CN115937167A - 电池极片陶瓷的缺陷检测方法、装置及电子设备 - Google Patents

Abstract

本申请公开了一种电池极片陶瓷的缺陷检测方法、装置及电子设备，属于缺陷检测技术领域。所述电池极片陶瓷的缺陷检测方法包括：获取待检测电池的目标检测图像，所述目标检测图像包括所述待检测电池的极片陶瓷；对所述目标检测图像进行不同卷积尺度的卷积运算，得到目标二值化图像；基于所述目标二值化图像，确定所述目标检测图像中的极片陶瓷区域；基于所述极片陶瓷区域的图像特征信息，确定所述极片陶瓷的缺陷检测结果。所述电池极片陶瓷的缺陷检测方法通过对目标检测图像进行不同尺度的卷积运算，精准确定目标检测图像中的极片陶瓷区域，准确划分缺陷检测的区域，准确区域极片陶瓷边缘和其他涂布边缘，提高极片陶瓷上缺陷检测的准确度和精度。

Description

电池极片陶瓷的缺陷检测方法、装置及电子设备

技术领域

本申请属于缺陷检测技术领域，尤其涉及一种电池极片陶瓷的缺陷检测方法、装置及电子设备。

背景技术

涂布工艺为锂离子电池的重要制备工艺，极片涂布工艺的主要工作时承载搅拌均匀的浆料进行涂覆，形成极片，涂布效果对电池容量、内阻、循环寿命以及安全性有重要的影响。

陶瓷为纳米化的氧化铝颗粒，具有很高的热稳定性、化学稳定性、耐腐蚀性及高硬度等一系列优良特性。锂离子电池正极极片在涂布时加入陶瓷层，陶瓷层可以减少极片模切时产生的毛刺，降低极片短路风险，且陶瓷通常涂布于极耳一侧，极耳超出隔膜，当隔膜包覆性不加时，可能出现负极极耳与正极极片接触或正极极耳与负极极片接触，陶瓷可以起到绝缘作用。

现有技术方案采用阈值分割边缘检测和传统的缺陷基础特征比对，进行陶瓷边部的测量和陶瓷上的缺陷分类，但基于传统视觉的阈值分割技术，很难全视角检测到陶瓷边部缺陷。如何准确测量陶瓷与涂布交界位置的边部和检测陶瓷区缺陷是锂离子电池极片检测工艺中亟需解决的问题。

发明内容

本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种电池极片陶瓷的缺陷检测方法、装置及电子设备，可以提升极片陶瓷边部测量和缺陷检测的准确度和精度。

第一方面，本申请提供了一种电池极片陶瓷的缺陷检测方法，该方法包括：

获取待检测电池的目标检测图像，所述目标检测图像包括所述待检测电池的极片陶瓷；

对所述目标检测图像进行不同卷积尺度的卷积运算，得到目标二值化图像；

基于所述目标二值化图像，确定所述目标检测图像中的极片陶瓷区域；

基于所述极片陶瓷区域的图像特征信息，确定所述极片陶瓷的缺陷检测结果。

根据本申请的电池极片陶瓷的缺陷检测方法，通过对目标检测图像进行不同尺度的卷积运算，得到目标二值化图像，精准确定目标检测图像中的极片陶瓷区域，准确划分缺陷检测的区域，准确区域极片陶瓷的边缘和其他涂布边缘，提高极片陶瓷上缺陷检测的准确度和精度。

根据本申请的一个实施例，所述对所述目标检测图像进行不同卷积尺度的卷积运算，得到目标二值化图像，包括：

将所述目标检测图像输入至不同卷积尺度的至少两个第一卷积核，获得所述至少两个第一卷积核输出的至少两个第一二值化图像，所述第一二值化图像和所述第一卷积核一一对应；

将所述至少两个第一二值化图像中的一个所述第一二值化图像确定为所述目标二值化图像。

根据本申请的一个实施例，所述第一卷积核基于不同卷积尺度的至少两个第二卷积核进行数学运算得到。

根据本申请的一个实施例，所述基于所述目标二值化图像，确定所述目标检测图像中的极片陶瓷区域，包括：

获取所述目标二值化图像中每列像素列像素值的累加均值；

确定所述目标二值化图像中累加均值突变的像素列为极片陶瓷边；

基于所述极片陶瓷边，确定所述极片陶瓷区域。

根据本申请的一个实施例，所述基于所述极片陶瓷区域的图像特征信息，确定所述极片陶瓷的缺陷检测结果，包括：

将所述极片陶瓷区域的图像输入至目标缺陷检测模型，获得所述目标缺陷检测模型输出的所述极片陶瓷的缺陷检测结果；

其中，所述目标缺陷检测模型为基于YOLOv5神经网络构建，并通过训练数据集训练得到的。

根据本申请的一个实施例，所述目标缺陷检测模型通过如下步骤训练得到：

将所述训练数据集输入至待训练的目标缺陷检测模型进行训练，确定所述目标缺陷检测模型的第一模型权重参数；

将所述第一模型权重参数导出为开放神经网络交换格式文件；

基于所述开放神经网络交换格式文件，对所述目标缺陷检测模型进行权重裁剪，确定所述目标缺陷检测模型的第二模型权重参数，得到训练完成的所述目标缺陷检测模型。

第二方面，本申请提供了一种电池极片陶瓷的缺陷检测装置，该装置包括：

获取模块，用于获取待检测电池的目标检测图像，所述目标检测图像包括所述待检测电池的极片陶瓷；

第一处理模块，用于对所述目标检测图像进行不同卷积尺度的卷积运算，得到目标二值化图像；

第二处理模块，用于基于所述目标二值化图像，确定所述目标检测图像中的极片陶瓷区域；

第三处理模块，用于基于所述极片陶瓷区域的图像特征信息，确定所述极片陶瓷的缺陷检测结果。

根据本申请的电池极片陶瓷的缺陷检测装置，通过对目标检测图像进行不同尺度的卷积运算，得到目标二值化图像，精准确定目标检测图像中的极片陶瓷区域，准确划分缺陷检测的区域，准确区域极片陶瓷的边缘和其他涂布边缘，提高极片陶瓷上缺陷检测的准确度和精度。

第三方面，本申请提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的电池极片陶瓷的缺陷检测方法。

第四方面，本申请提供了一种非暂态计算机可读存储介质，其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上述第一方面所述的电池极片陶瓷的缺陷检测方法。

第五方面，本申请提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的电池极片陶瓷的缺陷检测方法。

本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本申请实施例提供的电池极片陶瓷的缺陷检测方法的流程示意图；

图2是本申请实施例提供的目标检测图像的区域分布示意图；

图3是本申请实施例提供的不同卷积尺度的卷积运算的流程示意图；

图4是本申请实施例提供的极片陶瓷边的示意图；

图5是本申请实施例提供的开放神经网络交换格式文件的结构示意图；

图6是本申请实施例提供的目标缺陷检测模型的第一模型权重参数的结构示意图；

图7是本申请实施例提供的目标缺陷检测模型的第二模型权重参数的结构示意图；

图8是本申请实施例提供的电池极片陶瓷的缺陷检测装置的结构示意图；

图9是本申请实施例提供的电子设备的结构示意图；

图10是本申请实施例提供的电子设备的硬件示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的电池极片陶瓷的缺陷检测方法、电池极片陶瓷的缺陷检测装置、电子设备和可读存储介质进行详细地说明。

其中，电池极片陶瓷的缺陷检测方法可应用于终端，具体可由，终端中的硬件或软件执行。

该终端包括但不限于具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话或平板电脑等便携式通信设备。还应当理解的是，在某些实施例中，该终端可以不是便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。

以下各个实施例中，描述了包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和控制杆的一个或多个其它物理用户接口设备。

本申请实施例提供的电池极片陶瓷的缺陷检测方法，该电池极片陶瓷的缺陷检测方法的执行主体可以为电子设备或者电子设备中能够实现该电池极片陶瓷的缺陷检测方法的功能模块或功能实体，本申请实施例提及的电子设备包括但不限于手机、平板电脑、电脑、相机和可穿戴设备等，下面以电子设备作为执行主体为例对本申请实施例提供的电池极片陶瓷的缺陷检测方法进行说明。

