电池缺陷识别方法、装置、计算机设备和存储介质与流程
本申请涉及计算机技术领域，尤其涉及一种电池缺陷识别方法、装置、计算机设备和存储介质。
背景技术：
电池片在制造过程中，会出现裂缝、缺角、隐裂、碎片或断栅等缺陷。电池表面缺陷的细微性使检测变得异常困难。主要有人工检测和红外图像检测。人工检测属于接触性检测，不仅在检测的过程中带来二次损伤，同时也会由于疲劳、经验等引起认为误差，降低检测的精度。红外图像检测会被周围环境所影响，导致检测准确度下降。
技术实现要素：
为了解决上述技术问题，本申请提供了一种电池缺陷识别方法、装置、计算机设备和存储介质。
一种电池缺陷识别方法，包括：
将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型，待识别图像为电致发光图像；
通过已训练的电池缺陷识别模型提取待识别图像的电池板特征；
根据电池板特征对待识别图像进行分类，得到待识别图像的识别结果。
一种电池缺陷识别装置，包括：
特征提取模块，用于将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型，通过已训练的电池缺陷识别模型提取待识别图像的电池板特征，待识别图像为电致发光图像；
识别模块，用于根据电池板特征对待识别图像进行分类，得到待识别图像的识别结果。
一种计算机设备，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，所述处理器执行所述计算机程序时实现以下步骤：
将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型，待识别图像为电致发光图像；
通过已训练的电池缺陷识别模型提取待识别图像的电池板特征；
根据电池板特征对待识别图像进行分类，得到待识别图像的识别结果。
一种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以下步骤：
将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型，待识别图像为电致发光图像；
通过已训练的电池缺陷识别模型提取待识别图像的电池板特征；
根据电池板特征对待识别图像进行分类，得到待识别图像的识别结果。
上述电池缺陷识别方法、装置、计算机设备和存储介质，所述方法包括：将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型，待识别图像为电致发光图像，通过已训练的电池缺陷识别模型提取待识别图像的电池板特征，根据电池板特征对待识别图像进行分类，得到待识别图像的识别结果。通过训练好的识别模型对电池缺陷图像进行识别提升识别速度和识别准确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例电池缺陷识别方法的应用场景图；
图2为一个实施例电池缺陷识别方法的流程示意图；
图3为一个实施例电池识别模型的结构示意图；
图4为一个实施例电池缺陷识别装置的结构框图；
图5为一个实施例计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例是本申请的一部分实施例，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在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为一个实施例中电池缺陷识别方法的应用环境图。参照图1，该电池缺陷识别方法应用于电池缺陷识别系统。该电池缺陷识别系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端或服务器将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型，通过已训练的电池缺陷识别模型提取待识别图像的电池板特征，根据电池板特征对待识别图像进行分类，得到待识别图像的识别结果。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示，在一个实施例中，提供了一种电池缺陷识别方法。本实施例主要以该方法应用于上述图1中的终端110(或服务器120)来举例说明。参照图2，该电池缺陷识别方法具体包括如下步骤：
步骤s201，将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型。
具体地，电池板特征是用于描述电池板的特征数据。待识别图像是指需要被识别的图像，该图像是通过拍摄设备拍摄获得的，每个待识别图像中可以包含一个完成的电池板，或者部分电池板，也可以包含多个电池板。已训练的电池缺陷识别模型是指通过对大量的携带缺陷标签的图像进行训练得到的，其中已训练的电池缺陷识别模型可以自定义选取，如可以选择卷积神经网络模型、深度学习神经网络模型或lvq(learningvectorquantization，学习向量量化)神经网络等。
在一个实施例中，待识别图像中包含多个电池板的电池板特征，在对将待识别图像输入已训练的电池缺陷识别模型之前，还包括：对所述待识别图像进行分割，以使所述待识别图像中仅包含一个电池板的电池板特征。
在一个实施例中，图像为电池板的el(electroluminescence，电致发光)图像，el图像的图像质量高，能够保证采集的图像的质量，图像质量严重影响图像的识别结果，质量高才能更准确的识别图像所属的类型。
步骤s202，通过已训练的电池缺陷识别模型提取待识别图像的电池板特征。
步骤s203，根据电池板特征对待识别图像进行分类，得到待识别图像的识别结果。
具体地，通过已训练的电池缺陷识别模型的算法提取待识别图像的电池板特征，其中识别算法可以自定义。提取的电池板特征包括电池板上的元件的位置和之间的相对位置或电池板中的特定形状等。根据提取到的特征对待识别图像进行识别，得到对应的识别结果，其中识别结果为已训练的电池缺陷模型定义的识别类型中的一种，已训练的电池缺陷模型定义的识别类型包含多种，具体的类型根据需求自定义，如定义已训练的电池缺陷识别模型包含虚焊缺陷图像、微裂缺陷图像、断指缺陷图像和无缺陷图像等。
在一个实施例中，已训练的电池缺陷识别模型包括输入层、竞争层和输出层，其中输入层的输出作为竞争层的输入，竞争层的输出作为输出层的输入。
具体地，将待识别图像按照输入层的输入规则进行输入，得到对输入层的输出数据，通过竞争层的竞争获胜规则对输出数据进行竞争，得到竞争层获胜的神经元提取的电池板特征，根据获胜神经元提取的电池板特征在输出层输出待识别图像的识别结果。
输入层是指用于将待检测图像按照你输入规则对待识别图像进行输入的网络层。输入规则是指预先定义好的规则，该输入规则可以自定义，若根据模型的应用场景定义。按照输入规则输入待识别图像，得到输出数据。将输入层的输出数据输入竞争层，竞争层是用于对输入层的输出数据进行特征提取和特征筛选，竞争层包含多个神经元。竞争层中的一组神经元与输出层的一个神经元连接，每个输出层的神经元对应一组竞争层的神经元，竞争层的神经元只与输出层的其中一个神经元连接。竞争层中的所有神经元对应的权重向量均与输出数据进行相似性比较，将最相似的权重向量判为竞争获胜神经元，获胜的神经元容许其输出为1，其它神经元输出为0。与获胜神经元所在组相连的输出神经元输出为1，而其它输出神经元为0，从而给出待识别图像的识别结果。
上述电池缺陷识别方法、装置、计算机设备和存储介质，所述方法包括：将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型，待识别图像为电致发光图像，通过已训练的电池缺陷识别模型提取待识别图像的电池板特征，根据电池板特征对待识别图像进行分类，得到待识别图像的识别结果。通过训练好的识别模型对电池缺陷图像进行识别提升识别速度和识别准确率。
在一个实施例中，生成已训练的电池缺陷识别模型的步骤，包括:
步骤s301，获取包含多个训练图像的训练集合和包含多个测试图像的测试集合。
其中，训练图像和测试图像携带对应的缺陷标签，训练图像是用关于训练的模型的图像，测试图像是用于测试模型性能的图像，训练集合是由多个训练图像组成的集合，测试集合是由测试图像组成的集合。缺陷标签是用于描述图像中电池的缺陷的标签数据，标签数据可以根据需求自定义，包含虚焊缺陷图像、裂缺陷图像、断指缺陷图像和无缺陷图像等。标签数据的类型数量为已训练的电池缺陷模型的输出神经元数量。
