CN117110305A - 一种基于深度学习的电池壳表面缺陷检测方法及*** - Google Patents
一种基于深度学习的电池壳表面缺陷检测方法及*** Download PDFInfo
- Publication number
- CN117110305A CN117110305A CN202311389348.XA CN202311389348A CN117110305A CN 117110305 A CN117110305 A CN 117110305A CN 202311389348 A CN202311389348 A CN 202311389348A CN 117110305 A CN117110305 A CN 117110305A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- individual
- feature
- correlation value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 95
- 238000003062 neural network model Methods 0.000 claims abstract description 75
- 230000006870 function Effects 0.000 claims abstract description 41
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 230000035772 mutation Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 14
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的电池壳表面缺陷检测方法及***,方法包括:数据采集、特征提取、特征选择、建立神经网络模型、神经网络模型参数搜索和电池壳表面缺陷检测。本发明属于电池壳检测技术领域,具体是指一种基于深度学习的电池壳表面缺陷检测方法及***,本方案基于皮尔逊相关系数、互信息和加权求和的方法计算相关性值,并将稳定性值和相关性值相结合进行特征选择;基于负样本处理和调整参数优化损失函数,实现神经网络模型的建立;基于Logistic映射初始化个***置和基于余弦策略计算能量,并采用柯西突变策略、Logistic映射和精英个人引导机制优化位置更新策略,完成参数搜索。
Description
技术领域
本发明属于电池壳检测技术领域,具体是指一种基于深度学习的电池壳表面缺陷检测方法及***。
背景技术
电池壳表面缺陷检测是指对电池壳外表面进行检测,以发现和识别可能存在的缺陷和损伤。但是现有的特征选择方法存在受噪声和冗余特征的影响导致准确性低的问题;传统的神经网络模型存在过拟合和损失函数的不平衡的问题;当前的参数搜索算法存在位置更新方法简单导致算法陷入局部最优解,无法找到全局最优解,且计算复杂度高的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了一种基于深度学***衡的问题,本方案基于负样本处理和调整参数优化损失函数,使损失函数更加全面地反映模型的性能,减少模型在训练数据上的过拟合问题,并增强模型的鲁棒性;针对当前的参数搜索算法存在位置更新方法简单导致算法陷入局部最优解,无法找到全局最优解,且计算复杂度高的问题,本方案基于Logistic映射初始化个***置和基于余弦策略计算能量,扩大搜索范围,并采用柯西突变策略、Logistic映射和精英个人引导机制优化位置更新策略,有效防止算法陷入局部最优解,以协调算法的局部发展和全局搜索能力,增强搜索效率和准确性。
本发明采取的技术方案如下:本发明提供的一种基于深度学习的电池壳表面缺陷检测方法,该方法包括以下步骤:
步骤S1:数据采集,采集电池壳表面图像和对应标签;
步骤S2:特征提取;
步骤S3:特征选择,基于皮尔逊相关系数、互信息和加权求和的方法计算相关性值,并将稳定性值和相关性值相结合进行特征选择;
步骤S4:建立神经网络模型,基于负样本处理和调整参数优化损失函数,实现神经网络模型的建立;
步骤S5:神经网络模型参数搜索,基于Logistic映射初始化个***置和基于余弦策略计算能量,并采用柯西突变策略、Logistic映射和精英个人引导机制优化位置更新策略,完成参数搜索;
步骤S6:电池壳表面缺陷检测,基于神经网络模型输出的对应标签对电池壳表面进行缺陷检测。
进一步地,在步骤S1中,所述数据采集是采集电池壳表面图像和对应标签,对应标签包括电池壳表面缺陷类型和无缺陷。
进一步地,在步骤S2中,所述特征提取是从采集的数据中提取特征,形成原始特征数据集YS。
进一步地,在步骤S3中,所述特征选择具体包括以下步骤:
步骤S31:初始化,预先设定稳定性阈值δ、第一相关性值阈值εB、第二相关性值阈值εC、相关性阈值ε、第一相关性值权重ζB和第二相关性值权重ζC;
步骤S32:计算特征的稳定性值,所用公式如下:
;
式中,A是特征的稳定性值,G是特征,i是特征索引,mode(Gi)是特征Gi中最频繁出现的非缺失值的元组数量,Ni是特征Gi中非缺失值的元组总数,N1是原始特征数据集YS中的特征数量;
步骤S33:计算第一相关性值,将采集的对应标签作为分类标签,基于皮尔逊相关系数计算特征和分类标签之间的第一相关性值,所用公式如下:
;
