CN115561243B - 锂电池制备中极片质量监测系统及其方法 - Google Patents

锂电池制备中极片质量监测系统及其方法 Download PDF

Info

Publication number
CN115561243B
CN115561243B CN202211211943.XA CN202211211943A CN115561243B CN 115561243 B CN115561243 B CN 115561243B CN 202211211943 A CN202211211943 A CN 202211211943A CN 115561243 B CN115561243 B CN 115561243B
Authority
CN
China
Prior art keywords
feature map
detection
feature
training
pole piece
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211211943.XA
Other languages
English (en)
Other versions
CN115561243A (zh
Inventor
陈伟成
许名峰
孙文豹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan Yanke New Energy Co ltd
Original Assignee
Dongguan Yanke New Energy Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dongguan Yanke New Energy Co ltd filed Critical Dongguan Yanke New Energy Co ltd
Priority to CN202211211943.XA priority Critical patent/CN115561243B/zh
Publication of CN115561243A publication Critical patent/CN115561243A/zh
Application granted granted Critical
Publication of CN115561243B publication Critical patent/CN115561243B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Immunology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

公开了一种锂电池制备中极片质量监测系统及其方法，其利用不同单色光源从不同方向照射待检测样本，且只有样本表面存在缺陷的地方光线才会反射到摄像头的特性来构建锂电池极片缺陷检测方案，以提高锂电池制备中极片质量监测的精准度。

