缺陷过滤方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种缺陷过滤方法、装置、计算机设备和存储介质，该方法包括：响应于目标缺陷电池的缺陷过滤指令，获取目标缺陷电池的电池图像，并将电池图像输入至预设的过滤网络模型中，通过过滤网络模型分析电池图像，确定目标缺陷电池的缺陷过滤结果；缺陷过滤结果包括目标缺陷电池为过杀电池或者目标缺陷电池为缺陷电池。该方法降低了电池外观缺陷检测时的过杀率。过杀率。过杀率。

【技术实现步骤摘要】
缺陷过滤方法、装置、计算机设备和存储介质


[0001]本申请涉及图像处理
，特别是涉及一种缺陷过滤方法、装置、计算机设备和存储介质。

技术介绍

[0002]在电池的生产过程中，需经过多个不同环节导致电池难免会产生一些缺陷，有可能会直接影响电池的一致性和安全性。因此，外观缺陷检测是检验电池是否合格的一个关键环节。
[0003]相关技术中，在对电池进行外观缺陷检测时，往往会存在将一些不影响电池使用的轻微缺陷电池误判定为缺陷电池的情况，形成过杀。
[0004]因此，相关技术中在进行电池外观缺陷检测时存在过杀率较高的问题。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种缺陷过滤方法、装置、计算机设备和存储介质，能够降低电池外观缺陷检测时的过杀率。
[0006]第一方面，本申请提供了一种缺陷过滤方法，该方法包括：响应于目标缺陷电池的缺陷过滤指令，获取目标缺陷电池的电池图像；将电池图像输入至预设的过滤网络模型中，通过过滤网络模型分析电池图像，确定目标缺陷电池的缺陷过滤结果；缺陷过滤结果包括目标缺陷电池为过杀电池或者目标缺陷电池为缺陷电池。
[0007]本申请实施例中，响应于目标缺陷电池的缺陷过滤指令，获取目标缺陷电池的电池图像，并将电池图像输入至预设的过滤网络模型中，通过过滤网络模型分析电池图像，确定目标缺陷电池的缺陷过滤结果。其中，确定出的目标曲线电池的缺陷过滤结果包括目标缺陷电池为过杀电池或者目标缺陷电池为缺陷电池。该方法中，在对电池进行缺陷检测得到缺陷电池的情况下，可以对这些确定出的任一个目标缺陷电池进行缺陷过滤检测，相当于是对已经检测出来是缺陷电池进行二次过滤，从而将一些存在轻微缺陷但不影响电池性能的缺陷电池筛选出来，减小了这些存在轻微缺陷但不影响电池性能的缺陷电池被过杀的风险，从而降低了电池外观缺陷检测时的过杀率。并且，直接通过预先训练好的过滤网络模型确定目标缺陷电池的缺陷过滤结果，提高了对目标缺陷电池进行缺陷过滤的效率和准确率。
[0008]在其中一个实施例中，过滤网络模型中包括过杀样本图像的过杀特征向量和缺陷样本图像的缺陷特征向量；通过过滤网络模型分析电池图像，确定目标缺陷电池的缺陷过滤结果，包括：通过过滤网络模型获取电池图像的特征向量与过杀特征向量之间的过杀相似度，以及电池图像的特征向量与缺陷特征向量之间的缺陷相似度；根据过杀相似度和缺陷相似度，确定目标缺陷电池的缺陷过滤结果。
[0009]本申请实施例中，通过过滤网络模型获取电池图像的特征向量与过杀特征向量之间的过杀相似度，以及电池图像的特征向量与缺陷特征向量之间的缺陷相似度，然后根据过杀相似度和缺陷相似度，确定目标缺陷电池的缺陷过滤结果。该方法中，是利用图像的特征向量进行相似度衡量，由于图像的特征向量是能够真实反映图像特征的，这样以电池图像的特征向量与过杀特征向量之间的过杀相似度以及电池图像的特征向量与缺陷特征向量之间的缺陷相似度，就可以更加准确地衡量出电池图像是与过杀样本相似还是与缺陷样本相似，从而更加准确地确定出目标缺陷电池是过杀电池还是缺陷电池，大大地提高了目标缺陷电池的缺陷过滤结果的可靠性和准确性。
