(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210910197.7 (22)申请日 2022.07.29 (71)申请人 江苏大学 地址 212013 江苏省镇江市京口区学府路 301号 (72)发明人 许桢英　李林航　王匀　陶宇成　 韩丽玲　樊薇　陈超　 (74)专利代理 机构 南京智造力知识产权代理有 限公司 32382 专利代理师 冯燕平 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/73(2017.01) G06V 10/141(2022.01) G06V 10/764(2022.01)G06V 10/762(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的电池缺陷检测方法及 系统 (57)摘要 本发明属于机器视觉和深度学习领域， 将提 供一种基于深度学习的电池缺陷检测方法及系 统， 包括图像采集模块、 图像预处理模块、 数据集 制作模块、 网络模型构建与训练模块和图像在线 检测模块； 本发 明可以提升对圆柱形电池缺陷检 测的能力， 满足在工业生产中检测的速度和精度 需求。 本发明改进YOLOv5目标检测网络， 针对生 产线上的电池缺陷检测问题根据先验知识增加 约束条件； 然后结合改进 的K‑means聚类算法整 锚框的尺 寸与位置， 获取更接近真实框的先验框 让模型更容易收敛且能提升目标检测的效果； 引 入深度可分离卷积， 减少网络的参数量和计算 量； 添加注意力机制和特征融合， 增强检测网络 对电池缺陷的检测能力； 最终测试， 本发明对电 池缺陷检测的平均精确度[email protected]为98.7％。 权利要求书3页 说明书10页 附图4页 CN 115170550 A 2022.10.11 CN 115170550 A 1.一种基于深度学习的电池缺陷检测方法， 其特 征在于， 包括以下步骤： 步骤S1、 图像采集： 采集电池制造过程中的电池图像， 获取电池原 始图像集； 步骤S2、 图像预处理： 对步骤S1获取的电池原始图像集进行滤波、 去噪、 畸变矫正、 图像 均衡化处 理； 步骤S3、 图像数据集制作： 使用图像标注工具对所述步骤S2预处理后的图像进行图像 标注， 使用数据增强的方法制作电池图像数据集； 步骤S4、 网络模型构 建与训练： 构建电池缺陷检测网络模型， 将步骤S3制作的电池图像 数据集输入构建的网络模型进行训练与测试， 得到训练好的电池缺陷检测网络模型； 步骤S5、 图像在线检测： 将步骤S4训练好的电池缺陷检测网络模型置于工控机上， 实时 检测电池图像， 若发现电池存在缺陷， 工控机发出指令通过剔除装置剔除存在缺陷的电池 残次品。 2.根据权利要求1所述的基于深度学习的电池缺陷检测方法， 其特征在于， 所述步骤S3 中标注是指使用矩形边界框 框选电池缺陷， 并按种类打上 标签。 3.根据权利要求1所述的基于深度学习的电池缺陷检测方法， 其特征在于， 所述步骤S4 中电池缺陷检测网络模 型为改进的YOLOv5目标检测网络模 型； 所述Y OLOv5目标检测网络的 改进包括： 获取先验信息并添加约束条件； 改进聚类算法， 调整锚框的尺寸与位置获取 先验框； 引入深度可分离卷积， 压缩网络的参数量； 添加注意力机制和特 征融合。 4.根据权利要求3所述的基于深度学习的电池缺陷检测方法， 其特征在于， 所述先验信 息包括电池的缺陷检测中缺陷的大小、 位置信息； 添加约束条件包括： 当缺陷坐标未处于电池区域内， 则屏蔽该缺陷； 当电池尺寸大于或 小于设定的阈值则判断目标检测网络对电池的提取有误， 则发出剔除该电池的指令 。 5.根据权利要求3所述的基于深度学习的电池缺陷检测方法， 其特征在于， 所述改进聚 类算法具体为： 使用改进的K ‑means方法随机计算每个锚框的目标大小， 首先随机选取数据 中k个点作为集合聚类产物中心， 计算对于数据集中的每一个点与已选择 的聚类产物中心 中最近聚类中心的距离， 距离D表达式为： D＝1‑CIOU(bboxes,anc hors) 其中： 权　利　要　求　书 1/3 页 2 CN 115170550 A 2式中， ρ2(b,bgt)代表预测框和真实框的中心点的欧式距离， 其中b表示预测框， bgt表示 真实框； c代表的是同时包含 预测框和真实框的最小闭包区域的对角线距离； bboxes包含目 标框的中心点的平面坐标、 宽和高的信息， anchors包含锚框的中心点的平面坐标、 宽和高 的信息； CIOU表 示预测框和真实框的相似程度， 如果bbox与对应的簇中心的CIOU越 大， 则距 离越近， 计算每个目标框距离最近的簇中心， 并分配到离该目标框最近的簇中， 再重新计算 每个簇中心； 用A表示bboxes， 用B表示anchors， IoU(A,B)为目标框和锚框交集的面积与目 标框和锚框并集的面积之比； w为预测框的宽， h为预测框的高， wgt为真实框的宽， hgt为真实 框的高。 6.根据权利要求3所述的基于深度学习的电池缺陷检测方法， 其特征在于， 所述引入深 度可分离卷积具体为： 把YOLOv5目标检测网络中的原主干网络中的标准化卷积分解为深度卷积和逐点卷积， 深度可分离卷积比标准卷积计算 量减少比为： 等号左侧分子为深度 可分离卷积的参数量， 分母为标准卷积的参数量， 式中M为输入的 通道数， Dk为卷积核的边长， DF为输入特 征图的尺寸， N 为卷积核的数量； 所述深度 可分离卷积使用线性瓶颈的逆残差结构， 并且使用轻量级注意力模型调 整每 个通道的权 重， 并使用h ‑swish激活函数代替sw ish函数。 7.根据权利要求3所述的基于深度学习的电池缺陷检测方法， 其特征在于， 所述添加 注 意力机制和特 征融合具体为： 在YOLOv5目标检测网络的CSP模块后引入通道和空间卷积注意模块， 即CBAM模块， CBAM 模块首先将经过卷积得到的电池图像特征图F送入通道注意力模块， 通过平均池化和最大 池化得到每个通道的信息， 再经过Sigmoid函数激活， 接着与F逐元素乘， 从而 得到通道注 意 力特征F′， 再将通道注意力特征F ′送入空间注意力模块， 通过平均池化和最大池化沿通道 维度汇聚空间信息， 生成空间特征图， 再通过1 ×1的卷积和Sigmoid函数激活， 得到空间注 意力特征， 接着与F ′逐元素乘， 最终得到空间注意力特 征图F″， 计算公式如下： 其中， F为输入的Feature  Map， Mc(·)是通道注意力模块， F ′是通道注意力输出， Ms(·) 是空间注意力模块。 8.根据权利要求3所述的基于深度学习的电池缺陷检测方法， 其特征在于， 所述步骤S4 中模型训练使用5折交叉验证的方式。 9.一种实现权利要求1 ‑8任意一项所述基于深度学习的 电池缺陷检测方法的系统， 其 特征在于， 包括图像采集模块、 图像预处理模块、 数据集制作模块、 网络模型构建与训练模 块和图像在线检测模块； 所述图像采集模块用于采集电池图片， 获取电池原 始图像集； 所述图像预处理模块用于对采集的电池原始图像集进行滤波、 去噪、 畸变矫正， 图像均 衡化处理；权　利　要　求　书 2/3 页 3 CN 115170550 A 3