一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法的制作方法

1.本发明属于锂电池检测技术领域，具体的说是一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法。


背景技术：

2.在国家政策的大力支持下，锂电池技术得到了迅速发展，它是一种锂电池是一类由锂金属或锂合金为正/负极材料、使用非水电解质溶液的高性能电池，因它具有能量密度高、自放电率低及使用寿命长的特点而广泛应用于新能源汽车、航空航天、移动设备等领域。
3.现有汽车动力电池一般采用铝壳包装的锂电池，在其生产过程中由于生产工艺的原因会有部分锂电池密封不严电解液溢出导致电池表面腐蚀，或者在生产过程中的磕碰、刮蹭导致电池表面出现鼓包、凹坑、划痕、脏污、电解液残留、防爆阀膜破损缺陷，这种缺陷极大的影响了电池的安全性及品质，因此需要针对锂电池表面缺陷进行严格检测。
4.目前铝壳电池的表面缺陷检测，如电池鼓包、划伤、异物、电解液残留、防爆阀膜破损缺陷主要以人工肉眼目检，但人工检测可靠性和效率都比较低，部分采用传统机器视觉算法进行检测，由于产品表面的差异及光学环境的因素，使得传统算法误检率过高、检测不稳定。


技术实现要素：

5.为了弥补现有技术的不足，解决锂电池人工肉眼目检，导致的检测可靠性以及效率较低以及传统机器视觉算法检测误检率较高以及检测不稳定的问题，本发明提出的一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法。
6.本发明解决其技术问题所采用的技术方案是：一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法，该外观检测包括以下步骤：
7.s1：获取三张不同方向的图像；
8.s2：利用光度立体算法合成图像；
9.s3：截取铝壳锂电池表面指定待检roi区域；
10.s4：利用高斯滤波器对图像进行滤波处理；
11.s5：对滤波后的图像进行傅里叶变换；
12.s6：对s5处理后的图像进行形态学处理；
13.s7：对s6处理后的图像进行阈值分割以及连通域筛选；
14.s8：提取s7中的特征区域计算面积、宽度并进行缺陷分类；
15.s9：根据s1到s7提取缺陷特征标记缺陷类型，并制作数据集；
16.s10：使用基于交叉熵的函数来训练深度卷积神经网络；
17.s11：利用训练好的深度卷积神经网络进行缺陷检测；
18.s12：利用深度卷积神经网络检测结果，并进行复判。
19.优选的，所述s1中，通过在不同位置方向打光并拍摄三张不同图像，拍摄的三张不同图像来自于不同的光源方向。
20.优选的，所述s2中，光度立体算法可以根据二维纹理信息提取出三维模型，而二维纹理信息主要指代s1中拍摄的三张不同方向的二维图像，利用光度立体算法合成正反射以及形状图图像。
21.优选的，所述s5中，对滤波后的图像进行傅里叶变换即对滤波后的图像进行快速傅里叶变换再减去傅里叶变换之前的图像，输出新的图像。
22.优选的，所述s6中，对s5处理后的图像进行形态学处理即构建形态学结构元素对傅里叶处理后的图像进行膨胀、腐蚀操作，膨胀后的结果减去腐蚀后的结果以增强图像中的缺陷。
23.优选的，所述s7中，对s6处理后的图像进行阈值分割以及连通域筛选即对缺陷增强后的图像，利用大津阈值法进行分割及连通域特征筛选处理，从而提取得到标注缺陷区域，此区域也作为神经网络训练样本。
24.优选的，所述s11中，利用训练好的深度卷积神经网络进行缺陷检测即将s7处理后的图像输入到训练好的深度卷积神经网络进行铝壳电池表面缺陷检测及缺陷进行分类。
25.优选的，所述s12中，利用深度卷积神经网络检测结果，并进行复判即通过传统算法提取的缺陷面积、宽度与深度卷积神经网络检测结果置信度、面积并赋予一定的权重，经过单层神经进行复判。
26.本发明的技术效果和优点：
27.1.本发明提供的一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法，利用光度立体法合成图像有效的增强了铝壳锂电池表面图像中缺陷特征使得特征更易提取。
28.2.本发明提供的一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法，能够过滤提取增强具有一定深度的划痕、凹坑，可以使得缺陷类型易于区分。
29.3.本发明提供的一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法，使用传统算法结合深度学习的方式来对缺陷进行双重检测，最后以简单神经网络进行复判有效降低了误检率，提高了准确性。
