CN115294009A - 一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质 - Google Patents

Abstract

本发明涉及一种基于机器学习检测电池极耳焊接缺陷的方法，包括以下步骤：S10、收集样本并分割极耳；S20、特征提取；S30、转换特征向量；S40、创建MLP分类器；S50、训练MLP分类器；S60、激活输入数据模型；S70、用MLP分类器对目标模型的缺陷种类进行划分，先按步骤S20提取相同的目标特征，然后将目标特征转换成目标特征向量后导入MLP分类器，MLP分类器将目标特征向量与样本特征向量的训练模型进行比对，判定缺陷种类。该方法采取特征提取，将特征转换成向量添加至训练器并按缺陷种类进行训练，训练后的分类器可以自动对新模型缺陷进行划分并且速度快、准确率高、成本低。

Description

一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存 储介质

技术领域

本发明涉及一种电池极耳的检测方法，尤其是一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质。

背景技术

激光焊接技术在手机里电池极耳和电路保护板焊接工艺中应用广泛，受激光能量不稳定、机械振动以及物料残次等因素的影响，焊接产品不可避免的存在不同种类的焊接缺陷。

比较传统的是通过接触式测量，通过三坐标轮廓测量仪测量出极耳的轮廓特征，根据轮廓特征判断极耳的缺陷。通过测头触碰极耳的轮廓，获取极耳边缘的位置信息，虽然测量精度高，但是因为侧头需要完整的接触极耳的轮廓，所以测量效率低，并且收集的数据都是点云数据处理起来相当麻烦。

发明内容

为解决上述问题，本发明提供一种针锂电池极耳在焊接工艺中所产生的极耳翻折、焊点不足以及极耳短缺等缺陷，在机器视觉的基础上提出了一种用机器学习的方法对极耳焊接缺陷进行识别与检测，具体技术方案为：

一种基于机器学习检测电池极耳焊接缺陷的方法，包括以下步骤：

S10、收集样本并分割极耳，筛选出一部分能代表某几种缺陷的个体作为样本，并从样本上分割出极耳；

S20、特征提取，对极耳进行区域特征分析，并提取关于缺陷的灰度信息和几何特征；

S30、转换特征向量，将所述几何特征转换成一维向量，并做标准化处理，构造样本的协方差矩阵；

S40、创建MLP分类器，用create_class_mlp算子创建MLP分类器,并返回一个句柄用来保存分类器的参数；

S50、训练MLP分类器，采用BP反向传播算法来训练MLP分类器，得到输入训练模型；

S60、导入MLP分类器，通过激活函数激活MLP分类器；

S70、用MLP分类器对目标模型的缺陷种类进行划分，先按步骤S20提取相同的目标特征，然后将目标特征转换成目标特征向量后导入MLP分类器，MLP分类器将目标特征向量与样本特征向量的训练模型进行比对，判定缺陷种类。

优选的，所述步骤S20中，先读取拍摄有电池的图像，然后分割电池的极耳，根据电池极耳提取特征，特征包括极耳的灰度特征和几何特征，根据极耳的灰度特征和几何特征可以分析出极耳的缺陷种类。

其中，所述步骤S30中，协方差矩阵公式：

式中，n代表数据的总体，u_j和u_k分别代表特征j和k的均值；

计算协方差特征值与特征向量之间的关系，选取包含信息最多的特征向量组成子集，且选择特征值大小靠前的k个特征值作为选中的特征值，其对应的特征变量作为构建映射矩阵的特征向量，将选中的k个特征向量构成一个(d,k)维的矩阵W。