式中,Bij是第i个特征和第j个分类标签之间的第一相关性值,F是分类标签的值,j是分类标签索引,是特征Gi中所有非缺失值的平均值,/>是分类标签Fj的平均值,N2是分类标签的数量;
步骤S34:计算第二相关性值,基于互信息计算特征和分类标签之间的第二相关性值,所用公式如下:
;
式中,Cij是第i个特征和第j个分类标签之间的第二相关性值,H(Gi)是特征Gi的信息熵,H(Fj)是分类标签Fj的信息熵,H(Gi,Fj)是特征Gi和分类标签Fj的联合熵;
步骤S35:构建中间特征数据集,将稳定性值小于稳定性阈值δ或稳定性值大于等于稳定性阈值δ且第一相关性值大于等于第一相关性阈值εB且第二相关性值大于等于第二相关性阈值εC的特征添加到中间特征数据集ZS中;
步骤S36:计算相关性值,基于第一相关性值和第二相关性值采用加权求和的方法计算中间特征数据集中特征的相关性值,所用公式如下:
;
式中,Eij是第i个特征和第j个分类标签之间的相关性值;
步骤S37:构建最终特征数据集,将相关性值大于等于相关性阈值ε的特征添加到最终特征数据集TS中。
进一步地,在步骤S4中,所述建立神经网络模型具体包括以下步骤:
步骤S41:初始化神经网络模型,预先设定神经网络模型的层数L和神经元数量;
步骤S42:定义损失函数,引入负样本处理和调整参数优化损失函数,所用公式如下:
;
式中,Loss(W,σ)是损失函数,σ是是网络中的偏置项参数,W是网络中的权重参数,bc是真实标签,是预测标签,/>是打乱的标签,N4是使用的样本中不正确标签对的数量,c是使用的样本中不正确标签对的索引,CE()是交叉熵损失函数,θ和/>是调整参数。
进一步地,在步骤S5中,所述神经网络模型参数搜索将神经网络模型的权重W和偏置项σ作为搜索维度,具体包括以下步骤:
步骤S51:初始化,预先设定个体总数量N5、最大迭代次数T、个体维度R、分支参数β、适应度阈值εO、Levy常数q、神经网络模型的权重W和偏置项σ的搜索空间范围,搜索空间的下边界为LB,搜索空间的上边界为UB,用权重W和偏置项σ代表个体的位置;
步骤S52:初始化个***置,采用Logistic映射初始化个***置,所用公式如下:
Da+1=βDa(1-Da),a=1,2,…,N5-1;
式中,D1是0到1之间的随机数,D是个***置,a是个体索引;
步骤S53:计算最优适应度值和全局最优位置,将基于个***置的神经网络模型正确率作为对应适应度值M,选择最高的适应度值作为最优适应度值,并将其对应的个***置作为全局最优位置Dbest;
步骤S54:计算能量和步长,基于余弦策略计算能量,所用公式如下:
;
Q=2×(1-rand(0,1));
式中,P是能量,Q是步长,t是当前迭代次数,cos()是余弦函数,rand()是随机数生成函数;
步骤S55:位置更新,若|P|≥1,则转至步骤S551,进入探索阶段;否则,则转至步骤S552,进入局部开采阶段;最后使用精英个人引导机制优化个***置,步骤如下:
步骤S551:探索阶段,为每个个体随机生成一个(0,1)之间的随机数η,基于η进行探索阶段的位置更新,并采用柯西突变策略对探索阶段位置更新后的全局最优位置进行优化,所用公式如下:
;
;
;
式中,Da(t+1)是探索阶段位置更新后的第a个个***置,Dm是当前个体的平均位置,Drand是当前个体中的随机位置,r1、r2、r3和r4是(0,1)之间的随机数,cauchy(0,1)是标准柯西分布函数,Dbest(t+1)是探索阶段位置更新后的全局最优位置,是采用柯西突变策略优化后的全局最优位置;
步骤S552:局部开采阶段,为每个个体随机生成一个(0,1)之间的随机数γ,若γ≥0.5且|P|≥0.5,则转至步骤S5521,选择第一种位置更新方法进行位置更新;若γ≥0.5且|P|<0.5,则转至步骤S5522,选择第二种位置更新方法进行位置更新;若γ<0.5且|P|≥0.5,则转至步骤S5523,选择第三种位置更新方法进行位置更新;若γ<0.5且|P|<0.5,则转至步骤S5524,选择第四种位置更新方法进行位置更新;最后采用Logistic映射对位置更新后的全局最优位置进行优化,步骤如下:
步骤S5521:第一种位置更新方法,所用公式如下:
△Da(t)=Dbest(t)-Da(t);
Da 1(t+1)=△Da(t)-P×|Q×Dbest(t)-Da(t)|;
式中,△Da(t)是全局最优位置与第a个个***置的差值,Da 1(t+1)是按照第一种位置更新方法更新后的第a个个***置;
步骤S5522:第二种位置更新方法,所用公式如下:
Da 2(t+1)=Dbest(t)-P×|△Da(t)|;
式中,Da 2(t+1)是按照第二种位置更新方法更新后的第a个个***置;
步骤S5523:第三种位置更新方法,所用公式如下:
;
;
YW=Dbest(t)-P×|Q×Dbest(t)-Da(t)|;
ZW=YW+U×LF(R);
;
式中,是按照第三种位置更新方法更新后的第a个个***置,ψ是Levy参数,Γ是Gamma函数,LF是Levy飞行函数,r5和r6是(0,1)之间的随机数,U是一个R维的向量,YW和ZW是第三种位置更新方法的两种位置更新策略;
步骤S5524:第四种位置更新方法,所用公式如下:
XG=Dbest(t)-P×|Q×Dbest(t)-Dm(t)|;
HG=XG+P×LF(R);
;
式中,XG和HG是第四种位置更新方法的两种位置更新策略,是按照第四种位置更新方法更新后的第a个个***置;
步骤S5525:优化全局最优位置,采用Logistic映射对位置更新后的全局最优位置进行优化,所用公式如下:
;
