CN112418353A - 用于电池隔膜异常检测的神经网络的训练方法 - Google Patents

Abstract

本申请公开了一种用于电池隔膜异常检测的神经网络的训练方法，其包括：获取经检测合格的原始电池隔膜图像作为训练图像集；将所述训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征图；将所述第一特征图通过反卷积神经网络以获得重构电池隔膜图像；计算所述原始电池隔膜图像和所述重构电池隔膜图像之间的第一均方差损失函数值；将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征；将所述差别特征通过分类函数以获得分类损失函数值；以及，基于所述第一均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

Description

用于电池隔膜异常检测的神经网络的训练方法

技术领域

本申请涉及深度学习和神经网络领域，且更为具体地，涉及一种用于电池隔膜异常检测的神经网络的训练方法、基于深度神经网络的用于电池隔膜异常检测方法、系统和电子设备。

背景技术

电池隔膜是指在电池正极和负极之间一层隔膜材料，是电池中非常关键的部分，对电池安全性和成本有直接影响。电池隔膜的制备方法分为干法和湿法两类，其中，湿法使用较多。

现有的湿法是将液态烃或一些小分子物质与聚烯烃树脂混合，经加热熔融后形成均匀的混合物，然后降温进行相分离并压制得膜片。压制而成的膜片进行双向拉伸使分子链取向后得到膜材料。在现有的湿法制作设备中，由于对膜片的压制以及拉伸存在一定的工艺误差，作用在膜片表面时会使膜片产生不同程度的皱缩，进而影响膜片的制作。

因此，期待一种能够对电池隔膜的生产过程进行监控的方案，以及时地发现膜片被压制和拉伸不合格的情况从而能够及时停止后续的制备流程，降低成本。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习尤其是神经网络的发展为解决电池隔膜的异常检测提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于电池隔膜异常检测的神经网络的训练方法、基于深度神经网络的用于电池隔膜异常检测方法、系统和电子设备，其以纯正样本来构建训练集，使得所训练的图像重构神经网络仅能够学习到如何重构正样本，也就是，如果输入电池隔膜图像为异常电池隔膜的图像，则重构的电池隔膜图像会缺失异常特征，这样，使得基于原始图像和重构图像之间的差异便可以实现电池隔膜的异常检测。

根据本申请的一个方面，提供了一种用于电池隔膜异常检测的神经网络的训练方法，包括：

获取经检测合格的原始电池隔膜图像作为训练图像集；

将所述训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征图；

将所述第一特征图通过反卷积神经网络以获得重构电池隔膜图像；

计算所述原始电池隔膜图像和所述重构电池隔膜图像之间的第一均方差损失函数值；

将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征，所述差别特征表示所述原始电池隔膜图像和所述重构电池隔膜图像在特征空间的差异；

将所述差别特征通过分类函数以获得分类损失函数值；以及

基于所述第一均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

在上述用于电池隔膜异常检测的神经网络的训练方法中，将所述训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征向量中，所述第一卷积神经网络包括N层卷积层，N为大于等于4小于等于5的正整数。

在上述用于电池隔膜异常检测的神经网络的训练方法中，将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征，包括：将所述原始电池隔膜图像输入所述差别特征提取网络以获得第三特征图；将所述重构电池隔膜图像输入所述差别特征提取网络以获得第四特征图；将所述第三特征图进行空间平均值池化以获得第三特征向量；将所述第四特征图进行空间平均值池化以获得第四特征向量；以及，基于所述第三特征向量和所述第四特征向量之间的差分获取区分特征向量作为所述差别特征。

在上述用于电池隔膜异常检测的神经网络的训练方法中，将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征，包括：将所述原始电池隔膜图像输入所述差别特征提取网络以获得第三特征图；将所述重构电池隔膜图像输入所述差别特征提取网络以获得第四特征图；计算所述第三特征图和所述第四特征图之间的L1距离或L2距离以获得差别特征图作为所述差别特征。

在上述用于电池隔膜异常检测的神经网络的训练方法中，所述方法进一步包括：将重构的电池隔膜图像输入第二卷积神经网络以获得第二特征图；计算所述第一特征图和所述第二特征图之间的第二均方差损失函数值；基于所述第一均方差损失函数值、所述第二均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

在上述用于电池隔膜异常检测的神经网络的训练方法中，基于所述第一均方差损失函数和所述分类损失函数更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络，包括：在每一轮迭代中，先基于所述第一均方差损失函数值更新所述第一卷积神经网络和反卷积神经网络；以及，基于所述分类损失函数值更新所述差别特征提取网络。

根据本申请的另一方面，提供了一种基于深度神经网络的用于电池隔膜异常检测方法，包括：

获取待检测的电池隔膜的图像；

将所述待检测电池隔膜图像输入根据如上所述的用于电池隔膜异常检测的神经网络的训练方法所训练的第一卷积神经网络、反卷积神经网络和差别特征提取网络以获得差异特征；以及

将所述差异特征通过分类函数以获得分类结果，所述分类结果用于表示所述待检测的电池隔膜是否正常。

根据本申请的再一方面，提供了一种用于电池隔膜异常检测的神经网络的训练系统，包括：

训练图像集获取单元，用于获取经检测合格的原始电池隔膜图像作为训练图像集；

第一特征图生成单元，用于将所述训练图像集获取单元获取的训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征图；