进一步的，所述步骤S40中，所述create_class_mlp包含以下参数：

输入参数：NumInput用于在训练的过程中确定特征向量的长度；

NumOutput，用于确定类别的数量；

OutputFunction，用于描述神经网络的输出单元所使用的函数；

Preprocessing，用于定义应用于训练特征向量以及后面用于分类和评估的预处理方法；

NumComponents，用于定义了如果选择减少特征向量位数的预处理方法；

RandSeed，是MLP分类器被一个随机数初始化后的权重；

输出参数：MLPHandle，一个句柄用于保存MLP分类器的所有参数。

优选的，所述步骤S50中，训练MLP分类器包括以下步骤：

S51、所有边的权重随机分配；

S52、前向传播：利用训练集中所有样本的输入特征，作为输入层，对于所有训练数据集中的入，人工神经网络都被激活，然后经过前向传播，得到输出值；

S53、反向传播：利用输出值和样本值计算总误差，再利用反向传播来更新权重；

S54、重复S52～S53，直到输出误差低于制定的标准；

上述过程结束后得到一个学习过的MLP网络，所述MLP网络可以接受新输入。

优选的，所述步骤S60中，所述激活函数为可微函数。

优选的，所述步骤S70中，所述MLP分类器直接决定类与类之间的分离超平面，而超平层分割开每个类之间的特征向量，落在层一边的特征向量属于类别1，落在另一边则属于类别2。

进一步的，计算特征向量的线性组合或者来自前一层的结果，每一个处理单元首先计算输入值得线性组合的激励值：

特征向量；

L层的结果向量；

L层的权重；

然后，结果传入到非线性激活函数：

对于隐含层单元，激励函数是双曲线正切函数：

对于输出函数，使用softmax激活函数，它将输出值映射到范围(0,1)中，使它们加起来为1：

一种电池极耳焊接缺陷的检测设备，包括：

相机，用于拍摄极耳；

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以执行以下操作：

获取相机拍摄的极耳图像；

对拍摄的极耳图像执行所述计算机程序以实现如权利要求1至7任一项所述的一种基于机器学习检测电池极耳焊接缺陷的方法。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种基于机器学习检测电池极耳焊接缺陷的方法。

与现有技术相比本发明具有以下有益效果：

本发明提供的一种基于机器学习检测电池极耳焊接缺陷的方法采用非接触式测量检测极耳的缺陷，相比于传统的检测方法：

1、无需接触测量，用图像处理的方法可以直接提取极耳的轮廓特征；

2、用机器学习的方法，可以检测多种缺陷种类；

3、采取多种特征作以加权的方式作为判断缺陷的依据；

4、不需要人工干预调整阈值，可以通过分类器建立的数据模型，自动划分类别且准确率高；

5、学习能力强，可以随时添加样本，优化数据模型；

6、鲁棒性较强，不易受噪声影响；

7、并行处理能力强，检测速度快；

8、机器学习没有复杂的逻辑，操作简便，如果需要检测新的缺陷类型，只需添加新缺陷的样本到数据模型当中。

附图说明

图1是一种基于机器学习检测电池极耳焊接缺陷的方法的流程图；

图2是特征向量在MLP神经网络的传导过程；

图3是神经网络每一层的处理单元，计算特征向量的线性组合或者来自前一层的结果；

图4是一种电池极耳焊接缺陷的检测设备；

图5是极耳分割后的效果图；

图6是极耳提取特征的结果；

图7是检测结果。

具体实施方式

现结合附图对本发明作进一步说明。

本发明为了改善电池极耳缺陷检测的准确率和实时性，在机器视觉的基础上提出了一种用机器学习的方法，解决了由于产品多样化，缺乏针对性算法的难题。

在工业生产环境中，对于不同类型和规格的产品，有必要根据产品缺陷的检测及时调整参数的阈值，以提高设备的检测率，但是产品的缺陷往往不是由某一特征决定的，而是由多种特征按各自的权重比共同决定的，只用人工干预的方式对于设备的检测形式过于单一，对于复杂的缺陷类型这种方式对于检测率不会有明显的提升，本发明提供了一套可以根据模型和样本的数量自动调整优化参数指标的方法，这种方法在机器学习中称机器分类，机器分类目前常用的模型有三种，MLP、SVM和GMM，其中最常用的是MLP，全称多层感知机也叫人工神经网络，首先随机初始化连接MLP各个层之间的权重以及偏置，通过不断的迭代，计算梯度和优化算法把分类器的数据模型优化到最佳，这个过程涉及到代价函数、规则化(Regularization)、学习速率(learning rate)、梯度计算等，直到样本的数据满足某个条件为止，比如误差足够小、迭代次数足够多时，就可以通过特征判定缺陷缺陷的种类。

本发明在实施过程中与机器学习和图像处理相关的算法是由halcon算法库提供，halcon中提供了丰富的图像处理包，在应用的过程中只需要针对采集的图像调整最优的参数达到一个较好的效果即可。

