一种电池极片表面颗粒物检测方法与流程

本发明涉及极片检测领域，具体涉及一种电池极片表面颗粒物检测方法。

背景技术：

1、锂电池生产中，极片表面会由于粉尘管理不规范或者制片过程产生的碎屑而附颗粒物，造成卷芯自放电击穿陶瓷膜形成短路。由于颗粒物较小且呈随机分布，现如今锂电生产厂商主要是通过在极片来料过辊时用毛刷刷，由于极片与颗粒物通常吸附很紧，毛刷无法刷除大部分颗粒物，且易损伤异常极片。随着数字图像的发展，基于数字图像的锂电池极片表面颗粒物检测，尤其是基于深度学习的锂电池极片表面颗粒物检测表现出极其优越的性能，现有技术主要有：

2、1.基于传统数字图像的极片表面颗粒物检测：使用传统方法，主要有基于模板匹配的异常检测、有基于特征训练的异常检测、有基于频域分析的异常检测以及基于稀疏编码重构等方法的异常检测技术。

3、2.基于深度学习的异常检测：采用深度学习方法，主要包括基于距离度量的异常检测技术、基于分类面重构的方法、基于图像重构的方法以及基于知识蒸馏的异常检测技术。例如中国专利公开号cn109598721a公开的电池极片的缺陷检测方法、装置、检测设备和存储介质就是一种基于深度学习的异常检测方法。

4、在研究过程中，发现以上现有技术存在以下问题：基于传统数字图像的极片表面颗粒物检测方法存在人工特征难以设计以及泛化性差的问题，另外传统方法检测准确率低，很难达到现代化生产的要求。基于深度学习的方法需要大量数据，由于极片表面颗粒物以及极片生产的特点，缺乏可用于训练的数据集、颗粒物大小较小，难以检测且对检测要求具有实时性要求，单一的深度学习方法无法满足要求。

5、基于上述分析，现如今锂离子电池极片表面颗粒物检测技术存在很大局限性。

技术实现思路

1、本发明所要解决的技术问题在于现有技术锂离子电池极片表面颗粒物检测技术检测准确率低，缺乏可用于训练的数据集、颗粒物大小较小，难以检测且难以满足实时性要求。

2、本发明通过以下技术手段解决上述技术问题的：一种电池极片表面颗粒物检测方法，包括以下步骤：

3、步骤一、利用教师网络和学生网络构建教师-学生网络；

4、步骤二、利用学生网络构建孪生神经网络；

5、步骤三、构建样本集并进行数据预处理；

6、步骤四、利用样本集训练教师-学生网络，利用样本集训练孪生神经网络；

7、步骤五、将检测样本输入训练好的教师-学生网络，获得教师-学生网络输出的差异图，差异图无缺陷时，该检测样本检测结果为无异常；差异图存在缺陷时，该检测样本检测结果为异常，将检测样本再输入训练好的孪生神经网络，获得孪生神经网络的相交图，取相交图与差异图的交集获得完整的缺陷位置。

8、进一步地，所述教师网络为resnet101，所述学生网络为resnext50。

9、进一步地，所述步骤一包括：

10、选取多个教师网络以及与教师网络数量相同的学生网络，将教师网络顺序串联形成第一网络模块，将学生网络顺序串联形成第二网络模块。

11、更进一步地，所述步骤二包括：

12、选取两个与第二网络模块相同的结构形成第三网络模块和第四网络模块，第三网络模块和第四网络模块之间权值共享。

13、更进一步地，所述步骤三包括：

14、构建样本集，样本集包括正样本、检测样本以及极片表面颗粒物小样本，所述正样本为极片表面没有颗粒物的无缺陷样本，极片颗粒物小样本为人工采集的极片表面存在颗粒物的缺陷样本，检测样本为实时采集的极片表面图像样本；

