[发明专利]基于深度学习语义分割的新能源电池焊接缺陷检测方法

权利要求书

1.一种基于深度学习语义分割的新能源电池焊接缺陷检测方法，其特征在于，包括以下步骤：

S100现场实时采集新能源电池焊接的焊接图片；

S200对焊接图片进行预处理；

S300将预处理后的焊接图片输入基于深度学习的语义分割模型中进行缺陷判断，输出缺陷判断结果；

通过实时采集新能源电池焊接的焊接图片，经预处理去除噪音干扰后，将生产现场采集来的图片数据经预处理后直接送入语义分割模型中进行缺陷判断得到结果；其中的语义分割模型基于语义分割神经网络构建，语义分割网络中的分割头可以监督上下文信息分支的不同位置来获取不同阶段的特征语义信息，与空间分支做到更好地互补与融合，网络中所使用的到的卷积核可以根据实际应用需求进行替换，轻量化模型，便于部署到嵌入式设备，进行实时监测；

在S300步骤中，所述语义分割模型通过以下方式构建：

S310获取训练集、验证集和测试集，所述训练集、验证集和测试集由新能源电池焊接的合格样本图片和标注缺陷类型后的缺陷样本图片随机按比例分成得到；

S320构建语义分割神经网络，并将训练集的缺陷样本图片输入语义分割神经网络进行数据训练，在每轮训练结束后，将验证集的缺陷样本图片输入语义分割神经网络进行验证，通过性能评判指标保存一组训练得到的最佳模型参数；

S330将测试集的缺陷样本图片输入训练后的语义分割神经网络，输出分割结果；若结果与测试集的缺陷样本标注不相符则重新清洗出的合格样本图片和缺陷样本图片，进行缺陷样本图片的缺陷类型标注，分配训练集、验证集和测试集用于语义分割神经网络的数据训练；若结果与测试集的缺陷样本标注相符，即以该训练后的语义分割神经网络作为语义分割模型；

语义分割模型，在构建方法中引入有监督训练方法，采用双分支语义分割神经网络，轻量化的空间分支通过堆叠几个卷积层就能够提取低级空间细节，上下文信息分支通过改进、组合MobileNetv2中的mobile inverted bottleneck作为分支的主干部分，再细化不同尺度的高级语义；这两个分支得到的特征表示是具有互补意义的，通过特征融合块进行融合，给定训练集样本输入到网络中进行训练，在每轮训练结束后，验证集样本输入模型进行验证，通过性能评判指标保存一组训练得到的最佳模型参数；采用双分支语义分割网络能准确提取缺陷特征；插入分割头以监督上下文分支的不同位置；

在S100步骤中，实时采集新能源电池焊接的多项焊接参数，所述焊接参数包括焊接环境参数和焊接控制参数；在S300步骤中，将缺陷判断结果与焊接参数进行关联并存储；

按照设定周期对存储的缺陷判断结果及其关联的焊接参数进行数据分析，将焊接合格产品与有焊接缺陷产品各自所关联的焊接参数进行比对，通过预设算法计算各焊接参数对焊接质量的影响系数，根据影响系数排序得到各焊接参数对焊接质量的影响排序；

从排序中选定对焊接质量影响排位在设定名次之前的焊接参数，再就焊接合格产品关联的对应焊接参数的正态分布情况，取正态分布中值作为对焊接质量影响排位在设定名次之前的对应焊接参数的最佳值；

在焊接控制中，以对应焊接参数的最佳值作为新能源电池焊接的焊接参数控制值。

2.根据权利要求1所述的基于深度学习语义分割的新能源电池焊接缺陷检测方法，其特征在于，在S310步骤中，所述合格样本图片和标注缺陷类型后的缺陷样本图片通过以下方式得到：

S311根据缺陷产生的原因以及缺陷之间存在的差异，定义缺陷类型；

S312采集新能源电池焊接的样本图片，从样本图片中清洗出的合格样本图片和缺陷样本图片，并对缺陷样本图片进行缺陷类型的人工标注。

3.根据权利要求2所述的基于深度学习语义分割的新能源电池焊接缺陷检测方法，其特征在于，在S311步骤中，缺陷类型定义为焊洞缺陷、焊塌缺陷、焊高缺陷、缺焊缺陷、偏位缺陷和未焊缺陷这六种；在S312步骤中，采集新能源电池焊接的样本图片不少于四万张，清洗出的合格样本图片和缺陷样本图片分别不少于560张和4100张。

4.根据权利要求2所述的基于深度学习语义分割的新能源电池焊接缺陷检测方法，其特征在于，在S312步骤中，对缺陷样本图片进行缺陷类型的人工标注使用LabelMe标注工具进行。