基于图像的锂电池缺陷检测方法、装置、设备及存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种基于图像的锂电池缺陷检测方法、装置、设备及存储介质。


背景技术：

2.随着电池技术的发展，锂电池被广泛应用于生产生活中，在锂电池生产过程中，正极片、绝缘膜、负极片三层材料会叠压在一起进行卷绕，正常的电池正负极需交替出现，且个数一定。
3.现有方案通常采用人工检测等传统方式来执行毫米级的缺陷检测，不仅速度慢、耗时巨大，精细和准确度更是无从谈起，进而导致锂电池的缺陷检测准确率低。


技术实现要素：

4.本发明提供了一种基于图像的锂电池缺陷检测方法、装置、设备及存储介质，用于提高锂电池缺陷检测的准确率。
5.本发明第一方面提供了一种基于图像的锂电池缺陷检测方法，所述基于图像的锂电池缺陷检测方法包括：设置图像采集终端的图像采集参数，并基于所述图像采集终端和预设的正负极点位信息采集待检测锂电池的第一检测图像，以及根据预置的绝缘膜点位信息采集所述待检测锂电池的第二检测图像，其中，所述第一检测图像包含所述待检测锂电池的正负极，所述第二检测图像包含所述待检测锂电池的绝缘膜；对所述第一检测图像进行降噪和裁剪，得到正负极图像，并对所述第二检测图像进行降噪和图像分割处理，得到绝缘膜间隙图像和绝缘膜图像；将所述正负极图像输入预置的正负极偏差检测模型进行正负极偏差检测，得到正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小；将所述绝缘膜间隙图像输入预置的绝缘膜间隙检测模型进行绝缘膜间隙检测，得到绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄；将所述绝缘膜图像输入预置的绝缘膜异常检测模型进行绝缘膜异常检测，得到绝缘膜异常检测结果，其中，所述绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱；提取所述正负极偏差检测结果、所述绝缘膜间隙检测结果和所述绝缘膜异常检测结果中的缺陷区域，并计算所述缺陷区域的特征值，以及根据所述特征值对所述缺陷区域进行分类存储并生成所述待检测锂电池对应的锂电池缺陷检测结果。
6.可选的，在本发明第一方面的第一种实现方式中，所述对所述第一检测图像进行降噪和裁剪，得到正负极图像，并对所述第二检测图像进行降噪和图像分割处理，得到绝缘膜间隙图像和绝缘膜图像，包括：将所述第一检测图像输入预置的edsr模型进行噪声去除，得到第一高清检测图像；对所述第一高清检测图像按照预设的图像尺寸进行裁剪，得到正负极图像；将所述第二检测图像输入所述edsr模型进行噪声去除，得到第二高清检测图像；对所述第二高清检测图像进行区域检测，得到绝缘膜区域和绝缘膜间隙区域；根据所述绝缘膜区域和所述绝缘膜间隙区域对所述第二高清检测图像进行区域分割，得到绝缘膜间隙
图像和绝缘膜图像。
7.可选的，在本发明第一方面的第二种实现方式中，所述将所述正负极图像输入预置的正负极偏差检测模型进行正负极偏差检测，得到正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小，包括：将所述正负极图像输入预置的正负极偏差检测模型，其中，所述正负极偏差检测模型包括：darknet-53网络、batch nonilalization层、隐藏层和输出层；将所述正负极图像输入所述darknet-53网络进行特征提取，得到正负极特征图像；将所述正负极特征图像输入所述batch nonilalization层进行批量归一化处理，得到规范化特征图像；将所述规范化特征图像输入所述隐藏层进行特征叠加，得到细粒度的特征图；将所述细粒度的特征图输入所述输出层进行正负极偏差点预测，得到正负极像素点预测图像；根据所述正负极像素点预测图像生成所述正负极图像对应的正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小。
8.可选的，在本发明第一方面的第三种实现方式中，所述根据所述正负极像素点预测图像生成所述正负极图像对应的正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小，包括：提取所述正负极像素点预测图像中的多个正极像素点和多个负极像素点；对所述多个正极像素点和所述多个负极像素点进行像素级分类比较，得到正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小。
9.可选的，在本发明第一方面的第四种实现方式中，所述将所述绝缘膜间隙图像输入预置的绝缘膜间隙检测模型进行绝缘膜间隙检测，得到绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄，包括：将所述绝缘膜间隙图像输入预置的绝缘膜间隙检测模型，其中，所述绝缘膜间隙检测模型包括：目标特征提取网络、rpn网络、roi align层和fcn网络；将所述绝缘膜间隙图像输入所述目标特征提取网络进行特征提取，得到绝缘膜间隙特征图；将所述绝缘膜间隙特征图输入所述rpn网络，通过所述rpn网络根据预置的锚框信息生成所述绝缘膜间隙特征图对应的预选框；将所述预选框和所述绝缘膜间隙特征图输入所述roi align层，并通过所述roi align层对所述预选框和绝缘膜间隙特征图进行特征融合，并对所述预选框进行分割和端点的池化，得到绝缘膜间隙特征标注图；将所述绝缘膜间隙特征标注图输入所述fcn网络，并通过所述fcn网络对所述绝缘膜间隙特征标注图的各个像素点进行预测，得到绝缘膜间隙像素点预测结果并输出；根据所述绝缘膜间隙像素点预测结果生成所述绝缘膜间隙图像对应的绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄。