重构电池隔膜图像生成单元，用于将所述第一特征图生成单元生成的第一特征图通过反卷积神经网络以获得重构电池隔膜图像；

第一均方差损失函数值计算单元，用于计算所述训练图像集获取单元获取的原始电池隔膜图像和所述重构电池隔膜图像生成单元生成的重构电池隔膜图像之间的第一均方差损失函数值；

差别特征生成单元，用于将所述训练图像集获取单元获取的原始电池隔膜图像和所述重构电池隔膜图像生成单元生成的重构电池隔膜图像输入差别特征提取网络以获得差别特征，所述差别特征表示所述训练图像集获取单元获取的原始电池隔膜图像和所述重构电池隔膜图像生成单元生成的重构电池隔膜图像在特征空间的差异；

分类损失函数值计算单元，用于将所述差别特征生成单元生成的差别特征通过分类函数以获得分类损失函数值；

第一参数更新单元，用于基于所述第一均方差损失函数值计算单元获得的第一均方差损失函数值和所述分类损失函数值计算单元获得的分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

在上述用于电池隔膜异常检测的神经网络的训练系统中，所述差别特征生成单元，包括：第三特征图生成子单元，用于将所述原始电池隔膜图像输入所述差别特征提取网络以获得第三特征图；第四特征图生成子单元，用于将所述重构电池隔膜图像输入所述差别特征提取网络以获得第四特征图；第三特征向量生成子单元，用于将所述第三特征图生成子单元生成的第三特征图进行空间平均值池化以获得第三特征向量；第四特征向量生成子单元，用于将所述第四特征图生成子单元生成的第四特征图进行空间平均值池化以获得第四特征向量；以及，区分特征向量生成子单元，用于基于所述第三特征向量生成子单元生成的第三特征向量和所述第四特征向量生成子单元生成的第四特征向量之间的差分获取区分特征向量作为所述差别特征。

在上述用于电池隔膜异常检测的神经网络的训练系统中，所述差别特征生成单元，包括：第三特征图生成子单元，用于将所述原始电池隔膜图像输入所述差别特征提取网络以获得第三特征图；第四特征图生成子单元，用于将所述重构电池隔膜图像输入所述差别特征提取网络以获得第四特征图；差别特征图生成子单元，用于计算所述第三特征图生成子单元生成的第三特征图和所述第四特征图生成子单元生成的第四特征图之间的L1距离或L2距离以获得差别特征图作为所述差别特征。

在上述用于电池隔膜异常检测的神经网络的训练系统中，所述训练系统进一步包括：第二特征图生成单元，用于将所述重构电池隔膜图像生成单元生成的重构电池隔膜图像输入第二卷积神经网络以获得第二特征图；第二均方差损失函数值计算单元，用于计算所述第一特征图生成单元生成的第一特征图和所述第二特征图生成单元生成的第二特征图之间的第二均方差损失函数值；第二参数更新单元，用于基于所述第一均方差损失函数值计算单元获取的第一均方差损失函数值、所述第二均方差损失函数值计算单元获取的第二均方差损失函数值和所述分类损失函数值计算单元获取的分类损失函数更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

在上述用于电池隔膜异常检测的神经网络的训练系统中，所述第一参数更新单元，包括：卷积神经网络更新子单元，用于在每一轮迭代中，先基于所述第一均方差损失函数值计算单元获取的第一均方差损失函数值更新所述第一卷积神经网络和反卷积神经网络；差别特征提取网络更新子单元，用于基于所述分类损失函数值计算单元获取的分类损失函数值更新所述差别特征提取网络。

在上述用于电池隔膜异常检测的神经网络的训练系统中，所述第一特征图生成单元中的第一卷积神经网络，包括N层卷积层，N为大于等于4小于等于5的正整数。

根据本申请的又一方面，提供了一种基于深度神经网络的用于电池隔膜异常检测系统，包括：

待检测图像获取单元，用于获取待检测的电池隔膜的图像；

差异特征生成单元，用于将所述待检测图像获取单元获得的所述待检测电池隔膜图像输入根据如上所述的用于电池隔膜异常检测的神经网络的训练方法所训练的第一卷积神经网络、反卷积神经网络和差别特征提取网络以获得差异特征；以及

分类结果生成单元，用于将所述差异特征生成单元获得的所述差异特征通过分类函数以获得分类结果，所述分类结果用于表示所述待检测的电池隔膜是否正常。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于电池隔膜异常检测的神经网络的训练方法，或者，基于深度神经网络的用于电池隔膜异常检测方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于电池隔膜异常检测的神经网络的训练方法，或者，基于深度神经网络的用于电池隔膜异常检测方法。

