本发明涉及视觉检测，特别涉及一种包蓝膜锂电池的表面缺陷检测方法。
背景技术：
1、蓝膜，又名隔离膜、防粘膜、保护膜等，具有耐候性、抗腐蚀、服帖性强、抗拉强度高等特点；
2、当前锂电池的外表面通常包有蓝膜，以保护电芯，减小其受到外界环境的影响，从而提高锂电池的整体性能和安全性，延长其使用寿命；
3、但在包蓝膜的锂电池生产过程中，蓝膜常出现划痕、褶皱、脏污、电解液、气泡、破损和凹坑七大缺陷，在通过视觉检测来识别这些缺陷时存在以下几个难点：第一是难以区分，这包括界限难定以及类间差距小，模型容易出现类间误检；第二是多样性，这包括类内差距大以及同类存在形态、纹理、颜色、位置的不固定，导致模型进一步出现漏检或者误检；第三是样本不平衡，不同类别的缺陷样本数量不在一个量级上，或者占据的比例较小，这会导致模型对比例较小的缺陷产生漏检。
技术实现思路
1、本发明的目的在于提供一种包蓝膜锂电池的表面缺陷检测方法，解决的技术问题是，实现更加准确地识别包蓝膜锂电池的蓝膜表面缺陷。
2、为达成上述目的，本发明的解决方案为：一种包蓝膜锂电池的表面缺陷检测方法，用于识别包蓝膜锂电池蓝膜表面的划痕、褶皱、脏污、电解液、气泡、破损和凹坑缺陷，其特征在于，包括以下步骤：
3、s1、采集包蓝膜锂电池蓝膜的表面图像；
4、s2、对采集的表面图像，分别采用旋转目标检测模型识别划痕和褶皱缺陷，采用实例分割检测模型识别脏污和电解液缺陷，依次采用目标检测模型和分类网络模型识别气泡、破损和凹坑缺陷。
5、进一步，在s1步骤中采集的包蓝膜锂电池蓝膜的表面图像，包括蓝膜的形状图像和漫反射图像，蓝膜的形状图像用于检测划痕、褶皱、电解液、气泡、破损及凹坑缺陷，蓝膜的漫反射图像用来检测划痕、脏污和破损缺陷。
6、进一步，采集各缺陷的图像形成训练图像集，将训练图像集中各图像上的气泡、破损和凹坑缺陷进行边框标注，再输入yolov8模型，以训练形成能够识别蓝膜表面气泡、破损和凹坑缺陷的目标检测模型。
7、进一步，在将yolov8模型训练形成目标检测模型时，还对训练图像集中的图像进行预处理，预处理过程依次包括采用中值滤波的方式进行数据模糊、hsv颜色空间增强以及mixup图像叠加，预处理后再输入yolov8模型进行训练。
8、进一步，所述分类网络模型是基于yolov8的backbone改造后训练而成的，改造时，在backbone提取的深层特征的基础上，添加一个1×1的卷积核来扩大通道数量，再添加全局平均池化层以实现降维和空间信息保留，最后添加的全连接输出结果，再通过softmax得到最终的类别置信度。
9、进一步，采集各缺陷的图像形成训练图像集，对训练图像集中的图像按照缺陷种类进行人工分类，将分类完成的训练图像集中的各图像依次进行水平翻转、垂直翻转和色彩抖动，而后输入改造后的yolov8的backbone训练形成分类网络模型。
10、进一步，将yolov8的矩形锚框增加转角后修改为旋转矩形锚框，并将损失函数由ciou_loss修改为kld_loss，以形成旋转目标检测模型。
11、采用上述方案后，本发明的有益效果在于：对于划痕和褶皱两种缺陷，检测时，标注的普通矩形框容易包含大面积的背景或其它缺陷，导致漏检或误检，因此采用旋转目标检测模型进行检测；对于脏污和电解液两种缺陷，由于形态变化较大，检测时，常因边界识别困难而检测不准，因此采用实例分割检测模型进行像素级的识别；对于气泡、破损和凹坑三种缺陷，先用目标检测模型进行粗检测，考虑到类间差距小和类内差距大的问题易导致的误检，再用一个分类性能更好的分类网络模型进行细分，最终确定缺陷的种类；从而实现对包蓝膜电池表面蓝膜的划痕、褶皱、脏污、电解液、气泡、破损和凹坑七大缺陷进行精准识别检测。
1.一种包蓝膜锂电池的表面缺陷检测方法，用于识别包蓝膜锂电池蓝膜表面的划痕、褶皱、脏污、电解液、气泡、破损和凹坑缺陷，其特征在于，包括以下步骤：
2.如权利要求1所述一种包蓝膜锂电池的表面缺陷检测方法，其特征在于：在s1步骤中采集的包蓝膜锂电池蓝膜的表面图像，包括蓝膜的形状图像和漫反射图像，蓝膜的形状图像用于检测划痕、褶皱、电解液、气泡、破损及凹坑缺陷，蓝膜的漫反射图像用来检测划痕、脏污和破损缺陷。
3.如权利要求1所述一种包蓝膜锂电池的表面缺陷检测方法，其特征在于：采集各缺陷的图像形成训练图像集，将训练图像集中各图像上的气泡、破损和凹坑缺陷进行边框标注，再输入yolov8模型，以训练形成能够识别蓝膜表面气泡、破损和凹坑缺陷的目标检测模型。
4.如权利要求2所述一种包蓝膜锂电池的表面缺陷检测方法，其特征在于：在将yolov8模型训练形成目标检测模型时，还对训练图像集中的图像进行预处理，预处理过程依次包括采用中值滤波的方式进行数据模糊、hsv颜色空间增强以及mixup图像叠加，预处理后再输入yolov8模型进行训练。
5.如权利要求1所述一种包蓝膜锂电池的表面缺陷检测方法，其特征在于：所述分类网络模型是基于yolov8的backbone改造后训练而成的，改造时，在backbone提取的深层特征的基础上，添加一个1×1的卷积核来扩大通道数量，再添加全局平均池化层以实现降维和空间信息保留，最后添加的全连接输出结果，再通过softmax得到最终的类别置信度。
6.如权利要求5所述一种包蓝膜锂电池的表面缺陷检测方法，其特征在于：采集各缺陷的图像形成训练图像集，对训练图像集中的图像按照缺陷种类进行人工分类，将分类完成的训练图像集中的各图像依次进行水平翻转、垂直翻转和色彩抖动，而后输入改造后的yolov8的训练形成分类网络模型。
7.如权利要求1所述一种包蓝膜锂电池的表面缺陷检测方法，其特征在于：将yolov8的矩形锚框增加转角后修改为旋转矩形锚框，并将损失函数由ciou_loss修改为kld_loss，以形成旋转目标检测模型。
