(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 202211190284.6 (22)申请日 2022.09.28 (71)申请人 深圳先进技 术研究院 地址 518000 广东省深圳市南 山区西丽 街 道大学城学苑大道1068号 (72)发明人 郭媛君　江俊杰　吴承科　杨之乐　 胡天宇　 (74)专利代理 机构 深圳市君胜知识产权代理事 务所(普通 合伙) 44268 专利代理师 陈专 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06V 10/26(2022.01) G06V 10/44(2022.01)G06V 10/52(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G01N 21/88(2006.01) G01N 21/95(2006.01) (54)发明名称 基于电池表面图像的缺陷检测方法、 系统及 相关设备 (57)摘要 本发明公开了一种基于电池表面图像的缺 陷检测方法、 系统及相关设备， 方法包括： 获取待 检测电池的表 面图像， 通过预设的卷积神经网络 模型对上述表面图像进行特征提取获得多尺度 特征图集合； 将上述多尺度特征图集合中分辨率 最低的特征图进行不同倍数的上采样以获得上 采样特征图集合， 将上述上采样特征图集合中的 各图像分别与上述多尺度特征图集合中一个对 应的特征图进行拼接融合， 获得多尺度目标特征 图集合； 根据上述多尺度目标特征图集合， 通过 已训练的目标检测模型对上述待检测电池进行 区域分割、 缺陷分类和缺陷检测以获得检测结 果。 与现有技术相比， 本发明方案有利于提高缺 陷检测识别的准确性。 权利要求书3页 说明书12页 附图3页 CN 115272330 A 2022.11.01 CN 115272330 A 1.一种基于电池表面图像的缺陷检测方法， 其特 征在于， 所述方法包括： 获取待检测电池的表面图像， 通过预设的卷积神经网络模型对所述表面图像进行特征 提取获得多尺度特征图集合， 其中， 所述多尺度特征图集合中包括多个不同分辨率的特征 图； 将所述多尺度特征图集合中分辨率最低的特征图进行不同倍数的上采样以获得上采 样特征图集合， 将所述上采样特征图集合中的各图像分别与所述多尺度特征图集合中一个 对应的特征图进行拼接融合， 获得多尺度目标特征图集合， 其中， 所述多尺度目标特征图集 合中包括 拼接融合后的多个不同分辨 率的目标 特征图； 根据所述多尺度目标特征图集合， 通过已训练的目标检测模型对所述待检测电池进行 区域分割 、 缺陷分类和缺陷检测以获得检测结果。 2.根据权利要求1所述的基于电池表面图像的缺陷检测方法， 其特征在于， 所述预设的 卷积神经网络模型 是预先设置的结合特 征金字塔网络的主干特 征提取网络模型。 3.根据权利要求2所述的基于电池表面图像的缺陷检测方法， 其特征在于， 所述获取待 检测电池的表面图像， 通过预设的卷积神经网络模型对所述表面图像进 行特征提取获得多 尺度特征图集合， 包括： 通过预先设置的相机对所述待检测电池进行图像采集获得所述待检测电池的表面图 像； 将所述表面图像作为所述主干特征提取网络模型的输入， 通过所述主干特征提取网络 模型中的特征金字塔网络获取所述多尺度特征图集合， 其中， 所述多尺度特征图集合中包 括分辨率依 次降低的第一尺度特征图、 第二尺度特征图、 第三尺度特征图和第四尺度特征 图。 4.根据权利要求3所述的基于电池表面图像的缺陷检测方法， 其特征在于， 所述上采样 特征图集合中包括分辨率依 次降低的第一上采样特征图、 第二上采样特征图、 第三上采样 特征图和 第四上采样特征图， 所述多尺度目标特征图集合中包括分辨率依次降低的第一尺 度目标特征图、 第二尺度目标特征图、 第三尺度目标特征图和 第四尺度目标特征图， 所述将 所述多尺度特征图集合中分辨率最低的特征图进行不同倍数的上采样以获得上采样特征 图集合， 将所述上采样特征图集合中的各图像分别与所述多尺度特征图集合中一个对应的 特征图进行拼接融合， 获得多尺度目标 特征图集合， 包括： 根据所述第四尺度特征图与所述第一尺度特征图的分辨率区别倍数对所述第四尺度 特征图进 行上采样获得第一上采样特征图， 