附图说明
30.下面结合附图对本发明作进一步说明。
31.图1是本发明中外观检测方法的流程图；
32.图2是本发明中光度立体处理的示意图；
33.图3是本发明中傅里叶处理后的示意图；
34.图4是本发明中缺陷提取的示意图。
具体实施方式
35.为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
36.如图1至图4所示，本发明所述的一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法，该外观检测包括以下步骤：
37.s1：获取三张不同方向的图像；
38.s2：利用光度立体算法合成图像；
39.s3：截取铝壳锂电池表面指定待检roi区域；
40.s4：利用高斯滤波器对图像进行滤波处理；
41.s5：对滤波后的图像进行傅里叶变换；
42.s6：对s5处理后的图像进行形态学处理；
43.s7：对s6处理后的图像进行阈值分割以及连通域筛选；
44.s8：提取s7中的特征区域计算面积、宽度并进行缺陷分类；
45.s9：根据s1到s7提取缺陷特征标记缺陷类型，并制作数据集；
46.s10：使用基于交叉熵的函数来训练深度卷积神经网络；
47.s11：利用训练好的深度卷积神经网络进行缺陷检测；
48.s12：利用深度卷积神经网络检测结果，并进行复判。
49.作为本发明的一种实施方式，所述s1中，通过在不同位置方向打光并拍摄三张不同图像，拍摄的三张不同图像来自于不同的光源方向。
50.作为本发明的一种实施方式，所述s2中，光度立体算法可以根据二维纹理信息提取出三维模型，而二维纹理信息主要指代s1中拍摄的三张不同方向的二维图像，利用光度立体算法合成正反射以及形状图图像；具体的，物体的三维模型，需要根据三维表面的局部梯度进行计算提取，三维表面的局部梯度信息可以进一步的整合，从而获得高度信息图，灰度值与高度值一一对应，其中，二维纹理又被称之为反照率，用于物体表面局部光吸收以及反射特性，被遮挡的部分不含有该种特性。
51.作为本发明的一种实施方式，所述s5中，对滤波后的图像进行傅里叶变换即对滤波后的图像进行快速傅里叶变换再减去傅里叶变换之前的图像，输出新的图像；傅里叶变化的本质是在不同空间频率的光的相干叠加，即将原信号分解为不同频率副指数信号的叠加，并求取不同频率信号的加权强度；光的相干叠加即同相相长，反相相消；其中平面单色光波的计算公式：
[0052][0053]
作为本发明的一种实施方式，所述s6中，对s5处理后的图像进行形态学处理即构建形态学结构元素对傅里叶处理后的图像进行膨胀、腐蚀操作，膨胀后的结果减去腐蚀后的结果以增强图像中的缺陷。
[0054]
作为本发明的一种实施方式，所述s7中，对s6处理后的图像进行阈值分割以及连通域筛选即对缺陷增强后的图像，利用大津阈值法进行分割及连通域特征筛选处理，从而提取得到标注缺陷区域，此区域也作为神经网络训练样本；具体的，大津阈值法的基本思想是，用一个阈值将图像中的数据分为两类，一类中图像的像素点的灰度均小于这个阈值，另一类中的图像的像素点的灰度均大于或等于该阈值，对于灰度分布直方图中的两个峰值图像，大津法求得的t近似等于两个峰值之间的低谷。
[0055]
作为本发明的一种实施方式，所述s11中，利用训练好的深度卷积神经网络进行缺陷检测即将s7处理后的图像输入到训练好的深度卷积神经网络进行铝壳电池表面缺陷检测及缺陷进行分类。
[0056]
作为本发明的一种实施方式，所述s12中，利用深度卷积神经网络检测结果，并进行复判即通过传统算法提取的缺陷面积、宽度与深度卷积神经网络检测结果置信度、面积并赋予一定的权重，经过单层神经进行复判；具体的，深度卷积神经网络主要是由输入层、卷积层、激活函数、池化层、全连接层以及输出层组成，
[0057]
关于输入层，深度卷积网络可直接将图片作为网络输入，通过训练样本提取特征；
[0058]
关于卷积层，通过卷积计算实质是对输入进行的另一种表示，若是将卷积层看作黑盒子，那么输出可以看作为输入的另一种表示，而整个网络的训练即训练这种表示方式所需的中间参数；
[0059]
关于激活函数，网络中卷积操作与池化操作均是线性操作，而大量的样板在进行分类时，并不是线性关系，因此在对其进行分类前，需要在网络中引入非线性元素使得网络能够解决非线性问题，常见的激活函数有relu、prelu、elu等；
[0060]
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。