技术摘要：
本发明公开了一种基于嵌入分组注意力模块的Tiny‑yolov3网络的锂电池缺陷检测方法，该方法包括获取含有待检测缺陷的锂电池图像，通过嵌入分组注意力模块的Tiny‑yolov3网络对含有待检测缺陷的图像进行特征提取，分组注意力模块用于精细待检测缺陷特征。提出了分组注意  全部
背景技术：
锂电池是一类采用锂金属或锂合金作为负极材料，且使用非水电解质溶液的电 池，此类电池具有诸多优点，比如高容量、寿命长和环保，广泛应用于多个领域。在生产过程 中锂电池存在缺陷，则会降低锂电池的性能和使用寿命，还可能存在安全隐患。锂电池缺陷 包括封边褶皱、极片划痕、露箔、颗粒、穿孔、暗斑、异物、表面凹痕、污迹、鼓包、喷码变形等。 目前锂电池采用的检测方式基本为人工目测检查的方式，人工检测的可靠性、稳定性和效 率都无法有效控制，并且现有的人工成本高昂，难以适用于工业生产。 锂电池缺陷种类繁多，且形状随机、大小不一，表面具有非均匀纹理复杂背景，这 些给锂电池的检测带来巨大挑战。王刚(王刚.基于深度学习的锂电池褶皱检测系统的研究 与实现[D].辽宁大学，2019)提出了一种锂电池缺陷检测方法，该方法基于AlexNet网络与  GoogLeNet网络构建了卷积神经网络，主要采用深层特征层提取缺陷特征，由于网络中缺少 多尺度特征层的融合，在提取特征时经过几次下采样之后，小目标缺陷特征很难被保存下 来，因此该方法对小目标缺陷的检测效果较差，检测精度较低。
技术实现要素：
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于嵌入分组注意 力模块的Tiny-yolov3网络的锂电池缺陷检测方法；该方法融合了浅层和深层特征，增强对 不同尺度缺陷特征的检测能力，嵌入分组注意力模块增强了对锂电池小目标缺陷的检测精 度。 本发明解决所述技术问题采用的技术方案是： 一种基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法，其特 征在于，该方法包括获取含有待检测缺陷的锂电池图像，通过嵌入分组注意力模块的Tiny- yolov3网络对含有待检测缺陷的图像进行特征提取，分组注意力模块用于精细待检测缺陷 特征； 所述Tiny-yolov3网络的主干网络的第七层卷积层的输出特征经过两次卷积后， 然后通过上采样放大到与主干网络的第五层卷积层的输出特征尺度相同，得到特征x1’；然 后将特征x1’与主干网络的第五层卷积层的输出特征x2按照通道拼接到一起，形成特征z； 所述分组注意力模块具体过程为： S1、对特征z进行分组 将特征z按照通道数分为两组，分别记作特征m和n；其中， z∈RC×W×H    (1) 4 CN 111612751 A 说　明　书 2/7 页 式中，R表示特征空间；W、H分别表示特征的宽度和高度；Cx为特征m的通道数；Cy为 特征n的通道数；C为特征z的通道数，其中C＝Cx Cy； S2、注意力运算 首先对特征m分别进行基于通道的全局最大池化和基于通道的全局平均池化，分 别得到  maxpool特征和avgpool特征； 然后将maxpool特征和avgpool特征进行基于通道的拼接，形成中间特征m1；中间 特征m1  再经过卷积后得到注意力特征m2，注意力特征m2经过sigmoid激活函数生成空间注 意力映射图M，其中， M＝sigmoid(f7×7([AvgPool(m)，MaxPool(m)]))    (4) 式中，7*7表示卷积核的大小； 最后将空间注意力映射图M和特征m做乘法，得到分组注意力特征M’，即完成对特 征m 的注意力运算； 然后分别对特征n和特征z重复前述特征m注意力运算的操作，分别生成分组注意 力特征  N’和Z’；将分组注意力特征M’与N’按照通道拼接到一起生成特征O’，特征O’再与分 组注意力特征Z’按照通道的叠加在一起，得到特征O。 嵌入分组注意力模块的Tiny-yolov3网络的具体结构为： Tiny-yolov3网络的主干网络包括七层卷积层和六层最大池化层，除最后一层卷 积层外，每一层卷积层后面添加一层最大池化层； 首先将主干网络的第七层卷积层的输出特征经过卷积后得到特征x1；特征x1连接 两条支路，一条支路为特征x1经过两次卷积后得到特征y1，特征y1即为Tiny-yolov3网络的 yolo层的第一个特征层；另一条支路为特征x1经过卷积后，通过上采样放大到与主干网络 的第五层卷积层的输出特征尺度相同，得到特征x1’；然后将特征x1’与主干网络的第五层 卷积层输出的特征x2按照通道拼接到一起，形成特征z，特征z再通过一个分组注意力模块 进行筛选，得到特征O；特征O依次经过两次卷积后得到特征y2，特征y2即为Tiny-yolov3网 络的yolo层的第二特征层。 主干网络的所有卷积层的卷积核大小为3x3、步长为1；第一至五层最大池化层的 池化窗口大小均为2x2、步长为2；第六层最大池化层的池化窗口大小为2x2、步长为1。 上述方法的具体步骤是： 第一步：利用工业相机采集锂电池图像，作为缺陷检测的原始图像；原始图像包括 无缺陷的图像和含有待检测缺陷的图像； 第二步：对采集到的所有含有待检测缺陷的原始图像进行切割，将每张含有待检 测缺陷的原始图像均匀切割成大小相等的16张小图像；对所有含有待检测缺陷的小图像进 行标注形成标签，并将所有的标签分为不同的数据集； 第三步：通过嵌入分组注意力模块的Tiny-yolov3网络对含有待检测缺陷的图像 进行特征提取； 第四步：首先设置模型初始权重和训练参数，训练参数包括类别数和类别标签； 利用K-means聚类方法自动生成锚框，并且把锚框的尺寸保存下来；然后读取训练 5 CN 111612751 A 说　明　书 3/7 页 图像，将训练图像缩放至128*128像素，缩放后的图像输入嵌入分组注意力模块的Tiny- yolov3网络中，以锚框的尺寸作为先验框通过边框回归预测得到边界框，然后使用 logistic分类器对边界框进行分类，获得每个边界框对应的缺陷类别分类概率；再通过非 极大值抑制法对所有边界框的缺陷类别分类概率进行排序，确定每个边界框对应的缺陷类 别，得到预测值；然后通过损失函数计算预测值和真实值之间的训练损失； 最后根据训练损失的变化动态调整学习率与迭代次数，训练分为两个阶段，第一 阶段是训练开始的前100个周期，初始学习率固定为0.001；第二阶段是指100个周期之后的 训练周期，初始学习率设置为0.0001，当训练损失趋于稳定的时候，学习率依次变为原来的 十分之一，设置最终学习率为0.00001，直到学习率减小到最终学习率0.00001时训练停止； 第五步：在线测试 首先将测试用的图像分割成16张小图像，再将小图像缩放至128像素*128像素并 输入嵌入分组注意力模块的Tiny-yolov3网络中进行测试；单张图像检测时间为0.1s。 与现有技术相比，本发明的有益效果是： 改进的Tiny-yolov3网络的主干网络在提取特征的过程需要经过五次下采样(每 个卷积核大小为2*2、步长为2的最大池化层即为一次下采样)，每次下采样后的特征图尺寸 都会变为原来的一半，但是在这五次下采样的过程中会丢失掉部分缺陷特征，若锂电池图 像中存在一个16像素*16像素的缺陷，通过三次下采样后，缺陷被保留下来的尺寸大小为4 像素*4像素，而五次下采样后被保留下来的尺寸大小为1像素*1像素，因此一般的小目标缺 陷的细节信息更多的被保存在了浅层特征中，而深层特征则保留了目标缺陷的高级语义特 征；改进的  Tiny-yolov3网络将第五层卷积层的输出特征与最后一层卷积层的输出特征拼 接到了一起，从而实现了浅层特征与深层特征的融合，即保留了目标缺陷的细节信息，又保 留了目标缺陷的高级语义特征，使目标识别更加准确，提高了检测的精度。 在特征融合的过程中，由于浅层特征中包含了冗余的背景信息，这些信息会对缺 陷的检测产生干扰，为了抑制冗余信息的干扰，在改进的Tiny-yolov3网络中引入了注意力 机制；注意力机制可以使神经网络在学习过程中获取需要重点关注的目标区域，得到注意 力焦点，而后对这一区域投入更多注意力，以获取更多所需要关注目标的细节信息，从而抑 制其他无用信息，这样就可以抑制背景，突出缺陷目标；然而，由于浅层特征与深层特征所 保留的特征有差异，在引入注意力机制之后，卷积神经网络的注意力机制可能会引导网络 更加关注深层特征，因为深层特征包含的语义信息更多，而浅层特征可能会受到抑制，被当 成冗余特征忽略掉，会影响小目标缺陷的检测；为了更好地应对浅层特征与深层特征的差 异性，本发明提出了分组注意力模块，在注意力运算之前对特征进行分组，对上采样后的特 征、主干网络的第五层卷积层的输出特征以及上采样后的特征和主干网络的第五层卷积层 的输出特征拼接后的特征分别采用注意力模块进行筛选，这样既可以注意到拼接前每个特 征层的局部特征，也能注意到拼接后的特征层的整体特征，使网络提取到的目标特征信息 更多，进而更加容易识别锂电池表面的小缺陷，提高识别的精确度；同时又可以发挥注意力 机制抑制背景、突出目标的作用，使在非均匀纹理复杂背景下的目标特征提取更加容易。 本发明应用于工业缺陷检测中，尤其是对于小目标(目标尺度小于20*20像素)缺 陷检测，效果明显，能够减少质检工序，减少后期人工质检项目，节约成本，提高了检测效 率。 6 CN 111612751 A 说　明　书 4/7 页 本发明采用的Tiny-yolov3网络属于轻量级网络，训练过程计算量较小，也大大节 省了计算成本与检测时间，能够提高质检的质量和效率，进而提高锂电池模组的质量和生 产效率，满足了实时性的要求。相比于原始的Tiny-yolov3网络，改进后的Tiny-yolov3网络 对锂电池表面缺陷的检测精度有一定的提升，平均检测精度提升了4.7％。对无缺陷的样本 的误检也减少了，召回率提升了2.2％。 附图说明 图1为本发明实施例的基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺 陷检测方法的整体流程图； 图2为本发明实施例的整体网络结构图； 图3为本发明的分组注意力模块的流程图。