CN115908332A - 电池极片表面缺陷的检测方法及处理器 - Google Patents

Abstract

本发明实施例提供一种电池极片表面缺陷的检测方法、处理器及存储介质。方法包括：获取带有缺陷的电池极片的表面图像，以建立电池极片表面缺陷的数据集；采用数据增强技术对所建立的数据集的样本图像进行增广操作；使用图像标注工具对数据集的增广后的样本图像进行标注，以生成包含缺陷类别、尺寸以及位置信息的标注后的样本图像；将标注后的样本图像分批次输入检测模型，以对检测模型进行训练；获取待检测电池极片的表面图像；将待检测电池极片的表面图像输入至训练后的检测模型，以对待检测电池极片进行缺陷检测。该方案无需人工设计极片缺陷特征，对微小缺陷的检测精度更高，速度更快。

Description

电池极片表面缺陷的检测方法及处理器

技术领域

本发明属于电池制造技术领域，具体地涉及一种电池极片表面缺陷的检测方法、处理器及存储介质。

背景技术

电池极片作为锂电池组成中的重要部分，受限于当前的设备及工艺条件等问题，电池极片的表面不可避免地会产生不同形式、不同类别的缺陷。常见的缺陷包括气泡、划痕、裂纹、漏箔等。这些缺陷一旦出现会严重影响锂电池的成本、寿命及质量，乃至造成安全隐患。因此对极片表面的缺陷进行及时的检测并对缺陷严重程度进行评价，这对于提高电池一致性和安全性着重要意义。工业上使用的表面缺陷检测方法大多基于传统数字图像处理，如Haar特征+Adaboost算法、Hog特征+Svm算法以及DPM算法，这些较依赖操作人员的专业知识，且特征提取操作复杂，检测的速度难以满足需求。因此，采用神经网络对极片缺陷检测成为新方向，随着技术发展，基于深度学习的检测方法成为主流，目前主流的目标检测模型分为两类：一类是基于候选区域的分类目标检测算法，如R-CNN、R-FCN和Fast R-CNN算法等；另一类是基于多尺度特征的回归目标检测算法，包括YOLO、YOLOv3和R-SSD算法等。Faster-RCNN算法采用“候选区域+分类”的两阶段目标检测思路，具有较高的识别精度，在检测速度方面略有不足，在实时性要求较高的应用场景下难以满足需求。而基于回归的目标检测算法，如YOLO算法，采用多尺度特征融合的思路，牺牲了目标位置定位准确度，一定程度上影响了目标的识别准确率，但是大幅提升了检测速度。在应用于电池检测领域时，上述的方式得到的缺陷类别的检测模型不能很好地兼具较高的识别精度与极快的检测速度。

发明内容

本发明实施例的目的是提供一种电池极片表面缺陷的检测方法、处理器及存储介质，与传统的数字图像处理算法比较，检测效率更高、速度更快，对微小缺陷有较好的检测效果。

为了实现上述目的，本发明第一方面提供一种电池极片表面缺陷的检测方法，包括：

获取带有缺陷的电池极片的表面图像，以建立电池极片表面缺陷的数据集；

采用数据增强技术对所建立的数据集的样本图像进行增广操作；

使用图像标注工具对所述数据集的增广后的样本图像进行标注，以生成包含缺陷类别、尺寸以及位置信息的标注后的样本图像；

将标注后的样本图像分批次输入检测模型，以对所述检测模型进行训练；

获取待检测电池极片的表面图像；

将所述待检测电池极片的表面图像输入至训练后的检测模型，以对所述待检测电池极片进行缺陷检测。

在本发明实施例中，所述数据集的样本图像包含至少一种典型缺陷，所述典型缺陷包括以下中的至少一者：

漏箔缺陷、裂纹缺陷、气泡缺陷、划痕缺陷。

在本发明实施例中，所述数据增强技术包括以下中至少一者：

图像旋转、图像移位、图像翻转、图像等比例缩放以及加入高斯噪声。

在本发明实施例中，所述使用图像标注工具对所述数据集的增广后的样本图像进行标注，以生成包含缺陷类别、尺寸以及位置信息的标注后的样本图像，包括：

使用LabelImg软件对增广后的样本图像进行标注，其中对不同的缺陷采用不同的标签进行分类标注，使用矩形标注框标注出每个样本图像中缺陷的位置及类别，并记录矩形框两个对角的坐标信息。