本发明采用机器分类中的MLP模型，首先对收集到的样本进行形态学分析，将提取的特征转换成特征向量集合输入训练器中作为学习样本，通过特征的样本集建立神经网络模型。

如图1至图7所示，在应用的过程中只需要针对采集的图像调整最优的参数达到一个较好的效果即可，下面通过具体实施和算子在实施例中的应用来具体说明实现步骤：

S11、先随机抽选100个电池作为样本，假设100个电池有50个极耳合格的电池和50个极耳有缺陷的电池，也可以把缺陷的电池再细分种类，本实施例中把电池极耳的缺陷划分为翻折、短缺两种缺陷。

从研究对象中筛选出一部分能代表某几种缺陷的个体作为样本，在抽取样本的过程中，必须遵守随机化原则，而且每种缺陷的个体数量也要满足足够的数量。在监督学习中，每种缺陷的样本不仅作为神经网络模型学习数据特征的来源，还要负责验证和评估模型的好坏程度，以及对训练完的模型在现实环境中的表现如何做出测试。

S12、部署视觉硬件系统，本实施例中选取的是1100w的黑白相机和8m的定焦镜头，相机镜头的安装高度840mm，相机的安装方向和电池来料的方向垂直，光源选取200mm×200mm的白色LED背光源，需要兼容多种电池型号，电池最大的尺寸为150mm×70mm，视觉系统如图4所示。

S21、分割极耳，为了提取极耳的特征需要把极耳从电池上分割出来，首先阈值分割出图像上灰度值范围为0-70的特征作为电池，然后计算出电池的方向，按照电池的方向生成一个大小为100×20像素的结构元素，沿着电池的方向做开运算，先除去极耳部分，再跟电池做差集，可以从电池上分割出以极耳为主的区域，在做差集的过程中可能会产生一部分噪点是需要滤除的，极耳和噪点的面积和矩形率有明显区分，通过测试筛选极耳的面积范围设置在(2000,99999)(像素大小),矩形率设置在(0.7,1)之间，随后分割的效果如图5所示。

S22、形态学分析，步骤3完成后连通域处理分割出的极耳，可以分别提取出极耳的两个区域，然后对区域做特征分析，用region_features算子分别提取区域的长轴的长度、短轴的长度、面积大小、最小矩形率、凸包率和边缘点到中心距离方差的值作为样本的特征，提取的特征结果如图6所示。

特征是指图像上能描述缺陷的灰度信息和几何特征，一般来说包括缺陷的灰度、长度、宽度、面积，矩形度、圆度、凸包率等。本发明采取方法是图像处理中常用的斑点分析法，对图像中的缺陷的像素(也称为前景)通过其灰度值来识别，斑点分析主要包括：先读取拍摄有电池的图像，然后分割电池的极耳，根据电池极耳提取特征，特征包括极耳的灰度特征和几何特征，根据极耳的灰度特征和几何特征可以分析出极耳的缺陷种类。

灰度特征，是指极耳分布在图像上像素的灰度信息和位置信息，灰度信息就是把亮度值进行量化，通常划分成0到255共256级，其中0表示全黑，255表示全亮，灰度图像就是将不同灰度信息的特征划分成独立的区域每个区域不相连，位置信息是指由灰度信息划分成区域在图像上的位置，就是像素坐标(X,Y)。

S30、特征转换成特征向量，从抽取的样本中能稳定的提取S22的的特征，将每个样本中提取的灰度特征和几何特征转换成一维向量，该实例中采用特征的灰度g、面积s、中心坐标x、中心坐标y、矩形度r、圆度c、凸包率t的值作为特征向量的元素，构成特征向量x＝[g,s,x,y,r,c,t]；

把S22中提取的特征值转换成一维向量做标准化处理，构造样本的协方差矩阵，公式：

n代表数据的总体，u_j和u_k分别代表特征j和k的均值；在标准化后的数据中，样本的均值为0，所以在标准化处理后的数据的协方差又可表示为：

计算协方差特征值与特征向量之间的关系，选取那些包含信息最多的特征向量组成子集，特征值的数量决定了特征向量的重要性，所以选择特征值大小靠前的k个特征值作为选中的特征值，其对应的特征变量作为构建映射矩阵的特征向量，将选中的k个特征向量构成一个(d,k)维的矩阵W。