Description

锂电池制备中极片质量监测系统及其方法
技术领域
本发明涉及新能源领域，且更为具体的涉及一种锂电池制备中极片质量监测系统及其方法。
背景技术
经济的发展带动能源需求增加，锂电池由于零排放、体积小、使用寿命长等优点广泛应用于电动汽车、电子产品等领域。极片作为锂电池的要件直接决定其电化学性能及安全性，但是极片在涂覆、辊压等生产环节可能会产生各种缺陷，通过缺陷检测可防止不良品流向市场，避免安全事故发生。对缺陷分类便于企业分析缺陷产生的原因并做出相应的调整，从根源上降低甚至避免极片缺陷的产生，减少经济损失。
但是，锂电池极片的质量检测存在诸多问题，首先锂电池极片的缺陷的形状大小和数目具有不确定性，且形态特征参数易受图像分割效果的影响。除此之外，还要考虑光线等环境因素对极片图像的影响。
因此，期待一种用于锂电池制备中极片质量监测的技术方案。
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锂电池制备中极片质量监测系统及其方法，其将待检测锂电池极片在不同单色光源照射下的第一检测图像和第二检测图像分别通过第一卷积神经网络模型以得到第一检测特征图和第二检测特征图，并通过差分和关联处理，得到差分特征图和关联特征图。接着将所述差分特征图和所述关联特征图分别通过第二卷积神经网络以得到差分特征向量和关联特征向量，并通过融合处理，得到分类特征向量，然后通过分类器就可以得到用于表示待检测锂电池极片是否存在表面缺陷的分类结果。这里，利用两个单色光源从不同方向照射待检测样本，只有样本表面存在缺陷的地方，光线才会反射到摄像头的特性构建锂电池极片缺陷检测方案，以提高分类的准确度。
根据本申请的一个方面，提供了一种锂电池制备中极片质量监测系统，其包括：
摄像单元，用于获取待检测锂电池极片在第一单色光源照射下的第一检测图像以及所述待检测锂电池极片在第二单色光源照射下的第二检测图像，所述第一单色光源为红光光源，所述第二单色光源为蓝光光源；
图像编码单元，用于将所述第一检测图像和所述第二检测图像分别通过经训练完成的使用空间注意力机制的第一卷积神经网络模型以得到第一检测特征图和第二检测特征图；
差分单元，用于计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；
关联单元，用于将所述第一检测特征图和所述第二检测特征图沿通道维度进行级联以得到关联特征图；
深层特征提取单元，用于将所述差分特征图和所述关联特征图分别通过经训练完成的作为过滤器的第二卷积神经网络以得到差分特征向量和关联特征向量；
融合单元，用于融合所述关联特征向量和所述差分特征向量以得到分类特征向量；以及
质量监测结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测锂电池极片是否存在表面缺陷。
在上述锂电池制备中极片质量监测系统中，所述图像编码单元，包括：深度卷积编码子单元，用于使用所述第一卷积神经网络模型的卷积编码部分分别对所述第一检测图像和所述第二检测图像进行深度卷积编码以得到第一高维特征图和第二高维特征图；空间注意力子单元，用于将所述第一高维特征图和所述第二高维特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图和第二空间注意力图；以及，注意力施加子单元，用于分别计算所述第一高维特征图和所述第一空间注意力图的按位置点乘以及所述第二高维特征图和所述第二空间注意力图的按位置点乘以得到所述第一检测特征图和所述第二检测特征图。
在上述锂电池制备中极片质量监测系统中，所述差分单元，进一步用于：计算所述第一检测特征图和所述第二检测特征图之间每个对应位置的特征值之间的差值，获得差值得分图，并计算所述差值得分图中每个位置的特征值的绝对值，以获得所述差分特征图。
在上述锂电池制备中极片质量监测系统中，所述深层特征提取单元，进一步用于：使用所述作为过滤器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络的最后一层输出所述关联特征向量和所述差分特征向量，其中，所述作为过滤器的第二卷积神经网络的第一层的输入为所述差分特征图和所述关联特征图。
在上述锂电池制备中极片质量监测系统中，所述质量监测结果生成单元，进一步用于：使用所述分类器以如下公式对分类特征矩阵进行处理以得到所述分类结果；
其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
在上述锂电池制备中极片质量监测系统中，所述锂电池制备中极片质量监测系统，还包括用于对所述使用空间注意力机制的第一卷积神经网络模型和所述作为过滤器的第二卷积神经网络进行训练的训练模块；
其中，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括待检测锂电池极片在第一单色光源照射下的第一检测图像、所述待检测锂电池极片在第二单色光源照射下的第二检测图像，以及，所述待检测锂电池极片是否存在表面缺陷的真实标签值；
训练图像编码单元，用于将所述第一检测图像和所述第二检测图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练第一检测特征图和训练第二检测特征图；
训练差分单元，用于计算所述训练第一检测特征图和所述训练第二检测特征图之间的训练差分特征图；
训练关联单元，用于将所述训练第一检测特征图和所述训练第二检测特征图沿通道维度进行级联以得到训练关联特征图；
训练深层特征提取单元，用于将所述训练差分特征图和所述训练关联特征图分别通过所述作为过滤器的第二卷积神经网络以得到训练关联特征向量和训练差分特征向量；
训练融合单元，用于融合所述训练关联特征向量和所述训练差分特征向量以得到训练分类特征向量；
分类损失单元，用于将所述分类特征向量通过分类器以得到分类损失函数值；
节俭分解鼓励损失单元，用于计算所述关联特征图和所述差分特征图的节俭分解鼓励损失函数值；以及
训练单元，用于以所述节俭分解鼓励损失函数值和所述分类损失函数值的加权和对所述使用空间注意力机制的第一卷积神经网络模型和所述作为过滤器的第二卷积神经网络进行训练。
在上述锂电池制备中极片质量监测系统中，所述节俭分解鼓励损失单元，进一步用于以如下公式来计算所述关联特征图和所述差分特征图的节俭分解鼓励损失函数值；其中，所述公式为：
Figure GDA0004159451780000041
其中f1i,j,k和f2i,j,k分别是所述关联特征图和所述差分特征图的特征值，(i,j,k)分别表示在特征图的宽度、高度和通道维度上的序号，τ1和τ2为作为超参数的惩罚因子，且||·||2表示向量的二范数，α和β是权重超参数。
根据本申请的另一方面，还提供了一种锂电池制备中极片质量监测方法，其包括：
获取待检测锂电池极片在第一单色光源照射下的第一检测图像以及所述待检测锂电池极片在第二单色光源照射下的第二检测图像，所述第一单色光源为红光光源，所述第二单色光源为蓝光光源；