如图1所示，该电池极片陶瓷的缺陷检测方法包括：步骤110、步骤120、步骤130和步骤140。

步骤110、获取待检测电池的目标检测图像。

其中，目标检测图像包括待检测电池的极片陶瓷。

待检测电池可以为锂离子电池，极片陶瓷是可以锂离子电池正极极片的陶瓷层的露出部分。

在实际执行中，通过工业视觉系统采集待检测电池的目标检测图像，采集得到的目标检测图像包括待检测电池的极片陶瓷。

其中，工业视觉系统可以为高行频线阵相机，通过高行频线阵相机拍摄锂离子电池的图像，采集目标检测图像。

例如，如图2所示，图示涂布区域为锂离子电池的极片所在的区域，陶瓷区域为极片陶瓷所在的区域，留白区域不进行极片或极片陶瓷的涂覆。在该实施例中，陶瓷区域呈现细长条状，极片陶瓷上存在的缺陷可能分布于细长条状的陶瓷区域的边缘处。

步骤120、对目标检测图像进行不同卷积尺度的卷积运算，得到目标二值化图像。

在该步骤中，对目标检测图像进行卷积运算，可以通过实现不同卷积尺度的卷积核来实现不同卷积尺度的卷积运算。

可以理解的是，不同卷积尺度的卷积运算得到卷积运算结果所表征的图像特征不同，一些卷积尺度的卷积远算结果既包含全局整体图像特征，又包含局部细节图像特征，目标检测图像进行不同卷积尺度的卷积运算，可以得到凸显极片陶瓷部分的细节图像特征的卷积运算结果。

图像二值化(Image Binarization)就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。

在数字图像处理中，二值化图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。

在该实施例中，在对目标检测图像进行不同卷积尺度的卷积运算后，得到目标二值化图像，所得到的目标二值化图像可以凸显极片陶瓷部分的轮廓，有助于准确分割出极片陶瓷所在区域的图像进行缺陷检测。

步骤130、基于目标二值化图像，确定目标检测图像中的极片陶瓷区域。

可以理解的是，目标二值化图像可以凸显目标检测图像中极片陶瓷部分的轮廓，根据目标二值化图像，精准确定极片陶瓷与极片或留白交界的边部位置，切分出目标检测图像中的极片陶瓷区域。

其中，极片陶瓷区域为目标检测图像中极片陶瓷所在区域的图像，极片陶瓷区域可以包括完整的极片陶瓷以及与极片陶瓷交界的部分极片或留白。

在该实施例中，通过目标二值化图像，确定目标检测图像中的极片陶瓷区域，准确划分缺陷检测的区域，可以减少执行缺陷检测时的数据量，提升缺陷检测效率，还可以有效避免其他区域对极片陶瓷区域的缺陷检测造成影响。

步骤140、基于极片陶瓷区域的图像特征信息，确定极片陶瓷的缺陷检测结果。

在该步骤中，获取极片陶瓷区域的图像特征信息，根据极片陶瓷区域的图像特征信息，判断极片陶瓷区域是否存在缺陷，得到待检测电池的极片陶瓷的缺陷检测结果。

在该实施例中，当根据极片陶瓷区域的图像特征信息，判断待检测电池的极片陶瓷不存在缺陷时，极片陶瓷的缺陷检测结果为无缺陷，待检测电池可执行下一步检测或判定为良品。

当根据极片陶瓷区域的图像特征信息，判断待检测电池的极片陶瓷存在缺陷时，可以得到极片陶瓷的缺陷检测结果为有缺陷，缺陷检测结果还可以包括极片陶瓷上缺陷所在的位置以及缺陷所属的种类。

相关技术中，大多使用传统视觉的阈值分割技术，对陶瓷边缘进行检测，该类技术很难全视角检测到陶瓷边缘的缺陷，无法准确找出陶瓷和极片涂布交界位置的分界线，不能准确切分出陶瓷所在位置。

在本申请实施例中，通过对目标检测图像进行不同尺度的卷积运算，得到目标二值化图像，从不同卷积尺度表征极片陶瓷的图像特征，再根据目标二值化图像，精准确定目标检测图像中的极片陶瓷区域，准确划分缺陷检测的区域，可以减少执行缺陷检测时的数据量，提升缺陷检测效率，还可以有效避免其他区域对极片陶瓷区域的缺陷检测造成影响。

根据本申请实施例提供的电池极片陶瓷的缺陷检测方法，通过对目标检测图像进行不同尺度的卷积运算，得到目标二值化图像，精准确定目标检测图像中的极片陶瓷区域，准确划分缺陷检测的区域，准确区别极片陶瓷的边缘和其他涂布边缘，提高极片陶瓷上缺陷检测的准确度和精度。

