[发明专利]一种用于检测动力电池安全阀激光焊接缺陷的分割算法

权利要求书

1.一种用于检测动力电池安全阀激光焊接缺陷的分割算法，其特征在于，包括如下步骤：

S1：通过AOI系统获取动力电池安全阀焊接缺陷数据集；

S2：通过注意力机制和多尺度对网络结构中的CNN网络结构进行优化，获得多尺度注意力网络；

S3：以改进的Res2Net作为下采样过程中特征提取子模块，利用不同扩充率的空洞卷积来获得不同的感受野；

S4：通过定位模块与边缘抗锯齿模块，获取模型的分割结果；

S5：将训练好的模型进行保存参数，实时的对输入的焊接样本进行检测，预测样本是否含有缺陷；

在S3中，多尺度注意力网络用改进的Res2Net替代普通的卷积结构，在采样过程中，使用转置卷积来代替普通卷积层，反卷积模块在对称的层级中使用跳跃连接，使得最终的输出特征图融合更多的低级别特征，对不同尺度的特征进行融合；

在S4中，采样得到的特征通过定位模块，安全阀焊接缺陷是边缘丰富的图像，通过全卷积保持定位，使用对称的独立卷积核组成大卷积核获取更大的感知区域，将两组结果相加，提取全局特征；

在S4中，基于残差结构采用边缘抗锯齿模块，一方面保持原图特征，另一方面通过两组3*3的卷积操作以及通过批量初始化和激活函数，得到更加细致的结果，最后将两个结果相加，获取更加精细的模型分割结果。

2.根据权利要求1所述的一种用于检测动力电池安全阀激光焊接缺陷的分割算法，其特征在于：在S1中，在激光焊接AOI系统中，通过数码相机和LED光源获取焊接区域图像，然后经过AOI系统处理获取动力电池安全阀焊接缺陷数据集，并将数据集随机按8：1：1比例或者7：2：1比例分为训练样本、验证样本和测试样本。

3.根据权利要求1所述的一种用于检测动力电池安全阀激光焊接缺陷的分割算法，其特征在于：在S2中，通过注意力机制和多尺度对网络结构进行优化，获得多尺度注意力网络，多尺度注意力网络使得下采样阶段能够提取不同尺度的特征，多尺度注意力网络输入特征x在经过1*1卷积后，将输出4组特征子集xi，xi具有相同的空间大小并且通道数为原始特征的1/4，除了x1不经过卷积操作以保持输入特征感受野尺度，其他各组特征都需要经过相应的3*3卷积，使用3个不同膨胀率的3*3空洞卷积对上一步输出的特征并行进行卷积，扩充率参数为1，2，4，其后都接上1*1卷积保持通道一致，最后各组特征在通道维度进行拼接融合并通过Gelu函数和1*1卷积得到具有不同尺度感受野的模型输出特征。

4.根据权利要求3所述的一种用于检测动力电池安全阀激光焊接缺陷的分割算法，其特征在于：多尺度注意力网络在特征信息进行组间交互的过程中引入了注意力机制，注意力机制借助全局平均池化捕获全局语境，计算注意力向量，优化上一阶段的输出特征，并且使用了高性能的神经网络激活函数Gelu。

5.根据权利要求4所述的一种用于检测动力电池安全阀激光焊接缺陷的分割算法，其特征在于：神经网络激活函数Gelu的公式为；

x为输入，P(X=x)根据当前input大于其余inputs的概率进行随机正则化，决定x中有多少信息保留。

6.根据权利要求2所述的一种用于检测动力电池安全阀激光焊接缺陷的分割算法，其特征在于：数码相机为CMOS数码相机，LED光源为亮度为0-255级的白色环形LED光源。