将所述第一检测图像和所述第二检测图像分别通过经训练完成的使用空间注意力机制的第一卷积神经网络模型以得到第一检测特征图和第二检测特征图；
计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；
将所述第一检测特征图和所述第二检测特征图沿通道维度进行级联以得到关联特征图；
将所述差分特征图和所述关联特征图分别通过经训练完成的作为过滤器的第二卷积神经网络以得到差分特征向量和关联特征向量；
融合所述关联特征向量和所述差分特征向量以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测锂电池极片是否存在表面缺陷。
在上述锂电池制备中极片质量监测方法中，所述锂电池制备中极片质量监测方法，还包括：对所述使用空间注意力机制的第一卷积神经网络模型和所述作为过滤器的第二卷积神经网络进行训练的训练阶段；
其中，所述训练阶段，包括：
获取训练数据，所述训练数据包括待检测锂电池极片在第一单色光源照射下的第一检测图像、所述待检测锂电池极片在第二单色光源照射下的第二检测图像，以及，所述待检测锂电池极片是否存在表面缺陷的真实标签值；
将所述第一检测图像和所述第二检测图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练第一检测特征图和训练第二检测特征图；
计算所述训练第一检测特征图和所述训练第二检测特征图之间的训练差分特征图；
将所述训练第一检测特征图和所述训练第二检测特征图沿通道维度进行级联以得到训练关联特征图；
将所述训练差分特征图和所述训练关联特征图分别通过所述作为过滤器的第二卷积神经网络以得到训练关联特征向量和训练差分特征向量；
融合所述训练关联特征向量和所述训练差分特征向量以得到训练分类特征向量；
将所述分类特征向量通过分类器以得到分类损失函数值；
计算所述关联特征图和所述差分特征图的节俭分解鼓励损失函数值；以及
以所述节俭分解鼓励损失函数值和所述分类损失函数值的加权和对所述使用空间注意力机制的第一卷积神经网络模型和所述作为过滤器的第二卷积神经网络进行训练。
与现有技术相比，本申请提供的锂电池制备中极片质量监测系统及其方法，其将待检测锂电池极片在不同单色光源照射下的第一检测图像和第二检测图像分别通过第一卷积神经网络模型以得到第一检测特征图和第二检测特征图，并通过差分和关联处理，得到差分特征图和关联特征图。接着将所述差分特征图和所述关联特征图分别通过第二卷积神经网络以得到差分特征向量和关联特征向量，并通过融合处理，得到分类特征向量，然后通过分类器就可以得到用于表示待检测锂电池极片是否存在表面缺陷的分类结果。这里，利用两个单色光源从不同方向照射待检测样本，只有样本表面存在缺陷的地方，光线才会反射到摄像头的特性构建锂电池极片缺陷检测方案，以提高分类的准确度。
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锂电池制备中极片质量监测系统的场景示意图。
图2图示了根据本申请实施例的锂电池制备中极片质量监测系统的框图。
图3图示了根据本申请实施例的锂电池制备中极片质量监测系统的系统架构图。
图4图示了根据本申请实施例的锂电池制备中极片质量监测系统中图像编码单元的框图。
图5图示了根据本申请实施例的锂电池制备中极片质量监测系统中训练模块的框图。
图6图示了根据本申请实施例的锂电池制备中极片质量监测方法的流程图。
图7图示了根据本申请实施例的锂电池制备中极片质量监测方法中得到第一检测特征图和第二检测特征图的流程图。
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。
申请概述
如上所述，锂电池极片的质量检测存在诸多问题，首先锂电池极片的缺陷的形状大小和数目具有不确定性，且形态特征参数易受图像分割效果的影响。除此之外，还要考虑光线等环境因素对极片图像的影响。
针对上述技术问题，经研究发现在暗光环境下(也就是，没有其他照明光源的条件下)，用两个单色光源从不同方向照射待检测样本，只有样本表面存在缺陷的地方，光线才会反射到摄像头，利用此特性可构建锂电池极片缺陷检测方案。
具体地，在本申请的技术方案中，首先将待检测锂电池极片放置于第一单色光源和第二单色光源下以使得所述待检测锂电池极片的表面缺陷在该人造光场的条件下得以凸显。具体地，获取待检测锂电池极片在第一单色光源照射下的第一检测图像以及所述待检测锂电池极片在第二单色光源照射下的第二检测图像，在本申请一个具体的示例中，所述第一单色光源为红光光源，所述第二单色光源为蓝光光源。
然后，将所述第一检测图像和所述第二检测图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一检测特征图和第二检测特征图。也就是，以深度卷积神经网络模型作为特征提取器来捕捉所述第一检测图像和所述第二检测图像中的高维局部隐含特征，尤其是表面缺陷特征。也就是，在本申请的技术方案中，不是以人为设计的特征因子模型来提取所述第一检测图像和所述第二检测图像中的特征，而是以训练完成的卷积神经网络模型来构建特征提取器。这里，相较于人为设计的特征因子模型，所述卷积神经模型的特征提取性能由其训练过程决定，其不需要人提供的先验信心，而仅需要提供足够的数据支持即可。
特别地，在本申请的技术方案中，因锂电池极片表面缺陷位于检测图像的表面，而在检测图像表面除了缺陷特征外还存在其他图像特征，因此，为了使得极片缺陷特征在所述检测特征图中更具有空间可鉴别性，特别地，将空间注意力机制引入所述深度卷积神经网络模型。相应地，具有空间注意力机制的所述深度卷积神经网络模型在进行特征提取器时能够对图像表面不同的特征施加不同的关注度以使得所述检测特征图中极片表面缺陷特征更加凸显。
接着，计算所述第一检测特征图和所述第二检测特征图之间的差分特征图。也就是，以所述第一检测特征图和所述第二检测特征图之间的差分特征图来表示所述待检测锂电池极片在不同单色光源下的特征分布差异。并同时将所述第一检测特征图和所述第二检测特征图沿通道维度进行级联以得到关联特征图，也就是，在高维特征空间中，将所述待检测锂电池极片在不同单色光源下的特征分布进行聚合以得到关联特征图。
进而，将所述差分特征图和所述关联特征图分别通过作为过滤器的第二卷积神经网络以得到关联特征向量和差分特征向量。也就是，再次以深度卷积神经网络模型特征过滤器来提取待检测锂电池极片在不同单色光源下的特征分布差异的高维隐含信息以及所述待检测锂电池极片在不同单色光源下的特征分布的关联表示中的高维隐含关联特征。接着，所述关联特征向量和所述差分特征向量就可以得到包含待检测锂电池极片在不同单色光源下的特征分布的差异信息和关联信息的分类特征向量，进而将所述分类特征向量通过分类器就可以得到用于表示待检测锂电池极片是否存在表面缺陷的分类结果。