在一些实施例中，步骤120、对目标检测图像进行不同卷积尺度的卷积运算，得到目标二值化图像，可以包括：

将目标检测图像输入至不同卷积尺度的至少两个第一卷积核，获得至少两个第一卷积核输出的至少两个第一二值化图像，第一二值化图像和第一卷积核一一对应；

将至少两个第一二值化图像中的一个第一二值化图像确定为目标二值化图像。

其中，第一卷积核可以为多个，第一卷积核两两之间的卷积尺度不同。

例如，第一卷积核为两个，第一卷积核A和第一卷积核B。

在该实施例中，将目标检测图像输入至第一卷积核A，进行卷积运算，获得第一卷积核A输出的第一二值化图像A。

将目标检测图像输入至第一卷积核B，进行卷积运算，获得第一卷积核B输出的第一二值化图像B。

将第一二值化图像A和第一二值化图像B中的一个作为目标二值化图像，用于确定极片陶瓷区域。

需要说明的是，第一卷积核A和第一卷积核B的卷积尺度不同，第一二值化图像A和第一二值化图像B所表征的极片陶瓷部分的细节图像特征也不同。

在实际执行中，可以选择第一二值化图像A和第一二值化图像B中表征的极片陶瓷部分的细节图像特征更多的二值化图像作为目标二值化图像。

在一些实施例中，第一卷积核基于不同卷积尺度的至少两个第二卷积核进行数学运算得到。

第一卷积核是通过不同卷积尺度的第二卷积核进行数学运算得到的，第二卷积核可以为卷积大小固定的卷积核，通过不同卷积尺度的第二卷积核的数学运算，可以得到多个不同卷积尺度的第一卷积核。

在实际执行中，至少两个第二卷积核进行数学运算可以为卷积核相加或卷积核相减等运算。

例如，第二卷积核可以为三个，分别为大型卷积核(max_filter)、线型卷积核(line_filter)和小型卷积核(min_filter)。

第一卷积核可以通过大型卷积核减去线型卷积核得到，第一卷积核为max_filter-line_filter。

第一卷积核可以通过大型卷积核减去小型卷积核得到，第一卷积核为max_filter-min_filter。

下面介绍一个具体的实施例。

如图3所示，第二卷积核可以为max_filter、line_filter和min_filter。

目标检测图像输入至max_filter-line_filter进行卷积运算，得到PIC_A，目标检测图像输入至max_filter-min_filter进行卷积运算，得到PIC_B。

PIC_A和PIC_B都是包括极片陶瓷部分的细节图像特征的图像，根据PIC_A或PIC_B都可以进行极片陶瓷的缺陷检测。

在该实施例中，目标二值化图像PIC_C＝PIC_A OR PIC_B。

在该实施例中，在对目标检测图像进行不同卷积尺度的卷积运算后，得到目标二值化图像PIC_C，所得到的目标二值化图像PIC_C可以凸显极片陶瓷部分的轮廓，有助于准确分割出极片陶瓷所在区域的图像进行缺陷检测。

在一些实施例中，步骤130、基于目标二值化图像，确定目标检测图像中的极片陶瓷区域，包括：

获取目标二值化图像中每列像素列像素值的累加均值；

确定目标二值化图像中累加均值突变的像素列为极片陶瓷边；

基于极片陶瓷边，确定极片陶瓷区域。

在该实施例中，将目标二值化图像的每列像素列的像素值进行累加求和，再将求和得到的结果除以目标二值化图像的行数，可以得到该列的累加均值。

例如，目标二值化图像的行数为1000，列数为2048，对于目标二值化图像的每列，有2048个像素值相加得到的像素值总和，将该像素值总和除以目标二值化图像的行数1000，可以得到每列的累加均值。