[0010]在其中一个实施例中，过滤网络模型包括向量提取网络和输出网络，通过过滤网络模型获取电池图像的特征向量与过杀特征向量之间的过杀相似度，以及电池图像的特征向量与缺陷特征向量之间的缺陷相似度，包括：通过向量提取网络提取电池图像的特征向量；通过输出网络获取电池图像的特征向量与过杀特征向量之间的过杀相似度，以及电池图像的特征向量与缺陷特征向量之间的缺陷相似度。
[0011]本申请实施例中，通过向量提取网络提取电池图像的特征向量，并通过输出网络获取电池图像的特征向量与过杀特征向量之间的过杀相似度，以及电池图像的特征向量与缺陷特征向量之间的缺陷相似度。该方法中，利用向量提取网络获取电池图像的特征向量，利用输出网络分别获取过杀相似度与缺陷相似度，使用不同的网络实现不同的数据计算，这样针对性地对过滤网络模型中的每个步骤通过不同的网络进行计算，提高了特征向量以及相似度计算的准确性。
[0012]在其中一个实施例中，获取电池图像的特征向量与过杀特征向量之间的过杀相似度，以及电池图像的特征向量与缺陷特征向量之间的缺陷相似度，包括：获取电池图像的特征向量与过杀特征向量之间的第一欧式距离，并根据第一欧式距离确定过杀相似度；获取电池图像的特征向量与缺陷特征向量之间的第二欧式距离，并根据第二欧式距离确定缺陷相似度。
[0013]本申请实施例中，获取电池图像的特征向量与过杀特征向量之间的第一欧式距离，并根据第一欧式距离确定过杀相似度，获取电池图像的特征向量与缺陷特征向量之间的第二欧式距离，并根据第二欧式距离确定缺陷相似度。该方法中，是利用特征向量之间的欧式距离计算相似度的，由于两个特征向量之间的欧式距离是能够真实反映两个特征向量之间的相似程度的，这样以电池图像的特征向量与过杀特征向量之间的第一欧式距离获取过杀相似度，以电池图像的特征向量与缺陷特征向量之间的第二欧式距离获取缺陷相似度，就可以更加准确地确定出电池图像分别与过杀样本和缺陷样本的相似度，大大提高了过杀相似度和缺陷相似度的可靠性和准确性。
[0014]在其中一个实施例中，根据过杀相似度和缺陷相似度，确定目标缺陷电池的缺陷过滤结果，包括：在过杀相似度大于缺陷相似度的情况下，确定目标缺陷电池为过杀电池；在过杀相似度小于或等于缺陷相似度的情况下，确定目标缺陷电池为缺陷电池。
[0015]本申请实施例中，在过杀相似度大于缺陷相似度的情况下，确定目标缺陷电池为
过杀电池；在过杀相似度小于或等于缺陷相似度的情况下，确定目标缺陷电池为缺陷电池，由于过杀相似度是衡量目标缺陷电池的电池图像与过杀样本图像的相似程度，缺陷相似度是衡量目标缺陷电池的电池图像与缺陷样本图像的相似程度，这样，在过杀相似度大于缺陷相似度的情况下，表示目标缺陷电池与过杀样本更相似，在过杀相似度小于或等于缺陷相似度的情况下，表示目标缺陷电池与缺陷样本更相似，从而更加准确地确定出目标缺陷电池是过杀电池还是缺陷电池，大大提高了目标缺陷电池的缺陷过滤结果的准确性。
[0016]在其中一个实施例中，过滤网络模型的构建过程包括：获取训练样本集；训练样本集包括多个参考样本图像、多个过杀样本图像和多个缺陷样本图像；通过训练样本集对初始过滤网络模型进行迭代训练，直至初始过滤网络模型收敛，得到过滤网络模型。
