技术摘要：
本发明一种基于生成对抗网络的锂电池表面缺陷检测方法，主要用于软包锂离子电池表面图像缺陷检测。该方法根据高精度CMOS工业相机采集到的锂离子表面图像，利用生成对抗网络对其正常表面进行拟合。针对锂离子电池表面多种缺陷的检测，通过将预训练的生成器用于测试图像  全部
背景技术：
锂离子电池是一种寿命长、储电容量大以及充放电速度快的环保型电池，在手机 等便携式信息设备中被广泛应用，并逐渐向电动工具领域延伸。随着互联网技术的普及和 应用以及环保型交替工具的发展，锂离子的需求量不断提升，对我国信息化发展和绿色出 行具有重要意义。 锂离子电池生产过程中，由于生产技术以及产品搬运过程中技术不完善等原因， 锂离子电池，尤其是软包锂离子电池在装配到便携式产品之前容易产生各种各样的缺陷， 如露铝、划痕、凹痕、针孔以及凹坑缺陷。表面缺陷的存在不仅影响电池表面完整，同时也可 能造成电池内部电芯损伤，使得电池性能下降，甚至对使用者带来安全隐患。此外，由于生 产过程自动化，当某类缺陷的产生是由生成设备设计不当导致时，含该类缺陷的产品将会 流向后续的其它生成工序，且常批量出现。因此，对生成过程中产生的缺陷进行准确检测和 移除十分必要。 目前软包锂离子电池表面缺陷检测主要依靠人工肉眼，检测过程中人眼检测易产 生疲劳，且人为判断标准不一，检测效率和检测精度低。同时，由于人为参与，可能导致电池 二次损伤情况。中国专利CN107966447B提出了一种基于深度学习的表面缺陷检测方法，该 方法利用人工标记的标签进行训练，实现对表面缺陷的分割；此外，中国专利CN110044921A 利用Faster-RCNNs深度学习模型对锂电池表面缺陷进行检测。上述方法在标签制作过程中 无法避免人为主观因素，且额外增加企业在标签制作方法的投入。 因此，利用无监督检测的非接触的机器视觉检测方式，有利于避免锂电池缺陷检 测过程中由于接触造成的额外损害，降低企业成本的同时提高锂电池缺陷的检测效率，提 升生产水平。
技术实现要素：
本发明为解决目前软包锂离子电池表面缺陷检测方法不足，本发明拟解决的问题 是：现有技术对软包锂电池的缺陷检测技术依赖大量标签数据，大大增加了人力物力的浪 费，且检测精度有待提高。为此，提供了一种基于生成对抗网络的无监督的锂电池表面缺陷 检测方法。 本发明解决所述技术问题采用的技术方案是： 一种基于生成对抗网络的锂电池表面缺陷检测方法，该方法首先生成对抗网络与 相应的损失函数学习锂电池正常表面分布，使训练好的生成器能能拟合锂离子电池正常表 面图像分布，并利用训练好的生成器对锂离子电池表面进行重构；然后，将重构图像与原始 图像进行差分操作，并利用自适应阈值分割方法对差分结果进行分割，得到可能缺陷像素； 4 CN 111598877 A 说　明　书 2/7 页 最后，通过设定连通域大小，排除误检的区域，实现对软包锂电池表面缺陷检测。 该方法分为两个部分，第一部分得到锂离子电池表面分布；第二部分得到可能存 在的缺陷区域并排除误检，获得检测结果。其具体实现步骤包括如下： 第一部分，得到锂离子电池表面分布 1-1、图像采集：用高精度CMOS工业相机对锂离子电池正常表面进行图像采集，并 通过工作站计算机存储； 1-2、图像预处理：将采集的每个正常表面图像以大小为128*128、步长为32的滑动 窗口，自左向右、从上到下进行滑动剪切，得到训练网络的数据集； 1-3、生成对抗网络模型搭建与初始化：所述的生成对抗网络由生成器网络和判别 器网络构成，生成器网络和判别器网络均采用卷积神经网络； 所述的生成器网络由4个步长为2的卷积单元和4个步长为2的反卷积单元构成，实 现图像的下采样和上采样；顺序进行4个卷积单元之后再顺序进行4个反卷积单元，最后一 个反卷积单元输出为生成器网络的输出；其中，最后一个反卷积单元中的激活函数为tanh 函数，保证生成器网络输出在图像值域范围内； 1-4、训练生成对抗网络模型：训练模型时，利用损失函数与梯度下降法更新生成 器和判别器网络参数，直至模型损失收敛；训练好的生成器可实现的对锂离子电池正常表 面分布的拟合。 网络参数利用以下损失函数进行训练： 其中LDis为判别器损失，LGen为生成器损失；Lgan_d、Lgan_g、Lr分别表示判别器对抗损 失、生成器对抗损失、生成器输入图像与输出图像的均方差损失，用下式表示： 其中N为每个批次输入图像总数，x(n)为输入图像中第n张真实图像；G(x(n))为图像 输入生成器之后的输出的伪图，D(x(n))为真实图像输入判别器得到的输出，D(G(x(n)))为伪 图像输入判别器得到的输出； 第二部分，缺陷区域获取 2-1、图像重构：训练好生成对抗网络模型的网络参数后，将测试图像t输入生成器 网络，得到重构图像t′； 2-2、差分操作：在步骤2-1的基础上，对测试图像及其生成器网络输出的重构图像 作差分操作，从而得到感兴趣区域； 2-3、二值分割：在步骤2-2的基础上，选定阈值对差分结果进行二值分割，以得出 5 CN 111598877 A 说　明　书 3/7 页 缺陷候选区域； 2-4、连通域获取，在步骤2-3的基础上，对二值分割结果进行连通域选择，得到候 选连通域； 2-5、计算候选连通域的大小及缺陷检测：在步骤2-4的基础上，提取候选连通域的 面积，通过设定连通域阈值，将不满足条件的候选连通域排除，得到缺陷区域；所述连通域 阈值为所有缺陷种类中尺寸最小的缺陷像素面积的一半。 