电池表面缺陷和粘合剂检测方法、装置、介质和电子设备与流程

技术特征：
1.一种电池表面缺陷和粘合剂检测方法，其特征在于，包括：获取待检测的电池表面图像；建立并训练深度学习网络，获得电池表面缺陷和粘合剂检测模型；所述电池表面缺陷和粘合剂检测模型包括分割网络和分类网络；所述分割网络包括卷积网络以及残差挤压和激励网络；将所述电池表面图像输入至所述卷积网络以及所述残差挤压和激励网络进行分割，得到电池表面缺陷图像和粘合剂图像；将所述电池表面缺陷图像和粘合剂图像输入至所述分类网络进行分类，得到电池表面缺陷和粘合剂检测得分。2.根据权利要求1所述的电池表面缺陷和粘合剂检测方法，其特征在于，所述卷积网络包括第一卷积网络、第二卷积网络以及第三卷积网络；所述残差挤压和激励网络包括第一残差挤压和激励网络和第二残差挤压和激励网络；所述将所述电池表面图像输入至所述卷积网络以及残差挤压和激励网络进行分割，得到电池表面缺陷图像和粘合剂图像的步骤，包括：将所述电池表面图像输入至所述第一卷积网络进行特征提取，得到第一特征图；将所述第一特征图输入至所述第一残差挤压和激励网络进行全局平均池化、通道建模和融合处理，得到第二特征图；将所述第二特征图输入至所述第二卷积网络进行特征提取，得到第三特征图；将所述第三特征图输入至所述第二残差挤压和激励网络进行全局平均池化、通道建模和融合处理，得到第四特征图；将所述第四特征图输入至所述第三卷积网络，得到电池表面缺陷图像和粘合剂图像。3.根据权利要求2所述的电池表面缺陷和粘合剂检测方法，其特征在于，所述将所述第一特征图输入至所述第一残差挤压和激励网络进行全局平均池化、通道建模和融合处理，得到第二特征图的步骤包括：将所述第一特征图输入至所述第一残差挤压和激励网络进行全局平均池化，得到所述第一特征图的挤压信息；其中，所述全局平均池化公式为：其中，为输入的所述第一特征图，h、w和c分别代表所述第一特征图的高度、宽度和通道维度，s
c
表示每个通道中所述第一特征图的挤压信息；将所述挤压信息进行通道建模，得到所述第一特征图的激励值；其中，所述通道建模公式为：e
c
＝sigmoid(k2×
relu(k1×
s))其中k1和k2是所述第一残差挤压和激励网络中两个全连接层的参数矩阵，relu和sigmoid是激活函数，e
c
是所述第一特征图的激励值；将所述激励值与所述第一特征图相乘，并与所述第一特征图相加融合，得到所述第二特征图；其中，所述融合公式为：
其中，为输出的所述第二特征图。4.根据权利要求2所述的电池表面缺陷和粘合剂检测方法，其特征在于，所述第三卷积网络包括依次连接的第一卷积层、第二卷积层和第三卷积层；所述分类网络包括卷积层、全局最大池化层和全局平均池化层、以及全连接层；所述将所述电池表面缺陷图像和粘合剂图像输入至所述分类网络，得到电池表面缺陷和粘合剂检测得分的步骤，包括：将所述第四特征图输入至所述第一卷积层和所述第二卷积层进行特征提取，得到第五特征图；将所述第五特征图输入至所述分类网络的卷积层进行特征提取，得到第六特征图；将所述第六特征图和所述电池表面缺陷图像和粘合剂图像输入至所述分类网路的全局最大池化层和全局平均池化层进行特征提取，得到最大池化结果和平均池化结果；将所述最大池化结果和所述平均池化结果拼接，并输入到所述分类网络的全连接层，得到输出结果；将所述输出结果经过sigmoid激活函数，得到电池表面缺陷和粘合剂检测得分。5.