(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210775486.0 (22)申请日 2022.07.01 (71)申请人 安徽江淮 汽车集团股份有限公司 地址 230601 安徽省合肥市经济技 术开发 区紫云路99号 (72)发明人 唐磊　汤善荣　李婷　张玉龙　 侯域　 (74)专利代理 机构 北京维澳专利代理有限公司 11252 专利代理师 段媛媛 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06V 10/26(2022.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 电芯表面 缺陷检测方法 (57)摘要 本发明公开了一种电芯表 面缺陷检测方法， 包括： 采用高动态范围成像技术对电芯表面图像 进行图像预处理； 将预处理后的电芯表面图像输 入双阶段端到端训练网络， 得到电芯缺陷检测结 果， 第一阶段为分割网络， 对电芯图像进行像素 级分割， 第二阶段为分类网络， 对像素级分割结 果进行分类与决策， 双阶段端到端训练网络结构 将分割损失和分类损失合并为一个统一的且允 许同时学习的合并损失。 本发明提供的电芯表面 缺陷检测方法， 采用高动态范围技术与深度学习 相结合， 解决了电芯高反光的金属表 面导致难以 获得细节丰富的表面图像问题； 双阶段网络结构 更容易捕获小的图像细节， 只需25 ‑30张电芯图 像即可进行训练， 并且检测出较为准确的缺陷类 别。 权利要求书2页 说明书6页 附图1页 CN 115035094 A 2022.09.09 CN 115035094 A 1.一种电芯表面 缺陷检测方法， 其特 征在于， 包括如下步骤： 采用高动态范围成像技 术对电芯表面图像进行图像预处 理； 将预处理后的所述电芯表面图像输入双阶段端到端训练网络， 得到电芯缺陷检测结 果， 其中， 第一阶段为分割网络， 对电芯图像进 行像素级分割， 第二阶段为分类网络， 对像素 级分割结果进 行分类与决策， 所述双阶段端到端训练网络结构将分割损失和分类损失合并 为一个统一的且允许同时学习的合并损失。 2.根据权利要求1所述的电芯表面缺陷检测方法， 其特征在于， 所述采用高动态范围成 像技术对电芯表面图像进行图像预处 理， 具体包括： 使用相机采集 不同的曝光时间的低动态范围图像； 利用每个曝光时间相对应最佳细节的低动态范围图像来 合成最终高动态范围图像。 3.根据权利要求1所述的 电芯表面缺陷检测方法， 其特征在于， 在所述第一阶段中， 所 述分割网络包括11个卷积层和3个最大池化层， 其中， 每个层将分辨率降低两倍， 每个卷积 层之后是一个特 征归一化层和一个非线性ReLU层。 4.根据权利要求3所述的 电芯表面缺陷检测方法， 其特征在于， 在所述分割 网络中， 前 九个卷积层 包括大小为5 ×5的卷积内核， 后两个卷积层分别包括大小为 15×15和1×1的卷 积内核， 最后的输出掩模是在应用内核为1 ×1的卷积层后获得的； 三个所述最大池化层均 包括大小为2 ×2的池化核。 5.根据权利要求4所述的 电芯表面缺陷检测方法， 其特征在于， 在所述第二阶段中， 所 述分割网络的输出作为所述分类网络的输入， 将分割网络的最后一个有102 4个通道的卷积 层的输出与单个通道分段输出映射连接起 来， 产生1025个通道。 6.根据权利要求5所述的 电芯表面缺陷检测方法， 其特征在于， 所述分类网络包括3个 卷积层和3个最大池化层， 1025个通道的组合层作为3个卷积层和3个最大池化层的输入， 三 个卷积层分别包括大小为5 ×5的卷积内核， 第一卷积层有8个通道， 第二个卷积层 有16个通 道， 第三卷积层有32个通道， 三个所述 最大池化层均包括大小为2 ×2的池化核。 7.根据权利要求6所述的 电芯表面缺陷检测方法， 其特征在于， 在所述第二阶段中， 对 所述分类网络的最后一个卷积层的输出， 通过全局最大池化层和全局平均池化层执行全局 最大池化和全局平均池化， 产生64个输出神经元， 所述全局最大池化层和所述全局平均池 化层均包括大小为32 ×1的池化核。 8.根据权利要求7所述的电芯表面缺陷检测方法， 其特征在于， 对所述分割网络的最后 一个卷积层的输出， 通过全局最大池化层和全局平均池化层执行全局最大池化和全局平均 池化， 产生两个输出神经元， 所述全局最大池化层和所述全局平均池化层均包括大小为 1× 1的池化核。 9.根据权利要求8所述的 电芯表面缺陷检测方法， 其特征在于， 在所述分类网络中， 通 过全连接层将对所述分割网络的最后一个卷积层的输出执行全局 最大池化和全局平均池 化得到的两个输出神经元与对所述分类网络的最后一个卷积层的输出执行全局 最大和平 均池化所产生的64个输出神经元连接起来， 连接得到的66个神经元输入到输出层， 得到电 芯缺陷检测结果。 10.根据权利要求1所述的电芯表面缺陷检测方法， 其特征在于， 通过以下公式计算合 并损失：权　利　要　求　书 1/2 页 2 CN 115035094 A 2Ltotal＝ λ·Lseg+δ·(1‑λ )·Lcls                            (1) 其中， Lseg表示分割损失， Lcls表示分类损失， δ表防止分类损失主导总损失的额外分类 损失权重， λ表示平衡 每个网络在最终损失中的贡献的混合因子 。权　利　要　求　书 2/2 页 3 CN 115035094 A 3