相邻两个像素列的累加均值可以求取差值得到该相邻两个像素列的像素距离，目标二值化图像中累加均值突变的像素列，像素距离较大的像素列，即为极片陶瓷边。

如图4所示，遍历目标二值化图像中的全部像素列，求取目标二值化图像中每列像素列像素值的累加均值，得到累加均值突变的像素列。

在实际执行中，可以设定累加均值突变的A突变位置为起始的极片陶瓷边A，下一个累加均值突变的B突变位置为极片陶瓷边B。

极片陶瓷边A和极片陶瓷边B之间的区域为极片陶瓷区域。

可以设定累加均值突变的C突变位置为起始的极片陶瓷边C，下一个累加均值突变的D突变位置为极片陶瓷边D。

极片陶瓷边C和极片陶瓷边D之间的区域为极片陶瓷区域。

需要说明的是，如图2所示，陶瓷区域呈现细长条状，可以通过细长条状对极片陶瓷边之间的区域进行匹配，判断两个极片陶瓷边之间为极片陶瓷区域或其他涂布区域。

在该实施例中，通过求取目标二值化图像的像素列的累加均值的寻边算法，准确确定目标检测图像中的极片陶瓷区域，准确划分缺陷检测的区域，有助于减少执行缺陷检测时的数据量，提升缺陷检测效率，还可以有效避免其他区域对极片陶瓷区域的缺陷检测造成影响。

在一些实施例中，步骤140、基于极片陶瓷区域的图像特征信息，确定极片陶瓷的缺陷检测结果，包括：

将极片陶瓷区域的图像输入至目标缺陷检测模型，获得目标缺陷检测模型输出的极片陶瓷的缺陷检测结果；

其中，目标缺陷检测模型为基于YOLOv5神经网络构建，并通过训练数据集训练得到的。

在该实施例中，目标缺陷检测模型为基于YOLOv5神经网络构建训练的深度学习模型，在准确划分极片陶瓷区域后，使用深度学习检测，准确检测极片陶瓷区域，得到极片陶瓷的缺陷检测结果。

在实际执行中，可以将目标缺陷检测模型输出的极片陶瓷的缺陷检测结果，经过后处理逻辑将缺陷位置坐标反算到目标检测图像中，完成目标检测图像的缺陷检测。

目标缺陷检测模型为基于YOLOv5神经网络构建训练的，YOLOv5神经网络可以为YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x中的一个，

使用训练数据集对目标缺陷检测模型进行训练，优化YOLOv5神经网络中的权重参数，训练数据集可以是包括样本图像及对应的缺陷的训练集。

在该实施例中，基于YOLOv5神经网络构建训练目标缺陷检测模型，目标缺陷检测模型的灵活性和检测速度较高，且目标缺陷检测模型的快速部署也具有极强优势。

在一些实施例中，目标缺陷检测模型通过如下步骤训练得到：

将训练数据集输入至待训练的目标缺陷检测模型进行训练，确定目标缺陷检测模型的第一模型权重参数；

将第一模型权重参数导出为开放神经网络交换格式文件；

基于开放神经网络交换格式文件，对目标缺陷检测模型进行权重裁剪，确定目标缺陷检测模型的第二模型权重参数，得到训练完成的目标缺陷检测模型。

在该实施例中，先通过将训练数据集输入至待训练的目标缺陷检测模型进行常规训练，更新目标缺陷检测模型的权重参数，训练数据集的训练完成后，得到目标缺陷检测模型的第一模型权重参数。

将第一模型权重参数导出为开放神经网络(Open Neural Network Exchange，ONNX)交换格式文件。

其中，开放神经网络交换格式(Open Neural Network Exchange，ONNX)，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。

在该实施例中，将第一模型权重参数导出为开放神经网络交换格式文件，开放神经网络交换格式文件的结构可以如图5所示。

其中，model表示整个开放神经网络交换格式文件的模型，包含图结构和解析器格式、opset版本和导出程序类型等信息。

model-graph表示图结构，通常为netron看到的主要结构。

model-graph-node表示图中的所有节点，数组，例如conv、bn等节点，通过input、output表示节点之间的连接关系。

model-graph-initializer为权重类的数据储存位置。

model-graph-input为开放神经网络交换格式文件的模型的输入储存位置，表明哪些节点为输入节点，还包括输入数据的shape等信息。

model-graph-output为开放神经网络交换格式文件的模型的输出储存位置，表明哪些节点为输出节点，还包括输出数据的shape等信息。

在该实施例中，对于anchorgrid类的常量数据，可以储存于model-graph-node之中，并可以指定储存类型为Constant。

在该实施例中，将第一模型权重参数导出为开放神经网络交换格式文件后，根据开放神经网络交换格式文件对目标缺陷检测模型的权重进行优化，即裁剪目标缺陷检测模型的权重，得到目标缺陷检测模型的第二模型权重参数，完成目标缺陷检测模型的训练。

例如，图6所示为本申请实施例提供的目标缺陷检测模型的第一模型权重参数的结构示意图，如图6所示，通过训练数据集训练后，得到目标缺陷检测模型的第一模型权重参数种类繁多，权重参数之间连接关系复杂。

图7所示为本申请实施例提供的目标缺陷检测模型的第二模型权重参数的结构示意图，如图7所示，根据开放神经网络交换格式文件对目标缺陷检测模型的权重进裁剪优化后，其中，A1-A4优化后对应E1-E4，将原始权重中A5-A8裁剪去除，得到目标缺陷检测模型的第二模型权重参数种类减少，且权重参数之间连接关系简单。

在该实施例中，根据开放神经网络交换格式文件对目标缺陷检测模型的权重进裁剪优化，可以有效提升目标缺陷检测模型的检测速度，也有助于目标缺陷检测模型在计算能力有限的边缘设备上部署，扩宽目标缺陷检测模型检测极片陶瓷缺陷的使用环境。

在实际执行中，可以按照第二模型权重参数，在工业视觉系统中部署目标缺陷检测模型，已实现极片陶瓷上缺陷的自动化检测。

相关技术中，通过传统视觉的阈值分割，很难全视角检测到陶瓷边部缺陷，一是寻找陶瓷和其他涂布交界的位置，无法准确切分出陶瓷所在的位置；二是陶瓷和缺陷前景对比度较低，缺陷形态不定，很难精准的找出缺陷位置并对缺陷识别。

本申请实施例中，通过不同卷积尺度的卷积运算，结合目标二值化图像采用累加求均值操作，寻找累加均值突变位置，即为极片陶瓷边，准确划分极片陶瓷区域；再使用深度学习检测极片陶瓷区域的缺陷，可以精准识别前景对比度较低或缺陷形态不定的缺陷，有效提升极片陶瓷缺陷检测的准确度和精度。

本申请实施例提供的电池极片陶瓷的缺陷检测方法，执行主体可以为电池极片陶瓷的缺陷检测装置。本申请实施例中以电池极片陶瓷的缺陷检测装置执行电池极片陶瓷的缺陷检测方法为例，说明本申请实施例提供的电池极片陶瓷的缺陷检测装置。

本申请实施例还提供一种电池极片陶瓷的缺陷检测装置。

如图8所示，该电池极片陶瓷的缺陷检测装置包括：

获取模块810，用于获取待检测电池的目标检测图像，目标检测图像包括待检测电池的极片陶瓷；

第一处理模块820，用于对目标检测图像进行不同卷积尺度的卷积运算，得到目标二值化图像；

第二处理模块830，用于基于目标二值化图像，确定目标检测图像中的极片陶瓷区域；

第三处理模块840，用于基于极片陶瓷区域的图像特征信息，确定极片陶瓷的缺陷检测结果。

根据本申请实施例提供的电池极片陶瓷的缺陷检测装置，通过对目标检测图像进行不同尺度的卷积运算，得到目标二值化图像，精准确定目标检测图像中的极片陶瓷区域，准确划分缺陷检测的区域，准确区域极片陶瓷的边缘和其他涂布边缘，提高极片陶瓷上缺陷检测的准确度和精度。

在一些实施例中，第一处理模块820，用于对目标检测图像进行不同卷积尺度的卷积运算，得到目标二值化图像，可以包括：

将目标检测图像输入至不同卷积尺度的至少两个第一卷积核，获得至少两个第一卷积核输出的至少两个第一二值化图像，第一二值化图像和第一卷积核一一对应；

将至少两个第一二值化图像中的一个第一二值化图像确定为目标二值化图像。

在一些实施例中，第一卷积核基于不同卷积尺度的至少两个第二卷积核进行数学运算得到。

在一些实施例中，第二处理模块830，用于基于目标二值化图像，确定目标检测图像中的极片陶瓷区域，可以包括：

获取目标二值化图像中每列像素列像素值的累加均值；

确定目标二值化图像中累加均值突变的像素列为极片陶瓷边；

基于极片陶瓷边，确定极片陶瓷区域。

在一些实施例中，第三处理模块840，用于基于极片陶瓷区域的图像特征信息，确定极片陶瓷的缺陷检测结果，可以包括：

将极片陶瓷区域的图像输入至目标缺陷检测模型，获得目标缺陷检测模型输出的极片陶瓷的缺陷检测结果；

其中，目标缺陷检测模型为基于YOLOv5神经网络构建，并通过训练数据集训练得到的。

在一些实施例中，目标缺陷检测模型通过如下步骤训练得到：

将训练数据集输入至待训练的目标缺陷检测模型进行训练，确定目标缺陷检测模型的第一模型权重参数；

将第一模型权重参数导出为开放神经网络交换格式文件；

基于开放神经网络交换格式文件，对目标缺陷检测模型进行权重裁剪，确定目标缺陷检测模型的第二模型权重参数，得到训练完成的目标缺陷检测模型。

本申请实施例中的电池极片陶瓷的缺陷检测装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobilepersonal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，还可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。

本申请实施例中的电池极片陶瓷的缺陷检测装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为IOS操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。

本申请实施例提供的电池极片陶瓷的缺陷检测装置能够实现图1至图7的方法实施例实现的各个过程，为避免重复，这里不再赘述。

在一些实施例中，如图9所示，本申请实施例还提供一种电子设备900，包括处理器901、存储器902及存储在存储器902上并可在处理器901上运行的计算机程序，该程序被处理器901执行时实现上述电池极片陶瓷的缺陷检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，本申请实施例中的电子设备包括上述的移动电子设备和非移动电子设备。

图10为实现本申请实施例的一种电子设备的硬件结构示意图。

该电子设备1000包括但不限于：射频单元1001、网络模块1002、音频输出单元1003、输入单元1004、传感器1005、显示单元1006、用户输入单元1007、接口单元1008、存储器1009以及处理器1010等部件。

本领域技术人员可以理解，电子设备1000还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器1010逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图10中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。

其中，输入单元1004，在本申请实施例中为摄像头，用于获取待检测电池的目标检测图像，目标检测图像包括待检测电池的极片陶瓷；

处理器1010，用于对目标检测图像进行不同卷积尺度的卷积运算，得到目标二值化图像；

基于目标二值化图像，确定目标检测图像中的极片陶瓷区域；

基于极片陶瓷区域的图像特征信息，确定极片陶瓷的缺陷检测结果。

根据本申请实施例提供的电子设备，通过对目标检测图像进行不同尺度的卷积运算，得到目标二值化图像，精准确定目标检测图像中的极片陶瓷区域，准确划分缺陷检测的区域，准确区域极片陶瓷的边缘和其他涂布边缘，提高极片陶瓷上缺陷检测的准确度和精度。

在一些实施例中，处理器1010，还用于将目标检测图像输入至不同卷积尺度的至少两个第一卷积核，获得至少两个第一卷积核输出的至少两个第一二值化图像，第一二值化图像和第一卷积核一一对应；

将至少两个第一二值化图像中的一个第一二值化图像确定为目标二值化图像。

在一些实施例中，第一卷积核基于不同卷积尺度的至少两个第二卷积核进行数学运算得到。

在一些实施例中，处理器1010，还用于获取目标二值化图像中每列像素列像素值的累加均值；

确定目标二值化图像中累加均值突变的像素列为极片陶瓷边；

基于极片陶瓷边，确定极片陶瓷区域。

在一些实施例中，处理器1010，还用于将极片陶瓷区域的图像输入至目标缺陷检测模型，获得目标缺陷检测模型输出的极片陶瓷的缺陷检测结果；

其中，目标缺陷检测模型为基于YOLOv5神经网络构建，并通过训练数据集训练得到的。

在一些实施例中，目标缺陷检测模型通过如下步骤训练得到：

将训练数据集输入至待训练的目标缺陷检测模型进行训练，确定目标缺陷检测模型的第一模型权重参数；

将第一模型权重参数导出为开放神经网络交换格式文件；

基于开放神经网络交换格式文件，对目标缺陷检测模型进行权重裁剪，确定目标缺陷检测模型的第二模型权重参数，得到训练完成的目标缺陷检测模型。

应理解的是，本申请实施例中，输入单元1004可以包括图形处理器(GraphicsProcessing Unit，GPU)10041和麦克风10042，图形处理器10041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1006可包括显示面板10061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板10061。用户输入单元1007包括触控面板10071以及其他输入设备10072中的至少一种。触控面板10071，也称为触摸屏。触控面板10071可包括触摸检测装置和触摸控制器两个部分。其他输入设备10072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。