在本发明实施例中，所述检测模型是基于YOLO_V3的检测模型。

在本发明实施例中，所述检测模型包括：

主干部分，被配置成接收所述待检测电池极片的表面图像，对所述表面图像进行特征提取，以生成不同尺寸的特征图；

连接部分，被配置成接收所述不同尺寸的特征图，对所述不同尺寸的特征图进行融合以得到融合特征图；以及

多尺度预测部分，被配置成分别对从所述连接部分接收的尺寸最小的特征图和得到的融合特征图进行特征预测。

在本发明实施例中，所述多尺度预测部分进一步被配置成：

针对尺寸最小的特征图和得到的融合特征图中每一种尺寸的特征图，使用多个预设先验框对特征图中的目标物体的位置信息和类别信息进行检测；

其中，每个预设先验框预测对应的边界框。

在本发明实施例中，当局部区域内存在多个边界框用于同一个目标的检测时，使用非极大值抑制去除冗余的预测结果，保留该局部区域内置信度最高的边界框作为最终的预测结果。

本发明第二方面提供一种处理器，被配置成执行上述的电池极片表面缺陷的检测方法。

本发明第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器实现上述的电池极片表面缺陷的检测方法。

本发明实施例提供的方案的有益效果如下：

(1)本发明实施例提供的基于YOLO_V3的电池极片缺陷检测模型，通过在热轧极片表面缺陷数据集上进行训练、实验，能适用在多种类缺陷的电池极片图像中。

(2)基于密集相连思想，采用较深的特征提取主网络架构，有助于识别多个难以区分的目标，提高了主网络提取电池片缺陷特征的能力。

(3)在后期处理过程中，当局部区域内存在多个边界框用于同一个小目标的检测时，使用非极大值抑制(NMS)去除冗余的预测结果，提高了模型检测效率。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1示意性示出了根据本发明实施例的电池极片表面缺陷的检测方法的示例流程图；

图2示意性示出了根据本发明实施例的电池极片表面缺陷的检测方法使用的检测模型的网络结构图；以及

图3示意性示出了根据本发明实施例的检测模型在训练集与测试集的损失示意图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

需要说明，若本申请实施方式中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

若本申请实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

图1示意性示出了根据本发明实施例的电池极片表面缺陷检测方法的示例流程图。如图1所示，在本发明实施例中，提供一种电池极片表面缺陷的检测方法，该检测方法可以包括以下步骤。

在步骤S110中，获取带有缺陷的电池极片的表面图像，以建立电池极片表面缺陷的数据集。

具体地，例如可以使用工业相机采集带有缺陷的电池极片的表面图像，然后可以使用例如Hough对表面图像进行校正、剪裁等操作，以使得图像大小为指定尺寸，例如分辨率为416×416。可以根据这些表面图像建立电池极片表面缺陷的数据集，其中数据集中的每张样本图像(图片)包含至少一种典型缺陷。在一示例中，典型缺陷包括以下中的至少一者：漏箔缺陷、裂纹缺陷、气泡缺陷、划痕缺陷。数据集可用作训练集、测试集以及验证集。

在步骤S120中，采用数据增强技术对所建立的数据集的样本图像进行增广操作。

具体地，数据增强技术可以包括：对原始数据集中的样本图像进行旋转、移位、翻转、等比例缩放以及加入高斯噪声等操作，使原始数据集的样本数量扩充。

在步骤S130中，使用图像标注工具对所述数据集的增广后的样本图像进行标注，以生成包含缺陷类别、尺寸以及位置信息的标注后的样本图像。

具体地，可以使用例如LabelImg软件对增广后的样本图像进行标注，其中对不同的缺陷可以采用不同的标签进行分类标注，可以使用矩形标注框真实地标注出每个样本图像(图片)中缺陷的位置及类别，并记录矩形框两个对角的坐标信息(例如，左上角(x_L,y_L)和右下角(x_R,y_R))。在标注过程中可以采用密集标注法，即对每张图片中的缺陷进行单独标注。

在步骤S140中，将标注后的样本图像分批次输入检测模型，以对所述检测模型进行训练。

在本发明实施例中，检测模型可以采用基于YOLO_V3的检测模型。图2示意性示出了根据本发明实施例的电池极片表面缺陷的检测方法使用的检测模型的网络结构图。如图2所示，检测模型可以包括：

主干部分(Backbone)，被配置成接收所述待检测电池极片的表面图像，对所述表面图像进行特征提取，以生成不同尺寸的特征图；

连接部分(Neck)，被配置成接收所述不同尺寸的特征图，对所述不同尺寸的特征图进行融合以得到融合特征图；以及

多尺度预测部分(Head)，被配置成分别对从所述连接部分接收的尺寸最小的特征图和得到的融合特征图进行特征预测。

具体地，在一个示例中，主干部分可以采用52层的深度卷积神经网络作为特征提取网络，其可以例如由darknet53网络去掉最后的全连接层得到。采用步长为2的卷积层代替池化层对特征图进行下采样，每当通过残差模块中的卷积层之后图像的尺寸就会减小到一半。通过多个残差模块(ResN)累计32倍、16倍和8倍下采样后，最终输出三种尺寸(例如，13×13、26×26和52×52)的特征图。三种不同尺寸的特征图输入至连接部分后，通过连接部分中各自对应的卷积块处理后再经过拼接融合，而后进入多尺度预测部分中各自的预测层对目标进行预测。

在一个示例中，主干部分可以包括级联的卷积单元DBL和5个残差模块，依次是Res1，Res2，Res8，Res8，Res4。卷积单元可以包括依次连接的卷积层(例如卷积核3×3，步长为2，填充0的行数或列数为1Conv2d)、批归一化层(例如bn)以及ReLU激活函数。

每个残差模块可以包括依次连接的零填充单元、一个卷积单元和多个(n)残差单元(RU)。残差单元可以包括依次连接的第一卷积单元和第二卷积单元，第一卷积单元包括依次连接的1×1，步长为1，填充0的行数或列数为1Conv2d的卷积层、bn批归一化层和ReLU激活函数。第二卷积单元包括依次连接的3×3，步长为2，填充0的行数或列数为1Conv2d的卷积层、bn批归一化层和ReLU激活函数。

可以将多个残差模块的堆叠拆成第一部分、第二部分和第三部分，第一部分依次经过Res1，Res2，Res8，输出大小为13×13的特征图，第二部分经过Res1，Res2，Res8，Res8，输出大小为26×26的特征图，第三部分经过Res1，Res2，Res8，Res8，Res4，输出大小为52×52的特征图。

当表面图像(例如尺寸为416×416×3)输入至主干部分后，主干部分对表面图像进行下采样，第一部分输出的是32倍下采样后生成的第一尺寸(尺度)的特征图(例如，13×13)，第二部分输出的是16倍下采样后生成的第二尺寸(尺度)的特征图(例如，26×26)。这两种尺寸的特征图可用于提升小目标的检测精度。第三部分输出的是8倍下采样后生成的第三尺寸(尺度)的特征图(例如，52×52)。该第三尺寸的特征图拥有最大的感受视野，适用于大目标的检测。

连接部分接收到这三种尺寸的特征图后，对第一尺寸(例如，13×13)的特征图进行2倍上采样后与第二尺寸(26×26)的特征图进行拼接，以生成第一融合特征图(例如，26×26)。然后将第一融合特征图进行2倍上采样后与第三尺寸(例如，52×52)的特征图进行拼接，以生成第二融合特征图(例如，52×52)。然后连接部分将第一尺寸的特征图、第一融合特征图和第二融合特征图(例如通过卷积操作后)输入至多尺度预测部分。

多尺度预测部分可以包括与输入的特征图的尺寸数量对应的预测层(例如YOLO层)。每个预测层可以使用多个预设先验框对特征图中的目标物体进行检测。在一个示例中，多尺度预测部分可以包括三个预测层，分别为与第一尺寸的特征图相关联的第一预测层、与第一融合特征图相关联的第二预测层以及与第二融合特征图相关联的第三预测层。第一尺寸(例如，13×13)的特征图的感受野最小，因此第一预测层可以采用尺寸例如分别为10×13、16×30和33×23的三类先验框对第一尺寸(例如，13×13)的特征图中的小目标进行检测。第一融合特征图(例如，26×26)适合检测一般大小的物体，因此第二预测层采用的先验框的尺寸可以设置为30×61、62×45以及59×119。第三预测层可以采用尺寸例如分别为116×90、156×198以及373×326的三类先验框对第二融合特征图(例如，52×52)中的大目标进行检测。

