和谐稳定的世界格局下,经济、文化、科技的不断交流与创新,使人们的生活品质不断提高。计算机软硬件技术取得了飞快的发展,与生活娱乐密切相关的电子产品层出不穷。锂电池作为这些电子设备的主要能量来源,人们对锂电池的需求越来越大。锂电池的生产过程中,隔膜和电极板在缠绕时出现空隙。或者在人工检测时,手指对电极板的按压。这些因素都会造成锂电池褶皱。褶皱的存在会折损锂电池的使用寿命,甚至会带来安全隐患。目前,在锂电池褶皱检测方面,国内外很多锂电池生产厂家仍采用人工检测方法,该方法极不方便,而且效率很低。此外也会受检测人员的心情、疲劳、经验等因素的影响,降低检测质量和效率。因此,本文以解决实际工程问题为出发点,提出基于深度学习的锂电池褶皱检测的方法。用卷积神经网络对锂电池的褶皱特征进行学习。通过学习到的锂电池褶皱特征对待检测数据进行预测。最终建立基于深度学习的锂电池褶皱检测模型,且编译成可调用的库文件。具体地工作如下:一、数据集的收集工作,通过X光机对锂电池进行X光照射,获取X光图像。随后将收集到的图像进行裁剪处理。裁剪后的图像经过一系列预处理操作后,最终得到对比度清晰、尺寸为64×64的图像。二、采用半监督自学习方法将预处理后的图像分为两类。一类是无褶皱的锂电池图像,另一类是有褶皱的锂电池图像。分别将两类数据进行标注,制作成数据集。构建卷积网络模型,利用该卷积神经网络,对锂电池图像进行特征提取,前向传播和反向传播调整得到最优的权重与偏置。最终找到全局最优解。保存训练好的参数与模型。三、为满足工业生产要求,提升检测速度,故选择更接近底层的Caffe深度学习框架构建锂电池褶皱检测模型并封装成库文件,方便系统调用。通过实验验证,锂电池褶皱检测系统的准确度能够达到97%以上,且对于每张图像的检测时间低于500ms。证明了本文提出的基于深度学习的锂电池褶皱检测的方法能够比较准确的分辨出锂电池褶皱情况;实验结果表明该方法的检测时间低于人工检测时间,符合工业生产要求。