步骤s302，构建初始电池缺陷识别模型。
步骤s303，将各个训练图像和对应的缺陷标签输入初始电池缺陷识别模型，将各个训练图像对应的缺陷标签作为各个训练图像对应的期望输出结果，对各个训练图像进行训练，得到候选的电池缺陷识别模型。
步骤s304，将各个测试图像和对应的缺陷标签输入候选的电池缺陷识别模型，通过候选的电池缺陷识别模型对各个测试图像进行分类识别。
步骤s305，根据各个测试图像的识别结果和对应的缺陷标签，判断候选的电池缺陷识别模型是否满足预设收敛条件。
步骤s306，当满足时，得到已训练的电池缺陷识别模型。
具体地，根据业务需求自定义选择模型作为初始电池缺陷识别模型，其中初始电池缺陷识别模型的模型参数可以根据训练集合设置。将训练图像和对应的缺陷标签输入初始电池缺陷识别模型，缺陷标签是预先标定的用于描述图像中电池板的真实状态的数据，如虚焊缺陷图像是指拍摄的电池板存在虚焊的问题。期望输出结果是指训练图像通过初始电池缺陷识别模型进行训练后期望得到的输出结果，如训练图像为虚焊缺陷图像，通过初始电池缺陷识别模型期望识别得到的结果为虚焊缺陷图像，当识别结果与实际存在差异时，更新初始电池缺陷识别模型的模型参数，直至满足训练条件，得到候选的电池缺陷识别模型。候选的电池缺陷识别模型是指通过对训练图像进行训练得到，具体是否满足预设收敛条件需求还需要对模型进行测试。
将测试图像输入候选的电池缺陷识别模型，得到对应的识别结果，判断测试图像的识别结果和对应的缺陷标签是否匹配。预设收敛条件是预先设置的用于判断模型是否收敛的条件，条件可以自定义，如设置预设收敛条件为预设正确识别率。当预设收敛条件为预设正确识别率时，统计测试图像的识别与应的缺陷标签匹配的图像的数量，根据统计的数量与测试集合的测试图像的数量计算得到真实的正确识别率，当真实的正确识别率大于或等于预设正确识别率时，候选的电池缺陷识别模型满足预设收敛条件，得到已训练的电池缺陷识别模型。
在一个实施例中，当未满足时，更新候选的电池缺陷识别模型的模型参数，重新对候选的电池缺陷识别模型进行训练，直至候选的电池缺陷识别模型满足预设收敛条件，得到已训练的电池缺陷识别模型。
具体地，当候选的电池缺陷识别模型不满足预设收敛条件时，更新候选的电池缺陷识别模型的模型参数，采用更新了模型参数的候选的电池缺陷识别模型对训练集合的训练图像进行训练，得到更新后的候选的电池缺陷识别模型，重新判断更新后的候选的电池缺陷识别模型满足预设收敛条件，直至更新后的候选的电池缺陷识别模型满足预设收敛条件，得到已训练的电池缺陷识别模型。通过训练集合训练模型，通过测试集合测试模型，使得模型在提取特征的准确性和模型识别准确性上能够保持平衡，避免模型的过拟合和欠拟合带来的模型适用性差的问题。
在一个实施例中，上述电池缺陷识别方法，还包括：
步骤s401，获取采样训练集合，采样训练集合包含多个采样图像。
步骤s402，对采样训练集合进行降维得到训练集合。
具体地，采样训练集合是指拍摄设备拍摄的原始图像进行采样得到的采样图像组成的图像集合。降维用于对采样训练集合进行数据筛选，数据的筛选算法可以自定义，在筛选时可以根据数据之间的相关性、图像的质量等其中的一个或多个对采用图像进行筛选。如采用数据的相关性对数据进行筛选时可以选择其中的pca(principalcomponentanalysis，主成分分析)算法。
在一个实施例中，在对采样训练集合进行降维，得到训练集合之前，还包括：判断采样训练集合中各个采样图像之间的相关性是否满足预设相关性阈值，当满足时，对采样训练集合进行降维，得到训练集合，反之，不对采样训练集合进行降维。其中样本图像之间的相关性的可以根据对应的计算算法确定，如可以采用样本协方差确定样本图像之间的相关性。对采样训练集合进行降维，可以避免对相关性较强的采用图像进行训练，从而提高训练的速度，相关性高的图像说明图像重复度高，重复度高的图像没有全部保留。
在一个实施例中，步骤s402，包括：
步骤s4021，计算采样训练集合的样本均值。
步骤s4022，根据各个采样图像和样本均值计算采样训练集合的样本矩阵。
步骤s4023，计算样本矩阵的协方差值。
步骤s4024当协方差值大于预设阈值时，计算样本矩阵的特征值和对应的特征向量。