式中,是采用Logistic映射优化后的全局最优位置,k是混沌搜索计数器的数目,/>是Logistic映射生成的混沌序列值;
步骤S553:优化个***置,从当前个体中选择前三个适应度值最低的个***置Dξ1、Dξ2和Dξ3,基于Dξ1、Dξ2和Dξ3生成新的个***置,使用精英个人引导机制优化个***置,所用公式如下:
J=2×v×r7-v;
;
;
式中,是生成的第a个个体新位置,/>是使用精英个人引导机制优化后的第a个个***置,v是在迭代过程中从2线性下降到0的变量,r7是(0,1)之间的随机数,J是更新参数;
步骤S56:更新最优适应度值和全局最优位置;
步骤S57:参数确定,当最优适应度值高于适应度阈值εO,则基于当前权重W和偏置项σ建立神经网络模型;若达到最大迭代次数T,则转至步骤S52进行搜索;否则转至步骤S54进行迭代搜索。
进一步地,在步骤S6中,所述电池壳表面缺陷检测是实时采集电池壳表面图像数据,输入至神经网络模型中,基于神经网络模型输出的对应标签对电池壳表面进行缺陷检测。
本发明提供的一种基于深度学习的电池壳表面缺陷检测***,包括数据采集模块、特征提取模块、特征选择模块、建立神经网络模型模块、神经网络模型参数搜索模块和电池壳表面缺陷检测模块;
所述数据采集模块采集电池壳表面图像和对应标签,对应标签包括电池壳表面缺陷类型和无缺陷,并将采集的数据发送到特征提取模块;
所述特征提取模块从采集的数据中提取特征,形成原始特征数据集,并将原始特征数据集发送至特征选择模块;
所述特征选择模块基于皮尔逊相关系数、互信息和加权求和的方法计算相关性值,并将稳定性值和相关性值相结合进行特征选择,形成最终特征数据集,并将最终特征数据集发送至建立神经网络模型模块;
所述建立神经网络模型模块基于负样本处理和调整参数优化损失函数,实现神经网络模型的建立,并将数据发送至电池壳表面缺陷检测模块;
所述神经网络模型参数搜索模块基于Logistic映射初始化个***置和基于余弦策略计算能量,并采用柯西突变策略、Logistic映射和精英个人引导机制优化位置更新策略,完成参数搜索,并将数据发送至建立神经网络模型模块;
所述电池壳表面缺陷检测模块实时采集电池壳表面图像数据,输入至神经网络模型中,基于神经网络模型输出的对应标签对电池壳表面进行缺陷检测。
采用上述方案本发明取得的有益效果如下:
(1)针对现有的特征选择方法存在受噪声和冗余特征的影响导致准确性低的问题,本方案基于皮尔逊相关系数、互信息和加权求和的方法计算相关性值,并将稳定性值和相关性值相结合进行特征选择,提高了特征选择的准确性和可靠性。
(2)针对传统的神经网络模型存在过拟合和损失函数的不平衡的问题,本方案基于负样本处理和调整参数优化损失函数,使损失函数更加全面地反映模型的性能,减少模型在训练数据上的过拟合问题,并增强模型的鲁棒性。
(3)针对当前的参数搜索算法存在位置更新方法简单导致算法陷入局部最优解,无法找到全局最优解,且计算复杂度高的问题,本方案基于Logistic映射初始化个***置和基于余弦策略计算能量,扩大搜索范围,并采用柯西突变策略、Logistic映射和精英个人引导机制优化位置更新策略,有效防止算法陷入局部最优解,以协调算法的局部发展和全局搜索能力,增强搜索效率和准确性。
附图说明
图1为本发明提供的一种基于深度学习的电池壳表面缺陷检测方法的流程示意图;
图2为本发明提供的一种基于深度学习的电池壳表面缺陷检测***的示意图;
图3为步骤S3的流程示意图;
图4为步骤S4的流程示意图;
图5为步骤S5的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的一种基于深度学习的电池壳表面缺陷检测方法,该方法包括以下步骤:
步骤S1:数据采集,采集电池壳表面图像和对应标签;
步骤S2:特征提取;
步骤S3:特征选择,基于皮尔逊相关系数、互信息和加权求和的方法计算相关性值,并将稳定性值和相关性值相结合进行特征选择;
步骤S4:建立神经网络模型,基于负样本处理和调整参数优化损失函数,实现神经网络模型的建立;
步骤S5:神经网络模型参数搜索,基于Logistic映射初始化个***置和基于余弦策略计算能量,并采用柯西突变策略、Logistic映射和精英个人引导机制优化位置更新策略,完成参数搜索;
步骤S6:电池壳表面缺陷检测,基于神经网络模型输出的对应标签对电池壳表面进行缺陷检测。
实施例二,参阅图1,该实施例基于上述实施例,在步骤S1中,数据采集是采集电池壳表面图像和对应标签,对应标签包括电池壳表面缺陷类型和无缺陷。
实施例三,参阅图1,该实施例基于上述实施例,在步骤S2中,特征提取是从采集的数据中提取特征,形成原始特征数据集YS。
实施例四,参阅图1和图3,该实施例基于上述实施例,在步骤S3中,特征选择具体包括以下步骤:
步骤S31:初始化,预先设定稳定性阈值δ、第一相关性值阈值εB、第二相关性值阈值εC、相关性阈值ε、第一相关性值权重ζB和第二相关性值权重ζC;
步骤S32:计算特征的稳定性值,所用公式如下:
;
式中,A是特征的稳定性值,G是特征,i是特征索引,mode(Gi)是特征Gi中最频繁出现的非缺失值的元组数量,Ni是特征Gi中非缺失值的元组总数,N1是原始特征数据集YS中的特征数量;
步骤S33:计算第一相关性值,将采集的对应标签作为分类标签,基于皮尔逊相关系数计算特征和分类标签之间的第一相关性值,所用公式如下:
;
式中,Bij是第i个特征和第j个分类标签之间的第一相关性值,F是分类标签的值,j是分类标签索引,是特征Gi中所有非缺失值的平均值,/>是分类标签Fj的平均值,N2是分类标签的数量;