10.可选的，在本发明第一方面的第五种实现方式中，所述根据所述绝缘膜间隙像素点预测结果生成所述绝缘膜间隙图像对应的绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄，包括：对所述绝缘膜间隙像素点预测结果进行间隙距离测量，得到目标间隙宽度；对所述目标间隙宽度和预设的间隙阈值进行比较，得到间隙比较结果；根据所述绝缘膜间隙像素点预测结果根据所述间隙比较结果生成绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄。
11.可选的，在本发明第一方面的第六种实现方式中，所述将所述绝缘膜图像输入预置的绝缘膜异常检测模型进行绝缘膜异常检测，得到绝缘膜异常检测结果，其中，所述绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱，包括：将所述绝缘膜图像输入预置的绝缘膜异常检测模型，其中，所述绝缘膜异常检测模型包括：卷积网络、多个残差
网络和输出层；通过所述卷积网络对所述绝缘膜图像进行卷积运算，得到高维绝缘膜图像；将所述高维绝缘膜图像输入所述多个残差网络进行残差处理，得到特征绝缘膜图像；将所述特征绝缘膜图像输入所述输出层进行绝缘膜像素点检测，生成绝缘膜异常检测结果并输出，其中，所述绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱。
12.本发明第二方面提供了一种基于图像的锂电池缺陷检测装置，所述基于图像的锂电池缺陷检测装置包括：采集模块，用于设置图像采集终端的图像采集参数，并基于所述图像采集终端和预设的正负极点位信息采集待检测锂电池的第一检测图像，以及根据预置的绝缘膜点位信息采集所述待检测锂电池的第二检测图像，其中，所述第一检测图像包含所述待检测锂电池的正负极，所述第二检测图像包含所述待检测锂电池的绝缘膜；处理模块，用于对所述第一检测图像进行降噪和裁剪，得到正负极图像，并对所述第二检测图像进行降噪和图像分割处理，得到绝缘膜间隙图像和绝缘膜图像；偏差检测模块，用于将所述正负极图像输入预置的正负极偏差检测模型进行正负极偏差检测，得到正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小；间隙检测模块，用于将所述绝缘膜间隙图像输入预置的绝缘膜间隙检测模型进行绝缘膜间隙检测，得到绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄；绝缘膜检测模块，用于将所述绝缘膜图像输入预置的绝缘膜异常检测模型进行绝缘膜异常检测，得到绝缘膜异常检测结果，其中，所述绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱；生成模块，用于提取所述正负极偏差检测结果、所述绝缘膜间隙检测结果和所述绝缘膜异常检测结果中的缺陷区域，并计算所述缺陷区域的特征值，以及根据所述特征值对所述缺陷区域进行分类存储并生成所述待检测锂电池对应的锂电池缺陷检测结果。
13.可选的，在本发明第二方面的第一种实现方式中，所述处理模块具体用于：将所述第一检测图像输入预置的edsr模型进行噪声去除，得到第一高清检测图像；对所述第一高清检测图像按照预设的图像尺寸进行裁剪，得到正负极图像；将所述第二检测图像输入所述edsr模型进行噪声去除，得到第二高清检测图像；对所述第二高清检测图像进行区域检测，得到绝缘膜区域和绝缘膜间隙区域；根据所述绝缘膜区域和所述绝缘膜间隙区域对所述第二高清检测图像进行区域分割，得到绝缘膜间隙图像和绝缘膜图像。
14.可选的，在本发明第二方面的第二种实现方式中，所述偏差检测模块具体用于：偏差检测单元，用于将所述正负极图像输入预置的正负极偏差检测模型，其中，所述正负极偏差检测模型包括：darknet-53网络、batch nonilalization层、隐藏层和输出层；将所述正负极图像输入所述darknet-53网络进行特征提取，得到正负极特征图像；将所述正负极特征图像输入所述batch nonilalization层进行批量归一化处理，得到规范化特征图像；将所述规范化特征图像输入所述隐藏层进行特征叠加，得到细粒度的特征图；将所述细粒度的特征图输入所述输出层进行正负极偏差点预测，得到正负极像素点预测图像；生成单元，用于根据所述正负极像素点预测图像生成所述正负极图像对应的正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小。
15.可选的，在本发明第二方面的第三种实现方式中，所述生成单元具体用于：提取所述正负极像素点预测图像中的多个正极像素点和多个负极像素点；对所述多个正极像素点和所述多个负极像素点进行像素级分类比较，得到正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小。
16.可选的，在本发明第二方面的第四种实现方式中，所述间隙检测模块具体用于：间隙检测单元，用于将所述绝缘膜间隙图像输入预置的绝缘膜间隙检测模型，其中，所述绝缘膜间隙检测模型包括：目标特征提取网络、rpn网络、roi align层和fcn网络；将所述绝缘膜间隙图像输入所述目标特征提取网络进行特征提取，得到绝缘膜间隙特征图；将所述绝缘膜间隙特征图输入所述rpn网络，通过所述rpn网络根据预置的锚框信息生成所述绝缘膜间隙特征图对应的预选框；将所述预选框和所述绝缘膜间隙特征图输入所述roi align层，并通过所述roi align层对所述预选框和绝缘膜间隙特征图进行特征融合，并对所述预选框进行分割和端点的池化，得到绝缘膜间隙特征标注图；将所述绝缘膜间隙特征标注图输入所述fcn网络，并通过所述fcn网络对所述绝缘膜间隙特征标注图的各个像素点进行预测，得到绝缘膜间隙像素点预测结果并输出；结果生成单元，用于根据所述绝缘膜间隙像素点预测结果生成所述绝缘膜间隙图像对应的绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄。
17.可选的，在本发明第二方面的第五种实现方式中，所述结果生成单元具体用于：对所述绝缘膜间隙像素点预测结果进行间隙距离测量，得到目标间隙宽度；对所述目标间隙宽度和预设的间隙阈值进行比较，得到间隙比较结果；根据所述绝缘膜间隙像素点预测结果根据所述间隙比较结果生成绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄。
18.可选的，在本发明第二方面的第六种实现方式中，所述绝缘膜检测模块具体用于：将所述绝缘膜图像输入预置的绝缘膜异常检测模型，其中，所述绝缘膜异常检测模型包括：卷积网络、多个残差网络和输出层；通过所述卷积网络对所述绝缘膜图像进行卷积运算，得到高维绝缘膜图像；将所述高维绝缘膜图像输入所述多个残差网络进行残差处理，得到特征绝缘膜图像；将所述特征绝缘膜图像输入所述输出层进行绝缘膜像素点检测，生成绝缘膜异常检测结果并输出，其中，所述绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱。
19.本发明第三方面提供了一种基于图像的锂电池缺陷检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于图像的锂电池缺陷检测设备执行上述的基于图像的锂电池缺陷检测方法。
20.本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于图像的锂电池缺陷检测方法。
21.本发明提供的技术方案中，设置图像采集终端的图像采集参数，并基于所述图像采集终端和预设的正负极点位信息采集待检测锂电池的第一检测图像，以及根据预置的绝缘膜点位信息采集所述待检测锂电池的第二检测图像，其中，所述第一检测图像包含所述待检测锂电池的正负极，所述第二检测图像包含所述待检测锂电池的绝缘膜；对所述第一检测图像进行降噪和裁剪，得到正负极图像，并对所述第二检测图像进行降噪和图像分割处理，得到绝缘膜间隙图像和绝缘膜图像；将所述正负极图像输入预置的正负极偏差检测模型进行正负极偏差检测，得到正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小；将所述绝缘膜间隙图像输入预置的绝缘膜间隙检测模型进行绝缘膜
间隙检测，得到绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄；将所述绝缘膜图像输入预置的绝缘膜异常检测模型进行绝缘膜异常检测，得到绝缘膜异常检测结果，其中，所述绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱；提取所述正负极偏差检测结果、所述绝缘膜间隙检测结果和所述绝缘膜异常检测结果中的缺陷区域，并计算所述缺陷区域的特征值，以及根据所述特征值对所述缺陷区域进行分类存储并生成所述待检测锂电池对应的锂电池缺陷检测结果。本发明通过预先构建了三个深度学习模型，通过这三个深度学习模型针对性的对锂电池的绝缘膜、绝缘膜间隙以及正负极的缺陷进行检测，提高了锂电池缺陷检测的准确率。
附图说明
22.图1为本发明实施例中基于图像的锂电池缺陷检测方法的一个实施例示意图；图2为本发明实施例中基于图像的锂电池缺陷检测方法的另一个实施例示意图；图3为本发明实施例中基于图像的锂电池缺陷检测装置的一个实施例示意图；图4为本发明实施例中基于图像的锂电池缺陷检测装置的另一个实施例示意图；图5为本发明实施例中基于图像的锂电池缺陷检测设备的一个实施例示意图。
具体实施方式
23.本发明实施例提供了一种基于图像的锂电池缺陷检测方法、装置、设备及存储介质，用于提高锂电池缺陷检测的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
24.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于图像的锂电池缺陷检测方法的一个实施例包括：101、设置图像采集终端的图像采集参数，并基于图像采集终端和预设的正负极点位信息采集待检测锂电池的第一检测图像，以及根据预置的绝缘膜点位信息采集待检测锂电池的第二检测图像，其中，第一检测图像包含待检测锂电池的正负极，第二检测图像包含待检测锂电池的绝缘膜；可以理解的是，本发明的执行主体可以为基于图像的锂电池缺陷检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
25.需要说明的是，在动力锂电池生产过程中，正极片、绝缘膜、负极片三层材料会叠压在一起进行卷绕，正常的电池正负极需交替出现，且个数一定。细长的为阴极，粗的为阳极。如果出现单个极连续出现或者个数不符情况，电池即可被视为存在缺陷，需及时进行自动纠偏调整来控制质量，本发明实施例中，服务器首先会设置好图像采集终端的图像采集参数，然后基于设置好的图像采集终端根据预设的正负极点位信息采集待检测锂电池的第
