(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 202211208525.5 (22)申请日 2022.09.30 (71)申请人 华侨大学 地址 362000 福建省泉州市城华北路269号 申请人 福建力和行智能科技有限公司 (72)发明人 郑力新　杨坤　马健　黄鹤锋　 (74)专利代理 机构 泉州市文华专利代理有限公 司 35205 专利代理师 陈雪莹 (51)Int.Cl. G06T 7/00(2017.01) G01N 21/88(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01)G06V 10/766(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种圆柱型锂电池表面缺陷检测方法及装 置 (57)摘要 本发明公开了一种圆柱型锂电池表面缺陷 检测方法及装置， 涉及目标检测技术领域。 所述 方法包括： 采集圆柱型锂电池表面图像， 制作缺 陷数据集； 将缺陷图像输入至模型进行迭代训 练， 保存获取最佳模型； 训练完成的YOLO模型作 为特征提取器， 对待检测图像进行特征提取， 定 位锂电池表面缺陷位置并判断出所属的缺陷类 型。 本发明提供的一种圆柱型锂电池表面缺陷检 测方法及装置， 通过设计MBneck模块用于模型的 主干进行特征的提取， 提高检测速度， 并利用通 道注意力机制定位特征图中感兴趣的信息， 抑制 无用信息， 通过多分支卷积MBC在部署时提高模 型检测精度的同时而不增 加模型的推理速度。 权利要求书2页 说明书9页 附图4页 CN 115526863 A 2022.12.27 CN 115526863 A 1.一种圆柱型锂电池表面 缺陷检测方法， 其特 征在于， 包括： 步骤1、 获取锂电池表面缺陷图像， 制作缺陷数据集， 然后进行数据预处理， 增加缺陷数 据集数量； 步骤2、 将缺陷数据图像传入改进的YOLO模型进行训练， 保存最佳模型； 所述改进的YOLO模型包括主干特征提取网络、 特征融合网络以及分类回归预测网络； 所述主干特征提取网络包括多个堆叠的MBneck模块， 所述特征融合网络包括FPN网络， 所述 分类回归预测网络包括多个Decoupled  Head检测头； 所述MBneck模块使用残差连接的结构， 由直接 映射和残差边两部分组成； 直接 映射部 分经过多分支卷积MBC操作后分出两个分支， 一分支先经过全局 最大池化操作后再经过全 连接层以及激活函数后得到每个特征图通道维度上的权重， 权重与另一分支输出的特征图 进行相乘， 对特征图通道维度上 的重加权， 加权得到的结果经过卷积操作后与残差边的输 出进行通道尺度上的堆叠得到最 终输出； 所述多分支卷积MBC操作包括多个 分支， 在模型训 练阶段通过 组合不同尺度和复杂度的不同分支的结构来丰富特征 空间， 增强模型的特征提 取能力； 步骤3、 将待检测圆柱锂电池图像输入部署的模型， 检测定位出图像 中缺陷所在位置及 判断所属的缺陷类型； 所述部署的模 型中， MBneck模块的多分支卷积 MBC为利用重参数化将 多个分支等效地 转换成的单个卷积。 2.根据权利要求1所述的方法， 其特征在于： 所述多分支卷积MBC包括三个分支， 第一分 支经过一个1 ×1卷积操作； 第二分支经过一个1 ×1卷积和K ×K卷积操作， K是可调节的卷积 核大小； 第三分支则经 过一个K×K卷积操作； 每个卷积操作后都会经 过一个归一 化操作。 3.根据权利 要求1所述的方法， 其特征在于： 所述MBneck模块中的卷积为深度可分离卷 积， 由DW卷积与PW卷积组成。 4.根据权利要求1所述的方法， 其特征在于： 所述DecoupledHead检测头由FPN网络输入 特征图后， 分为两个 分支分别进 行卷积操作， 其中一分支Cls用于预测每一个特征点对应某 类缺陷类型的概率； 另一分支Reg用于判断每一个特征点对应的预测框坐标的回归参数， 回 归参数调整后可以获得 预测框， I ou用于判断每一个特 征点内是否包 含缺陷目标。 5.根据权利 要求1所述的方法， 其特征在于： 所述多个堆叠的MBneck模块具体包括依次 连接的五层结构， 第一层由一个MBneck模块组成， 第二层由两个MBneck模块组成， 第三层由 三个MBneck模块组成， 第四层由四个MBneck模块组成， 第五层由五个MBneck模块组成。 6.一种圆柱型锂电池表面缺陷检测装置， 其特征在于， 包括： 数据处理模块、 训练模块 以及检测模块； 所述数据处理模块， 用于获取锂电池表面缺陷 图像， 制作缺陷数据集， 然后进行数据 预 处理， 增加缺陷数据集数量； 所述训练模块， 用于将缺陷数据图像传入改进的YOLO模型进行训练， 保存最佳模型； 所述改进的YOLO模型包括主干特征提取网络、 特征融合网络以及分类回归预测网络； 所述主干特征提取网络包括多个堆叠的MBneck模块， 所述特征融合网络包括FPN网络， 所述 分类回归预测网络包括多个Decoupled  Head检测头； 所述MBneck模块使用残差连接的结构， 由直接 映射和残差边两部分组成； 直接 映射部 分经过多分支卷积MBC操作后分出两个分支， 一分支先经过全局 最大池化操作后再经过全权　利　要　求　书 1/2 页 2 CN 115526863 A 2连接层以及激活函数后得到每个特征图通道维度上的权重， 权重与另一分支输出的特征图 进行相乘， 对特征图通道维度上 的重加权， 加权得到的结果经过卷积操作后与残差边的输 出进行通道尺度上的堆叠得到最 终输出； 所述多分支卷积MBC操作包括多个 分支， 在模型训 练阶段通过 组合不同尺度和复杂度的不同分支的结构来丰富特征 空间， 增强模型的特征提 取能力； 所述检测模块， 用于将待检测圆柱锂电池图像输入部署的模型， 检测定位出图像中缺 陷所在位置及判断所属的缺陷类型； 所述部署的模 型中， MBneck模块的多分支卷积 MBC为利 用重参数化将多个分支等效地 转换成的单个卷积。 7.根据权利要求6所述的装置， 其特征在于： 所述训练模块中， 多分支卷积MBC包括三个 分支， 第一分支经过一个1 ×1卷积操作； 第二分支经过一个1 ×1卷积和K ×K卷积操作， K是 可调节的卷积核大小； 第三分支则经过一个K ×K卷积操作； 每个卷积操作后都会经过一个 归一化操作。 8.根据权利 要求6所述的装置， 其特征在于： 所述MBneck模块中的卷积为深度可分离卷 积， 由DW卷积与PW卷积组成。 9.根据权利要求6所述的装置， 其特征在于： 所述Decoupled  Head检测头由FPN网络输 入特征图后， 分为两个分支分别进 行卷积操作， 其中一分支Cls用于预测每一个特征点对应 某类缺陷类型的概率； 另一分支Reg用于判断每一个特征点对应的预测框坐标的回归参数， 回归参数调整后可以获得 预测框， I ou用于判断每一个特 征点内是否包 含缺陷目标。 10.根据权利要求6所述的装置， 其特征在于： 所述多个堆叠的MBneck模块具体包括依 次连接的五层结构， 第一层由一个MBneck模块组成， 第二层由两个MBneck模块组成， 第三层 由三个MBneck模块组成， 第四层由四个MBneck模块组成， 第五层由五个MBneck模块组成。权　利　要　求　书 2/2 页 3 CN 115526863 A 3