针对每一种尺寸(尺度)的特征图，例如YOLO算法可以将特征图划分为若干网格，当目标物体(例如待检测的缺陷)的中心落在某个网格上时，该网格可以使用预设的三种先验框对目标物体的位置信息和类别信息进行检测。每个尺寸的先验框都会预测一个对应的边界框，因此每个进行预测的网格都会输出三个边界框预测结果以及一组类别预测概率。其中每个边界框都包括五个参数(x,y,w,h,c)，(x,y)为边界框的顶点坐标，w、h分别为边界框的宽和高，c表示边界框的置信度，其计算公式为：

c＝P(o)·IOU

式中，o代表待检测目标的集合，P(o)用于表征边界框内是否存在待检测目标，当边界框内包含o中的元素时，P(o)取值为1，反之P(o)的值为0，IOU则是用于衡量边界框的准确度的指标，其定义为目标检测算法边界框和待检测目标实际边框在面积上的交集与并集的比值(交并比)。

在本发明实施例中，当局部区域内存在多个边界框用于同一个目标的检测时，可以使用非极大值抑制(NMS)去除冗余的预测结果，保留该局部区域内置信度最高的边界框作为最终的预测结果。

训练检测模型的步骤可以包括如下步骤：

设置数据集：将数据集分为训练集和测试集。例如训练集和测试集的样本图像的比例可以为9:1。

训练参数设置：设置训练的迭代次数Epoch。每次迭代过程将训练样本分批次送入检测模型。设置批数据量Batch_size，设置训练时初始学习率，设置学习率衰减正则项。

训练损失：目标检测模型的训练效果可以用平均损失值(Avg Loss)来表征，AvgLoss越小，模型在训练集上的拟合程度越高。

模型评价：采用训练完成后的模型权重对测试集中的图片数据进行检测，采用mAP和平均耗时作为评价指标，对测试集的检测结果进行检测精度和实时性评价。

在步骤S150中，获取待检测电池极片的表面图像；

在步骤S160中，将所述待检测电池极片的表面图像输入至训练后的检测模型，以对所述待检测电池极片进行缺陷检测。

具体地，在检测模型训练完成以后，可以将获取的待检测电池极片的表面图像输入至检测模型中，以进行缺陷检测。

实施例

本实施例采用上述的检测模型架构的基于YOLO_V3的电池片缺陷检测模型。该检测模型的特征提取网络是一个52层的深度卷积神经网络，由darknet53网络去掉最后的全连接层得到，通过大量的残差模块(ResN)累计8、16倍与32倍下采样后，最终输出大小为13×13、26×26和52×52的特征图；三种不同尺度的特征图分别通过各自对应的卷积块处理后再经过拼接融合，而后进入各自的预测层对目标进行预测。

配置实验环境：采用搭载了CPU：Intel(R)Core(TM)i7-11700，GPU：NVIDIA RTXTitan GPU(24G)的服务器作为实验平台。深度学习框架为TensorFlow框架。

采集数据库：选用工业相机采集的电池极片缺陷图像作为数据集，包括训练集4544张，测试集张419，具体如表1所示。

表1YOLO_V3原始数据集

训练参数设置：训练的迭代次数Epoch设置为4000，每次迭代过程都将4万张训练样本分批次送入模型，批数据量Batch_size设置为32，训练时初始学习率设为0.001，为了防止训练过程中学习率过大导致模型参数无法收敛到全局最优点，因此将学习率衰减正则项decay设置为0.0005，每经过一轮迭代学习率将按照decay所指定的比例衰减。