这里，由于融合所述关联特征向量和所述差分特征向量得到分类特征向量，因此为了提高所述分类特征向量的分类效果，期望提高所述关联特征向量和所述差分特征向量的维度单调性。考虑到所述关联特征向量和所述差分特征向量是将所述关联特征图和所述差分特征图通过作为过滤器的第二卷积神经网络得到的，而所述第二卷积神经网络的过滤器提取的特征沿特征图的通道维度排列为特征向量，因此需要提高所述关联特征图和所述差分特征图沿通道维度的单调性。
基于此，引入针对所述关联特征图和所述差分特征图的节俭分解鼓励损失函数：
Figure GDA0004159451780000081
其中f1i,j,k和f2i,j,k分别是所述关联特征图和所述差分特征图的特征值，(i,j,k)分别表示在特征图的宽度、高度和通道维度上的序号，τ1和τ2为作为超参数的惩罚因子，且||·||2表示向量的二范数，α和β是权重超参数。
这里，通过对所述特征图的特征沿着通道方向进行分组，并对通道方向上的由特征矩阵构成的组内的元素的重叠施加惩罚，可以通过向量的二范数来计算以ReLU激活函数激活的符号化函数的距离式联合，从而促进所述特征图所表示的高维流形的节俭分解，这可以理解为基于沿着通道方向分布的凸多面体的集合来构建高维流形的几何形状，以提高高维流形沿通道方向的维度单调性。这样，可提高锂电池制备中极片质量的精准度。
基于此，本申请提出了一种锂电池制备中极片质量监测系统，其包括：摄像单元，用于获取待检测锂电池极片在第一单色光源照射下的第一检测图像以及所述待检测锂电池极片在第二单色光源照射下的第二检测图像，所述第一单色光源为红光光源，所述第二单色光源为蓝光光源；图像编码单元，用于将所述第一检测图像和所述第二检测图像分别通过经训练完成的使用空间注意力机制的第一卷积神经网络模型以得到第一检测特征图和第二检测特征图；差分单元，用于计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；关联单元，用于将所述第一检测特征图和所述第二检测特征图沿通道维度进行级联以得到关联特征图；深层特征提取单元，用于将所述差分特征图和所述关联特征图分别通过经训练完成的作为过滤器的第二卷积神经网络以得到差分特征向量和关联特征向量；融合单元，用于融合所述关联特征向量和所述差分特征向量以得到分类特征向量；以及，质量监测结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测锂电池极片是否存在表面缺陷。
图1图示了根据本申请实施例的锂电池制备中极片质量监测系统的场景示意图。如图1所示，在该应用场景中，首先，获取待检测锂电池极片(例如，如图1所示意的P)在第一单色光源(例如，如图1所示意的R)照射下的第一检测图像以及所述待检测锂电池极片在第二单色光源(例如，如图1所示意的B)照射下的第二检测图像，其中，所述第一单色光源为红光光源，所述第二单色光源为蓝光光源。进而，将所述第一检测图像和所述第二检测图像输入至部署有锂电池制备中极片质量监测算法的服务器(例如，如图1所示意的S)中，其中，所述服务器能够基于锂电池制备中极片质量监测算法对所述第一检测图像和所述第二检测图像进行处理，以得到用于表示待检测锂电池极片是否存在表面缺陷的分类结果。
在介绍了本申请的基本原理之后，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。
示例性系统
图2图示了根据本申请实施例的锂电池制备中极片质量监测系统的框图。如图2所示，根据本申请实施例的锂电池制备中极片质量监测系统100，包括：摄像单元110，用于获取待检测锂电池极片在第一单色光源照射下的第一检测图像以及所述待检测锂电池极片在第二单色光源照射下的第二检测图像，所述第一单色光源为红光光源，所述第二单色光源为蓝光光源；图像编码单元120，用于将所述第一检测图像和所述第二检测图像分别通过经训练完成的使用空间注意力机制的第一卷积神经网络模型以得到第一检测特征图和第二检测特征图；差分单元130，用于计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；关联单元140，用于将所述第一检测特征图和所述第二检测特征图沿通道维度进行级联以得到关联特征图；深层特征提取单元150，用于将所述差分特征图和所述关联特征图分别通过经训练完成的作为过滤器的第二卷积神经网络以得到差分特征向量和关联特征向量；融合单元160，用于融合所述关联特征向量和所述差分特征向量以得到分类特征向量；以及，质量监测结果生成单元170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测锂电池极片是否存在表面缺陷。
图3图示了根据本申请实施例的锂电池制备中极片质量监测系统100的系统架构图。如图3所示，在所述锂电池制备中极片质量监测系统100的系统架构中，首先，获取待检测锂电池极片在第一单色光源照射下的第一检测图像以及所述待检测锂电池极片在第二单色光源照射下的第二检测图像。接着，将所述第一检测图像和所述第二检测图像分别通过经训练完成的使用空间注意力机制的第一卷积神经网络模型以得到第一检测特征图和第二检测特征图。然后，计算所述第一检测特征图和所述第二检测特征图之间的差分特征图。接着，将所述第一检测特征图和所述第二检测特征图沿通道维度进行级联以得到关联特征图。然后，将所述差分特征图和所述关联特征图分别通过经训练完成的作为过滤器的第二卷积神经网络以得到差分特征向量和关联特征向量。接着，融合所述关联特征向量和所述差分特征向量以得到分类特征向量。然后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测锂电池极片是否存在表面缺陷。
在上述锂电池制备中极片质量监测系统100中，所述摄像单元110，用于获取待检测锂电池极片在第一单色光源照射下的第一检测图像以及所述待检测锂电池极片在第二单色光源照射下的第二检测图像，所述第一单色光源为红光光源，所述第二单色光源为蓝光光源。锂电池极片的质量检测存在诸多问题，首先锂电池极片的缺陷的形状大小和数目具有不确定性，且形态特征参数易受图像分割效果的影响。除此之外，还要考虑光线等环境因素对极片图像的影响。针对上述技术问题，经研究发现在暗光环境下(也就是，没有其他照明光源的条件下)，用两个单色光源从不同方向照射待检测样本，只有样本表面存在缺陷的地方，光线才会反射到摄像头，利用此特性可构建锂电池极片缺陷检测方案。因此，首先将待检测锂电池极片放置于第一单色光源和第二单色光源下以使得所述待检测锂电池极片的表面缺陷在该人造光场的条件下得以凸显。具体地，获取待检测锂电池极片在第一单色光源照射下的第一检测图像以及所述待检测锂电池极片在第二单色光源照射下的第二检测图像，在本申请一个具体的示例中，所述第一单色光源为红光光源，所述第二单色光源为蓝光光源。
在上述锂电池制备中极片质量监测系统100中，所述图像编码单元120，用于将所述第一检测图像和所述第二检测图像分别通过经训练完成的使用空间注意力机制的第一卷积神经网络模型以得到第一检测特征图和第二检测特征图。也就是，以深度卷积神经网络模型作为特征提取器来捕捉所述第一检测图像和所述第二检测图像中的高维局部隐含特征，尤其是表面缺陷特征。也就是，在本申请的技术方案中，不是以人为设计的特征因子模型来提取所述第一检测图像和所述第二检测图像中的特征，而是以训练完成的卷积神经网络模型来构建特征提取器。这里，相较于人为设计的特征因子模型，所述卷积神经模型的特征提取性能由其训练过程决定，其不需要人提供的先验信心，而仅需要提供足够的数据支持即可。
