检测模型的训练方法、检测方法、系统以及存储介质与流程

本发明涉及电池极片表面检测，具体涉及一种电池极片表面缺陷检测模型的训练方法、检测方法、系统以及存储介质。

背景技术：

1、在锂电池工艺中，极片的缺陷可能会严重影响电池的电化学性能，甚至影响电池的安全性。高质量的缺陷检测可以及时发现不合格的极片并避免不良产品流入市场，有效提高电池质量和安全性。

2、现有的缺陷检测方法,主要分为两大类：有监督方法和无监督方法。

3、有监督方法往往需要大量标注好的异常样本，但正常工业生产线上往往次品率很低，难以收集到足够多的异常样本数据。由于收集的异常样本数据过少，此方法会偏向于仅识别已见过的缺陷，无法识别未知缺陷。

4、无监督方法与有监督方法相比可以仅用正常样本训练。无监督方法大致分为图像重构与特征类提取方法两种，特征类提取算法是借助深度神经网络的特征提取能力，此类方法的核心目的是找到具有区分性的特征嵌入，并减少无关特征的干扰，但该方法可解释性较弱，所以在极片缺陷检测上并不适用。基于图像重构类的方法在模型训练完成后，当异常样本图像输入训练好的模型时，模型输出的重建图像接近无缺陷的正常样本图像，同时也存在一定的重建误差，这样用像素的重建误差便可定位缺陷的位置。

5、但实际生产中极片上可能会出现反光区域或者阴影区域，反光区域或者阴影区域的重建图像与其他区域的重建图像很可能存在较大的重建误差，导致出现误检。此外，采用图像重建方法进行图像缺陷检测也易出现模型退化为恒等映射的问题。所以目前单纯采用图像重构类的方法也已很难满足缺陷检测的需求。

技术实现思路

1、本发明主要解决的技术问题是如何提高模型的泛化能力和对缺陷边缘检测的精确度。

2、根据第一方面，一种实施例中提供一种电池极片表面缺陷检测模型的训练方法，包括：

3、获取正常样本图像，将预设缺陷合成到正常样本图像，得到合成缺陷图像；

4、对合成缺陷图像进行预处理，得到预处理后的合成缺陷图像；

5、预处理包括：对图像进行离散傅里叶变换，对变换后的图像进行低频过滤，对过滤后的图像进行逆离散傅里叶变换；

6、将预处理后的合成缺陷图像输入至图像重建模块，获得图像重建模块输出的对应合成缺陷图像的重建图像；图像重建模块被配置为将合成缺陷图像中的待测缺陷至少部分恢复为正常区域；

7、将合成缺陷图像及其重建图像输入图像分割模块，得到图像分割模块输出的合成缺陷图像对应的缺陷遮罩；图像分割模块被配置为根据合成缺陷图像及其重建图像确定待测缺陷的区域，生成缺陷遮罩。

8、根据第二方面，一种实施例中提供一种电池极片表面缺陷的检测方法，包括：

9、采用第一方面所描述的训练方法对检测模型进行训练；

10、获取待测样本图像，对待测样本图像进行预处理，得到预处理后的待测样本图像；

11、预处理包括：对图像进行离散傅里叶变换，对变换后的图像进行低频过滤，对过滤后的图像进行逆离散傅里叶变换；

12、将预处理后的待测样本图像输入至图像重建模块，获得图像重建模块输出的对应待测样本图像的重建图像；图像重建模块被配置为将待测样本图像中的待测缺陷至少部分恢复为正常区域；

13、将待测样本图像及其重建图像输入到图像分割模块，得到图像分割模块输出的待测样本图像对应的缺陷遮罩；图像分割模块被配置为根据待测样本图像及其重建图像确定待测缺陷的区域，生成缺陷遮罩。

