[发明专利]一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法

权利要求书

1.一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法，其特征在于，该方法包括如下步骤：

第一步、分类图像获取及其初步处理

1-1原始图像获取：通过高像素专业彩色工业相机拍摄原始锂电池缺陷图片；

1-2图像预处理：人工剔除由于光线、人工干扰形成的拥有巨大瑕疵的图片，随后利用最小二乘法对余下的图片中的锂电池边缘进行拟合，将其拟合为直线边线，然后得到具有有效直线边缘的有效图像集；

1-3所需数据集制作：人工手动对步骤1-2得到的有效图像集进行分类，然后对所有目标图像添加对应的缺陷种类标签，并从中随机抽取10％作为测试样本集根集，40％为训练样本集根集，50％为验证样本集；

1-4数据集扩充增强：在步骤1-3的基础上，对测试样本集根集与训练样本集根集使用方差为1、均值为0的高斯噪声、灰度变化值为5的变化，图像分别翻转90°、180°，将数据集增强四倍，分别得到测试样本集和训练样本集；

第二步、多尺度卷积特征融合网络设计

2-1跨通道卷积设计：将图片分为RGB三个通道，分别在三个通道上对每个输入通道上进行1*1的卷积操作，并对其输出特征图进行批量归一正则化和Relu激活函数操作，得到输出结果；

2-2多尺度融合卷积设计：设计卷积核为1*1、3*3、5*5、7*7四种卷积核，分别对步骤2-1得到的RGB三个通道的输出结果进行多尺度卷积，随后将5*5、7*7的卷积合卷积后作为大尺度特征进行融合，1*1、3*3卷积核作为小特征进行特征融合，得到多个尺度融合后的输出结果；

2-3激活函数设计：将普通的Relu激活函数替换为其优化版本Maxout激活函数；

2-4特征提取网络设计：这是网络的最后一层，使用密集块连接网络，与全局平均池化层组成特征提取网络；

2-5多尺度卷积特征融合网络：将步骤2-1设计得到的跨通道卷积部分、步骤2-2得到的多尺度融合卷积部分、步骤2-3的Maxout激活函数级连起来，再与密集块连接网络，组成多尺度卷积融合网络；

第三步、图像特征提取及其分类

3-1参数初始化：加载预训练权重文件，将动量、批处理大小、权重值、偏置值、批量归一化尺度因子值进行初始化，输入到多尺度卷积特征融合网络；

3-2开始训练：将第一步中的训练样本集输入到训练图像的多尺度卷积特征融合网络中，得到锂电池缺陷图像的多维特征图与特征权值矩阵；

3-3验证分类效果：将步骤1-3中的验证样本集，输入训练图像的多尺度卷积特征融合网络，根据步骤3-2提取到的锂电池缺陷图像的多维特征图与特征权值矩阵，将训练样本集的图像特征载入SoftMax分类器中进行分类，将分类结果经全局平均池化层处理后与步骤1-3中对锂电池缺陷的标签进行对比，返回误差值error和损失函数loss值到多尺度卷积特征融合网络；

3-4更新参数：在步骤3-3的基础上，采用随机梯度下降的方式，更新网络权重值和偏移值；

3-5重复训练：在步骤3-3和步骤3-4的基础上，对网络进行周期性重复训练，当网络中损失函数loss值降至0.01及以下时，立即停止训练，而后得到多尺度卷积特征融合网络模型，保存至指定的计算机存储位置；

3-6执行分类任务：将第一步得到的测试样本集和步骤3-5得到的多尺度卷积特征融合网络模型一起输入到多尺度卷积特征融合网络，得到预测的图片缺陷类别。

2.根据权利要求1所述的一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法，其特征在于，步骤3-3中的将分类结果经全局平均池化层处理即为：在最后一个密集块输出特征图后求取每个特征图的平局值。

3.根据权利要求1所述的一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法，其特征在于，所述有效图像集为6250张尺寸为496*496锂电池缺陷图片。

4.根据权利要求1所述的一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法，全局平均池化层的激活函数f(·)应用的是maxpooling函数：

5.根据权利要求1所述的一种基于多尺度卷积特征融合网络的锂电池缺陷分类方法，SoftMax分类器的激活函数f(·)应用的是sigmod函数：