[发明专利]基于自适应深度学习的新能源锂电池表面缺陷检测方法

权利要求书

1.一种基于自适应深度学习的新能源锂电池表面缺陷检测方法，其特征在于，该方法包括：

步骤一，采集锂电池表面灰度图像，利用非线性算子对锂电池表面灰度图像进行非线性映射，解耦照射分量和反射分量：

ln(G(x,y)+1)＝ln(I(x,y)+1)+ln(R(x,y)+1)

其中，G为锂电池表面灰度图像，I为照射分量，R为反射分量，(x，y)为像素点坐标；

步骤二，通过傅里叶变换将解耦的照射分量和反射分量变换至频域；

步骤三，利用高斯高通滤波器分别对照射分量的频域数据和反射分量的频域数据进行滤波，得到滤波锂电池频域数据：

G′(u,v)×H(u,v)＝I′(u,v)×H(u,v)+R′(u,v)×H(u,v)

其中，H(u,v)为高斯高通滤波器，I′(u,v)代表着照射分量的频域数据，R′(u,v)代表着反射分量的频域数据，G′(u,v)为锂电池频域数据，G′(u,v)×H(u,v)为滤波锂电池频域数据；

步骤四，对滤波锂电池频域数据进行傅里叶反变换、指数变换，得到重构锂电池图像；

步骤五，构建形态学结构元素，分别对重构锂电池图像进行膨胀、腐蚀操作，将膨胀结果与腐蚀结果做差，得到增强缺陷图像；

步骤六，利用大津阈值法对增强缺陷图像进行图像分割、连通域分析以及筛选处理，得到标注图像；

步骤七，对x、y方向的Sobel梯度算子进行基于随机权重分配的线性叠加，生成梯度算子Sobel_G：

Sobel_G＝Sobel_Gx*a+Sobel_Gy*b

其中，Sobel_Gx、Sobel_Gy分别表示x、y方向的Sobel梯度算子，Sobel_G表示随机生成的梯度算子，a∈[0,1],b∈[0,1],a+b∈[0,1]；使用随机生成的梯度算子Sobel_G对锂电池表面灰度图像进行处理；将处理结果与锂电池原始光照分布图像叠加，得到样本增强图像；

步骤八，针对多个锂电池，根据步骤一至七生成锂电池表面灰度图像、样本增强图像以及标注图像，作为样本数据集，基于交叉熵函数训练深度卷积神经网络；

步骤九，将待检测锂电池的表面灰度图像输入训练好的深度卷积神经网络，实现新能源锂电池表面缺陷检测。

2.如权利要求1所述的基于自适应深度学习的新能源锂电池表面缺陷检测方法，其特征在于，所述步骤二包括：

对解耦的照射分量和反射分量进行傅里叶变换，得到照射分量的频域数据和反射分量的频域数据：

FT(ln(G(x,y)))＝FT(ln(I(x,y)+1))+FT(ln(R(x,y)+1)

其中，FT表示傅里叶变换。

3.如权利要求1所述的基于自适应深度学习的新能源锂电池表面缺陷检测方法，其特征在于，所述步骤三中的高斯高通滤波器为：

其中，常数c用来控制滤波器函数斜面的锐化，取值在γ_H、γ_L之间，γ_H1,γ_L1,D₀为截止频率，D²(u,v)表示与频率中心的距离的平方。

4.如权利要求1所述的基于自适应深度学习的新能源锂电池表面缺陷检测方法，其特征在于，所述步骤五包括：

构造形态学结构元素k：

采用结构元素k对重构锂电池图像S进行膨胀运算得到膨胀结果X；

采用结构元素k对重构锂电池图像S进行腐蚀运算得到腐蚀结果Y；

图像X与图像Y相减得到增强缺陷图像G1：

G1＝X-Y。