基于改进Attention-RPN的焊缝缺陷检测

针对新能源电池组外壳焊缝缺陷检测时存在的缺陷样本少、缺陷目标尺度不一致而导致检测准确率较低问题，提出了一种改进Attention-RPN的小样本焊缝缺陷检测模型。该模型引入了FPN多尺度检测网络和深度布朗距离协方差模块来改善类间相似度的划分，以提高检测精度。结果表明，该模型具有良好的鲁棒性，能够提高检测速度，检测精度可以达到94%。基于真实样本测试表明，本模型可用于新能源锂电池焊缝缺陷检测中。

动力电池系统是为新能源汽车提供驱动电能的核心能量源，是新能源汽车最关键的零部件之一，目前新能源汽车的动力电池大多为锂电池组，通过若干个锂电池块连接到一起，在连接过程中，有多个工序采用激光焊接工艺，包括极柱焊接、侧板焊接、汇流拍焊接。激光焊接的好坏直接关系到电池的质量和使用寿命，因此每批次电池组出厂前都需要对电池组上的焊缝进行质量检测工序。

焊缝缺陷检测主要有目视检测、超声波检测、图像检测三种。激光焊接的焊缝宽度在mm 量级，目视检测效率低下且易遗漏。超声波检测速度较慢，且其探头需要定期检测并根据情况选择不同的尺寸， 提高了检测成本并延长了检测时间，图像检测在效率、成本等方面具有显著的优势。而使用传统二维机器视觉方法检测焊缝质量[1] [2] [3]，检测稳定性不尽人意。目前深度学习技术的很多模型都被应用在焊缝缺陷检测中，其中应用比较广泛的包括卷积神经网络CNN 和Faster R-CNN 两种网络模型。基于卷积神经网络的方法主要是增加卷积神经网络的层数[4]以及与其他模型进行融合[5]，从而克服原来网络结构简单、特征类别单一的缺点，增强网络对焊缝特征的提取能力，使模型达到更高的识别准确率。但是也增加了模型的参数量，导致了模型训练视觉增加。基于Faster R-CNN 的方法[6]虽然可以框出缺陷位置， 但只对某类缺陷识别率高，整体的识别率不高。另外基于以上两种网络模型训练，所需求得缺陷数据量很大，对于焊缝缺陷数据量偏少的情况而言，无法取得很好的效果。总之上述用深度学习方法对焊缝缺陷检测仍面对精度低下、样本获取困难等问题。

本文针对上述问题提出改进Attention-RPN 小样本检测模型，引入FPN 多尺度检测增强空间信息与强语义信息，引入深度布朗距离协方差模块替代原有池化层进行分类细化，提升了模型检测精度。实验对比验证了模型的有效性。

2. Attention-RPN 算法 Attention-RPN [7]主要由Faster R-CNN 算法改进而来，该网络由深度互相关注意力区域候选网络和多关系检测器两大部分组成。支持图像和查询图像经过共享权重网络生成特征图，然后通过深度卷积互相关模块，将支持特征图作为卷积核，在查询特征图上进行卷积操作，这样得到的特征图上与支持特征图相关部分会被放大，不相关部分会被削弱。之后经过RPN 网络生成proposal。多关系检测器部分会将包含真值标签的支持特征图与查询特征图进行匹配，计算出相似度，这样可以得到最终的检测结果。图1 所示为Attention-RPN 的网络结构图。

Attention-RPN 是一种注意力网络，可以用于检测新的目标，无需重新训练和微调，但是由于一些焊缝缺陷过小或尺度变化大导致其对于目标缺陷的特征表达能力仍存在不足，因此本文提出一种基于多尺度特征融合的焊缝缺陷检测算法，同时在检测器部分利用深度布朗距离协方差模块来代替池化层和全连接层，实现对查询集和支持集之间更加精确的相似性度量。