申请/专利权人：武汉理工大学

申请日：2023-12-15

公开（公告）日：2024-04-02

公开（公告）号：CN117808748A

主分类号：G06T7/00

分类号：G06T7/00;G06V10/26;G06V10/80;G06V10/764;G06V10/44;G06N3/0464;G06N3/0455;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明提供了一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，采集训练图像，多训练图像进行预处理，得到数据集；构建缺陷检测模型；缺陷检测模型包括特征提取模块和特征融合模块；特征提取模块包括全卷积模块和边缘信息提取模块；全卷积模块用于对数据集进行语义分割；边缘信息提取模块用于提取边缘特征；特征融合模块用于进行特征融合，由特征拼接、卷积、损失计算和非线性激活组成；将数据集输入缺陷检测模型进行训练：通过设置模型训练参数和初始权重，计算训练损失，并根据训练损失调整学习率和迭代次数；将待检测的电池图片输入缺陷检测模型，得到缺陷类别和位置。

主权项：1.一种基于更丰富卷积特征边缘检测网络的电池缺陷检测方法，其特征在于：包括以下步骤：步骤S1：采集训练图像，对所述训练图像进行预处理，得到数据集；步骤S2：构建缺陷检测模型；所述缺陷检测模型包括特征提取模块和特征融合模块；所述特征提取模块包括全卷积模块和边缘信息提取模块；所述全卷积模块用于对所述数据集进行语义分割；所述边缘信息提取模块用于提取边缘特征；所述特征融合模块用于进行特征融合，由特征拼接、卷积、损失计算和非线性激活组成；步骤S3：将所述数据集输入所述缺陷检测模型进行训练：通过设置模型训练参数和初始权重，计算训练损失，并根据训练损失调整学习率和迭代次数；步骤S4：将待检测的电池图片输入所述缺陷检测模型，得到缺陷类别和位置。

全文数据：

权利要求：

百度查询： 武汉理工大学 基于更丰富卷积特征边缘检测网络的电池缺陷检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD