CN117635538A - 一种基于分割模型中心距离loss的检测锂电池极耳的检测方法 - Google Patents

Abstract

本发明属于极耳线条检测技术领域，且公开了一种基于分割模型中心距离l oss的检测锂电池极耳的检测方法，极耳的检测步骤为：步骤一，采集极耳侧面图像；步骤二，人工标注极耳；步骤三，构建transformer decoder的双decoder的图像分割深度学习模型和中心距离l oss函数；步骤四，对人工标注的极耳进行预处理；步骤五，使用预处理后的数据训练所构建的模型；步骤六，训练好的模型应用到项目中检测极耳。本文提出一种基于中心距离l oss的方法，使分割模型可以更有效关注于极耳的中心线位置，减弱极耳边沿位置对分割结果的影响，使模型忽略标注不准确造成的影响，更关注极耳线中心线，从而提高图像分割在极耳检测上的准确率。

Description

一种基于分割模型中心距离loss的检测锂电池极耳的检测 方法

技术领域

本发明属于极耳线条检测技术领域，具体为一种基于分割模型中心距离loss的检测锂电池极耳的检测方法。

背景技术

传统图像算法(非深度学习的方法)大都采取找线的方式，将极耳寻找出来，再进行下一步的判断。但由于极耳状态的不规则，以及极耳位置的变动，使传统找线的方式无法在固定区域内寻找，并且由于极耳位置变动造成的光照效果不同，极耳边沿较模糊，有一定的过度地带，没有一个非常明确清晰的极耳边沿，致使传统图像算法寻找边沿的参数无法调节到一个非常理想的数值。因此传统图像算法在处理极耳检测的问题时，检测准确率非常低，误检率也非常高，实际生产过程中难以实际应用。

在实际应用过程中，单纯应用计算机视觉领域比较成熟的图像分割模型并不能完全解决极耳检测的问题，主要在于检测精度不够。影响分割模型检测精度的主要是两个方面，一个方面是分割模型本身，一个是标注的数据质量。不同的图像分割模型，会产生不同效果的检测结果。训练图像分割模型，需要进行人工标注训练数据，人工标注的质量会极大的影响模型训练的结果。深度学习模型很大程度上依赖标注数据的有效性，因为深度学习的本质即是从数据中去学习规律，如果人工进行的标注出现了问题，那么模型学习到的规律必然是不准确的。在极耳检测这个实际问题中，对检耳进行人工标注，标注往往难以做到十分完美的标注。极耳线并不是十分平直，并且极耳线比较细，在标注过程中，往往出现标注的粗细程度与极耳不匹配的情况，即标注的区域过宽，超过极耳线的宽度，或者标注的区域过窄，并没有完全标注全极耳线上，因此需要对其进行改进和优化。

发明内容

本发明的目的在于提供一种基于分割模型中心距离loss的检测锂电池极耳的检测方法，以解决上述背景技术中提出的问题。

为了实现上述目的，本发明提供如下技术方案：一种基于分割模型中心距离loss的检测锂电池极耳的检测方法，极耳的检测步骤为：

步骤一，采集极耳侧面图像；从侧面对成层叠状态的极耳进行拍照取像作业；

步骤二，人工标注极耳；按照图像分割的模式进行标注得到极耳的mask图像；

步骤三，构建transformerdecoder的双decoder的图像分割深度学习模型和中心距离loss函数；

步骤四，对人工标注的极耳进行预处理，得到针对每一张图像的权重map；

步骤五，使用预处理后的数据训练所构建的模型；

步骤六，训练好的模型应用到项目中检测极耳。

本文提出一种基于中心距离loss的方法，使分割模型可以更有效关注于极耳的中心线位置，减弱极耳边沿位置对分割结果的影响，使模型忽略标注不准确造成的影响，更关注极耳线中心线，从而提高图像分割在极耳检测上的准确率。

优选地，所述步骤三中构建的深度学习模型包含三个组成部分，分别是encoder，decoder和tranformer decoder。

深度学习模型构建步骤为：

1、图像输入由encoder进行第一步处理，

2、送入decoder中进行mask的生成,同时encoder与decoder的相应层送入到transformer decoder结构中进行更进一步的mask生成。