步骤S34:计算第二相关性值,基于互信息计算特征和分类标签之间的第二相关性值,所用公式如下:
;
式中,Cij是第i个特征和第j个分类标签之间的第二相关性值,H(Gi)是特征Gi的信息熵,H(Fj)是分类标签Fj的信息熵,H(Gi,Fj)是特征Gi和分类标签Fj的联合熵;
步骤S35:构建中间特征数据集,将稳定性值小于稳定性阈值δ或稳定性值大于等于稳定性阈值δ且第一相关性值大于等于第一相关性阈值εB且第二相关性值大于等于第二相关性阈值εC的特征添加到中间特征数据集ZS中;
步骤S36:计算相关性值,基于第一相关性值和第二相关性值采用加权求和的方法计算中间特征数据集中特征的相关性值,所用公式如下:
;
式中,Eij是第i个特征和第j个分类标签之间的相关性值;
步骤S37:构建最终特征数据集,将相关性值大于等于相关性阈值ε的特征添加到最终特征数据集TS中。
通过执行上述操作,针对现有的特征选择方法存在受噪声和冗余特征的影响导致准确性低的问题,本方案基于皮尔逊相关系数、互信息和加权求和的方法计算相关性值,并将稳定性值和相关性值相结合进行特征选择,提高了特征选择的准确性和可靠性。
实施例五,参阅图1和图4,该实施例基于上述实施例,在步骤S4中,建立神经网络模型具体包括以下步骤:
步骤S41:初始化神经网络模型,预先设定神经网络模型的层数L和神经元数量;
步骤S42:定义损失函数,引入负样本处理和调整参数优化损失函数,所用公式如下:
;
式中,Loss(W,σ)是损失函数,σ是是网络中的偏置项参数,W是网络中的权重参数,bc是真实标签,是预测标签,/>是打乱的标签,N4是使用的样本中不正确标签对的数量,c是使用的样本中不正确标签对的索引,CE()是交叉熵损失函数,θ和/>是调整参数。
针对传统的神经网络模型存在过拟合和损失函数的不平衡的问题,本方案基于负样本处理和调整参数优化损失函数,使损失函数更加全面地反映模型的性能,减少模型在训练数据上的过拟合问题,并增强模型的鲁棒性。
实施例六,参阅图1和图5,该实施例基于上述实施例,在步骤S5中,神经网络模型参数搜索将神经网络模型的权重W和偏置项σ作为搜索维度,具体包括以下步骤:
步骤S51:初始化,预先设定个体总数量N5、最大迭代次数T、个体维度R、分支参数β、适应度阈值εO、Levy常数q、神经网络模型的权重W和偏置项σ的搜索空间范围,搜索空间的下边界为LB,搜索空间的上边界为UB,用权重W和偏置项σ代表个体的位置;
步骤S52:初始化个***置,采用Logistic映射初始化个***置,所用公式如下:
Da+1=βDa(1-Da),a=1,2,…,N5-1;
式中,D1是0到1之间的随机数,D是个***置,a是个体索引;
步骤S53:计算最优适应度值和全局最优位置,将基于个***置的神经网络模型正确率作为对应适应度值M,选择最高的适应度值作为最优适应度值,并将其对应的个***置作为全局最优位置Dbest;
步骤S54:计算能量和步长,基于余弦策略计算能量,所用公式如下:
;
Q=2×(1-rand(0,1));
式中,P是能量,Q是步长,t是当前迭代次数,cos()是余弦函数,rand()是随机数生成函数;
步骤S55:位置更新,若|P|≥1,则转至步骤S551,进入探索阶段;否则,则转至步骤S552,进入局部开采阶段;最后使用精英个人引导机制优化个***置,步骤如下:
步骤S551:探索阶段,为每个个体随机生成一个(0,1)之间的随机数η,基于η进行探索阶段的位置更新,并采用柯西突变策略对探索阶段位置更新后的全局最优位置进行优化,所用公式如下:
;
;
;
式中,Da(t+1)是探索阶段位置更新后的第a个个***置,Dm是当前个体的平均位置,Drand是当前个体中的随机位置,r1、r2、r3和r4是(0,1)之间的随机数,cauchy(0,1)是标准柯西分布函数,Dbest(t+1)是探索阶段位置更新后的全局最优位置,是采用柯西突变策略优化后的全局最优位置;
步骤S552:局部开采阶段,为每个个体随机生成一个(0,1)之间的随机数γ,若γ≥0.5且|P|≥0.5,则转至步骤S5521,选择第一种位置更新方法进行位置更新;若γ≥0.5且|P|<0.5,则转至步骤S5522,选择第二种位置更新方法进行位置更新;若γ<0.5且|P|≥0.5,则转至步骤S5523,选择第三种位置更新方法进行位置更新;若γ<0.5且|P|<0.5,则转至步骤S5524,选择第四种位置更新方法进行位置更新;最后采用Logistic映射对位置更新后的全局最优位置进行优化,步骤如下:
步骤S5521:第一种位置更新方法,所用公式如下:
△Da(t)=Dbest(t)-Da(t);
Da 1(t+1)=△Da(t)-P×|Q×Dbest(t)-Da(t)|;
式中,△Da(t)是全局最优位置与第a个个***置的差值,Da 1(t+1)是按照第一种位置更新方法更新后的第a个个***置;
步骤S5522:第二种位置更新方法,所用公式如下:
Da 2(t+1)=Dbest(t)-P×|△Da(t)|;
式中,Da 2(t+1)是按照第二种位置更新方法更新后的第a个个***置;
步骤S5523:第三种位置更新方法,所用公式如下:
;
;
YW=Dbest(t)-P×|Q×Dbest(t)-Da(t)|;
ZW=YW+U×LF(R);
;
式中,是按照第三种位置更新方法更新后的第a个个***置,ψ是Levy参数,Γ是Gamma函数,LF是Levy飞行函数,r5和r6是(0,1)之间的随机数,U是一个R维的向量,YW和ZW是第三种位置更新方法的两种位置更新策略;
