[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

说明书

本发明提供了一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法，包括如下步骤：获取多张缺陷隔膜图像，并根据多张缺陷隔膜图像获取数据集；标注多张缺陷隔膜图像的缺陷范围与类别，并根据多种缺陷隔膜图像的缺陷范围与类别生成特征集；利用聚类算法加载特征集以获取先验框；构建Yolov4神经网络模型；利用数据集以及特征集训练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。本发明可以提高对锂电池隔膜缺陷的识别检测以及定位效率，提高生产效率并节约成本。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法。

背景技术

锂电池因具有输出性能好、自放电小、较好的长循环性等优点而被广泛应用于手机、平板电脑和新能源汽车等产品中。对于电池制造商来说，原材料的评估和检测不仅能够提前判定该批材料是否符合生产质量和批量的生产需求，还能够对比不同供应商提供的原材料质量的高低，保证生产效率和产品的安全性。锂电池一般由正极、负极、电解液和隔膜组成，其中隔膜用于隔离正负极，使其不发生短路，并为锂电子提供流动通路。因此隔膜的缺陷检测，对于锂电池制造生产过程有着非常重要的意义。

对于隔膜的缺陷检测，传统的图像算法能满足一定的缺陷检测需求，但其检测结果取决于提取的特征质量，无法满足隔膜缺陷种类复杂的检测需求。

发明内容

基于此，为了解决传统图像算法无法满足隔膜缺陷种类复杂的检测需求的问题，本发明提供了一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法，其具体技术方案如下：

一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法，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。

通过标注缺陷隔膜图像的缺陷范围与类别并根据所述缺陷隔膜图像的凸显范围与类比生成特征集，利用特征集对Yolov4神经网络进行训练，可以使得训练好的Yolov4神经网络对具有不同缺陷范围与类别的隔膜图像进行缺陷的识别检测。即是说，上述基于深度学习的锂电池隔膜缺陷机器视觉检测方法能够解决传统图像算法无法满足隔膜缺陷种类复杂的检测需求的问题，可以提高对锂电池隔膜缺陷的识别检测以及定位效率，提高生产效率并节约成本。

进一步地，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。

进一步地，所述缺陷类别包括折痕、黑点、漏喷、针孔以及划痕。

进一步地，所述特征集的文件格式为xml。

进一步地，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；