图4图示了根据本申请实施例的锂电池制备中极片质量监测系统中图像编码单元的框图。如图4所示，在上述锂电池制备中极片质量监测系统100中，所述图像编码单元120，包括：深度卷积编码子单元121，用于使用所述第一卷积神经网络模型的卷积编码部分分别对所述第一检测图像和所述第二检测图像进行深度卷积编码以得到第一高维特征图和第二高维特征图；空间注意力子单元122，用于将所述第一高维特征图和所述第二高维特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图和第二空间注意力图；以及，注意力施加子单元123，用于分别计算所述第一高维特征图和所述第一空间注意力图的按位置点乘以及所述第二高维特征图和所述第二空间注意力图的按位置点乘以得到所述第一检测特征图和所述第二检测特征图。
特别地，在本申请的技术方案中，因锂电池极片表面缺陷位于检测图像的表面，而在检测图像表面除了缺陷特征外还存在其他图像特征，因此，为了使得极片缺陷特征在所述检测特征图中更具有空间可鉴别性，特别地，将空间注意力机制引入所述深度卷积神经网络模型。相应地，具有空间注意力机制的所述深度卷积神经网络模型在进行特征提取器时能够对图像表面不同的特征施加不同的关注度以使得所述检测特征图中极片表面缺陷特征更加凸显。
在上述锂电池制备中极片质量监测系统100中，所述差分单元130，用于计算所述第一检测特征图和所述第二检测特征图之间的差分特征图。也就是，以所述第一检测特征图和所述第二检测特征图之间的差分特征图来表示所述待检测锂电池极片在不同单色光源下的特征分布差异。
在一个示例中，在上述锂电池制备中极片质量监测系统100中，所述差分单元130，进一步用于：计算所述第一检测特征图和所述第二检测特征图之间每个对应位置的特征值之间的差值，获得差值得分图，并计算所述差值得分图中每个位置的特征值的绝对值，以获得所述差分特征图。
在上述锂电池制备中极片质量监测系统100中，所述关联单元140，用于将所述第一检测特征图和所述第二检测特征图沿通道维度进行级联以得到关联特征图。也就是，在高维特征空间中，将所述待检测锂电池极片在不同单色光源下的特征分布进行聚合以得到关联特征图。
在上述锂电池制备中极片质量监测系统100中，所述深层特征提取单元150，用于将所述差分特征图和所述关联特征图分别通过经训练完成的作为过滤器的第二卷积神经网络以得到差分特征向量和关联特征向量。也就是，再次以深度卷积神经网络模型特征过滤器来提取待检测锂电池极片在不同单色光源下的特征分布差异的高维隐含信息以及所述待检测锂电池极片在不同单色光源下的特征分布的关联表示中的高维隐含关联特征。
在一个示例中，在上述锂电池制备中极片质量监测系统100中，所述深层特征提取单元150，进一步用于：使用所述作为过滤器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络的最后一层输出所述关联特征向量和所述差分特征向量，其中，所述作为过滤器的第二卷积神经网络的第一层的输入为所述差分特征图和所述关联特征图。
在上述锂电池制备中极片质量监测系统100中，所述融合单元160，用于融合所述关联特征向量和所述差分特征向量以得到分类特征向量。也就是，利用所述关联特征向量和所述差分特征向量就可以得到包含待检测锂电池极片在不同单色光源下的特征分布的差异信息和关联信息的分类特征向量。
在上述锂电池制备中极片质量监测系统100中，所述质量监测结果生成单元170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测锂电池极片是否存在表面缺陷。
在一个示例中，在上述锂电池制备中极片质量监测系统100中，所述质量监测结果生成单元170，进一步用于：使用所述分类器以如下公式对分类特征矩阵进行处理以得到所述分类结果；
其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
在一个示例中，在上述锂电池制备中极片质量监测系统100中，所述锂电池制备中极片质量监测系统，还包括用于对所述使用空间注意力机制的第一卷积神经网络模型和所述作为过滤器的第二卷积神经网络进行训练的训练模块200。
图5图示了根据本申请实施例的锂电池制备中极片质量监测系统中训练模块的框图。如图5所示，所述训练模块200，包括：训练数据获取单元210，用于获取训练数据，所述训练数据包括待检测锂电池极片在第一单色光源照射下的第一检测图像、所述待检测锂电池极片在第二单色光源照射下的第二检测图像，以及，所述待检测锂电池极片是否存在表面缺陷的真实标签值；训练图像编码单元220，用于将所述第一检测图像和所述第二检测图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练第一检测特征图和训练第二检测特征图；训练差分单元230，用于计算所述训练第一检测特征图和所述训练第二检测特征图之间的训练差分特征图；训练关联单元240，用于将所述训练第一检测特征图和所述训练第二检测特征图沿通道维度进行级联以得到训练关联特征图；训练深层特征提取单元250，用于将所述训练差分特征图和所述训练关联特征图分别通过所述作为过滤器的第二卷积神经网络以得到训练关联特征向量和训练差分特征向量；训练融合单元260，用于融合所述训练关联特征向量和所述训练差分特征向量以得到训练分类特征向量；分类损失单元270，用于将所述分类特征向量通过分类器以得到分类损失函数值；节俭分解鼓励损失单元280，用于计算所述关联特征图和所述差分特征图的节俭分解鼓励损失函数值；以及，训练单元290，用于以所述节俭分解鼓励损失函数值和所述分类损失函数值的加权和对所述使用空间注意力机制的第一卷积神经网络模型和所述作为过滤器的第二卷积神经网络进行训练。
这里，由于融合所述关联特征向量和所述差分特征向量得到分类特征向量，因此为了提高所述分类特征向量的分类效果，期望提高所述关联特征向量和所述差分特征向量的维度单调性。考虑到所述关联特征向量和所述差分特征向量是将所述关联特征图和所述差分特征图通过作为过滤器的第二卷积神经网络得到的，而所述第二卷积神经网络的过滤器提取的特征沿特征图的通道维度排列为特征向量，因此需要提高所述关联特征图和所述差分特征图沿通道维度的单调性。基于此，引入针对所述关联特征图和所述差分特征图的节俭分解鼓励损失函数。
在一个示例中，在上述锂电池制备中极片质量监测系统100中，所述节俭分解鼓励损失单元280，进一步用于以如下公式来计算所述关联特征图和所述差分特征图的节俭分解鼓励损失函数值；
其中，所述公式为：
Figure GDA0004159451780000141