步骤S5524:第四种位置更新方法,所用公式如下:
XG=Dbest(t)-P×|Q×Dbest(t)-Dm(t)|;
HG=XG+P×LF(R);
;
式中,XG和HG是第四种位置更新方法的两种位置更新策略,是按照第四种位置更新方法更新后的第a个个***置;
步骤S5525:优化全局最优位置,采用Logistic映射对位置更新后的全局最优位置进行优化,所用公式如下:
;
式中,是采用Logistic映射优化后的全局最优位置,k是混沌搜索计数器的数目,/>是Logistic映射生成的混沌序列值;
步骤S553:优化个***置,从当前个体中选择前三个适应度值最低的个***置Dξ1、Dξ2和Dξ3,基于Dξ1、Dξ2和Dξ3生成新的个***置,使用精英个人引导机制优化个***置,所用公式如下:
J=2×v×r7-v;
;
;
式中,是生成的第a个个体新位置,/>是使用精英个人引导机制优化后的第a个个***置,v是在迭代过程中从2线性下降到0的变量,r7是(0,1)之间的随机数,J是更新参数;
步骤S56:更新最优适应度值和全局最优位置;
步骤S57:参数确定,当最优适应度值高于适应度阈值εO,则基于当前权重W和偏置项σ建立神经网络模型;若达到最大迭代次数T,则转至步骤S52进行搜索;否则转至步骤S54进行迭代搜索。
通过执行上述操作,针对当前的参数搜索算法存在位置更新方法简单导致算法陷入局部最优解,无法找到全局最优解,且计算复杂度高的问题,本方案基于Logistic映射初始化个***置和基于余弦策略计算能量,扩大搜索范围,并采用柯西突变策略、Logistic映射和精英个人引导机制优化位置更新策略,有效防止算法陷入局部最优解,以协调算法的局部发展和全局搜索能力,增强搜索效率和准确性。
实施例七,参阅图1,该实施例基于上述实施例,在步骤S6中,电池壳表面缺陷检测是实时采集电池壳表面图像数据,输入至神经网络模型中,基于神经网络模型输出的对应标签对电池壳表面进行缺陷检测。
实施例八,参阅图2,该实施例基于上述实施例,本发明提供的一种基于深度学习的电池壳表面缺陷检测***,包括数据采集模块、特征提取模块、特征选择模块、建立神经网络模型模块、神经网络模型参数搜索模块和电池壳表面缺陷检测模块;
所述数据采集模块采集电池壳表面图像和对应标签,对应标签包括电池壳表面缺陷类型和无缺陷,并将采集的数据发送到特征提取模块;
所述特征提取模块从采集的数据中提取特征,形成原始特征数据集,并将原始特征数据集发送至特征选择模块;
所述特征选择模块基于皮尔逊相关系数、互信息和加权求和的方法计算相关性值,并将稳定性值和相关性值相结合进行特征选择,形成最终特征数据集,并将最终特征数据集发送至建立神经网络模型模块;
所述建立神经网络模型模块基于负样本处理和调整参数优化损失函数,实现神经网络模型的建立,并将数据发送至电池壳表面缺陷检测模块;
所述神经网络模型参数搜索模块基于Logistic映射初始化个***置和基于余弦策略计算能量,并采用柯西突变策略、Logistic映射和精英个人引导机制优化位置更新策略,完成参数搜索,并将数据发送至建立神经网络模型模块;
所述电池壳表面缺陷检测模块实时采集电池壳表面图像数据,输入至神经网络模型中,基于神经网络模型输出的对应标签对电池壳表面进行缺陷检测。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (9)
1.一种基于深度学习的电池壳表面缺陷检测方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集,采集电池壳表面图像和对应标签;
步骤S2:特征提取;
步骤S3:特征选择,基于皮尔逊相关系数、互信息和加权求和的方法计算相关性值,并将稳定性值和相关性值相结合进行特征选择;
步骤S4:建立神经网络模型,基于负样本处理和调整参数优化损失函数,实现神经网络模型的建立;
步骤S5:神经网络模型参数搜索,基于Logistic映射初始化个***置和基于余弦策略计算能量,并采用柯西突变策略、Logistic映射和精英个人引导机制优化位置更新策略,完成参数搜索;
步骤S6:电池壳表面缺陷检测,基于神经网络模型输出的对应标签对电池壳表面进行缺陷检测。
2.根据权利要求1所述的一种基于深度学习的电池壳表面缺陷检测方法,其特征在于:在步骤S3中,所述特征选择具体包括以下步骤:
步骤S31:初始化,预先设定稳定性阈值δ、第一相关性值阈值εB、第二相关性值阈值εC、相关性阈值ε、第一相关性值权重ζB和第二相关性值权重ζC;
步骤S32:计算特征的稳定性值,所用公式如下:
;
式中,A是特征的稳定性值,G是特征,i是特征索引,mode(Gi)是特征Gi中最频繁出现的非缺失值的元组数量,Ni是特征Gi中非缺失值的元组总数,N1是原始特征数据集YS中的特征数量;
步骤S33:计算第一相关性值,将采集的对应标签作为分类标签,基于皮尔逊相关系数计算特征和分类标签之间的第一相关性值,所用公式如下:
;
式中,Bij是第i个特征和第j个分类标签之间的第一相关性值,F是分类标签的值,j是分类标签索引,是特征Gi中所有非缺失值的平均值,/>是分类标签Fj的平均值,N2是分类标签的数量;
步骤S34:计算第二相关性值,基于互信息计算特征和分类标签之间的第二相关性值,所用公式如下:
;
式中,Cij是第i个特征和第j个分类标签之间的第二相关性值,H(Gi)是特征Gi的信息熵,H(Fj)是分类标签Fj的信息熵,H(Gi,Fj)是特征Gi和分类标签Fj的联合熵;