一检测图像，其中，该正负极点位信息用于指示该待检测锂电池的正负极的所在位置，服务器根据绝缘膜点位信息采集待检测锂电池的第二检测图像，其中，该绝缘膜点位信息用于指示该待检测锂电池的绝缘膜在正负极中的所处位置，第一检测图像包含待检测锂电池的正负极，第二检测图像包含待检测锂电池的绝缘膜。
26.102、对第一检测图像进行降噪和裁剪，得到正负极图像，并对第二检测图像进行降噪和图像分割处理，得到绝缘膜间隙图像和绝缘膜图像；在本实施例中，根据检测图像的区域特征获取检测图像的裁剪尺度，以裁剪尺度对该检测图像进行分块，并设置经分块后的多个图像块之间的重叠区域。其中，本实施例考虑图像区域特性，将图像进行分块，分别对各个图像块进行降噪处理，当降噪处理后，服务器分别对降噪处理后的第一检测图像及第二图像进行裁剪和图像分割处理，得到对应的正负极图像及绝缘膜间隙图像和绝缘膜图像。
27.103、将正负极图像输入预置的正负极偏差检测模型进行正负极偏差检测，得到正负极偏差检测结果，其中，正负极偏差检测结果包括：偏差大和偏差小；需要说明的是，正负极偏差检测模型主要包括：darknet-53网络、batch nonilalization层、隐藏层和输出层，具体的，服务器将正负极图像输入darknet-53网络进行特征提取，得到正负极特征图像，并将正负极特征图像输入batch nonilalization层进行批量归一化处理，得到规范化特征图像；将规范化特征图像输入隐藏层进行特征叠加，得到细粒度的特征图；将细粒度的特征图输入输出层进行正负极偏差点预测，得到正负极像素点预测图像；根据正负极像素点预测图像生成正负极图像对应的正负极偏差检测结果，若该正负极像素点预测图像中正负极像素点的偏差大于预设偏差误差范围，则确定正负极偏差检测结果为偏差大；若该正负极像素点预测图像中正负极像素点的偏差小于预设偏差误差范围，则确定正负极偏差检测结果为偏差小。
28.104、将绝缘膜间隙图像输入预置的绝缘膜间隙检测模型进行绝缘膜间隙检测，得到绝缘膜间隙检测结果，其中，绝缘膜间隙检测结果包括：间隙宽和间隙窄；需要说明的是，该绝缘膜间检测模型在之前的faster rcnn基础上增加了全连接的分割子网，由原来只能做分类和回归任务变成了集分类、回归和分隔于一体，主要包括目标特征提取网络、rpn网络、roi align层和fcn网络组成。具体的，服务器将绝缘膜间隙图像输入绝缘膜间隙检测中。绝缘膜间隙检测通过目标提取网络提取到目标特征图、rpn网络生成目标特征图上的预选框、roi align层生成标注特征图、最后将标注特征图输入fcn网络中，得到绝缘膜间隙检测结果，若该标注特征图中绝缘膜间隙大于预设间隙误差范围，则确定绝缘膜间隙检测结果为间隙宽；若该标注特征图中绝缘膜间隙小于预设间隙误差范围，则确定绝缘膜间隙检测结果为间隙窄。
29.105、将绝缘膜图像输入预置的绝缘膜异常检测模型进行绝缘膜异常检测，得到绝缘膜异常检测结果，其中，绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱；需要说明的是，当绝缘膜异常时，通常是因为绝缘膜存在绝缘膜本体缺陷而导致不符合预设条件，因此本发明实施例中，服务器将将绝缘膜图像输入预置的绝缘膜异常检测模型进行绝缘膜异常类型分析，得到绝缘膜异常类型，进而得到绝缘膜异常检测结果，其中，绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱。
30.106、提取正负极偏差检测结果、绝缘膜间隙检测结果和绝缘膜异常检测结果中的缺陷区域，并计算缺陷区域的特征值，以及根据特征值对缺陷区域进行分类存储并生成待检测锂电池对应的锂电池缺陷检测结果。
31.需要说明的是，锂电池缺陷检测主要用于避免动力电池中的绝缘膜异常，导致正负极接触而引发短路事故，本发明实施例中，服务器根据正负极偏差结果确定正负极问题，并根据绝缘膜间隙检测结果和绝缘膜异常检测结果判断是否存在短路的可能，进而生成对应的缺陷检测结果，具体的，服务器根据正负极偏差检测结果、绝缘膜间隙检测结果和绝缘膜异常检测结果生成待检测锂电池对应的锂电池缺陷检测结果。此外，本发明实施例中还会提取正负极偏差检测结果、绝缘膜间隙检测结果和绝缘膜异常检测结果中的缺陷区域，并对缺陷区域进行缺陷编码计算，得到特征值，以及根据特征值对缺陷区域进行分类存储并生成待检测锂电池对应的锂电池缺陷检测结果，缺陷编码计算是通过将正负极偏差检测结果、绝缘膜间隙检测结果和绝缘膜异常检测结果中的缺陷类型和预设的缺陷类型表进行匹配，得到每个缺陷区域对应的缺陷类型以及特征值，将这些缺陷区域对应的缺陷类型以及特征值作为锂电池缺陷检测结果并输出。
32.本发明实施例中，基于预置的图像采集终端采集待检测锂电池的第一检测图像，并采集待检测锂电池的第二检测图像，其中，第一检测图像包含待检测锂电池的正负极，第二检测图像包含待检测锂电池的绝缘膜；对第一检测图像进行降噪和裁剪，得到正负极图像，并对第二检测图像进行降噪和图像分割处理，得到绝缘膜间隙图像和绝缘膜图像；将正负极图像输入预置的正负极偏差检测模型进行正负极偏差检测，得到正负极偏差检测结果；将绝缘膜间隙图像输入预置的绝缘膜间隙检测模型进行绝缘膜间隙检测，得到绝缘膜间隙检测结果；将绝缘膜图像输入预置的绝缘膜异常检测模型进行绝缘膜异常检测，得到绝缘膜异常检测结果；根据正负极偏差检测结果、绝缘膜间隙检测结果和绝缘膜异常检测结果生成待检测锂电池对应的锂电池缺陷检测结果。本发明通过预先构建了三个深度学习模型，通过这三个深度学习模型针对性的对锂电池的绝缘膜、绝缘膜间隙以及正负极的缺陷进行检测，提高了锂电池缺陷检测的准确率。