14、根据第三方面，一种实施例中提供一种电池极片表面缺陷的检测系统，包括：

15、重建模块，被配置为获取输入图像，对输入图像进行预处理，得到预处理后的输入图像；将预处理后的输入图像输入至图像重建模块，获得图像重建模块输出的对应输入图像的重建图像；其中，输入图像包括待测样本图像与合成缺陷图像中的至少一种，预处理包括：对图像进行离散傅里叶变换，对变换后的图像进行低频过滤，对过滤后的图像进行逆离散傅里叶变换；图像重建模块被配置为将输入图像中的待测缺陷至少部分恢复为正常区域；

16、分割模块，被配置为将输入图像及其重建图像输入到图像分割模块，得到图像分割模块输出的输入图像对应的缺陷遮罩；图像分割模块被配置为根据输入图像及其重建图像确定待测缺陷的区域，生成缺陷遮罩。

17、根据第四方面，一种实施例中提供一种计算机可读存储介质，介质上存储有程序，程序能够被处理器执行以实现如第一方面或第二方面所描述的方法。

18、依据上述实施例的电池极片表面缺陷检测模型的训练方法、检测方法、系统、存储介质，利用正常样本图像、合成缺陷图像、异常样本图像、以及重建图像共同对分割模块的进行训练，既解决了异常样本数量不足的问题，提高了模型的泛化能力；又通过重建图像与合成缺陷图像以及异常样本图像的对比，为分割模块提供更为明确的提示，提高了模型对缺陷边缘检测的精确度。此外，通过对合成缺陷图像、待测样本图像进行预处理，通过离散傅里叶变换以及滤波，避免图像重建模块出现模型退化成恒等映射。

技术特征：

1.电池极片表面缺陷检测模型的训练方法，其特征在于，包括：

2.如权利要求1所述的训练方法，其特征在于，获取正常样本图像，将预设缺陷合成到所述正常样本图像，得到合成缺陷图像，包括：

3.如权利要求1所述的训练方法，其特征在于，在获得所述图像重建模块输出的对应所述合成缺陷图像的重建图像之后，还包括：

4.如权利要求1所述的训练方法，其特征在于，将所述合成缺陷图像以及所述重建图像输入到图像分割模块，得到所述图像分割模块输出的所述合成缺陷图像对应的缺陷遮罩，包括：

5.如权利要求4所述的训练方法，其特征在于，在获得所述训练图像对应的缺陷遮罩之后，还包括：

6.如权利要求5所述的训练方法，其特征在于，对所述训练图像对应的缺陷遮罩进行评估，评估该缺陷遮罩的识别准确率，包括：

7.电池极片表面缺陷的检测方法，其特征在于，包括：

8.如权利要求7所述的检测方法，其特征在于，将所述待测样本图像及其重建图像输入到图像分割模块，得到所述图像分割模块输出的所述待测样本图像对应的缺陷遮罩，包括：

9.电池极片表面缺陷的检测系统，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，所述介质上存储有程序，所述程序能够被处理器执行以实现如权利要求1-8中任一项所述的方法。

技术总结一种电池极片表面缺陷检测模型的训练方法、检测方法、系统以及存储介质，涉及电池极片表面检测技术领域，检测方法，包括：获取正常样本图像，将预设缺陷合成到正常样本图像，得到合成缺陷图像；对合成缺陷图像进行预处理，得到预处理后的合成缺陷图像；将预处理后的合成缺陷图像输入至图像重建模块，获得图像重建模块输出的对应合成缺陷图像的重建图像；将合成缺陷图像及其重建图像输入图像分割模块，得到图像分割模块输出的合成缺陷图像对应的缺陷遮罩。本申请可以防止图像重建模块出现模型退化成恒等映射，将重建后的重建图像与待测样本图像输入到图像分割模块，实准确定位缺陷边缘，提高检测精确度。技术研发人员：林杰,乔中涛受保护的技术使用者：常州市大成真空技术有限公司技术研发日：技术公布日：2024/8/5