。