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

技术特征：
1.一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法，其特征在于：该外观检测包括以下步骤：s1：获取三张不同方向的图像；s2：利用光度立体算法合成图像；s3：截取铝壳锂电池表面指定待检roi区域；s4：利用高斯滤波器对图像进行滤波处理；s5：对滤波后的图像进行傅里叶变换；s6：对s5处理后的图像进行形态学处理；s7：对s6处理后的图像进行阈值分割以及连通域筛选；s8：提取s7中的特征区域计算面积、宽度并进行缺陷分类；s9：根据s1到s7提取缺陷特征标记缺陷类型，并制作数据集；s10：使用基于交叉熵的函数来训练深度卷积神经网络；s11：利用训练好的深度卷积神经网络进行缺陷检测；s12：利用深度卷积神经网络检测结果，并进行复判。2.根据权利要求1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，其特征在于：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。3.根据权利要求2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，其特征在于：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。4.根据权利要求3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，其特征在于：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。5.根据权利要求4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，其特征在于：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。6.根据权利要求5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，其特征在于：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。7.根据权利要求6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，其特征在于：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。8.根据权利要求7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，其特征在于：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。

技术总结
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，该外观检测包括以下步骤：S1：获取三张不同方向的图像；S2：利用光度立体算法合成图像；S3：截取铝壳锂电池表面指定待检ROI区域；S4：利用高斯滤波器对图像进行滤波处理；S5：对滤波后的图像进行傅里叶变换；S6：对S5处理后的图像进行形态学处理；S7：对S6处理后的图像进行阈值分割以及连通域筛选；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，且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。提高了准确性。提高了准确性。


技术研发人员：陈文贤 曾睿
受保护的技术使用者：厦门微亚智能科技有限公司
技术研发日：2021.10.08
技术公布日：2022/2/28