本发明涉及表面缺陷检测，具体涉及一种增强图像特征融合的轻量化锂电池表面缺陷检测方法。
背景技术：
1、锂电池是一种重要的新能源电池。自20世纪90年代第一款商业化锂离子电池问世以来，锂离子电池一直是能源消费市场上最具竞争力的产品之一。锂电池因具有能量密度高、比容量高、自放电率低、长寿命和环保等优点，被广泛应用于便携式电子产品、新能源汽车和移动电源等领域。因此，锂电池正在取代传统燃油动力系统，成为未来发展的主流能源之一。然而，在锂电池生产和使用过程中，表面缺陷不可避免地会出现，如划痕、凹坑、污渍等。这些表面缺陷会严重影响电池性能和稳定性，并且可能引起火灾或爆炸等安全问题，故检测锂电池表面缺陷对于保证电池性能和安全至关重要。
2、传统的人工检测易受主观因素影响，误检率与漏检率都较高，且需耗费大量的人力和时间，不利于现代化的生产，所以应用被大大限制。而随着计算机技术的发展，机器视觉技术逐渐应用于锂电池的表面缺陷检测。当前，基于机器视觉的缺陷检测主要分为两类，一类是基于传统机器视觉算法的缺陷检测，而另一类是基于深度学习算法的缺陷检测。其中，由于锂电池表面面积小和缺陷形状差异大，基于传统机器视算法检测的鲁棒性和泛化性差、检测精度也相对较低，且无法满足当前对于缺陷检测的实时性要求。因此，基于深度学习算法的缺陷检测成为了主要研究方向，它不但可以实现自动提取特征，还具备检测速度快和高精度等优点。但当前国内在这方面的研究仍存在不足，如有些使用深度神经网络作为分类器，虽然检测效果提升了，却显著增加了神经网络的计算复杂度和内存消耗，存在着神经网络模型存储开销大，并且方法难以部署于资源受限的设备等问题；而有些利用剪枝技术或更换主干网络的方式来构建轻量级的网络，虽有的可以显著降低模型的容量和参数量，但却损失了其原有模型的检测精度等。
技术实现思路
1、本发明的目的在于提供一种增强图像特征融合的轻量化锂电池表面缺陷检测方法，降低模型复杂度和计算量，减少检测设备的成本，同时提高模型的检测精度。
2、为实现上述目的，本发明提供了一种增强图像特征融合的轻量化锂电池表面缺陷检测方法，包括下列步骤：
3、步骤1：采集锂电池表面的原始图像；
4、步骤2：将原始图像进行分类标注并制作数据集；
5、步骤3：以轻量级的mobilenetv2作为主干网络，并对颈部网络和头部网络改进构建缺陷检测模型；
6、步骤4：对所述缺陷检测模型进行训练，获得最好预测模型的权重；
7、步骤5：利用所述最好预测模型的权重进行模型加载和结果预测。
8、可选的，步骤2的执行过程，包括下列步骤：
9、步骤2.1：对采集到的图片进行缺陷类型和位置的标定；
10、步骤2.2：建立存放数据集的对应文件夹；
11、步骤2.3：通过数据增强扩充数据集；
12、步骤2.4：将扩充后的数据集划分训练集、验证集和测试集。
13、可选的，步骤3构建缺陷检测模型的过程，具体为利用轻量级的mobilenetv2作为主干网络，再将颈部网络和头部网络中的所有标准3×3卷积都替换成dsc-se-hsid模块，并在颈部网络的panet后面添加lse-asff模块。
14、可选的，所述mobilenetv2网络都由逆残差结构组成，包括stride＝1和stride＝2两种结构方式；当stride＝1时，逆残差结构可以分为两个部分：左边是主干部分，首先利用1×1卷积进行升维，然后利用3×3深度可分离卷积进行特征提取，然后再利用1×1卷积降维；右边是残差边部分，使得输入和输出直接进行相接，而当stride＝2，逆残差结构则去掉stride＝1中的残差连接部分。
15、可选的，所述dsc-se-hsid模块将se注意力模块引入传统深度可分离卷积中，并将激活函数更换为h-swish函数和identity函数，具体为将深度可分离卷积中的激活函数由relu6函数更换成h-swish函数，将点卷积中的激活函数更换成线性激活函数identity，相应的函数计算公式如下：
16、
17、identity(x)＝x
18、其中x表示为输入量。
19、可选的，所述lse-asff模块的构建过程如下：首先将原有asff模块中的标准卷积替换成深度可分离卷积模块，其次在所述asff模块的输入口处引入了se注意力模块。
20、可选的，所述缺陷检测模型的具体工作流程如下：输入的锂电池图像在经过主干网络后会生成三个不同大小的特征图，接着将特征图输入到颈部网络中的panet模块进行初次的特征融合，以此来实现不同尺度的信息特征提取，之后再输入的颈部网络中的lse-asff模块进行空间的特征融合，最后将通过融合后得到的不同尺度的特征图输送到头部网络中进行预测，从而得到锂电池表面的缺陷类型和具体位置。
21、本发明提供了一种增强图像特征融合的轻量化锂电池表面缺陷检测方法，通过构建和训练缺陷检测模型来对锂电池表面缺陷进行检测，具体以yolov4网络为基础，利用轻量级的mobilenetv2网络来作为该缺陷检测模型的主干网络，为进一步使模型变得更加轻量，提出dsc-se-hsid模块并替换掉缺陷检测模型中颈部网络和头部网络中的所有标准3×3的卷积，同时构建lse-asff模块嵌入到缺陷检测模型的颈部网络中的路径聚合网络的后方，经过自适应空间特征融合模块后将会输出三层特征图，最后特征图被输入到缺陷检测模型的头部网络中进行分类和回归，从而得到缺陷的具体类别和位置。经验证，本发明在保证了模型能够有效提取缺陷特征信息的同时也显著降低了模型的参数量和计算复杂度。
1.一种增强图像特征融合的轻量化锂电池表面缺陷检测方法，其特征在于，包括下列步骤：
2.如权利要求1所述的增强图像特征融合的轻量化锂电池表面缺陷检测方法，其特征在于，
3.如权利要求2所述的增强图像特征融合的轻量化锂电池表面缺陷检测方法，其特征在于，
4.如权利要求3所述的增强图像特征融合的轻量化锂电池表面缺陷检测方法，其特征在于，
5.如权利要求4所述的增强图像特征融合的轻量化锂电池表面缺陷检测方法，其特征在于，
6.如权利要求5所述的增强图像特征融合的轻量化锂电池表面缺陷检测方法，其特征在于，
7.如权利要求6所述的增强图像特征融合的轻量化锂电池表面缺陷检测方法，其特征在于，