15、对样本集进行数据预处理，数据预处理包括图片尺寸处理、图片数据格式处理以及数据增强。

16、更进一步地，所述利用样本集训练教师-学生网络，包括：

17、冻结在imagenet上预训练的教师网络参数，将正样本输入教师-学生网络中第一网络模块和第二网络模块，调整第二网络模块的参数，对教师-学生网络进行训练，训练至损失函数loss_t最小时停止训练，得到训练好的教师-学生网络。

18、更进一步地，所述损失函数loss_t的公式如下：

19、losst＝i1loss1+i2loss2+i3loss3+i4loss4…+ikloss_k

20、其中，loss_k为教师-学生网络第k层输出的特征图的损失，k为教师-学生网络的总层数，ik为教师-学生网络第k层输出的特征图的损失对应的权重，i1、i2、i3、i4分别为教师-学生网络第一层至第四层输出的特征图的损失对应的权重；

21、第一网络模块中第i个教师网络tech_i与第二网络模块中第i个学生网络stu_i为教师-学生网络的第i层，i＝1、2、3、4……k，则教师-学生网络第i层输出的特征图的损失loss_i为

22、loss_i＝lival+lidir

23、

24、

25、其中，ιival为值损失，j为第j个神经元，nj为神经元个数，aj为第j个神经元的激活值，lidir为方向损失，vec(tech_i)表示第一网络模块中第i个教师网络tech_i的特征向量，vec(tech_i)t表示第一网络模块中第i个教师网络tech_i的特征向量的转置，||vec(tech_i)||表示第一网络模块中第i个教师网络tech_i的特征向量的模。

26、更进一步地，所述教师-学生网络有四层，所述损失函数loss_t的公式如下：

27、loss_t＝i1loss_1+i2loss_2+i3loss_3+i4loss_4。

28、更进一步地，所述利用样本集训练孪生神经网络，包括：

29、将极片颗粒物小样本分别输入孪生神经网络中第三网络模块和第四网络模块，不断调整孪生神经网络的参数，对孪生神经网络进行迭代训练，每次迭代过程计算到损失函数loss_l的值，直到损失函数loss_l最小时，停止迭代，得到训练好的孪生神经网络。

30、更进一步地，所述损失函数loss_l的公式如下：

31、

32、其中，为第三网络模块和第四网络模块的输出特征图对应像素的欧式距离。

33、本发明的优点在于：

34、(1)本发明综合教师-学生网络的检测结果以及孪生神经网络的检测结果，提高检测精度，并且构建样本集，利用样本集对网络进行训练，从而具有可用于训练的数据集，另外通过模型训练的方式进行极片表面颗粒物检测，易于检测，检测时间短，提高检测的实时性。

35、(2)本发明教师网络参数来自于大数据集imagenet，学生网络与教师网络结构相似，训练时只使用正常样本，因此对于正常样本，教师网络与学生网络应具有相似的输出；对于缺陷样本，教师网络有极大概率能正确输出缺陷信息，学生网络由于没有见过缺陷样本，则只会其输出正常样本，因此，将教师网络与学生网络对于异常样本的不同输出图像像素做差得到差异图，可以得到大部分异常缺陷。孪生神经网络结构相同，权值共享，因此对于同一图像输出应是极其相似的，训练时只使用颗粒物小样本，因此，当测试样本是颗粒物小样本时，取孪生神经网络两个输出图像的交集得相交图，可获得缺陷位置。最终取相交图与差异图的交集获得整个极片完整的缺陷位置。

36、(3)本发明通过加权教师-学生神经网络不同深度网络间的损失，能够充分利用不同网络深度的提取的层次特征；通过分组卷积轻量化学生网络，减少检测时间，满足锂电池极片表面颗粒物检测实时性的要求；由于孪生神经网络结构权重相同，训练容易收敛，满足锂电池极片表面颗粒物小样本训练需求；并且本发明采用二段检测方法，能够综合教师-学生神经网络以及孪生神经网络这两种算法的检测结果，提高检测精度；同时，通过知识蒸馏，对小目标也有很好的检测能力。