步骤S35:构建中间特征数据集,将稳定性值小于稳定性阈值δ或稳定性值大于等于稳定性阈值δ且第一相关性值大于等于第一相关性阈值εB且第二相关性值大于等于第二相关性阈值εC的特征添加到中间特征数据集ZS中;
步骤S36:计算相关性值,基于第一相关性值和第二相关性值采用加权求和的方法计算中间特征数据集中特征的相关性值,所用公式如下:
;
式中,Eij是第i个特征和第j个分类标签之间的相关性值;
步骤S37:构建最终特征数据集,将相关性值大于等于相关性阈值ε的特征添加到最终特征数据集TS中。
3.根据权利要求1所述的一种基于深度学习的电池壳表面缺陷检测方法,其特征在于:在步骤S5中,所述神经网络模型参数搜索将神经网络模型的权重W和偏置项σ作为搜索维度,具体包括以下步骤:
步骤S51:初始化,预先设定个体总数量N5、最大迭代次数T、个体维度R、分支参数β、适应度阈值εO、Levy常数q、神经网络模型的权重W和偏置项σ的搜索空间范围,搜索空间的下边界为LB,搜索空间的上边界为UB,用权重W和偏置项σ代表个体的位置;
步骤S52:初始化个***置,采用Logistic映射初始化个***置,所用公式如下:
Da+1=βDa(1-Da),a=1,2,…,N5-1;
式中,D1是0到1之间的随机数,D是个***置,a是个体索引;
步骤S53:计算最优适应度值和全局最优位置,将基于个***置的神经网络模型正确率作为对应适应度值M,选择最高的适应度值作为最优适应度值,并将其对应的个***置作为全局最优位置Dbest;
步骤S54:计算能量和步长,基于余弦策略计算能量,所用公式如下:
;
Q=2×(1-rand(0,1));
式中,P是能量,Q是步长,t是当前迭代次数,cos()是余弦函数,rand()是随机数生成函数;
步骤S55:位置更新,若|P|≥1,则转至步骤S551,进入探索阶段;否则,则转至步骤S552,进入局部开采阶段;最后使用精英个人引导机制优化个***置,步骤如下:
步骤S551:探索阶段,为每个个体随机生成一个(0,1)之间的随机数η,基于η进行探索阶段的位置更新,并采用柯西突变策略对探索阶段位置更新后的全局最优位置进行优化,所用公式如下:
;
;
;
式中,Da(t+1)是探索阶段位置更新后的第a个个***置,Dm是当前个体的平均位置,Drand是当前个体中的随机位置,r1、r2、r3和r4是(0,1)之间的随机数,cauchy(0,1)是标准柯西分布函数,Dbest(t+1)是探索阶段位置更新后的全局最优位置,是采用柯西突变策略优化后的全局最优位置;
步骤S552:局部开采阶段,为每个个体随机生成一个(0,1)之间的随机数γ,若γ≥0.5且|P|≥0.5,则转至步骤S5521,选择第一种位置更新方法进行位置更新;若γ≥0.5且|P|<0.5,则转至步骤S5522,选择第二种位置更新方法进行位置更新;若γ<0.5且|P|≥0.5,则转至步骤S5523,选择第三种位置更新方法进行位置更新;若γ<0.5且|P|<0.5,则转至步骤S5524,选择第四种位置更新方法进行位置更新;最后采用Logistic映射对位置更新后的全局最优位置进行优化,步骤如下:
步骤S5521:第一种位置更新方法,所用公式如下:
△Da(t)=Dbest(t)-Da(t);
Da 1(t+1)=△Da(t)-P×|Q×Dbest(t)-Da(t)|;
式中,△Da(t)是全局最优位置与第a个个***置的差值,Da 1(t+1)是按照第一种位置更新方法更新后的第a个个***置;
步骤S5522:第二种位置更新方法,所用公式如下:
Da 2(t+1)=Dbest(t)-P×|△Da(t)|;
式中,Da 2(t+1)是按照第二种位置更新方法更新后的第a个个***置;
步骤S5523:第三种位置更新方法,所用公式如下:
;
;
YW=Dbest(t)-P×|Q×Dbest(t)-Da(t)|;
ZW=YW+U×LF(R);
;
式中,是按照第三种位置更新方法更新后的第a个个***置,ψ是Levy参数,Γ是Gamma函数,LF是Levy飞行函数,r5和r6是(0,1)之间的随机数,U是一个R维的向量,YW和ZW是第三种位置更新方法的两种位置更新策略;
步骤S5524:第四种位置更新方法,所用公式如下:
XG=Dbest(t)-P×|Q×Dbest(t)-Dm(t)|;
HG=XG+P×LF(R);
;
式中,XG和HG是第四种位置更新方法的两种位置更新策略,是按照第四种位置更新方法更新后的第a个个***置;
步骤S5525:优化全局最优位置,采用Logistic映射对位置更新后的全局最优位置进行优化,所用公式如下:
;
式中,是采用Logistic映射优化后的全局最优位置,k是混沌搜索计数器的数目,/>是Logistic映射生成的混沌序列值;
步骤S553:优化个***置,从当前个体中选择前三个适应度值最低的个***置Dξ1、Dξ2和Dξ3,基于Dξ1、Dξ2和Dξ3生成新的个***置,使用精英个人引导机制优化个***置,所用公式如下:
J=2×v×r7-v;
;
;
式中,是生成的第a个个体新位置,/>是使用精英个人引导机制优化后的第a个个***置,v是在迭代过程中从2线性下降到0的变量,r7是(0,1)之间的随机数,J是更新参数;
步骤S56:更新最优适应度值和全局最优位置;
步骤S57:参数确定,当最优适应度值高于适应度阈值εO,则基于当前权重W和偏置项σ建立神经网络模型;若达到最大迭代次数T,则转至步骤S52进行搜索;否则转至步骤S54进行迭代搜索。
