(19)中华 人民共和国 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 202111632245.2 (22)申请日 2021.12.28 (71)申请人 淮阴工学院 地址 223400 江苏省淮安市 涟水县海安路 10号安东大厦八楼 (72)发明人 杨艳　耿涛　王业琴　庄昊　王举　 (74)专利代理 机构 淮安市科文知识产权事务所 32223 代理人 吴晶晶 (51)Int.Cl. G06T 7/00(2017.01) G06T 9/00(2006.01) G06K 9/62(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 5/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于机器视觉的电池极板缺陷检测方 法 (57)摘要 本发明涉及视觉检测领域， 公开了一种基于 机器视觉的电池极板缺陷检测方法， 对于极板图 像先进行一阶导数锐化处理得到特征提取图片； 将特征提取图片分为多组， 多通道输入极限学习 机‑自动编码器中进行编码， 并输出编码后的图 片； 将多通道编码后的图片输入至全连接层， 在 全连接层利用激活函数进行激活后汇总成为图 集输入至模糊支持向量机中； 用模糊支持向量机 进行分类， 并由若干隶属度决定分类情况， 将图 片分为若干不同类别， 取得多组图片； 将多组图 片分别上传总图片库， 形成极限学习机 ‑自编码 卷积神经网络， 应用于校验训练正确性。 本发明 用极限学习机 ‑自动编码卷积神经网络进行深度 学习， 可将识别准确率大幅提升， 可以大幅减少 极板缺陷问题。 权利要求书2页 说明书5页 附图3页 CN 114418963 A 2022.04.29 CN 114418963 A 1.一种基于 机器视觉的电池极板缺陷检测方法， 其特 征在于， 包括如下步骤： 步骤1： 对生产线中极板进行拍摄， 并对所拍摄的图片进行图像处理， 通过一阶导数锐 化处理提取图片的特 征得到特征提取图片， 并对极板进行编号； 步骤2： 将所述特征提取图片分为多组， 多通道输入极限学习机 ‑自动编码器中进行编 码， 并输入编码后的图片； 步骤3： 将多通道编码后的图片输入至全连接层， 在全连接层利用激活函数进行激活后 汇总成为图集输入至模糊支持向量机中； 步骤4： 用模糊支持向量机进行分类， 并由若干隶属度决定分类情况， 将图片分为若干 不同类别， 取 得多组图片； 步骤5： 将多组图片分别上传总图片库， 并保留， 形成极限学习机 ‑自编码卷积神经网 络， 并应用于校验训练正确性。 2.根据权利要求1所述的基于机器视觉的电池极板缺陷检测方法， 其特征在于， 所述步 骤1中多图片进行一阶导数锐化处 理的具体操作为： 步骤1.1： 将图像f在坐标(x,y)处的梯度定义 为二维向量： 该向量表示在位置(x,y)处的重要几何性质为该像素点指向f的最大变化 率方向； 步骤1.2： 建立梯度图形， 用向量 的幅度表示 为M(x,y)： 其中， ||f||为范数， 表示了梯度向量方向上的变化率在(x,y)的值， M(x,y)的大小与原 图像大小相同； 步骤1.3： 使用绝对值 运算来代替平方和运 算： M(x,y)≈|gx|+|gy|。 3.根据权利要求1所述的基于机器视觉的电池极板缺陷检测方法， 其特征在于， 所述步 骤2中极限学习机 ‑自动编码器的结构为： 所述极限学习机 ‑自动编码器是由卷积层和池化层构成， 其卷积层和池化层是由输入 层、 输出层和隐藏层组成， 输入层和输出层神经元的数量相同， 网络层次为前向传播无环结 构， 其输入层到隐藏层为数据的编码过程， 从隐藏层到输出层为数据的解码过程， 其运算过 程满足： 其中， x为输入， σa、 σ 为激活函数， Wa、 Ws为权重， ba、 bs为偏置， Rv、 Ru分别为输入集和输出 集， *为卷积运 算； 将极限学习机结合到自编码器中， 所述极限学习机与自编码器结构完全相同， 隐藏层 输入权值与偏置需要 进行正交化即： WTW＝I,bTb＝I权　利　要　求　书 1/2 页 2 CN 114418963 A 2极限学习机 ‑自编码器的结合后隐藏层输出H与重构样本 的关系为： 极限学习机 ‑自编码器输出权值β 的求解方法与网络节点数有关， 当输入节点数N与隐 藏层节点数L 不同时， β 计算公式为： 当节点数相同时， β 计算公式为： β ＝H‑1X。 4.根据权利要求3所述的基于机器视觉的电池极板缺陷检测方法， 其特征在于， 所述步 骤3中的全连接层包含权重 向量以及激活函数， 所述权重 向量为多路特征加权残差的所占 比例， 所述激活函数为f(x)＝max(0:x)。 5.根据权利要求1所述的基于机器视觉的电池极板缺陷检测方法， 其特征在于， 所述步 骤4中的模糊支持向量机的具体操作为： 步骤4.1： 引 入样本的特征、 通用标识符以及每个样本的隶属度， 设置每个样本的训练 集为： {(x1,y1, μ1(x1)),(x2,y2, μ2(x2)),...,(xn,yn, μn(xn))}， 其中每个训练特征表示为xi ∈Rn， 归属类标识符为yi∈(‑1,1)， ξi为支持向量机目标函数的分类误差项， μ(xi)ξi为加权 误差项； 步骤4.2： 确定模糊支持向量机的目标函数为： s.t.yi(ωxi+b)‑1+ξi≥0, ξi≥0,i＝1,2,...,n 其中， ω为线性分段函数， C为 惩罚因子， 则其对应的判别函数为： 步骤4.3： 根据样本 到类中心的距离计算隶属度函数为： 其中， 为类中心， xi为样本， r为类半径， ε为很小的正数 预置。 6.根据权利要求5所述的基于机器视觉的电池极板缺陷检测方法， 其特征在于， 所述模 糊向量机选择三个隶属度决定 分类情况， 将图片分为3组不同类别， 取得多组图片， 3组所述 类别分别为： 无缺陷图像、 不确定图像、 存在缺陷图像。权　利　要　求　书 2/2 页 3 CN 114418963 A 3