步骤s4025，从特征值中按照预设规则选取目标特征值，将目标特征值对应的特征向量作为训练图像，由训练图像组成训练集合。
具体地，样本均值是指采样训练集合中各个样本图像的均值，样本均值的计算方法可以自定义，如给不同的样本设置对应的权重，根据各个样本对应的权值对样本进行加权求和，得到对应的样本均值。样本矩阵是指用采样训练集合各个采样图像对样本均值进行加权得到的矩阵。如样本矩阵的中各个样本等于各个采样图像减去样本均值。协方差值是用于衡量样本矩阵中的样本的相关性的值，计算样本矩阵的协方差值。当协方差值大于预设阈值，表示样本矩阵的样本的存在相关性，相关性满足预先设置的预设阈值，可以对样本矩阵进行降维。计算样本矩阵的特征值和对应的特征向量，从特征值中按照预设规则选取目标特征值，将目标特征值对应的特征向量作为训练图像，由训练图像组成训练集合。其中预设规则是指预先设置的用于筛选目标特征值的规则，如选取特征值大于预设特征值作为目标特征值，也可以选择选取预设数目个特征值作为目标特征值，具体的规则可以自定义。根据样本的相关性对样本训练集合进行降维，可以去除重复度高图像，从而提高模型的训练速度。
在一个具体的实施例中，上述电池缺陷识别方法，包括：
对el图像进行采集，分别采集虚焊缺陷图像，微裂缺陷图像、断指缺陷图像和无缺陷图像。当lvq的输入的图像是以向量的形式表现的，向量的维数过大将不利于计算，因此采用pca的算法进行降维。其中el图像可以为太阳能电池板图像。
pca是基于协方差矩阵将样本数据投影到一个新的空间中，因此只需要将样本数据最大的一个线性无关组的特征值对应的空间坐标即可。假设数据矩阵xn×p由样本图像组成，n是样本数，p是样本图像的大小。如果xn×p的每一行代表一副样本图像，那么xn×p的pca降维矩阵求解步骤如下：
求xn×p的平均值。设样本图像分别为x1、x2、...、xn，计算样本图像的均值，具体计算公式如(1)所示：
从x1、x2、...、xn中减去
经过pca降维后的矩阵y是lvq神经网络的输入矩阵。如图3所示，lvq神经网络包括输入层、竞争层和输出层。设输入层包含k个神经元接受输入向量，竞争层有m个神经元，分为若干组并呈一维线阵排列，输出层每个神经元只与竞争层中的一组神经元连接，即每个输出层的神经元对至少一个竞争层的神经元连接，竞争层中的每个神经元只能与其中一个输出层的神经元连接，接连接权值固定为1，输出为4类，分别为虚焊缺陷图像，微裂缺陷图像和断指缺陷图像和无缺陷图像。其中竞争层中神经元为80个。输出层的结果为4类，输出层节点数设置为4。选择1200个太阳能电池板el图片，虚焊缺陷、微裂缺陷，断指缺陷和无缺陷样本各300作为训练样本，然后进行lvq神经网络训练，w的权值由计算机随机产生一个4行80列的矩阵，w根据lvq神经网络学习算法进行修正，直至lvq神经网络对训练样本的分类识别正确率满足预设正确率时，得到已训练的电池缺陷识别模型。将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型，通过已训练的电池缺陷识别模型对待识别图像进行分类识别，得到对应的识别结果，如将一个包含电池板特征为无缺陷的待识别图像输入已训练的电池缺陷识别模型，对应的识别结果为无缺陷。通过训练好的识别模型对电池缺陷图像进行识别提升识别速度和识别准确率。训练好的模型能够对快速且准确的提取到图像中的电池板特征，根据提取到的特征快速的识别电池板的类型。
在一个实施例中，如图4所示，提供了一种电池缺陷识别装置200，包括：
特征提取模块201，用于将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型，通过已训练的电池缺陷识别模型提取待识别图像的电池板特征，待识别图像为电致发光图像。
识别模块202，用于根据电池板特征对待识别图像进行分类，得到待识别图像的识别结果。
在一个实施例中，上述电池缺陷识别装置200，还包括：
数据获取模块，用于获取包含多个训练图像的训练集合和包含多个测试图像的测试集合，训练图像和测试图像携带对应的缺陷标签。
模型构建模块，用于构建初始电池缺陷识别模型。
候选模型确定模块，用于将各个训练图像和对应的缺陷标签输入初始电池缺陷识别模型，将各个训练图像对应的缺陷标签作为各个训练图像对应的期望输出结果，对各个训练图像进行训练，得到候选的电池缺陷识别模型。
测试模块，用于将各个测试图像和对应的缺陷标签输入候选的电池缺陷识别模型，通过候选的电池缺陷识别模型对各个测试图像进行分类识别；
模型确定模块，用于根据各个测试图像的识别结果和对应的缺陷标签，判断候选的电池缺陷识别模型是否满足预设收敛条件，当满足时，得到已训练的电池缺陷识别模型。
在一个实施例中，上述电池缺陷识别装置200，还包括：
模型更新模块，用于当未满足时，更新候选的电池缺陷识别模型的模型参数，重新对候选的电池缺陷识别模型进行训练，直至候选的电池缺陷识别模型满足预设收敛条件，得到已训练的电池缺陷识别模型。
在一个实施例中，上述电池缺陷识别装置200，还包括：
采样数据获取模块，用于获取采样训练集合，采样训练集合包含多个采样图像。
数据降维模块，用于对采样训练集合进行降维得到训练集合。
在一个实施例中，数据降维模块，包括：
均值计算单元，用于计算采样训练集合的样本均值；
协方差计算单元，用于根据各个采样图像和样本均值计算采样训练集合的样本矩阵。
降维单元，用于计算样本矩阵的协方差值，当协方差值大于预设阈值时，计算样本矩阵的特征值和对应的特征向量，从特征值中按照预设规则选取目标特征值，将目标特征值对应的特征向量作为训练图像，由训练图像组成训练集合。
在一个实施例中，特征提取模块201还用于将待识别图像按照输入层的输入规则进行输入，得到对输入层的输出数据，通过竞争层的竞争获胜规则对输出数据进行竞争，得到竞争层的获胜神经元提取的电池板特征。
识别模块202还用于根据获胜神经元提取的电池板特征在输出层输出待识别图像的识别结果，其中已训练的电池缺陷识别模型输入层、竞争层和输出层，输入层的输出作为竞争层的输入，竞争层的输出作为输出层的输入。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110(或服务器120)。如图5所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现电池缺陷识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行电池缺陷识别方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的电池缺陷识别装置可以实现为一种计算机程序的形式，计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该电池缺陷识别装置的各个程序模块，比如，图4所示的特征提取模块201和识别模块202。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的电池缺陷识别方法中的步骤。
例如，图5所示的计算机设备可以通过如图4所示的电池缺陷识别装置中的将包含特征提取模块201执行电池板的待识别图像输入已训练的电池缺陷识别模型，通过已训练的电池缺陷识别模型提取待识别图像的电池板特征。计算机设备可通过识别模块202执行根据电池板特征对待识别图像进行分类得到待识别图像的识别结果。
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型，待识别图像为电致发光图像，通过已训练的电池缺陷识别模型提取待识别图像的电池板特征，根据电池板特征对待识别图像进行分类得到待识别图像的识别结果。
在一个实施例中生成已训练的电池缺陷识别模型的步骤包括：获取包含多个训练图像的训练集合和包含多个测试图像的测试集合训练图像和测试图像携带对应的缺陷标签，构建初始电池缺陷识别模型，将各个训练图像和对应的缺陷标签输入初始电池缺陷识别模型将各个训练图像对应的缺陷标签作为各个训练图像对应的期望输出结果对各个训练图像进行训练得到候选的电池缺陷识别模型，将各个测试图像和对应的缺陷标签输入候选的电池缺陷识别模型通过候选的电池缺陷识别模型对各个测试图像进行分类识别，根据各个测试图像的识别结果和对应的缺陷标签判断候选的电池缺陷识别模型是否满足预设收敛条件，当满足时得到已训练的电池缺陷识别模型。
