电池片的缺陷检测方法和计算机设备与流程

本申请涉及电池片的缺陷检测，更具体而言，涉及一种电池片的缺陷检测方法、缺陷检测装置、计算机设备和非易失性计算机可读存储介质。

背景技术：

1、电池组件生产过程中，需要在电池片的表面印刷导电材料以形成用于收集电流的栅线。一般会在电池片的基底上印刷一层有色油墨，以形成网条状的图案。电池片上可能存在印刷工艺导致的断栅、漏浆等缺陷，对电池片的效率和使用造成影响。

2、目前，在进行电池片的缺陷检测时，要么通过人工进行抽查，或者通过采集电池片图像，以与标准的模板图像进行匹配，从而实现缺陷检测。

3、其中，人工缺陷检测依赖人员的经验，而且在疲劳工作时，检测准确性会受到较大的影响。而模板匹配的方式虽然能够自动检测缺陷，但是由于电池片的多样性，导致每个产线甚至每个类型的电池片，都需要建立对应的模板，模板建立所需的人力物力较多，而且模板匹配的方式的检测准确性也较低。

技术实现思路

1、本申请实施方式提供一种电池片的缺陷检测方法、缺陷检测装置、计算机设备和非易失性计算机可读存储介质，通过自动对电池片图像的常规图像特征及边界特征(如电池片的栅线轮廓)进行提取，并通过融合了图像特征及边界特征的融合特征向量自动进行缺陷检测，不仅节省人力物力，而且大大提高了对电池片的缺陷检测准确性。

2、本申请实施方式的电池片的缺陷检测方法应用于预设的分割模型，所述分割模型包括卷积层和边缘检测算子，所述方法包括：通过卷积层提取所述电池片的待测图像的图像特征，以生成图像特征向量；通过边缘检测算子提取所述待测图像的边界特征，以生成边界特征向量；融合所述图像特征向量和所述边界特征向量，以生成融合特征向量；根据所述融合特征向量，输出缺陷信息。

3、在某些实施方式中，所述卷积层包括第一卷积层、第二卷积层、第三卷积层和第四卷积层，所述通过卷积层提取所述电池片的待测图像的图像特征，以生成图像特征向量，包括：通过所述第一卷积层提取所述待测图像的第一图像特征；通过所述第二卷积层处理所述第一图像特征，以输出第二图像特征；通过所述第三卷积层处理所述第二图像特征，以输出第三图像特征；通过所述第四卷积层处理所述第三图像特征，以输出第四图像特征；根据所述第一图像特征、所述第二图像特征、所述第三图像特征和所述第四图像特征，生成所述图像特征向量。

4、在某些实施方式中，所述分割模型还包括前馈神经网络模块，所述根据所述第一图像特征、所述第二图像特征、所述第三图像特征和所述第四图像特征，生成所述图像特征向量，包括：拼接所述第一图像特征、所述第二图像特征、所述第三图像特征和所述第四图像特征，得到拼接图像特征；基于多头注意力机制和所述前馈神经网络模块对所述拼接图像特征进行处理，以输出多尺度全局语义特征；根据所述多尺度全局语义特征、所述第一图像特征、所述第二图像特征、所述第三图像特征和所述第四图像特征，以生成所述图像特征向量。

5、在某些实施方式中，所述图像特征向量包括第一增强特征向量、第二增强特征向量、第三增强特征向量和第四增强特征向量，所述根据所述多尺度全局语义特征、所述第一图像特征、所述第二图像特征、所述第三图像特征和所述第四图像特征，以生成所述图像特征向量，包括：

6、根据所述多尺度全局语义特征对所述第一图像特征、所述第二图像特征、所述第三图像特征和所述第四图像特征进行语义注入，以分别生成所述第一增强特征向量、所述第二增强特征向量、所述第三增强特征向量和所述第四增强特征向量。

7、在某些实施方式中，所述通过边缘检测算子提取所述待测图像的边界特征，以生成边界特征向量，还包括：基于预设的门控卷积函数、所述第三图像特征和所述第四图像特征，对所述第一图像特征进行门控卷积，以生成边界语义特征；拼接所述边缘检测算子提取的边界特征和所述边界语义特征，以生成边界拼接特征；根据所述多尺度全局语义特征对所述边界拼接特征进行语义注入，以生成所述边界特征向量。

8、在某些实施方式中，所述融合所述图像特征向量和所述边界特征向量，以生成融合特征向量，包括：融合所述边界特征向量、所述第一增强特征向量、所述第二增强特征向量、所述第三增强特征向量和所述第四增强特征向量，以生成所述融合特征向量。

9、在某些实施方式中，所述缺陷信息包括缺陷位置，所述分割模型包括分割模块，所述根据所述融合特征向量，输出缺陷信息，包括：输入所述融合特征向量到所述分割模块，以输出各个所述缺陷位置。

10、在某些实施方式中，方法还包括：获取所述待测图像中，与各个所述缺陷位置对应的缺陷区域的缺陷图像；输入各个所述缺陷图像到预设的分类模型，以输出各个所述缺陷位置对应的缺陷类型。