33.请参阅图2，本发明实施例中基于图像的锂电池缺陷检测方法的另一个实施例包括：201、设置图像采集终端的图像采集参数，并基于图像采集终端和预设的正负极点位信息采集待检测锂电池的第一检测图像，以及根据预置的绝缘膜点位信息采集待检测锂电池的第二检测图像，其中，第一检测图像包含待检测锂电池的正负极，第二检测图像包含待检测锂电池的绝缘膜；具体的，在本实施例中，步骤201的具体实施方式与上述步骤101类似，此处不再赘述。
34.202、对第一检测图像进行降噪和裁剪，得到正负极图像，并对第二检测图像进行降噪和图像分割处理，得到绝缘膜间隙图像和绝缘膜图像；具体的，服务器将第一检测图像输入预置的edsr模型进行噪声去除，得到第一高清检测图像；对第一高清检测图像按照预设的图像尺寸进行裁剪，得到正负极图像；将第二检测图像输入edsr模型进行噪声去除，得到第二高清检测图像；对第二高清检测图像进行区域检测，得到绝缘膜区域和绝缘膜间隙区域；根据绝缘膜区域和绝缘膜间隙区域对第二
高清检测图像进行区域分割，得到绝缘膜间隙图像和绝缘膜图像。
35.其中，根据检测图像的区域特征获取检测图像检测图像的裁剪尺度，以检测图像裁剪尺度对检测图像检测图像进行分块，并设置经分块后的多个图像块之间的重叠区域。对多个检测图像图像块进行频域变换，得到多个频域图像块，并根据块间差分确定多个检测图像频域图像块在进行融合时的融合权重，、对融合后的图像进行频域滤波以及反频域变换，得到变换图像，并根据检测图像重叠区域的重叠状态对变换图像进行切片合并，得到降噪后的检测图像，需要说明的是，本发明实施例中，主要根据edsr模型对该检测图像进行噪声去除，去除图像的噪声，进而服务器分别对第一检测图像及第二检测图像进行裁剪和北京分割处理，得到正负极图像，绝缘膜间隙图像和绝缘膜图像。
36.203、将正负极图像输入预置的正负极偏差检测模型，其中，正负极偏差检测模型包括：darknet-53网络、batch nonilalization层、隐藏层和输出层；204、将正负极图像输入darknet-53网络进行特征提取，得到正负极特征图像；205、将正负极特征图像输入batch nonilalization层进行批量归一化处理，得到规范化特征图像；206、将规范化特征图像输入隐藏层进行特征叠加，得到细粒度的特征图；207、将细粒度的特征图输入输出层进行正负极偏差点预测，得到正负极像素点预测图像；具体的，darknet-53网络将正负极图像输入该网络，提取对应的正负极特征图像，随后经过每一次卷积，都将正负极特征图的特征深化、细化及修正。batch nonilalization层，从darknet-53网络中每一个卷积层生成的正负极特征图，都通过batch nonilalization层进行批量归一化处理，将特征图的数据进行规范化处理，用于提升模型的收敛性。并将对应池化或者卷积后的特征图叠加，将特征的分辨率进一步扩大，细化其特征细粒度。特征图在每一次卷积后都增加其特征数量，在每一次池化后，都增加其通道数量，细化其细粒度，使得特征图的特征深度增加。在每一次卷积后，通过对比先验框与特征图框的中心坐标和宽高尺寸，计算先验框的偏移量，对应调整先验框的中心坐标与区域尺寸，逐步优化特征图的目标检测精准度，最终服务器将规范化特征图像输入隐藏层进行特征叠加，得到细粒度的特征图；并将细粒度的特征图输入输出层进行正负极偏差点预测，得到正负极像素点预测图像。
37.208、根据正负极像素点预测图像生成正负极图像对应的正负极偏差检测结果，其中，正负极偏差检测结果包括：偏差大和偏差小；具体的，服务器提取正负极像素点预测图像中的多个正极像素点和多个负极像素点；对多个正极像素点和多个负极像素点进行像素级分类比较，得到正负极偏差检测结果。
38.其中，当服务器提取正负极像素点预测图像中的多个正极像素点和多个负极像素点后，服务器在当前图片所在平面建立平面直角坐标系，并对上述多个正极像素点和多个负极像素点进行坐标分析，确定出各像素点的坐标值，进而服务器通过各像素点的坐标值对对多个正极像素点和多个负极像素点进行像素级分类比较，得到正负极偏差检测结果。
39.209、将绝缘膜间隙图像输入预置的绝缘膜间隙检测模型进行绝缘膜间隙检测，得到绝缘膜间隙检测结果，其中，绝缘膜间隙检测结果包括：间隙宽和间隙窄；具体的，服务器将绝缘膜间隙图像输入预置的绝缘膜间隙检测模型，其中，绝缘膜
间隙检测模型包括：目标特征提取网络、rpn网络、roi align层和fcn网络；将绝缘膜间隙图像输入目标特征提取网络进行特征提取，得到绝缘膜间隙特征图；将绝缘膜间隙特征图输入rpn网络，通过rpn网络根据预置的锚框信息生成绝缘膜间隙特征图对应的预选框；将预选框和绝缘膜间隙特征图输入roi align层，并通过roi align层对预选框和绝缘膜间隙特征图进行特征融合，并对预选框进行分割和端点的池化，得到绝缘膜间隙特征标注图；将绝缘膜间隙特征标注图输入fcn网络，并通过fcn网络对绝缘膜间隙特征标注图的各个像素点进行预测，得到绝缘膜间隙像素点预测结果并输出；根据绝缘膜间隙像素点预测结果生成绝缘膜间隙图像对应的绝缘膜间隙检测结果。
40.需要说明的是，rpn（regin proposal network，区域生成网络），“regin proposal”是“区域选取”。在rpn网络中，会获取预置的锚框信息，然后判断锚框中是否包含识别目标，若是，则保留该锚框，并对该锚框进行位置的调整，得到绝缘膜间隙图像的预选框。再通过roi align（region of interest align）层，将目标同特征图和预选框融合，得到标注特征图。roi align是用于解决roi pooling操作中两次量化造成区域不匹配问题的感兴趣区匹配方法。然后经过fcn网络（fully convolutional networks ，全卷积网络），得到标注特征图的预选框、各个像素点的概率值和掩码，并将其作为识别结果输出。全卷积网络代替以往全连接层，最终服务器得到绝缘膜间隙像素点预测结果并输出；根据绝缘膜间隙像素点预测结果生成绝缘膜间隙图像对应的绝缘膜间隙检测结果。