S41、用create_class_mlp算子创建MLP分类器,并返回一个句柄用来保存分类器的参数。create_class_mlp包含几个重要参数，在创建的过程中需要被确定：

输入参数：NumInput用于在训练的过程中确定特征向量的长度，在步骤4中我们用形态学分析获得了极耳的5个特征，所以特征向量的长度为5。

NumHidden定义了多层神经网络中的隐藏层，调整这个值要谨慎，因为这个参数对分类的结果影响非常大，一般这个值介于NumInput和NumOutput之间。这个值如果过大，会造成过拟合，相对来说取较小的值虽然简化了隐藏层，反而可以提升效果，这是因为分类器使用噪声等不重要的细节来构造class的分界点，通过这种方法创建分类器对数据训练会起到一个很好的作用，但如果特征向量包含这种不重要的细节，可能会导致一个失败的结果。总言之，过拟合会失去大部分性能。

NumOutput确定类别的数量；

OutputFunction描述了神经网络的输出单元所使用的函数,可选择的值有‘softmax’,‘logistic’和‘linear’。大多数的分类器应用，都是选择‘softmax’，值'logistic'可以用于具有多个独立逻辑属性作为输出的分类问题，但这种分类问题在实践中很少见。值‘linear’用于最小二乘拟合(回归)而不是用于分类，因此，在此处忽略这个值。

Preprocessing定义应用于训练特征向量以及后面用于分类和评估的预处理方法。合适的预处理方法可用于加速训练和分类，有时甚至可以提高识别率。可选择的值‘none’，‘normalization’，‘principal_components’和‘canonical_variates’。大多数情况，预处理方法设置为‘normalization’,因为与‘none’相比，它可以再不丢失信息的情况下提高速度。特征向量通过减去训练向量的平均值并将结果除以各个分量的标准差用来训练向量。因此，变换后的特征向量的均值为0，标准差为1，归一化不会改变特征向量的长度。如果在训练过程中比较看重速度并且还想较高的准确率，可以使用‘principal_components’减少特征向量的长度，采用这种方法，特征向量被归一化和额外变换，使得协方差矩阵变成对角矩阵，因此可以在不丢失大量信息的情况下减少数据量。如果输入的类别是线性可分的，也可以使用规范变量‘canonical_varirates’。这种方法也成为线性判别分析，归一化特征向量的转换使所有类别的训练向量平均去相关，同时这种转换很大程度的分离了各个类别的平均值，这种方法结合了‘principal_components’方法的优点和数据简化后类的优化分离性。但需要注意的事，参数‘canonical_variates’仅推荐用于线性可分类，对于MLP分类器，只有在参数OutputFunction设置为‘softmax’时才能使用‘caninical_variates’.

NumComponents定义了如果选择减少特征向量位数的预处理方法，则特征向量要减少到的分量数。特别是，当Preprocessing设置为‘principal_components’或‘canonical_variates’时，NumCompoents才有用。

RandSeed是MLP分类器被一个随机数初始化后的权重。为了重现性，该随机数的种子值出现在输入参数RandSeed中。

输出参数：MLPHandle，一个句柄用于保存MLP分类器的所有参数。

MLP分类器全称Multi-layer Preceptron是一种多层感知机，多层感知机是一种机器学习算法，通过在数据集上进行训练后，学习得到一个函数f(·):R^m→R^O。m是输入数据的维度，o是输出数据的维度。给定一组特征值X＝x₁,x₂,x₃,…x_m和一个目标值y，MLP可以为每个分类和回归学习到一个非线性函数的估计值。与逻辑回归(Logistic Regression)不同，在MLP中，输入层与输出层之间可以有一层或多个线性层，称之为隐藏层。图2显示了特征向量在MLP神经网络的传导过程，由输入层、隐含层和输出层三层组成。其中每一层的单元与与之相邻层的所有单元连接，同一层的单元之间没有连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层。中间隐藏层中的每个神经元都是用加权线性求和的方式将前一层的值进行转换，然后使用非线性激活函数，如双曲tan函数。输出层从最后一个隐层接受值，将他们转换为输出值。改模型包括两个公共属性coefs_和intercepts_。coefs_是权矩阵的列表，在全矩阵中下表为i的元素代表第i层和第i+1层的权重；intercepts_是偏置向量的列表，下标为i的元素代表加在第i+1层上的偏置值。