将所述第一上采样特征图与所述第一尺度特征 图进行拼接融合获得 所述第一尺度目标 特征图； 根据所述第四尺度特征图与所述第二尺度特征图的分辨率区别倍数对所述第四尺度 特征图进 行上采样获得第二上采样特征图， 将所述第二上采样特征图与所述第二尺度特征 图进行拼接融合获得 所述第二尺度目标 特征图； 根据所述第四尺度特征图与所述第三尺度特征图的分辨率区别倍数对所述第四尺度 特征图进 行上采样获得第三上采样特征图， 将所述第三上采样特征图与所述第三尺度特征 图进行拼接融合获得 所述第三尺度目标 特征图； 对所述第四尺度特征图进行1倍上采样获得第 四上采样特征图， 将所述第 四上采样特 征图与所述第四尺度特 征图进行拼接融合获得 所述第四尺度目标 特征图。权　利　要　求　书 1/3 页 2 CN 115272330 A 25.根据权利要求4所述的基于电池表面图像的缺陷检测方法， 其特征在于， 所述根据 所 述多尺度目标特征图集合， 通过已训练的目标检测模型对所述待检测电池进行区域分割、 缺陷分类和缺陷检测以获得检测结果， 包括： 根据所述多尺度目标特征图集合分别获取区域分割 任务输入数据、 缺陷分类任务输入 数据和缺陷检测任务输入数据， 其中， 所述区域分割任务输入数据包括所述第三尺度目标 特征图， 所述缺陷分类任务输入数据包括所述第四尺度目标特征图， 所述缺陷检测任务输 入数据包括所述第一尺度目标特征图、 所述第二尺度目标特征图、 所述第三尺度目标特征 图和所述第四尺度目标 特征图； 根据所述 区域分割任务输入数据、 所述缺陷分类任务输入数据和所述缺陷检测任务输 入数据， 通过所述已训练的目标检测模型执行区域分割任务、 缺陷分类任务和缺陷检测任 务以获取所述待检测电池对应的检测结果， 其中， 所述检测结果包括分割出的电池区域、 分 类出的缺陷类别和检测出的缺陷位置 。 6.根据权利要求5所述的基于电池表面图像的缺陷检测方法， 其特征在于， 所述目标检 测模型根据如下步骤进行训练： 将训练数据中的区域分割任务训练数据、 缺陷分类任务训练数据和缺陷检测任务训练 数据输入所述 目标检测模型， 通过所述 目标检测模型执行区域分割任务、 缺陷分类任务和 缺陷检测任务并获得对应的训练检测结果数据， 其中， 所述训练检测结果数据包括检测电 池区域、 检测缺陷类别和检测缺陷位置， 所述训练数据包括多组模型训练数据组， 每一组所 述模型训练数据组包括区域分割任务训练数据、 缺陷分类任务训练数据、 缺陷检测任务训 练数据和标注数据， 所述标注数据包括标注电池区域、 标注缺陷类别和标注缺陷位置； 根据所述训练检测结果数据和对应的所述标注数据对所述目标检测模型的参数进行 调整， 并继续执行所述将训练数据中的区域分割任务训练数据、 缺陷分类任务训练数据和 缺陷检测任务训练数据输入所述 目标检测模型 的步骤， 直至满足预设训练条件， 以得到已 训练的目标检测模型。 7.根据权利要求5或6所述的基于电池表面图像的缺陷检测方法， 其特征在于， 所述已 训练的目标检测模型是基于多任务学习机制训练获得的， 在基于多任务学习机制对所述目 标检测模型进行训练时， 为 不同任务分别设置损失函数权 重参数。 8.一种基于电池表面图像的缺陷检测系统， 其特 征在于， 所述系统包括： 表面图像处理模块， 用于获取待检测电池的表面图像， 通过预设的卷积神经网络模型 对所述表面图像进行特征提取获得多尺度特征图集合， 其中， 所述多尺度特征图集合中包 括多个不同分辨 率的特征图； 特征图处理模块， 用于将所述多尺度 特征图集合中分辨率最低的特征图进行不同倍数 的上采样以获得上采样特征图集合， 将所述上采样特征图集合中的各图像分别与所述多尺 度特征图集合中一个对应的特征图进 行拼接融合， 获得多尺度目标特征图集合， 其中， 所述 多尺度目标 特征图集合中包括 拼接融合后的多个不同分辨 率的目标 特征图； 检测模块， 用于根据所述多尺度目标特征图集合， 通过已训练的目标检测模型对所述 待检测电池进行区域分割 、 缺陷分类和缺陷检测以获得检测结果。 9.一种智能终端， 其特征在于， 所述智能终端包括存储器、 处理器以及存储在所述存储 器上并可在所述处理器上运行的基于电池表面图像的缺陷检测程序， 所述基于电池表面图权　利　要　求　书 2/3 页 3 CN 115272330 A 3