3、Transformer decoder与原decoder生成的mask进行相加操作后输出为最终的mask。

区别于其它深度学习分割模型encoder-decoder，该分割模型在传统基于CNN的encoder与decoder的基础上，额外增加了一个基于transformer decoder的模块，即总共包含一个encoder两个decoder模块。Transformer decoder模块的key来自于原本encoder相关层，query来自于原本decoder相关层，Transformer decoder的value输出与原本decoder的输出相加作为最终decoder输出。

优选地，所述步骤三中transformer decoder的双decoder的图像分割深度学习模型构建步骤为：

S1、输入原始图像至encoder模型中；

S2、将数据流送入由卷积神经网络架构构建的上采样的decoder模型中；

S3、同时encoder与decoder的相应层，分别作为key和query送入到基于transformer结构构建的transformer decoder模型中；

S4、最后，Transformer decoder的输出与原本decoder的输出进行相加得到最终模型的输出。

优选地，所述步骤三中的中心距离loss的函数和sig函数：

Loss(x,y)＝Sig(λ*s(x,y,line(mask)))*Pred(x,y)

Sig(x)＝(1+e^-x)^-1

其中，s表示为该点至极耳中心线的最短距离，近似为该点到line(mask)的垂直距离；

其中，λ为距离缩小倍率，Pred(x,y)为模型在该点处的输出值。

中心距离loss的计算方法，将极耳图像上的标注，进行不同权重的划分。以极耳线条中心位置为基准，极耳线条上其它像素点，距离中心线越远，则给定较小的“重要性”权重，即给予一个“惩罚性”loss，即为中心距离loss。

即远离极耳中心线的像素，则给定一个较大的loss，从而迫使模型去学习靠近极耳中心线的预测输出；

根据函数可计算得出不同距离下的M＝Sig(λ*s(x,y,line(mask)))值，将所有的点计算得出的该值，得到最终的map。将所有的训练集中标注的mask对应的该权重map都计算出来，存储起来。

优选地，所述中心距离loss的预处理方法为：

一、计算出极耳线条中心线上的像素，以此中心线为基准，以垂直于该中心线的方向上延伸，每N个像素后；

二、设定权重M，M随N的增大按一定倍率x增大，N，M，x依据实际情况设定；

三、根据设定可以得到每个像素对应一个M，则可对应得到原图大小的权重map。

优选地，所述Sig函数可以算出平滑距离较远的点在Loss中的比重，防止中心距离函数过大造成模型学习过程中产生的梯度过大而引发的梯度爆炸。

优选地，所述mask的预处理方法为：

A1,将传统的分割标注进行预处理；

A2,计算出极耳线条中心线上的像素；

A3,以此中心线为基准，以垂直于该中心线的方向上延伸；

A4,每N个像素后，设定权重M，M随N的增大而增大；

A5,根据设定可以得到每个像素对应一个M，则可对应得到原图大小的权重map。

优选地，所述步骤二中的图像分割深度学习网络结构模型有两种，一种应用于中心距离loss的loss计算方法，一种适应于中心距离loss的数据预处理方法。

本发明的有益效果如下：

1、本发明的中心距离loss可以有效的让模型更关注于极耳中心线，从而减少极耳不清晰的边沿所带来的影响，也一定程度上可以忽略由于标注不准确造成的负面影响，从而提升模型对极耳检测的准确率。

2、本发明通过构建的基于transformerdecoder使模型可以更好学习到全局信息，减少某些局部不清晰造成的难以识别的极耳，从而提升模型准确率。

3、本发明通过对标注的mask预处理方法，可以提升在训练过程中，对中心距离loss的计算效率，从而加速模型的训练过程。

4、本文提出一种基于中心距离loss的方法，使分割模型可以更有效关注于极耳的中心线位置，减弱极耳边沿位置对分割结果的影响，使模型忽略标注不准确造成的影响，更关注极耳线中心线，从而提高图像分割在极耳检测上的准确率。

附图说明

图1为本发明构建的极耳检测的深度学习框架图；

图2为本发明极耳与图像像素中心距离计算示意图；

图3为本发明实际应用步骤流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1至图3所示，本发明实施例提供了一种基于分割模型中心距离loss的检测锂电池极耳的检测方法，极耳的检测步骤为：

步骤一，采集极耳侧面图像；从侧面对成层叠状态的极耳进行拍照取像作业；

步骤二，人工标注极耳；按照图像分割的模式进行标注得到极耳的mask图像；

步骤三，构建transformer decoder的双decoder的图像分割深度学习模型和中心距离loss函数；

步骤四，对人工标注的极耳进行预处理，得到针对每一张图像的权重map；

步骤五，使用预处理后的数据训练所构建的模型；

步骤六，训练好的模型应用到项目中检测极耳。

本文提出一种基于中心距离loss的方法，使分割模型可以更有效关注于极耳的中心线位置，减弱极耳边沿位置对分割结果的影响，使模型忽略标注不准确造成的影响，更关注极耳线中心线，从而提高图像分割在极耳检测上的准确率。

其中，所述步骤三中构建的深度学习模型包含三个组成部分，分别是encoder，decoder和tranformer decoder。

深度学习模型构建步骤为：

1、图像输入由encoder进行第一步处理，

2、送入decoder中进行mask的生成,同时encoder与decoder的相应层送入到transformer decoder结构中进行更进一步的mask生成。

3、Transformer decoder与原decoder生成的mask进行相加操作后输出为最终的mask。

区别于其它深度学习分割模型encoder-decoder，该分割模型在传统基于CNN的encoder与decoder的基础上，额外增加了一个基于transformer decoder的模块，即总共包含一个encoder两个decoder模块。Transformer decoder模块的key来自于原本encoder相关层，query来自于原本decoder相关层，Transformer decoder的value输出与原本decoder的输出相加作为最终decoder输出。

其中，所述步骤三中transformer decoder的双decoder的图像分割深度学习模型构建步骤为：

S1、输入原始图像至encoder模型中；

S2、将数据流送入由卷积神经网络架构构建的上采样的decoder模型中；

S3、同时encoder与decoder的相应层，分别作为key和query送入到基于transformer结构构建的transformer decoder模型中；

S4、最后，Transformer decoder的输出与原本decoder的输出进行相加得到最终模型的输出。

其中，所述步骤三中的中心距离loss的函数和sig函数：

Loss(x,y)＝Sig(λ*s(x,y,line(mask)))*Pred(x,y)

Sig(x)＝(1+e^-x)^-1

其中，s表示为该点至极耳中心线的最短距离，近似为该点到line(mask)的垂直距离；

其中，λ为距离缩小倍率，Pred(x,y)为模型在该点处的输出值。

中心距离loss的计算方法，将极耳图像上的标注，进行不同权重的划分。以极耳线条中心位置为基准，极耳线条上其它像素点，距离中心线越远，则给定较小的“重要性”权重，即给予一个“惩罚性”loss，即为中心距离loss。

即远离极耳中心线的像素，则给定一个较大的loss，从而迫使模型去学习靠近极耳中心线的预测输出；

根据函数可计算得出不同距离下的M＝Sig(λ*s(x,y,line(mask)))值，将所有的点计算得出的该值，得到最终的map。将所有的训练集中标注的mask对应的该权重map都计算出来，存储起来。

其中，所述中心距离loss的预处理方法为：

一、计算出极耳线条中心线上的像素，以此中心线为基准，以垂直于该中心线的方向上延伸，每N个像素后；

二、设定权重M，M随N的增大按一定倍率x增大，N，M，x依据实际情况设定；

三、根据设定可以得到每个像素对应一个M，则可对应得到原图大小的权重map。

其中，所述Sig函数可以算出平滑距离较远的点在Loss中的比重，防止中心距离函数过大造成模型学习过程中产生的梯度过大而引发的梯度爆炸。

其中，所述mask的预处理方法为：

A1,将传统的分割标注进行预处理；

A2,计算出极耳线条中心线上的像素；

A3,以此中心线为基准，以垂直于该中心线的方向上延伸；

A4,每N个像素后，设定权重M，M随N的增大而增大；

A5,根据设定可以得到每个像素对应一个M，则可对应得到原图大小的权重map。

其中，所述步骤二中的图像分割深度学习网络结构模型有两种，一种应用于中心距离loss的loss计算方法，一种适应于中心距离loss的数据预处理方法。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神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，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于分割模型中心距离loss的检测锂电池极耳的检测方法，其特征在于：极耳的检测步骤为：

步骤一，采集极耳侧面图像；从侧面对成层叠状态的极耳进行拍照取像作业；

步骤二，人工标注极耳；按照图像分割的模式进行标注得到极耳的mask图像；

步骤三，构建transformer decoder的双decoder的图像分割深度学习模型和中心距离loss函数；

步骤四，对人工标注的极耳进行预处理，得到针对每一张图像的权重map；

步骤五，使用预处理后的数据训练所构建的模型；

步骤六，训练好的模型应用到项目中检测极耳。

2.根据权利要求1所述的一种基于分割模型中心距离loss的检测锂电池极耳的检测方法，其特征在于：所述步骤三中构建的深度学习模型包含三个组成部分，分别是encoder，decoder和tranformer decoder。

深度学习模型构建步骤为：

1)、图像输入由encoder进行第一步处理，

2)、送入decoder中进行mask的生成,同时encoder与decoder的相应层送入到transformer decoder结构中进行更进一步的mask生成。

3)、Transformer decoder与原decoder生成的mask进行相加操作后输出为最终的mask。

区别于其它深度学习分割模型encoder-decoder，该分割模型在传统基于CNN的encoder与decoder的基础上，额外增加了一个基于transformer decoder的模块，即总共包含一个encoder两个decoder模块。Transformer decoder模块的key来自于原本encoder相关层，query来自于原本decoder相关层，Transformer decoder的value输出与原本decoder的输出相加作为最终decoder输出。

3.根据权利要求1所述的一种基于分割模型中心距离loss的检测锂电池极耳的检测方法，其特征在于：所述步骤三中transformer decoder的双decoder的图像分割深度学习模型构建步骤为：

S1、输入原始图像至encoder模型中；

S2、将数据流送入由卷积神经网络架构构建的上采样的decoder模型中；

S3、同时encoder与decoder的相应层，分别作为key和query送入到基于transformer结构构建的transformer decoder模型中；

S4、最后，Transformer decoder的输出与原本decoder的输出进行相加得到最终模型的输出。

4.根据权利要求1所述的一种基于分割模型中心距离loss的检测锂电池极耳的检测方法，其特征在于：所述步骤三中的中心距离loss的函数和sig函数：

Loss(x,y)＝Sig(λ*s(x,y,line(mask)))*Pred(x,y)

Sig(x)＝(1+e^-x)^-1

其中，s表示为该点至极耳中心线的最短距离，近似为该点到line(mask)的垂直距离；

其中，λ为距离缩小倍率，Pred(x,y)为模型在该点处的输出值。

中心距离loss的计算方法，将极耳图像上的标注，进行不同权重的划分。以极耳线条中心位置为基准，极耳线条上其它像素点，距离中心线越远，则给定较小的“重要性”权重，即给予一个“惩罚性”loss，即为中心距离loss。

即远离极耳中心线的像素，则给定一个较大的loss，从而迫使模型去学习靠近极耳中心线的预测输出；

根据函数可计算得出不同距离下的M＝Sig(λ*s(x,y,line(mask)))值，将所有的点计算得出的该值，得到最终的map。将所有的训练集中标注的mask对应的该权重map都计算出来，存储起来。

5.根据权利要求4所述的一种基于分割模型中心距离loss的检测锂电池极耳的检测方法，其特征在于：所述中心距离loss的预处理方法为：

一、计算出极耳线条中心线上的像素，以此中心线为基准，以垂直于该中心线的方向上延伸，每N个像素后；

二、设定权重M，M随N的增大按一定倍率x增大，N，M，x依据实际情况设定；

三、根据设定可以得到每个像素对应一个M，则可对应得到原图大小的权重map。

6.根据权利要求4所述的一种基于分割模型中心距离loss的检测锂电池极耳的检测方法，其特征在于：所述Sig函数可以算出平滑距离较远的点在Loss中的比重，防止中心距离函数过大造成模型学习过程中产生的梯度过大而引发的梯度爆炸。

7.根据权利要求4所述的一种基于分割模型中心距离loss的检测锂电池极耳的检测方法，其特征在于：所述mask的预处理方法为：

A1,将传统的分割标注进行预处理；

A2,计算出极耳线条中心线上的像素；

A3,以此中心线为基准，以垂直于该中心线的方向上延伸；

A4,每N个像素后，设定权重M，M随N的增大而增大；

A5,根据设定可以得到每个像素对应一个M，则可对应得到原图大小的权重map。

8.根据权利要求1所述的一种基于分割模型中心距离loss的检测锂电池极耳的检测方法，其特征在于：所述步骤二中的图像分割深度学习网络结构模型有两种，一种应用于中心距离loss的loss计算方法，一种适应于中心距离loss的数据预处理方法。