存储器1009可用于存储软件程序以及各种数据。存储器1009可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器1009可以包括易失性存储器或非易失性存储器，或者，存储器1009可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请实施例中的存储器1009包括但不限于这些和任意其它适合类型的存储器。

处理器1010可包括一个或多个处理单元；处理器1010集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器1010中。

本申请实施例还提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述电池极片陶瓷的缺陷检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。

本申请实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述电池极片陶瓷的缺陷检测方法。

其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。

本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述电池极片陶瓷的缺陷检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。

Claims (10)

1.一种电池极片陶瓷的缺陷检测方法，其特征在于，包括：

获取待检测电池的目标检测图像，所述目标检测图像包括所述待检测电池的极片陶瓷；

对所述目标检测图像进行不同卷积尺度的卷积运算，得到目标二值化图像；

基于所述目标二值化图像，确定所述目标检测图像中的极片陶瓷区域；

基于所述极片陶瓷区域的图像特征信息，确定所述极片陶瓷的缺陷检测结果。

2.根据权利要求1所述的电池极片陶瓷的缺陷检测方法，其特征在于，所述对所述目标检测图像进行不同卷积尺度的卷积运算，得到目标二值化图像，包括：

将所述目标检测图像输入至不同卷积尺度的至少两个第一卷积核，获得所述至少两个第一卷积核输出的至少两个第一二值化图像，所述第一二值化图像和所述第一卷积核一一对应；

将所述至少两个第一二值化图像中的一个所述第一二值化图像确定为所述目标二值化图像。

3.根据权利要求2所述的电池极片陶瓷的缺陷检测方法，其特征在于，所述第一卷积核基于不同卷积尺度的至少两个第二卷积核进行数学运算得到。

4.根据权利要求1所述的电池极片陶瓷的缺陷检测方法，其特征在于，所述基于所述目标二值化图像，确定所述目标检测图像中的极片陶瓷区域，包括：

获取所述目标二值化图像中每列像素列像素值的累加均值；

确定所述目标二值化图像中累加均值突变的像素列为极片陶瓷边；

基于所述极片陶瓷边，确定所述极片陶瓷区域。

5.根据权利要求1所述的电池极片陶瓷的缺陷检测方法，其特征在于，所述基于所述极片陶瓷区域的图像特征信息，确定所述极片陶瓷的缺陷检测结果，包括：

将所述极片陶瓷区域的图像输入至目标缺陷检测模型，获得所述目标缺陷检测模型输出的所述极片陶瓷的缺陷检测结果；

其中，所述目标缺陷检测模型为基于YOLOv5神经网络构建，并通过训练数据集训练得到的。

6.根据权利要求5所述的电池极片陶瓷的缺陷检测方法，其特征在于，所述目标缺陷检测模型通过如下步骤训练得到：

将所述训练数据集输入至待训练的目标缺陷检测模型进行训练，确定所述目标缺陷检测模型的第一模型权重参数；

将所述第一模型权重参数导出为开放神经网络交换格式文件；

基于所述开放神经网络交换格式文件，对所述目标缺陷检测模型进行权重裁剪，确定所述目标缺陷检测模型的第二模型权重参数，得到训练完成的所述目标缺陷检测模型。

7.一种电池极片陶瓷的缺陷检测装置，其特征在于，包括：

获取模块，用于获取待检测电池的目标检测图像，所述目标检测图像包括所述待检测电池的极片陶瓷；

第一处理模块，用于对所述目标检测图像进行不同卷积尺度的卷积运算，得到目标二值化图像；

第二处理模块，用于基于所述目标二值化图像，确定所述目标检测图像中的极片陶瓷区域；

第三处理模块，用于基于所述极片陶瓷区域的图像特征信息，确定所述极片陶瓷的缺陷检测结果。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述电池极片陶瓷的缺陷检测方法。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6任一项所述的电池极片陶瓷的缺陷检测方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述电池极片陶瓷的缺陷检测方法。

Images