根据权利要求1所述的电池表面缺陷和粘合剂检测方法，其特征在于，所述将所述电池表面图像输入至所述卷积网络以及所述残差挤压和激励网络进行分割，得到电池表面缺陷图像和粘合剂图像的步骤之后，还包括：将所述电池表面缺陷图像和粘合剂图像输入至sigmoid激活函数，得到电池表面缺陷分割掩码和粘合剂分割掩码；所述电池表面缺陷分割掩码用于定位电池表面缺陷位置，所述粘合剂分割掩码用于定位粘合剂位置。6.根据权利要求1所述的电池表面缺陷和粘合剂检测方法，其特征在于，所述建立并训练深度学习网络，获得电池表面缺陷和粘合剂检测模型步骤，包括：采集所述电池表面图像样本，并通过数据增强扩充，得到扩充后的图像样本；其中，所述数据增强扩充包括：对于每个所述电池表面图像样本，随机确定不小于预定义阈值δ的作物比率δ；将所述电池表面图像样本进行随机裁剪，得到图像块，所述图像块的大小为所述电池表面图像样本大小与所述作物比率δ的乘积；调整所述图像块为统一的大小，输入至所述深度学习网络进行训练，获得电池表面缺陷和粘合剂检测模型。7.根据权利要求1所述的电池表面缺陷和粘合剂检测方法，其特征在于，所述电池表面缺陷和粘合剂检测模型包括二元交叉熵损失函数，所述二元交叉熵损失函数包括用于所述分割网络的第一二元交叉熵损失函数和用于所述分类网路的第二二元交叉熵损失函数；所述第一二元交叉熵损失函数的公式为：其中，b、h和w分别表示训练样本的批次大小、高度维度和宽度维度，b表示所述训练样
本的批次索引，p表示所述训练样本的高度维度和宽度维度的乘积索引，c表示通道索引，k是分类的类别数，表示所述分割网络给出的样本属于类别k的预测值，y
b，p，c
(k)表示所述分割网络的类别k的标签值；所述第二二元交叉熵损失函数的公式为：其中，b表示所述训练样本的批次索引，c表示通道索引，k是分类的类别数，表示所述分类网络给出的样本属于类别k的预测值，y
b，c
(k)表示所述分类网络的类别k的标签值。8.一种电池表面缺陷和粘合剂检测装置，其特征在于，包括：获取模块，用于获取待检测的电池表面图像；建立与训练模块，用于建立并训练深度学习网络，获得电池表面缺陷和粘合剂检测模型；所述电池表面缺陷和粘合剂检测模型包括分割网络和分类网络；所述分割网络包括卷积网络以及残差挤压和激励网络；分割模块，用于将所述电池表面图像输入至所述卷积网络以及所述残差挤压和激励网络进行分割，得到电池表面缺陷图像和粘合剂图像；分类模块，用于将所述电池表面缺陷图像和粘合剂图像输入至所述分类网络进行分类，得到电池表面缺陷和粘合剂检测得分。9.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1至7中任意一项所述的电池表面缺陷和粘合剂检测方法。10.一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的电池表面缺陷和粘合剂检测方法。

技术总结
本发明涉及一种电池表面缺陷和粘合剂检测方法、装置、存储介质以及电子设备，该方法包括：获取待检测的电池表面图像，建立并训练深度学习网络，获得电池表面缺陷和粘合剂检测模型，所述电池表面缺陷和粘合剂检测模型包括分割网络和分类网络，所述分割网络包括卷积网络以及残差挤压和激励网络，将所述电池表面图像输入至所述卷积网络以及所述残差挤压和激励网络进行分割，得到电池表面缺陷图像和粘合剂图像，将所述电池表面缺陷图像和粘合剂图像输入至所述分类网络进行分类，得到电池表面缺陷和粘合剂检测得分，从而实现了提高电池表面缺陷检测精度、对电池表面缺陷和粘合剂位置进行定位。定位。定位。


技术研发人员：吕杰 张晖
受保护的技术使用者：深圳康微视觉技术有限公司
技术研发日：2021.07.30
技术公布日：2021/10/18