[发明专利]基于轻量级神经网络的电池缺陷检测方法

权利要求书

1.一种基于轻量级神经网络的电池缺陷检测方法，其特征在于，该方法基于轻量级神经网络构建缺陷检测模型；缺陷检测模型以ShuffleNetV2为骨干网络，将精炼的跨阶段局部机制融合到ShuffleNetV2网络中，得到精炼跨阶段局部ShuffleNetV2网络，精炼跨阶段局部ShuffleNetV2网络中还融合了并行分组注意力模块；精炼跨阶段局部ShuffleNetV2网络的输出特征图再经过低层特征引导的融合模块后，输入到区域推荐网络中推荐区域，最后对推荐区域进行分类和回归，得到缺陷类别和位置。

2.根据权利要求1所述的基于轻量级神经网络的电池缺陷检测方法，其特征在于，所述精炼跨阶段局部ShuffleNetV2网络包含五个阶段，每个阶段由下采样、特征提取模块和通道混洗模块组成；在特征提取模块中，下采样后的特征图在通道维度上通过切片操作分为特征图x'₀和x'₀'两部分；特征图x'₀'通过k个构建单元得到特征图x_k，然后将特征图x'₀'和x_k在通道维度拼接在一起，得到特征图x_c；特征图x_c经过通道混洗模块，得到输出特征图x_s。

3.根据权利要求2所述的基于轻量级神经网络的电池缺陷检测方法，其特征在于，下采样的卷积核大小为5×5，构建单元的卷积核大小为3×3。

4.根据权利要求2所述的基于轻量级神经网络的电池缺陷检测方法，其特征在于，所述精炼跨阶段局部ShuffleNetV2网络各个阶段的每个构建单元之后均加入并行分组注意力模块；首先通过分组操作将构建单元的输出特征图在通道维度上分为多组，得到多个子特征；然后每个子特征的通道通过切片操作被拆分为两个分支；一个分支经过ECA操作，另一个分支经过ESA操作，最后将这两个分支的结果在通道维度上拼接在一起，得到拼接后的子特征；再将所有拼接后的子特征合并后，通过通道混洗操作得到并行分组注意力模块的输出特征图。

5.根据权利要求4所述的基于轻量级神经网络的电池缺陷检测方法，其特征在于，所述ESA操作具体为：通过ESA操作的输入特征图卷积得到空间注意力特征图，经过Sigmoid函数激活后，与ESA操作的输入特征图进行点乘。

6.根据权利要求2-5任一所述的基于轻量级神经网络的电池缺陷检测方法，其特征在于，低层特征引导的融合模块具体为：首先将精炼跨阶段局部ShuffleNetV2网络第五阶段的输出特征图C₅经过全局平均池化操作，得到全局特征图C_g；然后将全局特征图C_g和精炼跨阶段局部ShuffleNetV2网络第三～五阶段的输出特征图C₃、C₄、C₅分别经过1×1卷积，得到特征图P₃、P₄、P₅和P_g；特征图P₃通过Sigmoid函数得到重加权系数，将重加权系数与特征图P₄、P₅和P_g拼接后的特征图相乘，得到低层特征引导的融合模块的输出特征图。

7.根据权利要求1所述的基于轻量级神经网络的电池缺陷检测方法，其特征在于，缺陷检测模型的输入分辨率为600×600。