其中f1i,j，k和f2i，j，k分别是所述关联特征图和所述差分特征图的特征值，(i，j，k)分别表示在特征图的宽度、高度和通道维度上的序号，τ1和τ2为作为超参数的惩罚因子，且||·||2表示向量的二范数，α和β是权重超参数。
这里，通过对所述特征图的特征沿着通道方向进行分组，并对通道方向上的由特征矩阵构成的组内的元素的重叠施加惩罚，可以通过向量的二范数来计算以ReLU激活函数激活的符号化函数的距离式联合，从而促进所述特征图所表示的高维流形的节俭分解，这可以理解为基于沿着通道方向分布的凸多面体的集合来构建高维流形的几何形状，以提高高维流形沿通道方向的维度单调性。这样，可提高锂电池制备中极片质量的精准度。
综上，根据本申请实施例的所述锂电池制备中极片质量监测系统100被阐明，其将待检测锂电池极片在不同单色光源照射下的第一检测图像和第二检测图像分别通过第一卷积神经网络模型以得到第一检测特征图和第二检测特征图，并通过差分和关联处理，得到差分特征图和关联特征图。接着将所述差分特征图和所述关联特征图分别通过第二卷积神经网络以得到差分特征向量和关联特征向量，并通过融合处理，得到分类特征向量，然后通过分类器就可以得到用于表示待检测锂电池极片是否存在表面缺陷的分类结果。这里，利用两个单色光源从不同方向照射待检测样本，只有样本表面存在缺陷的地方，光线才会反射到摄像头的特性构建锂电池极片缺陷检测方案，以提高分类的准确度。
如上所述，根据本申请实施例的锂电池制备中极片质量监测系统100可以实现在各种终端设备中，例如具有锂电池制备中极片质量监测功能的服务器等。在一个示例中，根据本申请实施例的锂电池制备中极片质量监测系统100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，该锂电池制备中极片质量监测系统100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，该锂电池制备中极片质量监测系统100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，该锂电池制备中极片质量监测系统100与该终端设备也可以是分立的设备，并且该锂电池制备中极片质量监测系统100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。
示例性方法
根据本申请的另一方面，还提供了一种锂电池制备中极片质量监测方法。如图6所示，根据本申请实施例的所述锂电池制备中极片质量监测方法，包括步骤：S110，获取待检测锂电池极片在第一单色光源照射下的第一检测图像以及所述待检测锂电池极片在第二单色光源照射下的第二检测图像，所述第一单色光源为红光光源，所述第二单色光源为蓝光光源；S120，将所述第一检测图像和所述第二检测图像分别通过经训练完成的使用空间注意力机制的第一卷积神经网络模型以得到第一检测特征图和第二检测特征图；S130，计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；S140，将所述第一检测特征图和所述第二检测特征图沿通道维度进行级联以得到关联特征图；S150，将所述差分特征图和所述关联特征图分别通过经训练完成的作为过滤器的第二卷积神经网络以得到差分特征向量和关联特征向量；S160，融合所述关联特征向量和所述差分特征向量以得到分类特征向量；以及，S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测锂电池极片是否存在表面缺陷。
图7图示了根据本申请实施例的锂电池制备中极片质量监测方法中得到第一检测特征图和第二检测特征图的流程图。如图7所示，在上述锂电池制备中极片质量监测方法中，所述将所述第一检测图像和所述第二检测图像分别通过经训练完成的使用空间注意力机制的第一卷积神经网络模型以得到第一检测特征图和第二检测特征图，包括步骤：S210，使用所述第一卷积神经网络模型的卷积编码部分分别对所述第一检测图像和所述第二检测图像进行深度卷积编码以得到第一高维特征图和第二高维特征图；S220，将所述第一高维特征图和所述第二高维特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图和第二空间注意力图；以及，S230，分别计算所述第一高维特征图和所述第一空间注意力图的按位置点乘以及所述第二高维特征图和所述第二空间注意力图的按位置点乘以得到所述第一检测特征图和所述第二检测特征图。
在上述锂电池制备中极片质量监测方法中，所述将所述差分特征图和所述关联特征图分别通过经训练完成的作为过滤器的第二卷积神经网络以得到差分特征向量和关联特征向量，包括：使用所述作为过滤器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络的最后一层输出所述关联特征向量和所述差分特征向量，其中，所述作为过滤器的第二卷积神经网络的第一层的输入为所述差分特征图和所述关联特征图。
在上述锂电池制备中极片质量监测方法中，所述锂电池制备中极片质量监测方法，还包括：对所述使用空间注意力机制的第一卷积神经网络模型和所述作为过滤器的第二卷积神经网络进行训练的训练阶段；其中，所述训练阶段，包括：获取训练数据，所述训练数据包括待检测锂电池极片在第一单色光源照射下的第一检测图像、所述待检测锂电池极片在第二单色光源照射下的第二检测图像，以及，所述待检测锂电池极片是否存在表面缺陷的真实标签值；将所述第一检测图像和所述第二检测图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练第一检测特征图和训练第二检测特征图；计算所述训练第一检测特征图和所述训练第二检测特征图之间的训练差分特征图；将所述训练第一检测特征图和所述训练第二检测特征图沿通道维度进行级联以得到训练关联特征图；将所述训练差分特征图和所述训练关联特征图分别通过所述作为过滤器的第二卷积神经网络以得到训练关联特征向量和训练差分特征向量；融合所述训练关联特征向量和所述训练差分特征向量以得到训练分类特征向量；将所述分类特征向量通过分类器以得到分类损失函数值；计算所述关联特征图和所述差分特征图的节俭分解鼓励损失函数值；以及，以所述节俭分解鼓励损失函数值和所述分类损失函数值的加权和对所述使用空间注意力机制的第一卷积神经网络模型和所述作为过滤器的第二卷积神经网络进行训练。
综上，根据本申请实施例的所述锂电池制备中极片质量监测方法被阐明，其将待检测锂电池极片在不同单色光源照射下的第一检测图像和第二检测图像分别通过第一卷积神经网络模型以得到第一检测特征图和第二检测特征图，并通过差分和关联处理，得到差分特征图和关联特征图。接着将所述差分特征图和所述关联特征图分别通过第二卷积神经网络以得到差分特征向量和关联特征向量，并通过融合处理，得到分类特征向量，然后通过分类器就可以得到用于表示待检测锂电池极片是否存在表面缺陷的分类结果。这里，利用两个单色光源从不同方向照射待检测样本，只有样本表面存在缺陷的地方，光线才会反射到摄像头的特性构建锂电池极片缺陷检测方案，以提高分类的准确度。