S42、添加样本，有100个样本，其中有50个合格的电池样品，通过步骤S22的形态学分析，将样品提取到的特征传换成特征向量，利用add_sample_class_mlp将其中50个合格的电池样品划分到OK类别，将剩下的50个极耳NG的样品分为短缺和弯折两种缺陷类型，分别提取特征转换成特征向量添加到对应的类别中。

输入参数：Features包含要添加到分类器的样本的特征向量。这个特征向量是一个一维数组，其中储存特征的值，并且需要用实数保存。

Target描述了目标向量，即把相应的类ID分配给特征向量。如果OutputFunction设置为‘softmax’，则目标向量是一个数组，其中包含一个值为1的元素和多个值为0的元素。目标向量的数组大小由create_class_mlp的NumOutput参数决定，数组的索引定义了特征向量Features所属的类，索引是从0开始计数的整数。对于OutputFunction设置成‘logistic’,每个索引表示存在响应的特征。如果OutputFunction设置成‘linear’,则目标向量可以包含任意实数。

S50、训练分类器。训练MLP训练器用train_class_mlp算子，训练分类器可以确定MLP权重的最佳值，所以需要足够的样本数。训练由复杂的非线性优化过程执行，该过程最小化MLP的输出与add_sample_class_mlp定义的目标向量的差异。

输入值：输入和输出参数MLPHandle是使用create_class_mlp创建的分类器的句柄，并且通过add_sample_class_mlp添加它们或使用read_samples_class_mlp读取它们来存储样本。应用train_class_mlp后，为未知数据的分类准备了句柄，也就是说，它包含有关如何分离类的数据模型。

输入参数Maxiterations、WeightTolerance和ErrorTolerance控制非线性优化算法。Maxiteration确定优化算法的迭代次数，如果权重变化小于WeightTolerance且误差的变化小于ErrorTolerance，则优化终止。很多情况下，优化终止于Maxiterations的迭代次数达到最大值后。对于后者，大多数情况下100到200之间的值就足够了，默认值为200。减小该值，可以提高训练速度。

输出参数Error值返回MLP分类器训练获取最佳权重的误差。

输出参数ErrorLog返回误差，作为迭代次数的函数，此函数可以用于决定是否应进行第二次训练。

MLP训练过程，一般采用BP反向传播算法来训练MLP多层感知器。采用BP反向传播算法就像从错误中学习，监督者在人工神经网络犯错误时进行纠正。MLP包含多层节点，输入层，中间隐藏层和输出层。相邻层节点的连接都有配有权重，学习的目的是为这些边缘分配正确的权重。通过输入向量，这些权重可以决定输出向量。在监督学习中，训练集是已标注的。这意味着对于一些给定的输入，能够知道期望的输出，MLP训练过程大致如下：

1)所有边的权重随机分配；

2)前向传播：利用训练集中所有样本的输入特征，作为输入层，对于所有训练数据集中的入，人工神经网络都被激活，然后经过前向传播，得到输出值。

3)反向传播：利用输出值和样本值计算总误差，再利用反向传播来更新权重。

4)重复2)～3),直到输出误差低于制定的标准。

上述过程结束后，就得到了一个学习过的MLP网络，该网络被认为是可以接受新输入的。

S60：导入输入数据模型，通过激活函数激活输入数据模芯；MLP可以使用任何形式的激活函数，譬如阶梯函数或逻辑乙型函数(logistic sigmoid function)，但为了使用反向传播算法进行有效学习，激活函数必须限制为可微函数。由于好可微性，很多乙型函数，尤其是双曲正切函数(Hyperbolictangent)及逻辑乙型函数，被采用为激活函数。激活函数的作用是将非线性引入神经元的输出。因为大多数显示数据都是非线性的，要想让神经元能够以学习非线性的函数表示，激活函数至关重要。

