本發(fā)明涉及退役動(dòng)力電池綜合利用領(lǐng)域，具體涉及梯次利用電芯外觀缺陷自動(dòng)化檢測，尤其涉及一種基于深度學(xué)習(xí)算法的梯次利用電芯外觀缺陷檢測方法。

背景技術(shù)：

1、隨著新能源汽車產(chǎn)業(yè)的快速發(fā)展，動(dòng)力電池作為其核心組件，裝機(jī)量逐年攀升。根據(jù)車用動(dòng)力電池5-8年的一般使用年限，預(yù)測動(dòng)力電池即將迎來“退役潮”，梯次利用被認(rèn)為在解決退役動(dòng)力電池回收利用問題上是最節(jié)能、最具有環(huán)境效益的方法。目前，退役動(dòng)力電池梯次利用面臨外觀缺陷實(shí)時(shí)高精度檢測、余能估計(jì)及一致性評估等問題亟需突破。相較于新出廠的電池，回收的退役動(dòng)力電池難免會(huì)在外觀、安全性、性能等方面存在差異，尤其是電芯級(jí)別的梯次利用，電芯在使用和拆卸過程中難免會(huì)產(chǎn)生劃痕、凹坑、臟污等表面缺陷。2021年國家新出臺(tái)了《車用動(dòng)力電池回收利用梯次利用》國家標(biāo)準(zhǔn)，其中包括《車用動(dòng)力電池回收利用梯次利用第3部分：梯次利用要求》(gb/t?34015.3-2021)，該標(biāo)準(zhǔn)對梯次利用單體電池有一定外觀要求，要求梯次利用電芯不應(yīng)有泄露、破損、腐蝕，表面應(yīng)平整無外傷、無污物，且標(biāo)識(shí)清晰正確，因此退役動(dòng)力電池的表面缺陷檢測成為評估其是否可以進(jìn)行梯次利用的重要環(huán)節(jié)，迫切需要快速高效并準(zhǔn)確的缺陷檢測技術(shù)進(jìn)行退役動(dòng)力電池梯次利用前的表面缺陷檢測，加快探索更加高效、安全和可持續(xù)的退役動(dòng)力電池梯次利用技術(shù)和方法，推動(dòng)相關(guān)技術(shù)的發(fā)展和創(chuàng)新。

2、在現(xiàn)有技術(shù)中，為了高效、快速且準(zhǔn)確的識(shí)別出梯次利用電芯外觀存在的缺陷，電芯外觀缺陷檢測技術(shù)主要依賴于人工視覺或傳統(tǒng)的圖像識(shí)別算法。許長路等通過將gamma矯正增強(qiáng)缺陷特征與log算法分割缺陷區(qū)域相融合，對鋰電池極片進(jìn)行缺陷檢測，并借助sobel算子實(shí)現(xiàn)了鋰電池極片5種缺陷的定位檢測，沒有辦法對缺陷進(jìn)行分類(許長路,李林升,立濟(jì)偉.基于gamma矯正與log算法融合的鋰電池極片缺陷檢測方法[j].機(jī)械設(shè)計(jì)與研究,2020,36(06):105-109)。黃夢濤等提出了一種基于改進(jìn)canny算子的缺陷檢測方法對鋰電池極片表面存在的對比度較小的缺陷進(jìn)行檢測，可實(shí)現(xiàn)3種缺陷的分類，且最終模型的準(zhǔn)確率高達(dá)98％；但是當(dāng)面對具有復(fù)雜灰度變化的劃痕缺陷樣本時(shí)，該模型的缺陷檢測精度還有待提高(黃夢濤,連一鑫.基于改進(jìn)canny算子的鋰電池極片表面缺陷檢測[j].儀器儀表學(xué)報(bào),2021,42(10):199-209)。以上基于傳統(tǒng)圖像處理方法的電池外觀缺陷檢測方法對不同類型缺陷的泛化能力較差，且檢測的速度和精度不高。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種基于深度學(xué)習(xí)算法的梯次利用電芯外觀缺陷檢測方法，基于圖像采集、數(shù)據(jù)集構(gòu)建、算法改進(jìn)、模型搭建和訓(xùn)練精準(zhǔn)識(shí)別梯次利用電芯表面存在的缺陷，提高梯次利用電芯表面缺陷檢測的速度和精度，避免圖像干擾和噪聲干擾對檢測結(jié)果的影響，且適用于大規(guī)模數(shù)據(jù)處理。本發(fā)明通過以下具體技術(shù)方案實(shí)現(xiàn)。

2、一種基于深度學(xué)習(xí)算法的梯次利用電芯外觀缺陷檢測方法，包括以下步驟：

3、s1：采集梯次利用電芯外觀圖像，建立原始數(shù)據(jù)集；

4、s2：運(yùn)用圖像標(biāo)注工具對數(shù)據(jù)集中圖像的缺陷信息進(jìn)行標(biāo)注；

5、s3：數(shù)據(jù)預(yù)處理：擴(kuò)充數(shù)據(jù)集數(shù)量并將數(shù)據(jù)集劃分制作成訓(xùn)練集、驗(yàn)證集和測試集所需的格式；

6、s4：選定所用檢測模型mask?r-cnn的網(wǎng)絡(luò)結(jié)構(gòu)；

7、s5：用訓(xùn)練集對模型進(jìn)行訓(xùn)練調(diào)參，并經(jīng)驗(yàn)證集驗(yàn)證，選出訓(xùn)練效果最佳的檢測模型；

8、s6：用訓(xùn)練好的檢測模型對測試集進(jìn)行檢測，實(shí)現(xiàn)梯次利用電芯的外觀缺陷檢測；其中：步驟s4中，mask?r-cnn的網(wǎng)絡(luò)結(jié)構(gòu)包括骨干網(wǎng)絡(luò)backbone、區(qū)域推薦網(wǎng)絡(luò)rpn、感興趣區(qū)域特征聚集網(wǎng)絡(luò)roi?align和輸出端網(wǎng)絡(luò)output四部分；其中：

9、骨干網(wǎng)絡(luò)backbone包括深度殘差網(wǎng)絡(luò)resnet50和特征金字塔fpn兩部分，其中，resnet50自下而上進(jìn)行5次下采樣，下采樣率分別為2、4、8、16和32，然后獲得包含有豐富語義信息的高層特征；fpn采用自上而下從最高層開始進(jìn)行上采樣并結(jié)合橫向連接將上采樣結(jié)果和自下而上生成的相同大小的特征圖進(jìn)行融合，最后得到p2、p3、p4、p5和p6五個(gè)特征圖；

10、區(qū)域推薦網(wǎng)絡(luò)rpn將p2、p3、p4、p5和p6五個(gè)特征圖進(jìn)行二分類的預(yù)測和邊界框的回歸，再使用非極大值抑制softnms算法選出一定數(shù)量的先驗(yàn)框anchors作為最終的anchors，以用于提取不同大小和形狀的候選框；

11、感興趣區(qū)域特征聚集網(wǎng)絡(luò)roi?align使用雙線性插值算法將得到的不同大小的候選框特征圖映射為固定尺寸的特征圖；

12、輸出端網(wǎng)絡(luò)output包括目標(biāo)分類定位模塊和掩碼預(yù)測模塊mask，目標(biāo)分類定位模塊，即定位分支，用于對特征圖上的候選區(qū)域進(jìn)行softmax多分類和坐標(biāo)回歸；掩碼預(yù)測模塊mask，即分割分支，用于對候選框?qū)?yīng)的候選區(qū)域全卷積，結(jié)合目標(biāo)分類的定位模塊分類結(jié)果，對掩碼二分類提取缺陷。

13、本發(fā)明中，步驟s1中，梯次利用電芯外觀圖像中的缺陷包括臟污、覆膜破損、劃痕、凹坑和漏液，對數(shù)據(jù)集進(jìn)行統(tǒng)計(jì)分析，確定含有不同缺陷的圖像數(shù)量。

14、本發(fā)明中，步驟s2中，圖像標(biāo)注工具為labelme，所述標(biāo)注方法為多邊形標(biāo)注，所述的缺陷包括劃痕、臟污、凹坑、覆膜破損和漏液，對以上缺陷及電池本身進(jìn)行標(biāo)注，得到j(luò)son文件。

15、本發(fā)明中，步驟s3中，為了獲得具有更強(qiáng)泛化性、魯棒性的模型，以及為了有效防止模型過擬合，將原始圖片及其標(biāo)注產(chǎn)生的標(biāo)注信息同時(shí)進(jìn)行擴(kuò)充，再劃分?jǐn)?shù)據(jù)集。

16、本發(fā)明中，步驟s3中，步驟s3中，擴(kuò)充后數(shù)據(jù)集由存放標(biāo)注前的原始圖像pic、存放.json文件json、存放json文件夾labelme_json和存放提取出的.png圖像cv2_mask四部分組成。

17、本發(fā)明中，步驟s4中，mask?r-cnn模型采用兩階段缺陷檢測算法，實(shí)現(xiàn)將定位和分割二者合二為一。

18、本發(fā)明中，步驟s5中，模型訓(xùn)練調(diào)參的步驟具體如下：

19、s501：從訓(xùn)練集中隨機(jī)抽取部分梯次利用電芯外觀缺陷圖片，用來對resnet50卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，獲得梯次利用電芯外觀缺陷專屬的特征提取器；

20、s502：用訓(xùn)練集剩余的若干張圖片對整個(gè)mask?r-cnn模型進(jìn)行網(wǎng)絡(luò)模型參數(shù)的優(yōu)化訓(xùn)練，調(diào)整并記錄每次訓(xùn)練的包括迭代次數(shù)、批處理大小以及學(xué)習(xí)率的參數(shù)，同時(shí)觀察并記錄模型收斂的速度及程度，經(jīng)多次迭代訓(xùn)練和遷移學(xué)習(xí)的調(diào)整，得到梯次利用電芯外觀缺陷最優(yōu)檢測模型；

21、s503：用驗(yàn)證集圖片對最優(yōu)模型的訓(xùn)練進(jìn)行評估驗(yàn)證，并做出微調(diào)，得到最終的mask?r-cnn外觀缺陷檢測模型。

22、本發(fā)明中，步驟s6的具體步驟如下：

23、使用步驟s5中選出的最優(yōu)檢測模型，對測試集樣本數(shù)據(jù)進(jìn)行檢測，得到模型的精度和召回率，同時(shí)對電芯及缺陷的位置進(jìn)行矩形框標(biāo)注，對電芯及缺陷輪廓進(jìn)行像素級(jí)分割，并標(biāo)注出電芯及缺陷種類的信息。

24、和現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

25、本發(fā)明通過搭建光源透射圖像采集試驗(yàn)臺(tái)采集到的電芯外觀圖像搭建數(shù)據(jù)集，利用mask?r-cnn兩階段檢測網(wǎng)絡(luò)進(jìn)行圖像處理和評估分析，并給出缺陷的類型和缺陷分割的檢測結(jié)果，進(jìn)而判斷該電芯是否可以進(jìn)行梯次利用。相較于傳統(tǒng)計(jì)算機(jī)視覺方法，本發(fā)明基于深度學(xué)習(xí)算法能夠檢測更多形態(tài)、特征的缺陷，且該模型是一個(gè)端到端的過程，只需要輸入圖片，即可得到結(jié)果，簡單快速，大幅提高了當(dāng)前行業(yè)以人工為主梯次利用電芯缺陷檢測精度和效率，實(shí)現(xiàn)了梯次利用電芯外觀缺陷的實(shí)時(shí)高精度檢測。

26、本發(fā)明可對影響退役鋰電池梯次利用過程安全性的主要外觀缺陷進(jìn)行檢測，大幅提升了當(dāng)前人工檢測的精度和效率，實(shí)現(xiàn)了梯次利用電芯外觀缺陷的實(shí)時(shí)高精度檢測，具有極好的產(chǎn)業(yè)化應(yīng)用前景。