41.具体的，服务器对绝缘膜间隙像素点预测结果进行间隙距离测量，得到目标间隙宽度；对目标间隙宽度和预设的间隙阈值进行比较，得到间隙比较结果；根据间隙比较结果生成绝缘膜间隙检测结果。
42.其中，需要说明的是，当绝缘膜异常时，通常是因为绝缘膜之间的间隙不符合预设条件，因此本发明实施例中，服务器将将绝缘膜图像输入预置的绝缘膜异常检测模型进行间隙距离测量，得到对应的距离，并通过该距离进行异常分析，进而得到绝缘膜异常检测结果，本发明实施例中，服务器在进行间隙距离测量时，针对绝缘膜间隙像素点所在平面建立平面直角坐标系，并确定各绝缘膜间隙像素点的坐标值，进而服务器通过两点距离公式进行间隙宽度计算，得到目标间隙宽度，并对对目标间隙宽度和预设的间隙阈值进行比较，得到间隙比较结果；根据间隙比较结果生成绝缘膜间隙检测结果。
43.210、将绝缘膜图像输入预置的绝缘膜异常检测模型进行绝缘膜异常检测，得到绝缘膜异常检测结果，其中，绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱；需要说明的是，当绝缘膜异常时，通常是因为绝缘膜存在绝缘膜本体缺陷而导致不符合预设条件，因此本发明实施例中，服务器将将绝缘膜图像输入预置的绝缘膜异常检测模型进行绝缘膜异常类型分析，得到绝缘膜异常类型，进而得到绝缘膜异常检测结果，其中，绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱。具体的，服务器将绝缘膜图像输入预置的绝缘膜异常检测模型，其中，绝缘膜异常检测模型包括：卷积网络、多个残差网络和输出层；通过卷积网络对绝缘膜图像进行卷积运算，得到高维绝缘膜图像；将高维绝缘膜图像输入多个残差网络进行残差处理，得到特征绝缘膜图像；将特征绝缘膜图像输入输出层进行绝缘膜像素点检测，生成绝缘膜异常检测结果并输出。
44.其中，绝缘膜图像的图像输入之后，会先进行卷积、激活、残差缩放，学习到图片的
高频特征，之后再进行upsample上采样（上采样对应的是下采样池化，上采样是进行分辨力增加的步骤）进行图像的最终超清晰度重建。其中，该卷积网络用于提取图像的特征，并且卷积核的权重是可以学习的，卷积操作能突破传统滤波器的限制，根据目标函数提取出想要的特征，并通过卷积网络对绝缘膜图像进行卷积运算，得到高维绝缘膜图像，将高维绝缘膜图像输入多个残差网络进行残差处理，得到特征绝缘膜图像，最终服务器将特征绝缘层图像进行像素点分析及检测，判断是否存在异常分析结果，需要说明的是，该异常分析结果通常包括绝缘膜厚度不达标、绝缘膜间隙距离过大等异常结果。
45.211、提取正负极偏差检测结果、绝缘膜间隙检测结果和绝缘膜异常检测结果中的缺陷区域，并计算缺陷区域的特征值，以及根据特征值对缺陷区域进行分类存储并生成待检测锂电池对应的锂电池缺陷检测结果。
46.具体的，在本实施例中，步骤211的具体实施方式与上述步骤106类似，此处不再赘述。
47.本发明实施例中，基于预置的图像采集终端采集待检测锂电池的第一检测图像，并采集待检测锂电池的第二检测图像，其中，第一检测图像包含待检测锂电池的正负极，第二检测图像包含待检测锂电池的绝缘膜；对第一检测图像进行降噪和裁剪，得到正负极图像，并对第二检测图像进行降噪和图像分割处理，得到绝缘膜间隙图像和绝缘膜图像；将正负极图像输入预置的正负极偏差检测模型进行正负极偏差检测，得到正负极偏差检测结果；将绝缘膜间隙图像输入预置的绝缘膜间隙检测模型进行绝缘膜间隙检测，得到绝缘膜间隙检测结果；将绝缘膜图像输入预置的绝缘膜异常检测模型进行绝缘膜异常检测，得到绝缘膜异常检测结果；根据正负极偏差检测结果、绝缘膜间隙检测结果和绝缘膜异常检测结果生成待检测锂电池对应的锂电池缺陷检测结果。本发明通过预先构建了三个深度学习模型，通过这三个深度学习模型针对性的对锂电池的绝缘膜、绝缘膜间隙以及正负极的缺陷进行检测，提高了锂电池缺陷检测的准确率。
48.上面对本发明实施例中基于图像的锂电池缺陷检测方法进行了描述，下面对本发明实施例中基于图像的锂电池缺陷检测装置进行描述，请参阅图3，本发明实施例中基于图像的锂电池缺陷检测装置一个实施例包括：采集模块301，用于设置图像采集终端的图像采集参数，并基于所述图像采集终端和预设的正负极点位信息采集待检测锂电池的第一检测图像，以及根据预置的绝缘膜点位信息采集所述待检测锂电池的第二检测图像，其中，所述第一检测图像包含所述待检测锂电池的正负极，所述第二检测图像包含所述待检测锂电池的绝缘膜；处理模块302，用于对所述第一检测图像进行降噪和裁剪，得到正负极图像，并对所述第二检测图像进行降噪和图像分割处理，得到绝缘膜间隙图像和绝缘膜图像；偏差检测模块303，用于将所述正负极图像输入预置的正负极偏差检测模型进行正负极偏差检测，得到正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小；间隙检测模块304，用于将所述绝缘膜间隙图像输入预置的绝缘膜间隙检测模型进行绝缘膜间隙检测，得到绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄；绝缘膜检测模块305，用于将所述绝缘膜图像输入预置的绝缘膜异常检测模型进
行绝缘膜异常检测，得到绝缘膜异常检测结果，其中，所述绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱；生成模块306，用于提取所述正负极偏差检测结果、所述绝缘膜间隙检测结果和所述绝缘膜异常检测结果中的缺陷区域，并计算所述缺陷区域的特征值，以及根据所述特征值对所述缺陷区域进行分类存储并生成所述待检测锂电池对应的锂电池缺陷检测结果。