S70、在完成训练后，开始用分类器对未知的电池进行检测，同样在导入电池样品后进行特征提取，将特征向量转换成位置的特征向量，然后将特征向量传入分类器进行分类。算子classify_class_mlp通过MLP分类器，将新样品提取的未知的特征向量准确的划分到分类器的类别中。

参数MLPHandle描述了用create_class_mlp创建的句柄，句柄包含了add_sample_class_mlp算子添加样本的信息，也包含了train_class_mlp训练样本的信息。句柄包含了所有的信息用于MLP分类器将未知的向量划分到可用的类别当中。

参数Features,用于输入新的特征向量。构成特征向量的特征必须保证和训练的样本中提取的特征向量的特征是一致的。

参数Num指定要匹配最佳类的数量。一般来说，如果要匹配最合适的类，Num数量需要设置为1，如果需要模糊匹配则要设置为2，因为极耳可能会存在多种缺陷。

输出参数Class返回MLP分类器输入特征向量后的结果，如果Num设置为1，仅返回一个最匹配的值，如果Num设置为2，则会返回一个数组包含两个匹配的结果。

Confidence,返回分类的可信度。但是Confidence可能会收到异常值的影响，这是MLP分类器的算法决定的。例如，对于远离特定类的剩余样本但位于分离超平面的同一侧的特征向量，其可信度可能会比较高。另一方面，对于位于特定类的样本集群内但靠近分离超平面的对象，两个类在集群的这一部分存在重叠，因此可信度比较低。

反向传播，利用分类器判断特征向量的类别，输入新的样品，同样转换成特征向量，将特征向量传入MLP分类器，MLP分类器直接决定类与类之间的分离超平面，而超平层分割开每个类之间的特征向量，落在层一边的特征向量属于class1，也就是类别1，落在另一边则属于class2，也就是类别2。基于单层神经网络的分类器需要linearly separable(线性可分的类)，在许多应用中不够高效。基于多层神经网络的分类器则无此限制，只要隐藏层包含足够多的处理单元即可，如图3。神经网络每一层的处理单元，计算特征向量的线性组合或者来自前一层的结果。

那么，每一个处理单元首先计算输入值得线性组合的激励值：

特征向量；

L层的结果向量；

L层的权重；

然后，结果传入到非线性激活函数：

对于隐含层单元，激励函数是双曲线正切函数：

对于输出函数，使用softmax激活函数，它将输出值映射到范围(0,1)中，使它们加起来为1：

为了使用多层神经网络为分类导出分离超平面，必须调整网络权重，通过使用已知类别的特征向量去训练MLP网络。也就是说，已知输出的数据被插入到输入层并由隐藏单元处理。然后将输出与预期输出进行比较。如果输出与预期输出匹配，则调整权重增量以使误差最小化。

我们取三个新电池作为测试对象分别为一个合格的产品和两个不合格产品包含翻折和短缺缺陷，我们在提取其特征向量后，转换成特征向量交由分类器进行检测和分类，分析的结果如图7所示，结果证明采用分类器的方法能准确区分出合格和不合格的产品，并且能把缺陷的产品进行分类，用大量电池样品做实验论证，结果证明采用分类器的方法比传统的效率快、准确率更高，非常适合在电池的生产线上进行在线检测。

采取特征提取，将特征转换成向量添加至训练器并按缺陷种类进行训练，训练后的分类器可以自动对新模型缺陷进行划分并且速度快、准确率高、成本低。

如图4所示，一种电池极耳焊接缺陷的检测设备，包括：相机，用于拍摄极耳；存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以执行以下操作：获取相机拍摄的极耳图像；对拍摄的极耳图像执行所述计算机程序以实现一种基于机器学习检测电池极耳焊接缺陷的方法。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现一种基于机器学习检测电池极耳焊接缺陷的方法。

以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明权利要求的保护范围之内。

Claims (10)