根据本申请提供的用于电池隔膜异常检测的神经网络的训练方法、基于深度神经网络的用于电池隔膜异常检测方法、系统和电子设备，其以纯正样本来构建训练集，使得所训练的图像重构神经网络仅能够学习到如何重构正样本，也就是，如果输入电池隔膜图像为异常电池隔膜的图像，则重构的电池隔膜图像会缺失异常特征，这样，使得基于原始图像和重构图像之间的差异便可以实现电池隔膜的异常检测。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练方法的应用场景图。

图2图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练方法的流程图。

图3图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练方法的架构示意图。

图4图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练方法中，将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征的流程图。

图5图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练方法中，将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征的另一流程图。

图6图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练方法的另一流程图。

图7图示了根据本申请实施例的基于深度神经网络的用于电池隔膜异常检测方法的流程图。

图8图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练系统的框图。

图9图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练系统中差别特征生成单元的框图。

图10图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练系统中差别特征生成单元的另一框图。

图11图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练系统的另一框图。

图12图示了根据本申请实施例的基于深度神经网络的用于电池隔膜异常检测系统的框图。

图13图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如前所述，电池隔膜是指在电池正极和负极之间一层隔膜材料，是电池中非常关键的部分，对电池安全性和成本有直接影响。电池隔膜的制备方法分为干法和湿法两类，其中，湿法使用较多。

现有的湿法是将液态烃或一些小分子物质与聚烯烃树脂混合，经加热熔融后形成均匀的混合物，然后降温进行相分离并压制得膜片。压制而成的膜片进行双向拉伸使分子链取向后得到膜材料。在现有的湿法制作设备中，由于对膜片的压制以及拉伸存在一定的工艺误差，作用在膜片表面时会使膜片产生不同程度的皱缩，进而影响膜片的制作。

因此，为了提高电池隔膜的生产良率，期待一种能够对电池隔膜的生产过程进行监控的方案，从而及时地发现膜片被压制和拉伸不合格的情况(即，膜片表面出现皱缩的情况)，以及时停止后续的制备流程，降低成本。

本申请的申请人想到，在对膜片生产质量进行监控时，可基于缺陷检测的机器视觉方案来判断膜片表面是否出现皱缩现象。然而，在实践过程中，发现基于缺陷检测的机器视觉方案存在问题。

本领域普通技术人员应知晓，对于深度神经网络而言，充足的训练样本是关键。也就是，大量的带有缺陷的电池隔膜的图像(以下称为负样本)是训练缺陷检测的深度神经网络的关键。然而，在实践过程中，由于电池隔膜本身的制备良率较高，很难采集足够的负样本来训练缺陷检测的深度神经网络。

本申请的申请人构想：是否能够仅通过正样本(即，检测合格的电池隔膜的图像)来进行电池隔膜的制备质量监控。常规而言，用于缺陷检测的机器视觉方案，其关键在于从训练样本中学习到关于缺陷的高维隐含表达，以进行质量监控。显然，从正向样本中无法学习到关于缺陷的特征表达。这就陷入了矛盾之中：一方面，无法提供充足的负样本进行训练；另一方面，充足的正样本无法实现预设的技术目的。

基于此，本申请的申请人考虑到：首先，在本申请的技术方案中，不需要考虑缺陷在图像中的位置，也不需要对缺陷进行分类，而仅需关注输入的图像中是否存在异常即可，因此，可采用用于异常检测的机器视觉方案来替代用于缺陷检测的机器视觉方案；另一方面，在本申请的技术方案中，可基于图像重构神经网络来进行异常检测。具体地，在训练过程中，通过大量的正样本作为训练集来训练图像重构神经网络以使得该图像重构神经网络能够学习到如何重构正样本的能力。应可以理解，通过正样本训练的重构神经网络仅具有重构正样本的能力而不具备重构负样本的能力，也就是，如果输入的图像为异常的电池隔膜图像，则重构的电池隔膜图像会缺失异常特征，因此，基于原始图像和重构图像之间的差异便可以实现异常检测。

基于此，本申请提供一种用于电池隔膜异常检测的神经网络的训练方法，其包括：获取经检测合格的原始电池隔膜图像作为训练图像集；将所述训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征图；将所述第一特征图通过反卷积神经网络以获得重构电池隔膜图像；计算所述原始电池隔膜图像和所述重构电池隔膜图像之间的第一均方差损失函数值；将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征，所述差别特征表示所述原始电池隔膜图像和所述重构电池隔膜图像在特征空间的差异；将所述差别特征通过分类函数以获得分类损失函数值；以及，基于所述第一均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

图1图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练方法和基于深度神经网络的用于电池隔膜异常检测方法的应用场景示意图。

如图1所示，在该应用场景的训练阶段中，通过图像传感器(例如，如图1中所示意的C)采集经检测合格的原始电池隔膜图像作为训练图像集；然后，将所述训练图像集输入至部署有用于电池隔膜异常检测的神经网络的训练算法的服务器中(例如，如图1所示意的S)，其中，所述服务器能够用于电池隔膜异常检测的神经网络的训练算法以所述训练图像集对用于电池隔膜异常检测的神经网络进行训练。

进一步地，如图1所示，在该应用场景的检测阶段，所述图像传感器(例如，如图1中所示意的C)采集待检测的电池隔膜的图像；然后，将所述待检测的电池隔膜图像集输入至部署有基于深度神经网络的用于电池隔膜异常检测算法的服务器中(例如，如图1所示意的S)，其中，所述服务器能够基于深度神经网络的用于电池隔膜异常检测算法对所述待检测的电池隔膜图像进行处理，以输出用于表示所述电池隔膜是否异常的分类结果。

在介绍了本申请的基本原理后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图2图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练方法的流程图。

如图2所示，根据本申请实施例的用于电池隔膜异常检测的神经网络的训练方法，包括：S1110，获取经检测合格的原始电池隔膜图像作为训练图像集；S1120，将所述训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征图；S1130，将所述第一特征图通过反卷积神经网络以获得重构电池隔膜图像；S1140，计算所述原始电池隔膜图像和所述重构电池隔膜图像之间的第一均方差损失函数值；S1150，将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征，所述差别特征表示所述原始电池隔膜图像和所述重构电池隔膜图像在特征空间的差异；S1160，将所述差别特征通过分类函数以获得分类损失函数值；S1170，基于所述第一均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

图3图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练方法的架构示意图。如图3所示，在所述训练方法的网络架构中，首先，将获取的训练图像集(例如，如图3所示意的IN1)通过第一卷积神经网络(例如，如图3中所示意的CNN1)，以获得第一特征图(例如，如图3中所示意的F1)，特别地，在本申请的技术方案中，所述训练图像集由经检测合格的原始电池隔膜图像构成，也就是，所述训练图像集仅包括正样本；接着，将所述第一特征图通过反卷积神经网络(例如，如图3中所示意的DNN1)，以获得重构电池隔膜图像(例如，如图3中所示意的IN2)；然后，将所述原始电池隔膜图像和重构电池隔膜图像通过均方差损失函数(例如，如图3中所示意的圈X)以获得均方差损失函数值；同时，将所述原始电池隔膜图像和重构电池隔膜图像通过差别特征提取网络(例如，如图3中所示意的DNN2)以获得差别特征，接着，将所述差别特征通过分类函数(例如，如图3中所示意的圈S)以获得分类损失函数值；然后，基于所述第一均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

在步骤S1110中，获取经检测合格的原始电池隔膜图像作为训练图像集。如前所述，在本申请的技术方案中，本申请发明人尝试以纯正样本来构建训练集，使得所训练的图像重构神经网络仅能够学习到如何重构正样本，这样如果输入电池隔膜图像为异常电池隔膜的图像，则重构的电池隔膜图像会缺失异常特征，这样，使得基于原始图像和重构图像之间的差异便可以实现电池隔膜的异常检测。

在步骤S1120中，将所述训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征图。也就是，以第一卷积神经网络对所述训练图像集中的图像进行处理，提取出所述原始电池隔膜图像的高维隐含特征表示。

应可以理解，在本申请的技术方案中，如果电池隔膜是异常的，其表现为表面出现诸多褶皱，因此，可使得第一卷积神经网络聚焦于捕捉电池隔膜图像在纹理层面的特征。本领域普通技术人员应知晓，卷积神经网络在提取特征方面，其前1到3层提取的是形状、边缘等特征，再往下4到6层提取的就是纹理特征。因此，在本申请的方案中，采用与深度卷积神经网络相同结构的四到五层的卷积层来对原始电池隔膜图像进行特征提取。也就是，在本申请实施例中，所述第一卷积神经网络包括N层卷积层，N为大于等于4小于等于6的正整数。

在步骤S1130中，将所述第一特征图通过反卷积神经网络以获得重构电池隔膜图像。也就是，以反卷积神经网络对所述第一特征图进行反卷积处理，以获得重构电池隔膜图像。

本领域普通技术人员应知晓，卷积神经网络本质上是对图像进行维度压缩，而反卷积神经网络则相反，其是对图像进行维度扩展。反卷积神经网络基于反卷积操作构建，其是用于可视化所述第一卷积神经网络已经训练好的卷积网络模型，通过反卷积神经网络对经过第一卷积神经网络训练后输出的第一特征图进行可视化处理以获得重构电池隔膜图像。

在步骤S1140中，计算所述原始电池隔膜图像和所述重构电池隔膜图像之间的第一均方差损失函数值。也就是，基于所述原始电池隔膜图像和所述重构电池隔膜图像通过均方差损失函数获取所述原始电池隔膜图像和所述重构电池隔膜图像的第一均方差损失函数值。

应可以理解，所述第一均方差损失函数值表示所述原始电池隔膜图像和所述重构电池隔膜图像之间的相似程度。

在步骤S1150中，将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征，所述差别特征表示所述原始电池隔膜图像和所述重构电池隔膜图像在特征空间的差异。也就是，通过差别特征提取网络处理所述原始电池隔膜图像和所述重构电池隔膜图像以获得差别特征。

具体地，在本申请一具体示例中，将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征的过程，包括：首先，将所述原始电池隔膜图像输入所述差别特征提取网络以获得第三特征图，所述第三特征图表示通过差别特征提取网络处理的原始电池隔膜图像的特征图。然后，将所述重构电池隔膜图像输入所述差别特征提取网络以获得第四特征图，所述第四特征图表示通过差别特征提取网络处理的重构电池隔膜图像的特征图。接着，将所述第三特征图进行空间平均值池化以获得第三特征向量，也就是，对所述第三特征图进行空间平均值池化以去除杂余信息，保留关键信息的抽象处理后获得第三特征向量。接着，将所述第四特征图进行空间平均值池化以获得第四特征向量，也就是，对所述第四特征图进行空间平均值池化以去除杂余信息，保留关键信息的抽象处理后获得第四特征向量；最后，基于所述第三特征向量和所述第四特征向量之间的差分获取区分特征向量作为所述差别特征。应可以理解，在该具体示例中，以所述区分特征向量作为所述差别特征，其更聚焦于所述原始电池隔膜图像和所述重构电池隔膜图像在高维特征空间域内的差异。

图4图示了本申请实施例的用于电池隔膜异常检测的神经网络的训练方法中生成差别特征的流程图。如图4所示，在本申请实施例中，将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征，包括：S1410，将所述原始电池隔膜图像输入所述差别特征提取网络以获得第三特征图；S1420，将所述重构电池隔膜图像输入所述差别特征提取网络以获得第四特征图；S1430，将所述第三特征图进行空间平均值池化以获得第三特征向量；S1440，将所述第四特征图进行空间平均值池化以获得第四特征向量；以及，S1450，基于所述第三特征向量和所述第四特征向量之间的差分获取区分特征向量作为所述差别特征。

具体地，在本申请另一具体示例中，将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征的过程，包括：首先，将所述原始电池隔膜图像输入所述差别特征提取网络以获得第三特征图，所述第三特征图表示通过差别特征提取网络处理的原始电池隔膜图像的特征图。接着，将所述重构电池隔膜图像输入所述差别特征提取网络以获得第四特征图，所述第四特征图表示通过差别特征提取网络处理的重构电池隔膜图像的特征图。然后，计算所述第三特征图和所述第四特征图之间的L1距离或L2距离以获得差别特征图作为所述差别特征。特别地，为了防止在提高数据维度的情况下深度神经网络的训练受到大量训练参数之间的精确相关关系或者高度相关关系导致的共线性问题，使得发生深度神经网络的过拟合，影响深度神经网络的训练的情况发生，可通过所述L1距离产生稀疏权值矩阵，即产生一个稀疏模型，可以用于特征选择，或者，通过所述L2距离可以防止模型过拟合。

图5图示了本申请实施例的用于电池隔膜异常检测的神经网络的训练方法中生成差异特征的另一流程图。如图5所示，在本申请另一实施例中，将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征，包括：S1510,将所述原始电池隔膜图像输入所述差别特征提取网络以获得第三特征图；S1520，将所述重构电池隔膜图像输入所述差别特征提取网络以获得第四特征图；以及S1530，计算所述第三特征图和所述第四特征图之间的L1距离或L2距离以获得差别特征图作为所述差别特征。

在步骤S1160中，将所述差别特征通过分类函数以获得分类损失函数值。也就是，基于通过步骤S150中从所述原始电池隔膜图像和所述重构电池隔膜图像中获取的差别特征通过分类损失函数以获得分类结果，并基于真实值和分类结果之差输入损失函数，以获得分类损失函数值。

在步骤S1170中，基于所述第一均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。也就是，基于通过步骤S1140获得的第一均方差损失函数值和步骤S1160获得的分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络，以使得该神经网络能够学习到如何重构正样本的能力。

具体地，在本申请一具体示例中，基于所述第一均方差损失函数和所述分类损失函数更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络的过程，包括：首先，在每一轮迭代中，先基于所述第一均方差损失函数更新所述第一卷积神经网络和反卷积神经网络；然后，基于所述分类损失函数更新所述差别特征提取网络，其中，所述分类损失函数表示对于原始电池隔膜图像和重构电池隔膜图像的特征图的差别。也就是，在更新时将图像重构神经网络和差别特征提取网络分别单独训练，单独训练可以有效提高训练效率，减小过拟合的风险。

特别地，如图6所示，在本申请又一实施例中，所述的用于电池隔膜异常检测的神经网络的训练方法，进一步包括：S1180，将重构的电池隔膜图像输入第二卷积神经网络以获得第二特征图；S1190，计算所述第一特征图和所述第二特征图之间的第二均方差损失函数值；S1200，基于所述第一均方差损失函数值、所述第二均方差损失函数值和所述分类损失函数更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

在步骤S1180中，将重构的电池隔膜图像输入第二卷积神经网络以获得第二特征图。也就是，基于所述第二卷积神经网络对所述经过反卷积神经网络生成的重构电池隔膜图像进行处理，以获得所述第二特征图。

在步骤S1190中，计算所述第一特征图和所述第二特征图之间的第二均方差损失函数值。应可以理解，第一均方差损失函数表示原始图像和重构图像之间的差异，即，语义层面的差别或者说上下文语义损失；第二均方差损失函数表示潜在特征空间中原始特征图和重构特征图的差异。