49.本发明实施例中，设置图像采集终端的图像采集参数，并基于所述图像采集终端和预设的正负极点位信息采集待检测锂电池的第一检测图像，以及根据预置的绝缘膜点位信息采集所述待检测锂电池的第二检测图像，其中，所述第一检测图像包含所述待检测锂电池的正负极，所述第二检测图像包含所述待检测锂电池的绝缘膜；对所述第一检测图像进行降噪和裁剪，得到正负极图像，并对所述第二检测图像进行降噪和图像分割处理，得到绝缘膜间隙图像和绝缘膜图像；将所述正负极图像输入预置的正负极偏差检测模型进行正负极偏差检测，得到正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小；将所述绝缘膜间隙图像输入预置的绝缘膜间隙检测模型进行绝缘膜间隙检测，得到绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄；将所述绝缘膜图像输入预置的绝缘膜异常检测模型进行绝缘膜异常检测，得到绝缘膜异常检测结果，其中，所述绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱；提取所述正负极偏差检测结果、所述绝缘膜间隙检测结果和所述绝缘膜异常检测结果中的缺陷区域，并计算所述缺陷区域的特征值，以及根据所述特征值对所述缺陷区域进行分类存储并生成所述待检测锂电池对应的锂电池缺陷检测结果。本发明通过预先构建了三个深度学习模型，通过这三个深度学习模型针对性的对锂电池的绝缘膜、绝缘膜间隙以及正负极的缺陷进行检测，提高了锂电池缺陷检测的准确率。
50.请参阅图4，本发明实施例中基于图像的锂电池缺陷检测装置另一个实施例包括：采集模块301，用于设置图像采集终端的图像采集参数，并基于所述图像采集终端和预设的正负极点位信息采集待检测锂电池的第一检测图像，以及根据预置的绝缘膜点位信息采集所述待检测锂电池的第二检测图像，其中，所述第一检测图像包含所述待检测锂电池的正负极，所述第二检测图像包含所述待检测锂电池的绝缘膜；处理模块302，用于对所述第一检测图像进行降噪和裁剪，得到正负极图像，并对所述第二检测图像进行降噪和图像分割处理，得到绝缘膜间隙图像和绝缘膜图像；偏差检测模块303，用于将所述正负极图像输入预置的正负极偏差检测模型进行正负极偏差检测，得到正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小；间隙检测模块304，用于将所述绝缘膜间隙图像输入预置的绝缘膜间隙检测模型进行绝缘膜间隙检测，得到绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄；绝缘膜检测模块305，用于将所述绝缘膜图像输入预置的绝缘膜异常检测模型进行绝缘膜异常检测，得到绝缘膜异常检测结果，其中，所述绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱；生成模块306，用于提取所述正负极偏差检测结果、所述绝缘膜间隙检测结果和所述绝缘膜异常检测结果中的缺陷区域，并计算所述缺陷区域的特征值，以及根据所述特征
值对所述缺陷区域进行分类存储并生成所述待检测锂电池对应的锂电池缺陷检测结果。
51.可选的，所述处理模块302具体用于：将所述第一检测图像输入预置的edsr模型进行噪声去除，得到第一高清检测图像；对所述第一高清检测图像按照预设的图像尺寸进行裁剪，得到正负极图像；将所述第二检测图像输入所述edsr模型进行噪声去除，得到第二高清检测图像；对所述第二高清检测图像进行区域检测，得到绝缘膜区域和绝缘膜间隙区域；根据所述绝缘膜区域和所述绝缘膜间隙区域对所述第二高清检测图像进行区域分割，得到绝缘膜间隙图像和绝缘膜图像。
52.可选的，所述偏差检测模块303具体用于：偏差检测单元3031，用于将所述正负极图像输入预置的正负极偏差检测模型，其中，所述正负极偏差检测模型包括：darknet-53网络、batch nonilalization层、隐藏层和输出层；将所述正负极图像输入所述darknet-53网络进行特征提取，得到正负极特征图像；将所述正负极特征图像输入所述batch nonilalization层进行批量归一化处理，得到规范化特征图像；将所述规范化特征图像输入所述隐藏层进行特征叠加，得到细粒度的特征图；将所述细粒度的特征图输入所述输出层进行正负极偏差点预测，得到正负极像素点预测图像；生成单元3032，用于根据所述正负极像素点预测图像生成所述正负极图像对应的正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小。
53.可选的，所述生成单元3032具体用于：提取所述正负极像素点预测图像中的多个正极像素点和多个负极像素点；对所述多个正极像素点和所述多个负极像素点进行像素级分类比较，得到正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小。
