[发明专利]一种电池外壳焊道的异常检测方法、装置以及设备

说明书

本发明公开了一种电池外壳焊道的异常检测方法、装置、设备及存储介质，其包括：获取锂电池外壳焊道的图像，对图像进行预处理后，将有缺陷的异常图像作为测试集图像以及将正常图像作为训练集图像；构建教师模型以及学生模型；将所述训练集图像输入所述教师模型以及所述学生模型并基于预设损失函数进行训练，得到训练完成的所述学生模型；将所述测试集图像输入所述教师模型以及训练完成的所述学生模型，得到两个模型的输出，通过计算两个模型的输出所对应的损失以进行反向传播，计算得到梯度信息；将所述梯度信息进行映射，生成热力图，根据检测阈值对所述热力图进行过滤，得到异常检测结果。能够根据两个模型的不同响应，有效的实现异常检测定位。

技术领域

本发明涉及锂电池技术领域，尤其涉及一种电池外壳焊道的异常检测方法、装置以及设备。

背景技术

锂电池是目前电动汽车领域的主流电池类型之一，具有能量密度较高、充电快速、寿命较长的优点。锂电池的生产流程长，需要经过涂布、卷绕、入壳、注液等多种不同的工序，每道工序又涉及到不同的工艺。其中的入壳流程是锂电池成形的最后一道流程，对锂电池的稳定性和安全性起了极为关键的作用。入壳需要对锂电池外壳进行焊接，焊接的过程会在电池外壳留下焊道。然而，由于焊接工艺不稳定的问题，焊道上可能存在多种缺陷，例如针孔、凹坑、爆点、凸起等。电池外壳焊道的质量会影响电池外壳的密封性和机械强度，因为电池外壳是保护电池内部结构的壳体，如果外壳焊道存在缺陷或者焊接不牢固，就会导致电池内部物质泄漏或者外部物质进入，影响电池的正常工作并且存在安全隐患。因此，对电池外壳焊道进行质量检测，对于保障电池的性能和安全至关重要。在电池外壳检测领域中，目前主流的异常检测方法大多数是基于有监督的深度学习方法实现的，该方法的缺点是对数据集的要求较高，需要训练集包含各种类别的缺陷信息，不利于模型建模和泛化，导致不能有效对缺陷进行检测。

发明内容

有鉴于此，本发明的目的在于提出一种电池外壳焊道的异常检测方法、装置以及设备，旨在解决上述问题。

为实现上述目的，本发明提供一种电池外壳焊道的异常检测方法，所述方法包括：

获取锂电池外壳焊道的图像，对图像进行预处理后，将有缺陷的异常图像作为测试集图像以及将正常图像作为训练集图像；

构建教师模型以及学生模型，其中，所述教师模型基于目标数据集进行预训练得到；

将所述训练集图像输入所述教师模型以及所述学生模型并基于预设损失函数进行训练，将所述教师模型以及所述学生模型输出的损失更新所述学生模型的梯度，得到训练完成的所述学生模型；

将所述测试集图像输入所述教师模型以及训练完成的所述学生模型，得到两个模型的输出，通过计算两个模型的输出所对应的损失以进行反向传播，计算得到梯度信息；

将所述梯度信息进行映射，生成热力图，根据检测阈值对所述热力图进行过滤，得到异常检测结果。

优选的，所述获取锂电池外壳焊道的图像，对图像进行预处理，包括：

对所获取的所述锂电池外壳焊道的图像进行分割和归一化处理，并对归一化后的图像进行所述异常图像以及所述正常图像的分类处理；其中，将所述锂电池外壳焊道的图像分割至224×224的大小。

优选的，所述教师模型基于目标数据集进行预训练得到，包括：

所述教师模型与加载的ResNet-18网络的预训练模型基于所述目标数据集并根据蒸馏损失函数进行迭代训练，得到预训练完成的所述教师模型。

优选的，所述学生模型与所述教师模型的网络结构相同；所述教师模型或所述学生模型的网络架构基于自定义的卷积神经网络进行构建；所述教师模型或所述学生模型的网络架构包括第一个网络层、第二个网络层、第三个网络层、第四个网络层以及第五个网络层；其中，

所述第一个网络层的输入层包括3个3*3的卷积核，输出层包括64个3*3的卷积核以及1个2*2的最大值池化层；