Claims (6)

1.一种锂电池制备中极片质量监测系统，其特征在于，包括：
摄像单元，用于获取待检测锂电池极片在第一单色光源照射下的第一检测图像以及所述待检测锂电池极片在第二单色光源照射下的第二检测图像，所述第一单色光源为红光光源，所述第二单色光源为蓝光光源；
图像编码单元，用于将所述第一检测图像和所述第二检测图像分别通过经训练完成的使用空间注意力机制的第一卷积神经网络模型以得到第一检测特征图和第二检测特征图；
差分单元，用于计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；
关联单元，用于将所述第一检测特征图和所述第二检测特征图沿通道维度进行级联以得到关联特征图；
深层特征提取单元，用于将所述差分特征图和所述关联特征图分别通过经训练完成的作为过滤器的第二卷积神经网络以得到差分特征向量和关联特征向量；
融合单元，用于融合所述关联特征向量和所述差分特征向量以得到分类特征向量；以及
质量监测结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测锂电池极片是否存在表面缺陷；
其中，所述图像编码单元，包括：
深度卷积编码子单元，用于使用所述第一卷积神经网络模型的卷积编码部分分别对所述第一检测图像和所述第二检测图像进行深度卷积编码以得到第一高维特征图和第二高维特征图；
空间注意力子单元，用于将所述第一高维特征图和所述第二高维特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图和第二空间注意力图；以及
注意力施加子单元，用于分别计算所述第一高维特征图和所述第一空间注意力图的按位置点乘以及所述第二高维特征图和所述第二空间注意力图的按位置点乘以得到所述第一检测特征图和所述第二检测特征图；
其中，所述深层特征提取单元，用于：使用所述作为过滤器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络的最后一层输出所述关联特征向量和所述差分特征向量，其中，所述作为过滤器的第二卷积神经网络的第一层的输入为所述差分特征图和所述关联特征图。
2.根据权利要求1所述的锂电池制备中极片质量监测系统，其特征在于，所述差分单元，进一步用于：计算所述第一检测特征图和所述第二检测特征图之间每个对应位置的特征值之间的差值，获得差值得分图，并计算所述差值得分图中每个位置的特征值的绝对值，以获得所述差分特征图。
3.根据权利要求2所述的锂电池制备中极片质量监测系统，其特征在于，所述质量监测结果生成单元，进一步用于：使用所述分类器以如下公式对分类特征矩阵进行处理以得到所述分类结果；
其中，所述公式为：O＝softmax{Wn，Bn):…:(W1，B1)|Project(F)}，其中Project(F)表示将分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
4.根据权利要求3所述的锂电池制备中极片质量监测系统，其特征在于，所述锂电池制备中极片质量监测系统，还包括用于对所述使用空间注意力机制的第一卷积神经网络模型和所述作为过滤器的第二卷积神经网络进行训练的训练模块；
其中，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括待检测锂电池极片在第一单色光源照射下的第一检测图像、所述待检测锂电池极片在第二单色光源照射下的第二检测图像，以及，所述待检测锂电池极片是否存在表面缺陷的真实标签值；
训练图像编码单元，用于将所述第一检测图像和所述第二检测图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练第一检测特征图和训练第二检测特征图；
训练差分单元，用于计算所述训练第一检测特征图和所述训练第二检测特征图之间的训练差分特征图；
训练关联单元，用于将所述训练第一检测特征图和所述训练第二检测特征图沿通道维度进行级联以得到训练关联特征图；
训练深层特征提取单元，用于将所述训练差分特征图和所述训练关联特征图分别通过所述作为过滤器的第二卷积神经网络以得到训练关联特征向量和训练差分特征向量；
训练融合单元，用于融合所述训练关联特征向量和所述训练差分特征向量以得到训练分类特征向量；
分类损失单元，用于将所述分类特征向量通过分类器以得到分类损失函数值；
节俭分解鼓励损失单元，用于计算所述关联特征图和所述差分特征图的节俭分解鼓励损失函数值；以及
训练单元，用于以所述节俭分解鼓励损失函数值和所述分类损失函数值的加权和对所述使用空间注意力机制的第一卷积神经网络模型和所述作为过滤器的第二卷积神经网络进行训练。
5.根据权利要求4所述的锂电池制备中极片质量监测系统，其特征在于，所述节俭分解鼓励损失单元，进一步用于以如下公式来计算所述关联特征图和所述差分特征图的节俭分解鼓励损失函数值；
其中，所述公式为：
Figure FDA0004159451760000031
其中
Figure FDA0004159451760000032
和/>
Figure FDA0004159451760000033
分别是所述关联特征图和所述差分特征图的特征值，(i,j,k)分别表示在特征图的宽度、高度和通道维度上的序号，τ1和τ2为作为超参数的惩罚因子，且||·||2表示向量的二范数，α和β是权重超参数。
6.一种锂电池制备中极片质量监测方法，其特征在于，包括：
获取待检测锂电池极片在第一单色光源照射下的第一检测图像以及所述待检测锂电池极片在第二单色光源照射下的第二检测图像，所述第一单色光源为红光光源，所述第二单色光源为蓝光光源；
将所述第一检测图像和所述第二检测图像分别通过经训练完成的使用空间注意力机制的第一卷积神经网络模型以得到第一检测特征图和第二检测特征图；
计算所述第一检测特征图和所述第二检测特征图之间的差分特征图；
将所述第一检测特征图和所述第二检测特征图沿通道维度进行级联以得到关联特征图；
将所述差分特征图和所述关联特征图分别通过经训练完成的作为过滤器的第二卷积神经网络以得到差分特征向量和关联特征向量；
融合所述关联特征向量和所述差分特征向量以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测锂电池极片是否存在表面缺陷；
其中，所述将所述第一检测图像和所述第二检测图像分别通过经训练完成的使用空间注意力机制的第一卷积神经网络模型以得到第一检测特征图和第二检测特征图，包括：
使用所述第一卷积神经网络模型的卷积编码部分分别对所述第一检测图像和所述第二检测图像进行深度卷积编码以得到第一高维特征图和第二高维特征图；
将所述第一高维特征图和所述第二高维特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图和第二空间注意力图；以及
分别计算所述第一高维特征图和所述第一空间注意力图的按位置点乘以及所述第二高维特征图和所述第二空间注意力图的按位置点乘以得到所述第一检测特征图和所述第二检测特征图；
其中，所述将所述差分特征图和所述关联特征图分别通过经训练完成的作为过滤器的第二卷积神经网络以得到差分特征向量和关联特征向量，包括：使用所述作为过滤器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络的最后一层输出所述关联特征向量和所述差分特征向量，其中，所述作为过滤器的第二卷积神经网络的第一层的输入为所述差分特征图和所述关联特征图。
CN202211211943.XA 2022-09-30 2022-09-30 锂电池制备中极片质量监测系统及其方法 Active CN115561243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211211943.XA CN115561243B (zh) 2022-09-30 2022-09-30 锂电池制备中极片质量监测系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211211943.XA CN115561243B (zh) 2022-09-30 2022-09-30 锂电池制备中极片质量监测系统及其方法