在步骤S1200中，基于所述第一均方差损失函数值、所述第二均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。也就是综合所述第一均方差损失函数值、所述第二均方差损失函数值和所述分类损失函数值以优化训练效果，使得所述重构神经网络能够更好地学习到如何重构正样本。

具体地，在本申请一具体示例中，基于所述第一均方差损失函数、所述第二均方差损失函数和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络，包括：首先，在每一轮迭代中，先基于所述第一均方差损失函数和第二均方差损失函数更新所述第一卷积神经网络和反卷积神经网络；然后，后基于所述分类损失函数更新所述差别特征提取网络。也就是，在更新时将图像重构神经网络和差别特征提取网络分别单独训练，单独训练可以有效提高训练效率，减小过拟合的风险。

综上，基于本申请实施例的用于电池隔膜异常检测的神经网络的训练方法被阐明，其采用用于异常检测的机器视觉方案来替代用于缺陷检测的机器视觉方案，通过大量的正样本作为训练集来训练图像重构神经网络以使得该图像重构神经网络能够学习到如何重构正样本的能力，通过正样本训练的重构神经网络仅具有重构正样本的能力而不具备重构负样本的能力，如果输入的图像为异常的电池隔膜图像，则重构的电池隔膜图像会缺失异常特征，通过这样的方式，使得基于原始图像和重构图像之间的差异便可以实现电池隔膜的异常检测。

根据本申请的另一方面，还提供了一种基于深度神经网络的用于电池隔膜异常检测方法。

图7图示了根据本申请实施例的基于深度神经网络的用于电池隔膜异常检测方法的流程图。如图7所示，根据本申请实施例的基于深度神经网络的用于电池隔膜异常检测方法，包括：S1710，获取待检测的电池隔膜的图像；S1720，将所述待检测电池隔膜图像输入根据如上所述的用于电池隔膜异常检测的神经网络的训练方法所训练的第一卷积神经网络、反卷积神经网络和差别特征提取网络以获得差异特征；以及，S1730，将所述差异特征通过分类函数以获得分类结果，所述分类结果用于表示所述待检测的电池隔膜是否正常。

特别的，如上所述，将所述待检测图像集输入如上所述的用于电池隔膜异常检测的神经网络的训练方法的所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络以获得差异特征，将所述差异特征通过分类函数以获得分类结果，所述分类结果用于表示所述待检测的电池隔膜是否正常。值得一提的是，首先，在本申请的技术方案中，不需要考虑缺陷在图像中的位置，也不需要对缺陷进行分类，而仅需关注输入的图像中是否存在异常即可，因此，可采用用于异常检测的机器视觉方案来替代用于缺陷检测的机器视觉方案；另一方面，在本申请的技术方案中，可基于图像重构神经网络来进行异常检测，因此，基于原始图像和重构图像之间的差异便可以实现异常检测。

综上，基于本申请实施例的基于深度神经网络的用于电池隔膜异常检测方法被阐明，其以纯正样本来构建训练集，使得所训练的图像重构神经网络仅能够学习到如何重构正样本，也就是，如果输入电池隔膜图像为异常电池隔膜的图像，则重构的电池隔膜图像会缺失异常特征，这样，使得基于原始图像和重构图像之间的差异便可以实现电池隔膜的异常检测。

示例性装置

图8图示了根据本申请实施例的用于电池隔膜异常检测的神经网络的训练系统的框图。

如图8所示，根据本申请实施例的用于电池隔膜异常检测的神经网络的训练系统8100，包括：训练图像集获取单元8110，用用于获取经检测合格的原始电池隔膜图像作为训练图像集；第一特征图生成单元8120，用于将所述训练图像集获取单元8110获取的训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征图；重构电池隔膜图像生成单元8130，用于将所述第一特征图生成单元8120生成的第一特征图通过反卷积神经网络以获得重构电池隔膜图像；第一均方差损失函数值计算单元8140，用于计算所述训练图像集获取单元8110获取的原始电池隔膜图像和所述重构电池隔膜图像生成单元8130生成的重构电池隔膜图像之间的第一均方差损失函数值；差别特征生成单元8150，用于将所述训练图像集获取单元8110获取的原始电池隔膜图像和所述重构电池隔膜图像生成单元8130生成的重构电池隔膜图像输入差别特征提取网络以获得差别特征，所述差别特征表示所述训练图像集获取单元8110获取的原始电池隔膜图像和所述重构电池隔膜图像生成单元8130生成的重构电池隔膜图像在特征空间的差异；分类损失函数值计算单元8160，用于将所述差别特征生成单元8150生成的差别特征通过分类函数以获得分类损失函数值；以及，第一参数更新单元8170，用于基于所述第一均方差损失函数值计算单元8140获得的第一均方差损失函数值和所述分类损失函数值计算单元8160获得的分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

