[发明专利]一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法

权利要求书

1.一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法，其特征在于，包括如下步骤：

获取多张缺陷隔膜图像，并根据多张所述缺陷隔膜图像获取数据集；

标注多张所述缺陷隔膜图像的缺陷范围与类别，并根据多种所述缺陷隔膜图像的缺陷范围与类别生成特征集；

利用聚类算法加载所述特征集以获取先验框；

构建Yolov4神经网络模型；

利用所述数据集以及所述特征集训练所述Yolov4神经网络模型；

利用训练好的Yolov4神经网络模型对锂电池隔膜进行缺陷检测。

2.如权利要求1所述的一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法，其特征在于，获取多张缺陷隔膜图像，并根据多张所述缺陷隔膜图像获取数据集的具体方法包括如下步骤：

获取多张锂电池隔膜图像；

从多张所述锂电池隔膜图像中筛选出多张所述缺陷隔膜图像；

对多张所述缺陷隔膜图像进行裁剪；

对裁剪后的多张所述缺陷隔膜图像进行图像增强处理以获取所述数据集。

3.如权利要求1所述的一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法，其特征在于，所述缺陷类别包括折痕、黑点、漏喷、针孔以及划痕。

4.如权利要求1所述的一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法，其特征在于，所述特征集的文件格式为xml。

5.如权利要求1所述的一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法，其特征在于，利用所述数据集以及所述特征集训练所述Yolov4神经网络模型的具体方法包括如下步骤：

将所述数据集划分为训练集、验证集以及测试集；

利用所述训练集、所述验证集以及所述特征集对所述Yolov4神经网络模型进行多次训练；

以多个训练后的Yolov4神经网络模型中检测精度最高的一个作为训练好的Yolov4神经网络模型。

6.如权利要求1所述的一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法，其特征在于，所述聚类算法为k-means++聚类算法。

7.如权利要求1所述的一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法，其特征在于，通过labelImg图像标注工具标注多张所述缺陷隔膜图像的缺陷范围与类别。

8.如权利要求5所述的一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法，其特征在于，所述训练集、所述验证集以及所述测试集的数据量比例为75％：15％：15％。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如上述权利要求1至8中任意一项所述的基于深度学习的锂电池隔膜缺陷机器视觉检测方法。

10.一种电子设备，包括存储器以及处理器，所述存储器中存储有计算机可读指令，其特征在于，当所述计算机可读指令被所述处理器执行时实现如权利要求1至9任一项所述的锂电池隔膜缺陷机器视觉检测方法。