具体的，该方法用于检测软包锂电池表面缺陷，包括露铝、划痕、凹痕、针孔以及凹 坑缺陷。适用的锂电池大小为46.0mm×20 .7mm×11 .3mm，相机采集的图像大小为2048× 1088像素。在使用本发明方法进行表面缺陷检测时要保证能扫描到整个电池的外表面，使 整个电池表面整体输入。 判别器网络由4个步长为2的卷积单元构成，将图像下采样，最终输出值用于区分 输入图像的真假。 所述的生成对抗网络模型的网络参数初始化包括生成器网络和判别器网络参数 初始化；生成器网络参数θG的初始化值由服从均值为0、方差为0.02的正太分布随机产生； 判别器网络参数θD的初始化值由服从均值为0、方差为0.02的正太分布随机产生。 具体的，步骤1-4中，网络参数更新公式如下： 其中，等式左边表示待更新参数，等式右边表示更新值； 和 分别表示判别器 和生成器的梯度；Lgan_d、Lgan_g、Lr分别表示判别器对抗损失、生成器对抗损失、生成器输入图 像与输出图像的均方差损失，且： 其中N为每个批次输入图像总数，x(n)为输入图像中第n张真实图像；G(x(n))为图像 输入生成器之后的输出的伪图，D(x(n))为真实图像输入判别器得到的输出，D(G(x(n)))为伪 图像输入判别器得到的输出。 所述的模型损失包括生成器损失和判别器损失，由下述公式计算得出： 其中LDis为判别器损失，LGen为生成器损失； 其中每个批次输入图像总数为64，生成器采用适应性矩估计(Adaptive  moment  estimation，Adam)梯度下降优化算法来更新生成器网络参数，学习率为0.0001；采用Adam 梯度下降优化算法来更新判别器网络参数，学习率设为0.00005。 6 CN 111598877 A 说　明　书 4/7 页 通过上述的训练，最终收敛模型的生成器能拟合锂离子电池正常表面图像分布， 即锂电池正常表面图像输入生成器，输出相同的图像；锂电池带缺陷的表面图像输入生成 器，输出相应的正常表面图像。 具体的，步骤2-2中，差分操作如下： dif＝|t-t′| 其中dif为差分结果。 具体的，步骤2-3中，二值化操作如下： 其中S(i,j)表示差分结果中位于(i,j)坐标处的像素分割结果，Th为二值分割的 阈值: Th＝mean(dif) 2.7std(dif) 其中mean(dif)为差分结果图的均值，std(dif)为差分结果图的方差。 具体的，在步骤2-4中，候选连通域获取时，选择像素周围8个相邻像素点作为连通 域候选像素，将互为连通域候选像素的区域连接在一起构成候选连通域； 具体的，在步骤2-5中，设定的连通域阈值为32像素。 与现有技术相比，本发明的有益效果是： 本发明方法可以适用于那种背景包含文字等较复杂对象的图像处理，首先使用预 训练的生成器对锂离子电池正常图像模式进行重构；然后，将重构结果与测试图像差分操 作提取感兴趣区域；最后，将差分结果进行图像分割，对疑似连通域使用连通域阈值进行排 除，最终得到检测结果。 本发明的使用领域以及重要意义是： 本方法适用于软包锂离子电池表面露铝、划痕、凹痕、针孔以及凹坑缺陷的检测。 目前基于深度学习的检测方法，如Faster-RCNN等深度学习方法需要人为标记缺陷位置，增 加了人为主观因素，不利于建立统一的检测标准。此外，由于缺陷数据的产生具有随机性， 导致收集的缺陷数据少且无法涵盖缺陷的真实分布情况，利用有监督的方式易造成模型对 缺陷数据过拟合现象，不利于检测精度的提升。本方法通过设计的生成对抗网络对软包锂 电池正常表面数据进行拟合，训练过程无需缺陷数据参与，能有效解决主观因素。最后利用 具有自编码功能的生成器对测试图像进行正常表面拟合，并将拟合的表面图像与测试图像 进行差分，能精确检测软包锂离子电池表面是否存在缺陷，生成对抗网络与后面的通过连 通域方式确定缺陷区域的方式提高了检测的准确性以及和稳定性，提高了锂电池产品的质 量和生产效率，更适用于工业应用。 附图说明 图1为本发明的生成对抗网络模型中生成器网络的结构示意图； 图2为本发明的生成对抗网络模型中判别器网络的结构示意图； 图3为本发明方法缺陷检测步骤。 7 CN 111598877 A 说　明　书 5/7 页