在一个示例中，在上述训练系统8100中，如图9所示，所述差别特征生成单元8150，包括：第三特征图生成子单元8151，用于将所述训练图像集获取单元8110获取的原始电池隔膜图像输入所述差别特征提取网络以获得第三特征图；第四特征图生成子单元8152，用于将所述重构电池隔膜图像生成单元8130生成的重构电池隔膜图像输入所述差别特征提取网络以获得第四特征图；第三特征向量生成子单元8153，用于将所述第三特征图生成子单元8151生成的第三特征图进行空间平均值池化以获得第三特征向量；第四特征向量生成子单元8154，用于将所述第四特征图生成子单元8152生成的第四特征图进行空间平均值池化以获得第四特征向量；以及，区分特征向量生成子单元8155，用于基于所述第三特征向量生成子单元8153生成的第三特征向量和所述第四特征向量生成子单元8154生成的第四特征向量之间的差分获取区分特征向量作为所述差别特征。

在一个示例中，在上述训练系统8100中，如图10所示，所述差别特征生成单元8150，包括：第三特征图生成子单元8151，用于将所述训练图像集获取单元8110获取的原始电池隔膜图像输入所述差别特征提取网络以获得第三特征图；第四特征图生成子单元8152，用于将所述重构电池隔膜图像生成单元8130生成的重构电池隔膜图像输入所述差别特征提取网络以获得第四特征图；以及，差别特征图生成子单元8156，用于计算所述第三特征图生成子单元8151生成的第三特征图和所述第四特征图生成子单元8152生成的第四特征图之间的L1距离或L2距离以获得差别特征图作为所述差别特征。

在一个示例中，在上述训练系统8100中，所述第一参数更新单元8170，包括：卷积神经网络更新子单元8171，用于在每一轮迭代中，先基于所述第一均方差损失函数值计算单元8140获取的第一均方差损失函数值更新所述第一卷积神经网络和反卷积神经网络；差别特征提取网络更新子单元8172，用于基于所述分类损失函数值计算单元8160获取的分类损失函数值更新所述差别特征提取网络。

在一个示例中，如图11所示，在上述训练系统8100中，进一步包括：第二特征图生成单元8180，用于将所述重构电池隔膜图像生成单元8130生成的重构电池隔膜图像输入第二卷积神经网络以获得第二特征图；第二均方差损失函数值计算单元8190，用于计算所述第一特征图生成单元8120生成的第一特征图和所述第二特征图生成单元8180生成的第二特征图之间的第二均方差损失函数值；第二参数更新单元8200，用于基于所述第一均方差损失函数值计算单元8140获取的第一均方差损失函数值、所述第二均方差损失函数值计算单元8190获取的第二均方差损失函数值和所述分类损失函数值计算单元8160获取的分类损失函数更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

在一个示例中，在上述训练系统8100中，所述第二参数更新单元8200，包括：卷积神经网络更新子单元8171，用于在每一轮迭代中，先基于所述第一均方差损失函数值计算单元8140获取的第一均方差损失函数值更新所述第一卷积神经网络和反卷积神经网络；差别特征提取网络更新子单元8172，用于基于所述分类损失函数值计算单元8160获取的分类损失函数值更新所述差别特征提取网络。

在一个示例中，在上述训练系统8100中，所述第一卷积神经网络，包括N层卷积层，N为大于等于4小于等于5的正整数。

这里，本领域技术人员可以理解，上述训练系统8100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的用于电池隔膜异常检测的神经网络的训练方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的训练系统8100可以实现在各种终端设备中，例如用于电池隔膜异常检测的服务器等。在一个示例中，根据本申请实施例的训练系统8100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该训练系统8100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该训练系统8100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该训练系统8100与该终端设备也可以是分立的设备，并且该训练系统8100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图12图示了根据本申请实施例的基于深度神经网络的用于电池隔膜异常检测系统的框图。

如图12所示，根据本申请实施例的基于深度神经网络的用于电池隔膜异常检测系统9100，包括：待检测图像获取单元9110，用于获取待检测的电池隔膜的图像；差异特征生成单元9120，用于将所述待检测图像获取单元获得的所述待检测电池隔膜图像输入根据如上所述的用于电池隔膜异常检测的神经网络的训练方法所训练的第一卷积神经网络、反卷积神经网络和差别特征提取网络以获得差异特征；以及，分类结果生成单元9130，用于将所述差异特征生成单元获得的所述差异特征通过分类函数以获得分类结果，所述分类结果用于表示所述待检测的电池隔膜是否正常。

这里，本领域技术人员可以理解，上述监控系统9100中的各个单元和模块的具体功能和操作已经在上面参考图7的基于深度神经网络的用于电池隔膜异常检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的监控系统9100可以实现在各种终端设备中，例如用于电池隔膜异常检测的服务器等。在一个示例中，根据本申请实施例的监控系统9100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该监控系统9100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该监控系统9100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该监控系统9100与该终端设备也可以是分立的设备，并且该监控系统9100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备

下面，参考图13来描述根据本申请实施例的电子设备。

图13图示了根据本申请实施例的电子设备的框图。

如图13所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的用于电池隔膜异常检测的神经网络的训练方法，或者，基于深度神经网络的用于电池隔膜异常检测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如训练图像集、分类结果等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图13中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于电池隔膜异常检测的神经网络的训练方法，或者，基于深度神经网络的用于电池隔膜异常检测方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于电池隔膜异常检测的神经网络的训练方法，或者，基于深度神经网络的用于电池隔膜异常检测方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种用于电池隔膜异常检测的神经网络的训练方法，其特征在于，包括：

获取经检测合格的原始电池隔膜图像作为训练图像集；

将所述训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征图；

将所述第一特征图通过反卷积神经网络以获得重构电池隔膜图像；

计算所述原始电池隔膜图像和所述重构电池隔膜图像之间的第一均方差损失函数值；

将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征，所述差别特征表示所述原始电池隔膜图像和所述重构电池隔膜图像在特征空间的差异；

将所述差别特征通过分类函数以获得分类损失函数值；以及

基于所述第一均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

2.根据权利要求1所述的用于电池隔膜异常检测的神经网络的训练方法，其中，在将所述训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征向量中，所述第一卷积神经网络包括N层卷积层，N为大于等于4小于等于5的正整数。

3.根据权利要求1所述的用于电池隔膜异常检测的神经网络的训练方法，将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征，包括：

将所述原始电池隔膜图像输入所述差别特征提取网络以获得第三特征图；

将所述重构电池隔膜图像输入所述差别特征提取网络以获得第四特征图；

将所述第三特征图进行空间平均值池化以获得第三特征向量；

将所述第四特征图进行空间平均值池化以获得第四特征向量；以及

基于所述第三特征向量和所述第四特征向量之间的差分获取区分特征向量作为所述差别特征。

4.根据权利要求1所述的用于电池隔膜异常检测的神经网络的训练方法，其中，将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征，包括：

将所述原始电池隔膜图像输入所述差别特征提取网络以获得第三特征图；

将所述重构电池隔膜图像输入所述差别特征提取网络以获得第四特征图；

计算所述第三特征图和所述第四特征图之间的L1距离或L2距离以获得差别特征图作为所述差别特征。

5.根据权利要求1所述的用于电池隔膜异常检测的神经网络的训练方法，进一步包括：

将重构的电池隔膜图像输入第二卷积神经网络以获得第二特征图；

计算所述第一特征图和所述第二特征图之间的第二均方差损失函数值；

其中，基于所述第一均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络，包括：

基于所述第一均方差损失函数值、所述第二均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

6.根据权利要求1所述的用于电池隔膜异常检测的神经网络的训练方法，其中，基于所述第一均方差损失函数和所述分类损失函数更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络，包括：

在每一轮迭代中，先基于所述第一均方差损失函数值更新所述第一卷积神经网络和反卷积神经网络；以及

基于所述分类损失函数值更新所述差别特征提取网络。

7.一种基于深度神经网络的用于电池隔膜异常检测方法，其特征在于，包括：

获取待检测的电池隔膜的图像；

将所述待检测电池隔膜图像输入根据权利要求1到6中的任意一项所述的用于电池隔膜异常检测的神经网络的训练方法所训练的第一卷积神经网络、反卷积神经网络和差别特征提取网络以获得差异特征；以及

将所述差异特征通过分类函数以获得分类结果，所述分类结果用于表示所述待检测的电池隔膜是否正常。

8.一种用于电池隔膜异常检测的神经网络的训练系统，其特征在于，包括：

训练图像集获取单元，用于获取经检测合格的原始电池隔膜图像作为训练图像集；

第一特征图生成单元，用于将所述训练图像集获取单元获得的所述训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征图；

重构电池隔膜图像生成单元，用于将所述第一特征图生成单元获得的所述第一特征图通过反卷积神经网络以获得重构电池隔膜图像；

第一均方差损失函数值计算单元，用于计算所述训练图像集获取单元获得的所述原始电池隔膜图像和所述重构电池隔膜图像生成单元获得的所述重构电池隔膜图像之间的第一均方差损失函数值；

差别特征生成单元，用于将所述训练图像集获取单元获得的所述原始电池隔膜图像和所述重构电池隔膜图像生成单元获得的所述重构电池隔膜图像输入差别特征提取网络以获得差别特征，所述差别特征表示所述原始电池隔膜图像和所述重构电池隔膜图像在特征空间的差异；

分类损失函数值计算单元，用于将所述差别特征通过分类函数以获得分类损失函数值；

第一参数更新单元，用于基于所述第一均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

9.一种基于深度神经网络的用于电池隔膜异常检测系统，其特征在于，包括：

待检测图像获取单元，用于获取待检测的电池隔膜的图像；

差异特征生成单元，用于将所述待检测图像获取单元获得的所述待检测电池隔膜图像输入根据权利要求1到6中的任意一项所述的用于电池隔膜异常检测的神经网络的训练方法所训练的第一卷积神经网络、反卷积神经网络和差别特征提取网络以获得差异特征；以及

分类结果生成单元，用于将所述差异特征生成单元获得的所述差异特征通过分类函数以获得分类结果，所述分类结果用于表示所述待检测的电池隔膜是否正常。

10.一种电子设备，包括：

处理器；以及

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的用于电池隔膜异常检测的神经网络的训练方法，或者，如权利要求7所述的基于深度神经网络的用于电池隔膜异常检测方法。

Images