训练损失：目标检测模型的训练效果可以用平均损失值(Avg Loss)来表征，AvgLoss越小，模型在训练集上的拟合程度越高。损失随训练过程的变化如图3所示。

模型评价：采用训练完成后的模型权重对测试集中的图片数据进行检测，采用mAP和平均耗时作为评价指标，对测试集的检测结果进行检测精度和实时性评价。

将本发明实施例提供的检测方法分别与SVM和SSD模型作对比，检测结果如表2所示：

表2各模型统计结果

从表2中可以看出，本发明实施例提出的网络模型在不同类型的极片缺陷检测的中均有较高的准确率，同时兼顾较快的速度。

本发明实施例提供一种处理器，被配置成执行上述任意实施例的电池极片表面缺陷的检测方法。

本发明实施例提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器实现上述任意实施例的电池极片表面缺陷的检测方法。

本发明实施例提供的方案的有益效果如下：

(1)本发明实施例提供的基于YOLO_V3的电池极片缺陷检测模型，通过在热轧极片表面缺陷数据集上进行训练、实验，能适用在多种类缺陷的电池极片图像中。

(2)基于密集相连思想，采用较深的特征提取主网络架构，有助于识别多个难以区分的目标，提高了主网络提取电池片缺陷特征的能力。

(3)在后期处理过程中，当局部区域内存在多个边界框用于同一个小目标的检测时，使用非极大值抑制(NMS)去除冗余的预测结果，提高了模型检测效率。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种电池极片表面缺陷的检测方法，其特征在于，包括：

获取带有缺陷的电池极片的表面图像，以建立电池极片表面缺陷的数据集；

采用数据增强技术对所建立的数据集的样本图像进行增广操作；

使用图像标注工具对所述数据集的增广后的样本图像进行标注，以生成包含缺陷类别、尺寸以及位置信息的标注后的样本图像；

将标注后的样本图像分批次输入检测模型，以对所述检测模型进行训练；

获取待检测电池极片的表面图像；

将所述待检测电池极片的表面图像输入至训练后的检测模型，以对所述待检测电池极片进行缺陷检测。

2.根据权利要求1所述的检测方法，其特征在于，所述数据集的样本图像包含至少一种典型缺陷，所述典型缺陷包括以下中的至少一者：

漏箔缺陷、裂纹缺陷、气泡缺陷、划痕缺陷。

3.根据权利要求1所述的检测方法，其特征在于，所述数据增强技术包括以下中至少一者：

图像旋转、图像移位、图像翻转、图像等比例缩放以及加入高斯噪声。

4.根据权利要求1所述的检测方法，其特征在于，所述使用图像标注工具对所述数据集的增广后的样本图像进行标注，以生成包含缺陷类别、尺寸以及位置信息的标注后的样本图像，包括：

使用LabelImg软件对增广后的样本图像进行标注，其中对不同的缺陷采用不同的标签进行分类标注，使用矩形标注框标注出每个样本图像中缺陷的位置及类别，并记录矩形框两个对角的坐标信息。

5.根据权利要求1所述的检测方法，其特征在于，所述检测模型是基于YOLO_V3的检测模型。

6.根据权利要求5所述的检测方法，其特征在于，所述检测模型包括：

主干部分，被配置成接收所述待检测电池极片的表面图像，对所述表面图像进行特征提取，以生成不同尺寸的特征图；

连接部分，被配置成接收所述不同尺寸的特征图，对所述不同尺寸的特征图进行融合以得到融合特征图；以及

多尺度预测部分，被配置成分别对从所述连接部分接收的尺寸最小的特征图和得到的融合特征图进行特征预测。

7.根据权利要求6所述的检测方法，其特征在于，所述多尺度预测部分进一步被配置成：

针对尺寸最小的特征图和得到的融合特征图中每一种尺寸的特征图，使用多个预设先验框对特征图中的目标物体的位置信息和类别信息进行检测；

其中，每个预设先验框预测对应的边界框。

8.根据权利要求7所述的检测方法，其特征在于，当局部区域内存在多个边界框用于同一个目标的检测时，使用非极大值抑制去除冗余的预测结果，保留该局部区域内置信度最高的边界框作为最终的预测结果。

9.一种处理器，其特征在于，被配置成执行根据权利要求1至8中任意一项所述的电池极片表面缺陷的检测方法。

10.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器实现根据权利要求1至8中任意一项所述的电池极片表面缺陷的检测方法。

Images