1.一种基于机器学习检测电池极耳焊接缺陷的方法，其特征在于，包括以下步骤：

S10、收集样本并分割极耳，筛选出一部分能代表某几种缺陷的个体作为样本，并从样本上分割出极耳；

S20、特征提取，对极耳进行区域特征分析，并提取关于缺陷的灰度信息和几何特征；

S30、转换特征向量，将所述几何特征转换成一维向量，并做标准化处理，构造样本的协方差矩阵；

S40、创建MLP分类器，用create_class_mlp算子创建MLP分类器,并返回一个句柄用来保存分类器的参数；

S50、训练MLP分类器，采用BP反向传播算法来训练MLP分类器，得到输入训练模型；

S60、导入MLP分类器，通过激活函数激活MLP分类器；

S70、用MLP分类器对目标模型的缺陷种类进行划分，先按步骤S20提取相同的目标特征，然后将目标特征转换成目标特征向量后导入MLP分类器，MLP分类器将目标特征向量与样本特征向量的训练模型进行比对，判定缺陷种类。

2.根据权利要求1所述的一种基于机器学习检测电池极耳焊接缺陷的方法，其特征在于，所述步骤S20中，先读取拍摄有电池的图像，然后分割电池的极耳，根据电池极耳提取特征，特征包括极耳的灰度特征和几何特征，根据极耳的灰度特征和几何特征可以分析出极耳的缺陷种类。

3.根据权利要求1所述的一种基于机器学习检测电池极耳焊接缺陷的方法，其特征在于，所述步骤S30中，协方差矩阵公式：

式中，n代表数据的总体，u_j和u_k分别代表特征j和k的均值；

计算协方差特征值与特征向量之间的关系，选取包含信息最多的特征向量组成子集，且选择特征值大小靠前的k个特征值作为选中的特征值，其对应的特征变量作为构建映射矩阵的特征向量，将选中的k个特征向量构成一个(d,k)维的矩阵W。

4.根据权利要求1所述的一种基于机器学习检测电池极耳焊接缺陷的方法，其特征在于，所述步骤S40中，所述create_class_mlp包含以下参数：

输入参数：NumInput用于在训练的过程中确定特征向量的长度；

NumOutput，用于确定类别的数量；

OutputFunction，用于描述神经网络的输出单元所使用的函数；

Preprocessing，用于定义应用于训练特征向量以及后面用于分类和评估的预处理方法；

NumComponents，用于定义了如果选择减少特征向量位数的预处理方法；

RandSeed，是MLP分类器被一个随机数初始化后的权重；

输出参数：MLPHandle，一个句柄用于保存MLP分类器的所有参数。

5.根据权利要求1所述的一种基于机器学习检测电池极耳焊接缺陷的方法，其特征在于，所述步骤S50中，训练MLP分类器包括以下步骤：

S51、所有边的权重随机分配；

S52、前向传播：利用训练集中所有样本的输入特征，作为输入层，对于所有训练数据集中的入，人工神经网络都被激活，然后经过前向传播，得到输出值；

S53、反向传播：利用输出值和样本值计算总误差，再利用反向传播来更新权重；

S54、重复S52～S53，直到输出误差低于制定的标准；

上述过程结束后得到一个学习过的MLP网络，所述MLP网络可以接受新输入。

6.根据权利要求1所述的一种基于机器学习检测电池极耳焊接缺陷的方法，其特征在于，所述步骤S60中，所述激活函数为可微函数。

7.根据权利要求1所述的一种基于机器学习检测电池极耳焊接缺陷的方法，其特征在于，所述步骤S70中，所述MLP分类器直接决定类与类之间的分离超平面，而超平层分割开每个类之间的特征向量，落在层一边的特征向量属于类别1，落在另一边则属于类别2。

8.根据权利要求8所述的一种基于机器学习检测电池极耳焊接缺陷的方法，其特征在于，计算特征向量的线性组合或者来自前一层的结果，每一个处理单元首先计算输入值得线性组合的激励值：

特征向量；

L层的结果向量；

L层的权重；

然后，结果传入到非线性激活函数：

对于隐含层单元，激励函数是双曲线正切函数：

对于输出函数，使用softmax激活函数，它将输出值映射到范围(0,1)中，使它们加起来为1：

9.一种电池极耳焊接缺陷的检测设备，其特征在于，包括：

相机，用于拍摄极耳；

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以执行以下操作：

获取相机拍摄的极耳图像；

对拍摄的极耳图像执行所述计算机程序以实现如权利要求1至7任一项所述的一种基于机器学习检测电池极耳焊接缺陷的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种基于机器学习检测电池极耳焊接缺陷的方法。

Images