1.一种电池极片缺陷检测方法,其特征在于,所述方法包括:S1、获取电池极片表面缺陷数据集,所述电池极片表面缺陷数据集包括多张电池极片表面缺陷图像;
S2、构建目标检测网络,所述目标检测网络包括:基于可变形下采样卷积模块构建的主干网络、基于上下文增强模块和下采样卷积块构建的特征融合网络以及基于注意力机制的检测头;
S3、基于所述电池极片表面缺陷数据集,训练所述目标检测网络;
S4、通过训练好的所述目标检测网络,对待检测的电池极片表面缺陷图像进行检测,得到缺陷的位置、大小和类别中至少一项;
其中,所述步骤S2包括:
S21、将可变形下采样卷积模块,作为所述目标检测网络主干网络的特征提取器,所述主干网络的下采样倍数为预设倍数,所述预设倍数用于增大所述主干网络的感受野,以使所述主干网络对图像的全局信息进行特征提取,其中,所述可变形下采样卷积模块包括串联模块、多个卷积模块和可变形下采样模块;
S22、在所述目标检测网络中特征融合网络的引出分支,加入所述上下文增强模块以及所述下采样卷积块;
S23、在所述目标检测网络的检测头中加入融合注意力机制的解耦头,所述解耦头用于解耦并分别执行针对所述电池极片表面缺陷的分类任务和回归任务,所述分类任务为检测所述缺陷的类型,所述回归任务为检测所述缺陷的位置坐标和/或缺陷的置信度。
2.根据权利要求1所述的电池极片缺陷检测方法,其特征在于,所述步骤S3包括:S31、按照预设的像素比例,将所述电池极片表面缺陷数据集中的电池极片表面缺陷图像自适应缩放;
S32、将缩放后的所述电池极片表面缺陷图像输入所述目标检测网络进行训练,使用K均值聚类方法生成所述电池极片表面缺陷图像的锚框;
S33、对所述电池极片表面缺陷图像的锚框进行分类,按照分类结果的置信度,采用随机梯度下降优化器,按照预设的训练批次、预设的训练迭代次数、预设的学习率、预设的动量系数和预设的权重衰减系数,迭代更新所述目标检测网络的模型参数。
3.根据权利要求1所述的电池极片缺陷检测方法,其特征在于,所述步骤S4包括:S41、根据多种缺陷类型,设定所述训练好的目标检测网络中不同类型的缺陷对应的非极大值抑制参数,所述非极大值抑制参数决定对应类别的缺陷的检测精度;
S42、基于所述训练好的目标检测网络,检测出电池极片表面缺陷的位置、大小和类别中至少一项。
4.根据权利要求1所述的电池极片缺陷检测方法,所述步骤S1包括:S11、通过线扫相机和/或面扫相机,采集得到符合目标分辨率的电池极片表面缺陷图像;
S12、对采集到的所述电池极片表面缺陷图像进行预处理;
S13、基于预处理后的所述电池极片表面缺陷图像,确定所述电池极片表面缺陷数据集。
5.根据权利要求4所述的电池极片缺陷检测方法,其特征在于,所述步骤S12包括:对所述电池极片表面缺陷图像中极片区域的边缘进行识别与裁剪;
采用线性对比度增强法,提高所述极片区域中缺陷所在的区域与其他区域之间的对比度。
6.根据权利要求4所述的电池极片缺陷检测方法,其特征在于,所述步骤S13包括:对预处理后的所述电池极片表面缺陷图像中缺陷的位置及种类进行标注,得到电池极片表面缺陷数据集,按照预设的比例,将所述电池极片表面缺陷数据集划分训练集、验证集和测试集。
7.一种计算设备,其特征在于,包括存储器和处理器,所述存储器存储有至少一段程序,所述至少一段程序由处理器执行以实现如权利要求1至6任一所述的电池极片缺陷检测方法。
8.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一段程序,所述至少一段程序由处理器执行以实现如权利要求1至6任一所述的电池极片缺陷检测方法。