本申請公開了一種電芯外觀檢測方法和裝置、存儲介質及電子設備。涉及數據處理技術領域、人工智能領域及其他相關技術領域，該方法包括：獲取待檢測電芯對應的柱面展開圖；通過目標檢測神經網絡對柱面展開圖進行特征提取，得到待檢測電芯對應的目標特征信息；通過目標檢測神經網絡基于目標特征信息對待檢測電芯的外觀進行檢測，得到待檢測電芯對應的目標檢測結果。通過本申請，解決了相關技術中通過人工的方式對包膜后的電芯外觀進行檢測，導致對電芯外觀的檢測效率比較低的問題。
【技術實現步驟摘要】
本申請涉及數據處理、人工智能領域及其他相關，具體而言，涉及一種電芯外觀檢測方法和裝置、存儲介質及電子設備。
技術介紹
1、鋰電池因具有高能量密度、高使用壽命和綠色環保等優點被廣泛用于日常生活中。成品電池在投入市場前都必須經過嚴格的外觀檢測，由于產品外觀種類的多樣性、復雜性和缺陷不可預判性等特點，鋰電池外觀缺陷檢測一直是視覺檢測技術中的難點。為了防止不良品流入終端客戶，目前鋰電池行業大部分采用人工的方式對其外觀進行多重檢測。但人工檢測耗時耗工，效率和產能低下，大大增加了工人的勞動強度，而且還易出現誤檢和漏檢等情況，難以達到檢測的要求和標準，已無法適應市場的需求。
2、針對相關技術中通過人工的方式對包膜后的電芯外觀進行檢測，導致對電芯外觀的檢測效率比較低的問題，目前尚未提出有效的解決方案。
技術實現思路
1、本申請的主要目的在于提供一種電芯外觀檢測方法和裝置、存儲介質及電子設備，以解決相關技術中通過人工的方式對包膜后的電芯外觀進行檢測，導致對電芯外觀的檢測效率比較低的問題。
2、為了實現上述目的，根據本申請的一個方面，提供了一種電芯外觀檢測方法。該方法包括：獲取待檢測電芯對應的柱面展開圖；通過目標檢測神經網絡對所述柱面展開圖進行特征提取，得到所述待檢測電芯對應的目標特征信息；通過所述目標檢測神經網絡基于所述目標特征信息對所述待檢測電芯的外觀進行檢測，得到所述待檢測電芯對應的目標檢測結果，其中，所述目標檢測結果用于表征所述待檢測電芯的外觀是否存在異常。
>3、進一步地，通過目標檢測神經網絡對所述柱面展開圖進行特征提取，得到所述待檢測電芯對應的目標特征信息包括：通過所述目標檢測神經網絡的特征提取模塊對所述柱面展開圖進行特征提取，得到第一特征信息；通過所述目標檢測神經網絡的多維度信息聚合模塊對所述第一特征信息進行信息聚合，得到第二特征信息；通過所述目標檢測神經網絡的深層特征對齊轉換模塊對所述第二特征信息進行對齊轉換，得到第三特征信息；通過所述目標檢測神經網絡的局部鄰域信息融合模塊對所述第三特征信息進行信息融合，得到所述目標特征信息。4、進一步地，通過所述目標檢測神經網絡的特征提取模塊對所述柱面展開圖進行特征提取，得到第一特征信息包括：對所述柱面展開圖進行第一尺度的卷積操作，得到所述柱面展開圖對應的第一特征圖；對所述柱面展開圖進行第二尺度的卷積操作，得到所述柱面展開圖對應的第二特征圖，其中，所述第一尺度大于所述第二尺度；對所述第一特征圖和所述第二特征圖進行特征計算和特征融合，得到第三特征圖；對所述第三特征圖進行特征提取，得到所述第一特征信息。
5、進一步地，對所述第一特征圖和所述第二特征圖進行特征計算和特征融合，得到第三特征圖包括：對所述第一特征圖進行平均池化操作，得到處理后的第一特征圖；對所述第二特征圖進行線性插值計算，得到處理后的第二特征圖；對所述處理后的第一特征圖和所述處理后的第二特征圖進行特征融合，得到所述第三特征圖。
6、進一步地，通過所述目標檢測神經網絡的多維度信息聚合模塊對所述第一特征信息進行信息聚合，得到第二特征信息包括：對所述第一特征信息進行卷積操作和線性插值計算，得到所述第一特征信息對應的多個特征分量；對所述多個特征分量進行信息聚合，得到初始第二特征信息；對所述初始第二特征信息進行卷積操作，得到卷積后的初始第二特征信息；通過目標激活函數對所述卷積后的初始第二特征信息進行處理，得到所述第二特征信息。
7、進一步地，通過所述目標檢測神經網絡的深層特征對齊轉換模塊對所述第二特征信息進行對齊轉換，得到第三特征信息包括：對所述第二特征信息進行平均池化操作，得到處理后的第二特征信息；對所述處理后的第二特征信息進行特征融合，得到融合后的第二特征信息；對所述融合后的第二特征信息進行對齊轉換，得到所述第三特征信息。
8、進一步地，在通過所述目標檢測神經網絡基于所述目標特征信息對所述待檢測電芯的外觀進行檢測，得到所述待檢測電芯對應的目標檢測結果之后，所述方法還包括：若所述目標檢測結果表征所述待檢測電芯的外觀存在異常，則將所述目標檢測結果反饋至目標對象；獲取所述目標對象輸入的目標處理策略；依據所述目標處理策略對所述待檢測電芯進行處理。
9、進一步地，在通過目標檢測神經網絡對所述柱面展開圖進行特征提取，得到所述待檢測電芯對應的目標特征信息之前，所述方法還包括：獲取訓練數據集，其中，所述訓練數據集中至少包括：多個電芯柱面展開圖和每個電芯柱面展開圖對應的真實外觀檢測結果；對初始檢測神經網絡配置超參數，得到配置后的初始檢測神經網絡；通過所述配置后的初始檢測神經網絡對所述多個電芯柱面展開圖進行處理和預測，得到所述多個電芯柱面展開圖對應的預測外觀檢測結果；依據所述真實外觀檢測結果和所述預測外觀檢測結果進行計算，得到目標損失值；依據所述目標損失值對所述超參數進行更新，得到所述目標檢測神經網絡。
10、為了實現上述目的，根據本申請的另一方面，提供了一種電芯外觀檢測裝置。該裝置包括：第一獲取單元，用于獲取待檢測電芯對應的柱面展開圖；特征提取單元，用于通過目標檢測神經網絡對所述柱面展開圖進行特征提取，得到所述待檢測電芯對應的目標特征信息；檢測單元，用于通過所述目標檢測神經網絡基于所述目標特征信息對所述待檢測電芯的外觀進行檢測，得到所述待檢測電芯對應的目標檢測結果，其中，所述目標檢測結果用于表征所述待檢測電芯的外觀是否存在異常。
11、進一步地，特征提取單元包括：特征提取模塊，用于通過所述目標檢測神經網絡的特征提取模塊對所述柱面展開圖進行特征提取，得到第一特征信息；聚合模塊，用于通過所述目標檢測神經網絡的多維度信息聚合模塊對所述第一特征信息進行信息聚合，得到第二特征信息；轉換模塊，用于通過所述目標檢測神經網絡的深層特征對齊轉換模塊對所述第二特征信息進行對齊轉換，得到第三特征信息；融合模塊，用于通過所述目標檢測神經網絡的局部鄰域信息融合模塊對所述第三特征信息進行信息融合，得到所述目標特征信息。
12、進一步地，特征提取模塊包括：第一卷積子模塊，用于對所述柱面展開圖進行第一尺度的卷積操作，得到所述柱面展開圖對應的第一特征圖；第二卷積子模塊，用于對所述柱面展開圖進行第二尺度的卷積操作，得到所述柱面展開圖對應的第二特征圖，其中，所述第一尺度大于所述第二尺度；第一處理子模塊，用于對所述第一特征圖和所述第二特征圖進行特征計算和特征融合，得到第三特征圖；特征提取子模塊，用于對所述第三特征圖進行特征提取，得到所述第一特征信息。
13、進一步地，第一處理子模塊包括：池化次子模塊，用于對所述第一特征圖進行平均池化操作，得到處理后的第一特征圖；計算次子模塊，用于對所述第二特征圖進行線性插值計算，得到處理后的第二特征圖；融合次子模塊，用于對所述處理后的第一特征圖和所述處理后的第二特征圖進行特征融合，得到所述第三特征圖。
14、進一步地，聚合模塊包括：第二處理子模塊，用于對所述第一特征信息進行卷積操作和線本文檔來自技高網...
【技術保護點】
1.一種電芯外觀檢測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，通過目標檢測神經網絡對所述柱面展開圖進行特征提取，得到所述待檢測電芯對應的目標特征信息包括：
3.根據權利要求2所述的方法，其特征在于，通過所述目標檢測神經網絡的特征提取模塊對所述柱面展開圖進行特征提取，得到第一特征信息包括：
4.根據權利要求3所述的方法，其特征在于，對所述第一特征圖和所述第二特征圖進行特征計算和特征融合，得到第三特征圖包括：
5.根據權利要求2所述的方法，其特征在于，通過所述目標檢測神經網絡的多維度信息聚合模塊對所述第一特征信息進行信息聚合，得到第二特征信息包括：
6.根據權利要求2所述的方法，其特征在于，通過所述目標檢測神經網絡的深層特征對齊轉換模塊對所述第二特征信息進行對齊轉換，得到第三特征信息包括：
7.根據權利要求1所述的方法，其特征在于，在通過所述目標檢測神經網絡基于所述目標特征信息對所述待檢測電芯的外觀進行檢測，得到所述待檢測電芯對應的目標檢測結果之后，所述方法還包括：
8.根據權利要求1所述的方法，其特征在于，在通過目標檢測神經網絡對所述柱面展開圖進行特征提取，得到所述待檢測電芯對應的目標特征信息之前，所述方法還包括：
9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括存儲的程序，其中，在所述程序運行時控制所述存儲介質在設備執行權利要求1至8中任意一項所述的電芯外觀檢測方法。
10.一種電子設備，其特征在于，包括一個或多個處理器和存儲器，所述存儲器用于存儲一個或多個程序，其中，當所述一個或多個程序被所述一個或多個處理器執行時，使得所述一個或多個處理器實現權利要求1至8中任意一項所述的電芯外觀檢測方法。
...
【技術特征摘要】
1.一種電芯外觀檢測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，通過目標檢測神經網絡對所述柱面展開圖進行特征提取，得到所述待檢測電芯對應的目標特征信息包括：
3.根據權利要求2所述的方法，其特征在于，通過所述目標檢測神經網絡的特征提取模塊對所述柱面展開圖進行特征提取，得到第一特征信息包括：
4.根據權利要求3所述的方法，其特征在于，對所述第一特征圖和所述第二特征圖進行特征計算和特征融合，得到第三特征圖包括：
5.根據權利要求2所述的方法，其特征在于，通過所述目標檢測神經網絡的多維度信息聚合模塊對所述第一特征信息進行信息聚合，得到第二特征信息包括：
6.根據權利要求2所述的方法，其特征在于，通過所述目標檢測神經網絡的深層特征對齊轉換模塊對所述第二特征信息進行對齊轉換，得到第三特征信息包括：
【專利技術屬性】
技術研發人員：王通，沈軍才，
申請(專利權)人：曲靖億緯鋰能有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。