4.根据权利要求1所述的一种基于深度学习的电池壳表面缺陷检测方法,其特征在于:在步骤S4中,所述建立神经网络模型具体包括以下步骤:
步骤S41:初始化神经网络模型,预先设定神经网络模型的层数L和神经元数量;
步骤S42:定义损失函数,引入负样本处理和调整参数优化损失函数,所用公式如下:
;
式中,Loss(W,σ)是损失函数,σ是是网络中的偏置项参数,W是网络中的权重参数,bc是真实标签,是预测标签,/>是打乱的标签,N4是使用的样本中不正确标签对的数量,c是使用的样本中不正确标签对的索引,CE()是交叉熵损失函数,θ和/>是调整参数。
5.根据权利要求1所述的一种基于深度学习的电池壳表面缺陷检测方法,其特征在于:在步骤S1中,所述数据采集是采集电池壳表面图像和对应标签,对应标签包括电池壳表面缺陷类型和无缺陷。
6.根据权利要求1所述的一种基于深度学习的电池壳表面缺陷检测方法,其特征在于:在步骤S2中,所述特征提取是从采集的数据中提取特征,形成原始特征数据集YS。
7.根据权利要求1所述的一种基于深度学习的电池壳表面缺陷检测方法,其特征在于:在步骤S6中,所述电池壳表面缺陷检测是实时采集电池壳表面图像数据,输入至神经网络模型中,基于神经网络模型输出的对应标签对电池壳表面进行缺陷检测。
8.一种基于深度学习的电池壳表面缺陷检测***,用于实现如权利要求1-7中任一项所述的一种基于深度学习的电池壳表面缺陷检测方法,其特征在于:包括数据采集模块、特征提取模块、特征选择模块、建立神经网络模型模块、神经网络模型参数搜索模块和电池壳表面缺陷检测模块。
9.根据权利要求8所述的一种基于深度学习的电池壳表面缺陷检测***,其特征在于:所述数据采集模块采集电池壳表面图像和对应标签,对应标签包括电池壳表面缺陷类型和无缺陷,并将采集的数据发送到特征提取模块;
所述特征提取模块从采集的数据中提取特征,形成原始特征数据集,并将原始特征数据集发送至特征选择模块;
所述特征选择模块基于皮尔逊相关系数、互信息和加权求和的方法计算相关性值,并将稳定性值和相关性值相结合进行特征选择,形成最终特征数据集,并将最终特征数据集发送至建立神经网络模型模块;
所述建立神经网络模型模块基于负样本处理和调整参数优化损失函数,实现神经网络模型的建立,并将数据发送至电池壳表面缺陷检测模块;
所述神经网络模型参数搜索模块基于Logistic映射初始化个***置和基于余弦策略计算能量,并采用柯西突变策略、Logistic映射和精英个人引导机制优化位置更新策略,完成参数搜索,并将数据发送至建立神经网络模型模块;
所述电池壳表面缺陷检测模块实时采集电池壳表面图像数据,输入至神经网络模型中,基于神经网络模型输出的对应标签对电池壳表面进行缺陷检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311389348.XA CN117110305B (zh) | 2023-10-25 | 2023-10-25 | 一种基于深度学习的电池壳表面缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311389348.XA CN117110305B (zh) | 2023-10-25 | 2023-10-25 | 一种基于深度学习的电池壳表面缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117110305A true CN117110305A (zh) | 2023-11-24 |
CN117110305B CN117110305B (zh) | 2023-12-22 |
Family
ID=88813298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311389348.XA Active CN117110305B (zh) | 2023-10-25 | 2023-10-25 | 一种基于深度学习的电池壳表面缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117110305B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020192686A1 (en) * | 2001-03-26 | 2002-12-19 | Peter Adorjan | Method for epigenetic feature selection |
US20190228312A1 (en) * | 2018-01-25 | 2019-07-25 | SparkCognition, Inc. | Unsupervised model building for clustering and anomaly detection |
CN113240626A (zh) * | 2021-04-08 | 2021-08-10 | 西安电子科技大学 | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 |
CN116245826A (zh) * | 2023-02-09 | 2023-06-09 | 中国矿业大学 | 一种基于dcgan的零件表面缺陷检测方法 |
WO2023155069A1 (zh) * | 2022-02-16 | 2023-08-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的手机电池表面缺陷检测方法 |
CN116908424A (zh) * | 2023-07-10 | 2023-10-20 | 清华大学深圳国际研究生院 | 一种基于多传感器数据融合与分类的玻璃缺陷监测方法 |
CN116932384A (zh) * | 2023-06-29 | 2023-10-24 | 华南理工大学 | 一种基于特征融合和特征选择的软件缺陷预测方法 |
-
2023
- 2023-10-25 CN CN202311389348.XA patent/CN117110305B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020192686A1 (en) * | 2001-03-26 | 2002-12-19 | Peter Adorjan | Method for epigenetic feature selection |
US20190228312A1 (en) * | 2018-01-25 | 2019-07-25 | SparkCognition, Inc. | Unsupervised model building for clustering and anomaly detection |
CN113240626A (zh) * | 2021-04-08 | 2021-08-10 | 西安电子科技大学 | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 |
WO2023155069A1 (zh) * | 2022-02-16 | 2023-08-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的手机电池表面缺陷检测方法 |
CN116245826A (zh) * | 2023-02-09 | 2023-06-09 | 中国矿业大学 | 一种基于dcgan的零件表面缺陷检测方法 |
CN116932384A (zh) * | 2023-06-29 | 2023-10-24 | 华南理工大学 | 一种基于特征融合和特征选择的软件缺陷预测方法 |
CN116908424A (zh) * | 2023-07-10 | 2023-10-20 | 清华大学深圳国际研究生院 | 一种基于多传感器数据融合与分类的玻璃缺陷监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117110305B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126360B (zh) | 基于无监督联合多损失模型的跨域行人重识别方法 | |
CN110163110B (zh) | 一种基于迁移学习和深度特征融合的行人重识别方法 | |
CN111967294B (zh) | 一种无监督域自适应的行人重识别方法 | |
CN107506740B (zh) | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 | |
CN109740541B (zh) | 一种行人重识别***与方法 | |
CN109858390A (zh) | 基于端到端时空图学习神经网络的人体骨架的行为识别方法 | |
CN110796057A (zh) | 行人重识别方法、装置及计算机设备 | |
CN108596010B (zh) | 行人重识别***的实现方法 | |
CN111198964B (zh) | 图像检索方法及*** | |
CN110852152B (zh) | 一种基于数据增强的深度哈希行人重识别方法 | |
CN111274958B (zh) | 一种网络参数自纠正的行人重识别方法及*** | |
CN110502659B (zh) | 图像特征提取及网络的训练方法、装置和设备 | |
CN108108716A (zh) | 一种基于深度信念网络的回环检测方法 | |
CN113361627A (zh) | 一种面向图神经网络的标签感知协同训练方法 | |
CN114092747A (zh) | 基于深度元度量模型互学习的小样本图像分类方法 | |
CN112784772B (zh) | 一种基于对比学习的相机内有监督跨相机行人重识别方法 | |
Korrapati et al. | Multi-resolution map building and loop closure with omnidirectional images | |
CN111222583B (zh) | 一种基于对抗训练与关键路径提取的图像隐写分析方法 | |
CN109886206B (zh) | 一种三维物体识别方法及设备 | |
CN115035599A (zh) | 一种融合装备与行为特征的武装人员识别方法和*** | |
CN114612747A (zh) | 基于无监督加权哈希的遥感图像检索方法 | |
CN117110305B (zh) | 一种基于深度学习的电池壳表面缺陷检测方法及*** | |
CN116452904B (zh) | 图像美学质量确定方法 | |
CN110135253A (zh) | 一种基于长期递归卷积神经网络的手指静脉认证方法 | |
US20230368038A1 (en) | Improved fine-tuning strategy for few shot learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |