[发明专利]基于轻量级神经网络的电池缺陷检测方法

说明书

本发明为一种基于轻量级神经网络的电池缺陷检测方法，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，对推荐区域进行分类和回归，得到缺陷类别和位置。并行分组注意力模块实现浅层与深层特征融合，低层特征引导的融合模块扩大了感受野；该方法解决了轻量化网络检测效果不理想的问题。

技术领域

本发明涉及电池缺陷检测技术领域，具体涉及一种基于轻量级神经网络的电池缺陷检测方法。

背景技术

电池是制约新能源技术发展的重要因素之一，电池质量直接影响新能源设备的性能和使用寿命，表面缺陷检测是电池制造过程的一个重要环节。现有的人工检测方法受工人主观以及容易出现疲劳等因素影响较大，难以满足大规模生产需要，因此基于机器视觉的缺陷检测算法得以应用。通过机器视觉检测算法提取的缺陷特征主要依赖于人工定义的规则，只提取浅层特征，限制了其在工业检测中的广泛应用。而基于神经网络的缺陷检测算法能够取得令人难以置信的成果。

在以往的研究中已经证明，神经网络的深度越深、宽度越宽，拥有越强大的性能。然而，扩展神经网络的架构通常会带来更多的计算量，对硬件资源的要求较高，导致能部署深度神经网络的系统成本较高，极大地限制了基于深度神经网络的目标检测模型在实际工程中的应用，因此开发轻量化的网络很有必要。由于电池上缺陷存在多尺度特性和强烈的背景干扰，如背景纹理形状随机分布、表面缺陷在强度和形状上与背景重叠等，而轻量化的网络对于背景复杂和小目标缺陷的检测效果并不理想，因此开发轻量化的网络检测电池缺陷实施起来困难较大。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于轻量级神经网络的电池缺陷检测方法。

本发明解决所述技术问题采用的技术方案是：

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。

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。

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。

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。