[0017]本申请实施例中，获取训练样本集，并通过训练样本集对初始过滤网络模型进行迭代训练，直至初始过滤网络模型收敛，得到过滤网络模型；其中，训练样本集包括多个参考样本图像、多个过杀样本图像和多个缺陷样本图像。该方法中，利用多个参考图像、多个过杀样本图像和多个缺陷样本图像对初始过滤网络模型进行训练，通过多种类型的样本图像对初始过滤网络模型进行训练，使得初始过滤网络模型在训练的过程中参数学习得更为全面，提高了过滤网络模型在对目标缺陷电池进行缺陷过滤时的准确性，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种缺陷过滤方法，其特征在于，所述方法包括：响应于目标缺陷电池的缺陷过滤指令，获取所述目标缺陷电池的电池图像；将所述电池图像输入至预设的过滤网络模型中，通过所述过滤网络模型分析所述电池图像，确定所述目标缺陷电池的缺陷过滤结果；所述缺陷过滤结果包括所述目标缺陷电池为过杀电池或者所述目标缺陷电池为缺陷电池。2.根据权利要求1所述的方法，其特征在于，所述过滤网络模型中包括过杀样本图像的过杀特征向量和缺陷样本图像的缺陷特征向量；所述通过所述过滤网络模型分析所述电池图像，确定所述目标缺陷电池的缺陷过滤结果，包括：通过所述过滤网络模型获取所述电池图像的特征向量与所述过杀特征向量之间的过杀相似度，以及所述电池图像的特征向量与所述缺陷特征向量之间的缺陷相似度；根据所述过杀相似度和所述缺陷相似度，确定所述目标缺陷电池的缺陷过滤结果。3.根据权利要求2所述的方法，其特征在于，所述过滤网络模型包括向量提取网络和输出网络，所述通过所述过滤网络模型获取所述电池图像的特征向量与所述过杀特征向量之间的过杀相似度，以及所述电池图像的特征向量与所述缺陷特征向量之间的缺陷相似度，包括：通过所述向量提取网络提取所述电池图像的特征向量；通过所述输出网络获取所述电池图像的特征向量与所述过杀特征向量之间的过杀相似度，以及所述电池图像的特征向量与所述缺陷特征向量之间的缺陷相似度。4.根据权利要求3所述的方法，其特征在于，所述获取所述电池图像的特征向量与所述过杀特征向量之间的过杀相似度，以及所述电池图像的特征向量与所述缺陷特征向量之间的缺陷相似度，包括：获取所述电池图像的特征向量与所述过杀特征向量之间的第一欧式距离，并根据所述第一欧式距离确定所述过杀相似度；获取所述电池图像的特征向量与所述缺陷特征向量之间的第二欧式距离，并根据所述第二欧式距离确定所述缺陷相似度。5.根据权利要求2
‑
4任一项所述的方法，其特征在于，所述根据所述过杀相似度和所述缺陷相似度，确定所述目标缺陷电池的缺陷过滤结果，包括：在所述过杀相似度大于所述缺陷相似度的情况下，确定所述目标缺陷电池为过杀电池；在所述过杀相似度小于或等于所述缺陷相似度的情况下，确定所述目标缺陷电池为缺陷电池。6.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述过滤网络模型的构建过程包括：获取训练样本集；所述训练样本集包括多个参考样本图像、多个过杀样本图像和多个缺陷样本图像；通过所述训练样本集对初始过滤网络模型进行迭代训练，直至所述初始过滤网络模型收敛，得到所述过滤网络模型。7.根据权利要求6所述的方法，其特征在于，所述获取训练样本集，包括：根据历史缺陷电池的采集图像，确定所述多个缺陷样本图像；
根据历史过杀电池的采集图像，确定所述多个参考样本图像和所述多个过杀样本图像。8.根据权利要求6所述的方法，其特征在于，所述通过所述训练样本集对初始过滤网络模型进行迭代训练，直至所述初始过滤网络模型收敛，包括：通过所述训练样本集对初始过滤网络模型进行迭代训练，获取每次训练的初始过滤网络模型的损失函数值；根据所述每次训练的初始过滤网络模型的损失函数值更新所述初始过滤网络模型的参数，直至所述初始过滤网络模型达到预设条件，确定所述初始过滤网络模型收敛。9.根据权利要求8所述的方法，其特征在于，所述通过所述训练样本集对初始过滤网络模型进行迭代训练，获取每次训练的初始过滤网络模型的损失函数值，...

【专利技术属性】
技术研发人员：吴凯，陈璨，江冠南，王智玉，
申请(专利权)人：宁德时代新能源科技股份有限公司，
类型：发明
国别省市：