11、在某些实施方式中，所述分割模型根据不同产线中，已标注缺陷信息的所述电池片的训练图像训练得到；或者，所述分割模型根据增强图像和不同产线中已标注缺陷信息的所述电池片的训练图像训练得到，所述增强图像通过对所述训练图像的所述明暗度和对比度中至少一者随机进行调整得到。

12、本申请实施方式的缺陷检测装置包括图像特征提取模块、边界特征提取模块、融合模块和输出模块。所述图像特征提取模块用于通过分割模型的卷积层提取所述电池片的待测图像的图像特征，以生成图像特征向量；所述边界特征提取模块用于通过所述分割模型的边缘检测算子提取所述待测图像的边界特征，以生成边界特征向量；所述融合模块用于融合所述图像特征向量和所述边界特征向量，以生成融合特征向量；所述输出模块用于根据所述融合特征向量，输出缺陷信息。

13、本申请实施方式的计算机设备包括处理器、存储器及计算机程序，其中，所述计算机程序被存储在所述存储器中，并且被所述处理器执行，所述计算机程序包括用于执行上述任一实施方式所述的缺陷检测方法的指令。

14、本申请实施方式的非易失性计算机可读存储介质包括计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述任一实施方式所述的缺陷检测方法。

15、本申请实施方式的电池片的缺陷检测方法、缺陷检测装置、计算机设备和计算机可读存储介质，电池片的待测图像输入分割模型后，分两路进行特征提取，其中一路是通过卷积层进行常规的图像特征提取，以生成图像特征向量，另一路则通过边缘检测算子提取进行边界特征(如电池片的栅线轮廓)检测，然后对图像特征向量和边界特征向量进行融合，得到融合特征向量，最后通过融合特征向量进行缺陷检测，如对融合特征向量进行缺陷分割，以确定缺陷位置。

16、本申请的实施方式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，或通过本申请的实施方式的实践了解到。

技术特征：

1.一种电池片的缺陷检测方法，其特征在于，应用于预设的分割模型，所述分割模型包括卷积层和边缘检测算子，所述方法包括：

2.根据权利要求1所述的缺陷检测方法，其特征在于，所述卷积层包括第一卷积层、第二卷积层、第三卷积层和第四卷积层，所述通过卷积层提取所述电池片的待测图像的图像特征，以生成图像特征向量，包括：

3.根据权利要求2所述的缺陷检测方法，其特征在于，所述分割模型还包括前馈神经网络模块，所述根据所述第一图像特征、所述第二图像特征、所述第三图像特征和所述第四图像特征，生成所述图像特征向量，包括：

4.根据权利要求3所述的缺陷检测方法，其特征在于，所述图像特征向量包括第一增强特征向量、第二增强特征向量、第三增强特征向量和第四增强特征向量，所述根据所述多尺度全局语义特征、所述第一图像特征、所述第二图像特征、所述第三图像特征和所述第四图像特征，以生成所述图像特征向量，包括：

5.根据权利要求4所述的缺陷检测方法，其特征在于，所述通过边缘检测算子提取所述待测图像的边界特征，以生成边界特征向量，还包括：

6.根据权利要求4或5所述的缺陷检测方法，其特征在于，所述融合所述图像特征向量和所述边界特征向量，以生成融合特征向量，包括：

7.根据权利要求1所述的缺陷检测方法，其特征在于，所述缺陷信息包括缺陷位置，所述分割模型包括分割模块，所述根据所述融合特征向量，输出缺陷信息，包括：

8.根据权利要求7所述的缺陷检测方法，其特征在于，还包括：

9.根据权利要求1所述的缺陷检测方法，其特征在于，所述分割模型根据不同产线中，已标注缺陷信息的所述电池片的训练图像训练得到；或者，所述分割模型根据增强图像和不同产线中已标注缺陷信息的所述电池片的训练图像训练得到，所述增强图像通过对所述训练图像的明暗度和对比度中至少一者随机进行调整得到。

10.一种计算机设备，其特征在于，包括：

技术总结
本申请公开一种电池片的缺陷检测方法和计算机设备。方法应用于预设的分割模型，所述分割模型包括卷积层和边缘检测算子，所述方法包括：通过卷积层提取所述电池片的待测图像的图像特征，以生成图像特征向量；通过边缘检测算子提取所述待测图像的边界特征，以生成边界特征向量；融合所述图像特征向量和所述边界特征向量，以生成融合特征向量；根据所述融合特征向量，输出缺陷信息。通过自动对电池片图像的常规图像特征及边界特征(如电池片的栅线轮廓)进行提取，并通过融合了图像特征及边界特征的融合特征向量自动进行缺陷检测，不仅节省人力物力，而且大大提高了对电池片的缺陷检测准确性。

技术研发人员：朱龙,张潇,吕建明
受保护的技术使用者：苏州凌云光工业智能技术有限公司
技术研发日：
技术公布日：2024/4/22