在一个实施例中处理器执行计算机程序时还实现以下步骤：当未满足时更新候选的电池缺陷识别模型的模型参数重新对候选的电池缺陷识别模型进行训练直至候选的电池缺陷识别模型满足预设收敛条件得到已训练的电池缺陷识别模型。
在一个实施例中获取包含多个训练图像的训练集合和包含多个测试图像的测试集合之前处理器执行计算机程序时还实现以下步骤：获取采样训练集合采样训练集合包含多个采样图像，对采样训练集合进行降维得到训练集合。
在一个实施例中对采样训练集合进行降维得到训练集合包括：计算采样训练集合的样本均值，根据各个采样图像和样本均值计算采样训练集合的样本矩阵，计算样本矩阵的协方差值，当协方差值大于预设阈值时，计算样本矩阵的特征值和对应的特征向量，从特征值中按照预设规则选取目标特征值将目标特征值对应的特征向量作为训练图像由训练图像组成训练集合。
在一个实施例中已训练的电池缺陷识别模型输入层、竞争层和输出层其中输入层的输出作为竞争层的输入竞争层的输出作为输出层的输入将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型包括：将待识别图像按照输入层的输入规则进行输入得到对输入层的输出数据，通过已训练的电池缺陷识别模型提取待识别图像的电池板特征包括：通过竞争层的竞争获胜规则对输出数据进行竞争，得到竞争层的获胜神经元提取的电池板特征，根据电池板特征对待识别图像进行分类，得到待识别图像的识别结果，包括：根据获胜神经元提取的电池板特征在输出层输出待识别图像的识别结果。
在一个实施例中，识别结果包括虚焊缺陷、微裂缺陷、断指缺陷和无缺陷。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型，待识别图像为电致发光图像，通过已训练的电池缺陷识别模型提取待识别图像的电池板特征，根据电池板特征对待识别图像进行分类得到待识别图像的识别结果。
在一个实施例中生成已训练的电池缺陷识别模型的步骤包括：获取包含多个训练图像的训练集合和包含多个测试图像的测试集合训练图像和测试图像携带对应的缺陷标签，构建初始电池缺陷识别模型，将各个训练图像和对应的缺陷标签输入初始电池缺陷识别模型将各个训练图像对应的缺陷标签作为各个训练图像对应的期望输出结果对各个训练图像进行训练得到候选的电池缺陷识别模型，将各个测试图像和对应的缺陷标签输入候选的电池缺陷识别模型通过候选的电池缺陷识别模型对各个测试图像进行分类识别，根据各个测试图像的识别结果和对应的缺陷标签判断候选的电池缺陷识别模型是否满足预设收敛条件，当满足时得到已训练的电池缺陷识别模型。
在一个实施例中处理器执行计算机程序时还实现以下步骤：当未满足时更新候选的电池缺陷识别模型的模型参数重新对候选的电池缺陷识别模型进行训练直至候选的电池缺陷识别模型满足预设收敛条件得到已训练的电池缺陷识别模型。
在一个实施例中获取包含多个训练图像的训练集合和包含多个测试图像的测试集合之前处理器执行计算机程序时还实现以下步骤：获取采样训练集合采样训练集合包含多个采样图像，对采样训练集合进行降维得到训练集合。
在一个实施例中对采样训练集合进行降维得到训练集合包括：计算采样训练集合的样本均值，根据各个采样图像和样本均值计算采样训练集合的样本矩阵，计算样本矩阵的协方差值，当协方差值大于预设阈值时，计算样本矩阵的特征值和对应的特征向量，从特征值中按照预设规则选取目标特征值将目标特征值对应的特征向量作为训练图像由训练图像组成训练集合。
在一个实施例中已训练的电池缺陷识别模型输入层、竞争层和输出层其中输入层的输出作为竞争层的输入竞争层的输出作为输出层的输入将包含电池板特征的待识别图像输入已训练的电池缺陷识别模型包括：将待识别图像按照输入层的输入规则进行输入得到对输入层的输出数据，通过已训练的电池缺陷识别模型提取待识别图像的电池板特征包括：通过竞争层的竞争获胜规则对输出数据进行竞争，得到竞争层的获胜神经元提取的电池板特征，根据电池板特征对待识别图像进行分类，得到待识别图像的识别结果，包括：根据获胜神经元提取的电池板特征在输出层输出待识别图像的识别结果。在一个实施例中，识别结果包括虚焊缺陷、微裂缺陷、断指缺陷和无缺陷。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
- 还没有人留言评论。精彩留言会获得点赞！