54.可选的，所述间隙检测模块304具体用于：间隙检测单元3041，用于将所述绝缘膜间隙图像输入预置的绝缘膜间隙检测模型，其中，所述绝缘膜间隙检测模型包括：目标特征提取网络、rpn网络、roi align层和fcn网络；将所述绝缘膜间隙图像输入所述目标特征提取网络进行特征提取，得到绝缘膜间隙特征图；将所述绝缘膜间隙特征图输入所述rpn网络，通过所述rpn网络根据预置的锚框信息生成所述绝缘膜间隙特征图对应的预选框；将所述预选框和所述绝缘膜间隙特征图输入所述roi align层，并通过所述roi align层对所述预选框和绝缘膜间隙特征图进行特征融合，并对所述预选框进行分割和端点的池化，得到绝缘膜间隙特征标注图；将所述绝缘膜间隙特征标注图输入所述fcn网络，并通过所述fcn网络对所述绝缘膜间隙特征标注图的各个像素点进行预测，得到绝缘膜间隙像素点预测结果并输出；结果生成单元3042，用于根据所述绝缘膜间隙像素点预测结果生成所述绝缘膜间隙图像对应的绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄。
55.可选的，所述结果生成单元3042具体用于：对所述绝缘膜间隙像素点预测结果进行间隙距离测量，得到目标间隙宽度；对所述目标间隙宽度和预设的间隙阈值进行比较，得到间隙比较结果；根据所述绝缘膜间隙像素点预测结果根据所述间隙比较结果生成绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄。
56.可选的，所述绝缘膜检测模块305具体用于：将所述绝缘膜图像输入预置的绝缘膜
异常检测模型，其中，所述绝缘膜异常检测模型包括：卷积网络、多个残差网络和输出层；通过所述卷积网络对所述绝缘膜图像进行卷积运算，得到高维绝缘膜图像；将所述高维绝缘膜图像输入所述多个残差网络进行残差处理，得到特征绝缘膜图像；将所述特征绝缘膜图像输入所述输出层进行绝缘膜像素点检测，生成绝缘膜异常检测结果并输出，其中，所述绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱。
57.本发明实施例中，设置图像采集终端的图像采集参数，并基于所述图像采集终端和预设的正负极点位信息采集待检测锂电池的第一检测图像，以及根据预置的绝缘膜点位信息采集所述待检测锂电池的第二检测图像，其中，所述第一检测图像包含所述待检测锂电池的正负极，所述第二检测图像包含所述待检测锂电池的绝缘膜；对所述第一检测图像进行降噪和裁剪，得到正负极图像，并对所述第二检测图像进行降噪和图像分割处理，得到绝缘膜间隙图像和绝缘膜图像；将所述正负极图像输入预置的正负极偏差检测模型进行正负极偏差检测，得到正负极偏差检测结果，其中，所述正负极偏差检测结果包括：偏差大和偏差小；将所述绝缘膜间隙图像输入预置的绝缘膜间隙检测模型进行绝缘膜间隙检测，得到绝缘膜间隙检测结果，其中，所述绝缘膜间隙检测结果包括：间隙宽和间隙窄；将所述绝缘膜图像输入预置的绝缘膜异常检测模型进行绝缘膜异常检测，得到绝缘膜异常检测结果，其中，所述绝缘膜异常检测结果包括：绝缘膜破损、绝缘膜丢失和绝缘膜褶皱；提取所述正负极偏差检测结果、所述绝缘膜间隙检测结果和所述绝缘膜异常检测结果中的缺陷区域，并计算所述缺陷区域的特征值，以及根据所述特征值对所述缺陷区域进行分类存储并生成所述待检测锂电池对应的锂电池缺陷检测结果。本发明通过预先构建了三个深度学习模型，通过这三个深度学习模型针对性的对锂电池的绝缘膜、绝缘膜间隙以及正负极的缺陷进行检测，提高了锂电池缺陷检测的准确率。
58.上面图3和图4从模块化功能实体的角度对本发明实施例中的基于图像的锂电池缺陷检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于图像的锂电池缺陷检测设备进行详细描述。
59.图5是本发明实施例提供的一种基于图像的锂电池缺陷检测设备的结构示意图，该基于图像的锂电池缺陷检测设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，cpu）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于图像的锂电池缺陷检测设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在基于图像的锂电池缺陷检测设备500上执行存储介质530中的一系列指令操作。
60.基于图像的锂电池缺陷检测设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图5示出的基于图像的锂电池缺陷检测设备结构并不构成对基于图像的锂电池缺陷检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
61.本发明还提供一种基于图像的锂电池缺陷检测设备，所述基于图像的锂电池缺陷检测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于图像的锂电池缺陷检测方法的步骤。
62.本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于图像的锂电池缺陷检测方法的步骤。
63.进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
64.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
65.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
66.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（read-only memory， rom）、随机存取存储器（random access memory，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
67.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。