[发明专利]用于电池隔膜异常检测的神经网络的训练方法

说明书

本申请公开了一种用于电池隔膜异常检测的神经网络的训练方法，其包括：获取经检测合格的原始电池隔膜图像作为训练图像集；将所述训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征图；将所述第一特征图通过反卷积神经网络以获得重构电池隔膜图像；计算所述原始电池隔膜图像和所述重构电池隔膜图像之间的第一均方差损失函数值；将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征；将所述差别特征通过分类函数以获得分类损失函数值；以及，基于所述第一均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

技术领域

本申请涉及深度学习和神经网络领域，且更为具体地，涉及一种用于电池隔膜异常检测的神经网络的训练方法、基于深度神经网络的用于电池隔膜异常检测方法、系统和电子设备。

背景技术

电池隔膜是指在电池正极和负极之间一层隔膜材料，是电池中非常关键的部分，对电池安全性和成本有直接影响。电池隔膜的制备方法分为干法和湿法两类，其中，湿法使用较多。

现有的湿法是将液态烃或一些小分子物质与聚烯烃树脂混合，经加热熔融后形成均匀的混合物，然后降温进行相分离并压制得膜片。压制而成的膜片进行双向拉伸使分子链取向后得到膜材料。在现有的湿法制作设备中，由于对膜片的压制以及拉伸存在一定的工艺误差，作用在膜片表面时会使膜片产生不同程度的皱缩，进而影响膜片的制作。

因此，期待一种能够对电池隔膜的生产过程进行监控的方案，以及时地发现膜片被压制和拉伸不合格的情况从而能够及时停止后续的制备流程，降低成本。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习尤其是神经网络的发展为解决电池隔膜的异常检测提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于电池隔膜异常检测的神经网络的训练方法、基于深度神经网络的用于电池隔膜异常检测方法、系统和电子设备，其以纯正样本来构建训练集，使得所训练的图像重构神经网络仅能够学习到如何重构正样本，也就是，如果输入电池隔膜图像为异常电池隔膜的图像，则重构的电池隔膜图像会缺失异常特征，这样，使得基于原始图像和重构图像之间的差异便可以实现电池隔膜的异常检测。

根据本申请的一个方面，提供了一种用于电池隔膜异常检测的神经网络的训练方法，包括：

获取经检测合格的原始电池隔膜图像作为训练图像集；

将所述训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征图；

将所述第一特征图通过反卷积神经网络以获得重构电池隔膜图像；

计算所述原始电池隔膜图像和所述重构电池隔膜图像之间的第一均方差损失函数值；

将所述原始电池隔膜图像和所述重构电池隔膜图像输入差别特征提取网络以获得差别特征，所述差别特征表示所述原始电池隔膜图像和所述重构电池隔膜图像在特征空间的差异；

将所述差别特征通过分类函数以获得分类损失函数值；以及

基于所述第一均方差损失函数值和所述分类损失函数值更新所述第一卷积神经网络、反卷积神经网络和所述差别特征提取网络。

在上述用于电池隔膜异常检测的神经网络的训练方法中，将所述训练图像集中的原始电池隔膜图像输入第一卷积神经网络以获得第一特征向量中，所述第一卷积神经网络包括N层卷积层，N为大于等于4小于等于5的正整数。