Publications (2)

Publication Number Publication Date
CN115561243A CN115561243A (zh) 2023-01-03
CN115561243B true CN115561243B (zh) 2023-05-23

Family

ID=84744996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211211943.XA Active CN115561243B (zh) 2022-09-30 2022-09-30 锂电池制备中极片质量监测系统及其方法

Country Status (1)

Country Link
CN (1) CN115561243B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115901794B (zh) * 2023-02-17 2023-06-23 广州达普绅智能设备有限公司 一种条形光源检测瓶口瑕疵的系统及方法
CN116030048B (zh) * 2023-03-27 2023-07-18 山东鹰眼机械科技有限公司 灯检机及其方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464971A (zh) * 2020-04-09 2021-03-09 丰疆智能软件科技(南京)有限公司 害虫检测模型构建方法
CN111428699B (zh) * 2020-06-10 2020-09-22 南京理工大学 伪3d卷积神经网络与注意力机制结合的驾驶疲劳检测方法及系统
CN111950467B (zh) * 2020-08-14 2021-06-25 清华大学 基于注意力机制的融合网络车道线检测方法及终端设备
CN112070750A (zh) * 2020-09-10 2020-12-11 深兰人工智能芯片研究院（江苏）有限公司 皮革制品缺陷检测方法和装置
CN112287965A (zh) * 2020-09-21 2021-01-29 卓尔智联(武汉)研究院有限公司 图像质量检测模型训练方法、装置和计算机设备
CN112465759A (zh) * 2020-11-19 2021-03-09 西北工业大学 一种基于卷积神经网络的航空发动机叶片缺陷检测方法
CN112489030A (zh) * 2020-12-11 2021-03-12 中山红雨网络科技有限公司 用于线路板画胶质量检测的神经网络的训练方法
CN112686882A (zh) * 2021-01-08 2021-04-20 邳州正禾网络科技有限公司 用于已架设在管道支撑架上的管道的稳定情况的检测方法
CN112767330A (zh) * 2021-01-08 2021-05-07 南通欧皇网络科技有限公司 基于单色图像特征加权的管道内壁的喷涂质量检测方法
CN113516651A (zh) * 2021-07-30 2021-10-19 深圳康微视觉技术有限公司 基于残差网络的焊接接头缺陷检测方法及装置
CN114757904A (zh) * 2022-04-07 2022-07-15 河南大学 一种基于ai深度学习算法的表面缺陷检测方法
CN114972213A (zh) * 2022-05-09 2022-08-30 浙江科技学院 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法
CN115082745B (zh) * 2022-08-22 2022-12-30 深圳市成天泰电缆实业发展有限公司 基于图像的电缆绞线质量检测方法及其系统

Also Published As

Publication number Publication date
CN115561243A (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
CN115561243B (zh) 锂电池制备中极片质量监测系统及其方法
CN105719188A (zh) 基于多张图片一致性实现保险理赔反欺诈的方法及服务器
CN111160297A (zh) 基于残差注意机制时空联合模型的行人重识别方法及装置
CN109657716A (zh) 一种基于深度学习的车辆外观损伤识别方法
CN111832615A (zh) 一种基于前景背景特征融合的样本扩充方法及系统
CN112837315A (zh) 一种基于深度学习的输电线路绝缘子缺陷检测方法
CN115496740A (zh) 基于卷积神经网络的镜片缺陷检测方法及其系统
CN112861970A (zh) 一种基于特征融合的细粒度图像分类方法
CN115131747A (zh) 基于知识蒸馏的输电通道工程车辆目标检测方法及系统
CN114494185A (zh) 一种基于rgb-t多尺度特征融合的电气设备故障检测方法
CN114596278A (zh) 一种用于光伏电站的光伏面板热斑缺陷检测方法及装置
CN115188066A (zh) 基于协同注意力和多尺度融合的运动目标检测系统及方法
CN115082798A (zh) 一种基于动态感受野的输电线路销钉缺陷检测方法
CN115239672A (zh) 缺陷检测方法及装置、设备、存储介质
CN111160100A (zh) 一种基于样本生成的轻量级深度模型航拍车辆检测方法
CN114821462A (zh) 基于多分支并行混合空洞编码神经网络的目标检测方法
CN113887330A (zh) 一种基于遥感图像的目标检测系统
CN116630828B (zh) 基于地形环境适配的无人机遥感信息采集系统及方法
CN111680640B (zh) 一种基于领域迁移的车型识别方法及系统
CN111598032B (zh) 一种基于图神经网络的群体行为识别方法
CN107622476A (zh) 基于概率生成模型的图像超分辨处理方法
CN116758419A (zh) 针对遥感图像的多尺度目标检测方法、装置和设备
CN116520154A (zh) 锂电池极片检测的性能评估方法及其系统
Yuan et al. Building change detection based on deep learning and belief function
CN113066049B (zh) Mems传感器疵病种类识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant