CN109187547A - 锂电池极耳焊点焊破检测方法及极耳焊接检测系统 - Google Patents
锂电池极耳焊点焊破检测方法及极耳焊接检测系统 Download PDFInfo
- Publication number
- CN109187547A CN109187547A CN201810812446.2A CN201810812446A CN109187547A CN 109187547 A CN109187547 A CN 109187547A CN 201810812446 A CN201810812446 A CN 201810812446A CN 109187547 A CN109187547 A CN 109187547A
- Authority
- CN
- China
- Prior art keywords
- tab
- welding
- solder joint
- detection
- broken
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
Abstract
本发明公开了锂电池极耳焊点焊破检测方法及极耳焊接检测系统,采用极耳焊接检测装置对极耳进行实时检测并建立极耳焊接数据库和分类模型,方法包括:数据获取、基础数据标注、生成分类模型和输出检测结果,将待检测的极耳进行实时检测,并将检测的数据输入到分类模型中进行比对分析,判定是否存在极耳焊点焊破并输出检测结果。通过该系统实施上述方法可快速检测极耳焊接的焊点是否出现焊破的缺陷问题,提高自动化和检测效率。
Description
技术领域
本发明涉及焊接领域,尤其涉及锂电池极耳焊点焊破检测方法及极耳焊接检测系统。
背景技术
极耳,是锂离子聚合物电池产品的一种原材料。例如我们生活中用到的手机电池,蓝牙电池,笔记本电池等都需要用到极耳。电池是分正负极的,极耳就是从电芯中将正负极引出来的金属导电体,通俗的说电池正负两极的耳朵是在进行充放电时的接触点。这个接触点并不是我们看到的电池外表的那个铜片,而是电池内部的一种连接。极耳分为三种材料,电池的正极使用铝材料,负极使用镍材料,负极也有铜镀镍材料,它们都是由胶片和金属带两部分复合而成,广泛应用在人们日常电子设备中。
但是,现有的极耳焊点一般在实际生产过程中存在多种缺陷,如常出现的极耳焊点焊破的缺陷。工厂中一般采用人为检测,检测效率低且效果差;而常规的检测设备对极耳焊接缺陷适应性差。因此,锂电池领域急需一种针对极耳加工缺陷进行检测的设备,以提高缺陷检测的精准度和检测效率。
目前,对数据处理有多种算法可选,如精度高但对异常数值不敏感的k-临近(KNN)算法,复杂度不高输出结果易理解的决策树(Decision Tree)算法,缺少数据下依然有效并可处理多类别的朴素贝叶斯算法,计算代价不高分类精度不高的逻辑回归算法,计算代价小易于理解和实现的SVM(Support Vector Machines,SVM)支持向量机算法,以及无需输入准备训练速度快的随机森林算法。各种算法的适应性也不同,因此,需要结合实际应用环境进行适当选择。
发明内容
为了克服现有技术的不足,本发明的目的在于提供锂电池极耳焊点焊破检测方法。其能解决现有锂电池的极耳焊接时焊点焊破的检测问题。
本发明的目的采用以下技术方案实现:
锂电池极耳焊点焊破检测方法,采用极耳焊接检测装置对极耳进行实时检测并建立极耳焊接数据库和分类模型,方法包括:
基础数据获取,通过极耳焊接检测装置对带有不同的典型焊接缺陷和无缺陷的极耳进行初期的实时检测,获得所述极耳焊接图像的基础数据;
基础数据标注,对获得的极耳焊接图像的基础数据进行缺陷标注处理,获得极耳焊接图像的标注数据;
生成分类模型,采用分类器训练极耳焊接图像的基础数据,并将极耳焊接图像的标注数据作为输入参数进行学习分析,将标注的缺陷类别存入极耳焊接数据库,持续训练直至所述极耳焊接数据库达到实时检测的水平,形成分类模型;
输出检测结果,将待检测的极耳进行实时检测,并将检测的数据输入到分类模型中进行比对分析,判定是否存在极耳焊点焊破并输出检测结果。
优选的,所述实时检测包括如下步骤:
S1:通过视觉检测相机及同轴光源对到位的待检测极片进行拍照,获取焊接图片;
S2:图像处理,定位焊印区域,对获取的焊接图片进行图像处理,通过blob分析得到极耳的焊印区域;
S3:提取焊印,对焊接区域进行二阶微分处理及blob分析得到焊印;
S4:对焊印进行blob分析得到具体焊点;
S5:提取焊点区域内的图像信息,计算焊印区域、焊印及具体焊点的参数数据,并对所述参数数据进行归一化,保存归一化的参数数据得到基础数据。
优选的,所述参数数据包括最小灰度、最大灰度,平均灰度、焊点数、焊点最大面积、焊点最小面积、平均面积、面积中值、方差及焊点圆度。
优选的,所述分类器为SVM分类器。
优选的,所述带有不同的典型焊接缺陷的极耳的数量不少于100。
优选的,所述缺陷标注处理包括极耳焊破、极耳虚焊、极耳糅合、极耳焊反、极片打皱和涂层异常的标注。
实施上述方法的极耳焊接检测系统,系统包括极耳焊接检测装置、数据处理模块、存储模块、检测显示模块和输入输出模块。
优选的,所述数据处理模块包括数据传输单元、数据标注单元、分类模型单元和判定单元。
优选的,所述判定单元用于判定极耳的焊接缺陷类别是否存在焊点焊破缺陷。
优选的,所述检测显示模块为对检测结果实时分类显示的系统显示器,所述输入输出模块为鼠标、键盘和IO板卡。
相比现有技术,本发明的有益效果在于:通过该系统实施的检测方法自动化程度高,检测效率高,检测率准。
附图说明
图1为本发明涉及的极耳焊接检测装置;
图2为图1所示极耳焊接检测装置中一检测机构的立体图;
图3为极耳焊接检测装置的检测过程示意图;
图4为极耳焊接合格图;
图5为极耳焊点焊破图;
图6为相机标准标定板;
图7为实时监测流程图;
图8为图7中S1~S4对应的图像处理图。
图中:100、极耳焊接检测装置;200、检测机构;20、视觉检测相机;21、固定件;30、同轴光源;40、固定架;300、行程调节机构;400、极片;401、极耳;500、标定板;501、标定点。
具体实施方式
下面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。
需要说明的是,当组件被称为“固定于”另一个组件,它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件,它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件,它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
针对目前锂电池极耳焊接时出现的缺陷导致锂电池单元加工成本高、效率低,无法满足快速、高质量实现锂电池极耳焊接的要求,对焊接检测过程采用图像处理,利用我公司开发的极耳焊接检测装置100(参见附图1-图2,核心为CCD检测系统,该装置为非现有技术)对锂电池极耳401焊接质量进行快速检测,检测过程如图3所示,并通过图形图像处理的软件算法进行焊点图形进行图像处理。
该极耳焊接检测装置100包括检测机构200及行程调节机构300,检测机构200包括设置在固定件21上的视觉检测相机20、同轴光源30及固定架40,视觉检测相机20及同轴光源30固定于固定架40,同轴光源30包括反光面及透光面,视觉检测相机20朝向反光面,极片400及极耳401的焊接结构正对透光面,极片400绕过行程调节机构300并通过视觉检测相机20进行检测测极耳焊点缺陷,视觉检测相机20相邻于待检测焊点,具体的视觉检测相机20平行于极片400,该装置节省了整个设备的体积,提高空间利用率。
为了提高对极耳焊接的检测效率,该申请提供了基于图像识别的检测方法,前期生成分类模型、即建立比对模型,获取大量正常图像(参见图4所示的焊接正常的极耳焊接图)及焊点焊破图像(参见图5所示的焊点焊破的极耳焊接图),通过反复学习训练分别提取正常图像、包括焊点焊破的缺陷图像的参数数据,如焊点面积及灰度特征等参数数据,后期通过图像识别定位焊点区域,通过焊印特征提取,得到焊点面积及灰度特征,通过与分类模型进行比对判定是否存在焊点焊破的缺陷,并通过检测系统输出检测结果。
极耳焊点焊破的图形特征为:
1)焊点连城一片,单个焊点面积大,但是总焊点数较少;
2)图像总体灰度偏暗。
针对焊点焊破的缺陷,提供一种锂电池极耳焊点焊破检测方法,采用极耳焊接检测装置100建立极耳焊接数据库及分类模型并对极耳401进行实时检测,方法包括:
基础数据获取,通过极耳焊接检测装置100对带有不同的典型焊接缺陷和无缺陷的极耳401进行初期的实时检测,获得极耳焊接图像的基础数据。
基础数据标注,对获得的极耳焊接图像的基础数据进行缺陷标注处理,获得极耳焊接图像的标注数据。
其中,上述缺陷标注处理包括极耳焊破、极耳虚焊、极耳糅合、极耳焊反、极片打皱和涂层异常的标注。
生成分类模型,采用分类器训练极耳焊接图像的基础数据,并将极耳焊接图像的标注数据作为输入参数进行学习分析,将标注的缺陷类别存入极耳焊接数据库,持续训练直至极耳焊接数据库达到实时检测的水平,形成分类模型。
输出检测结果,将待检测的极耳401进行实时检测,并将检测的数据输入到分类模型中进行比对分析,判定是否存在极耳焊点焊破并输出检测结果。
其中,参见图7和图8所示,实时检测包括如下步骤:
S1:通过视觉检测相机20及同轴光源30对到位的待检测极片400进行拍照,获取焊接图片(参见图8中P1对应的处理图像);
S2:图像处理,定位焊印区域,对获取的焊接图片进行图像处理,通过blob分析得到极耳401的焊印区域(参见图8中P2和P3对应的处理图像的外边框对应的区域);
S3:提取焊印,对焊接区域进行二阶微分处理及blob分析得到焊印(参见图8中P3对应的处理影像的内轮廓);
S4:对焊印进行blob分析得到具体焊点(参见图8中P4对应的处理影像的焊点连通域形成的焊点区域);
S5:提取焊点区域内的图像信息,计算焊印区域、焊印及具体焊点的参数数据,并对参数数据进行归一化,保存归一化的参数数据得到基础数据。
当极耳图形特征采集为单个焊点面积大且但是总焊点数较少且图像总体灰度偏暗的极耳,判定为存在极耳焊点焊破的缺陷。
其中,Blob分析(Blob Analysis)是对焊接图像中相同像素(焊点、边缘、灰度等)的连通域进行分析,该连通域称为Blob。
其中,参数数据包括最小灰度、最大灰度,平均灰度、焊点数、焊点最大面积、焊点最小面积、平均面积、面积中值、方差及焊点圆度。
该方法中的分类器采用SVM(Support Vector Machine-SVM)。因为该算法计算代价不高,易于理解和实现。
为了建立适于实时检测的数据库或分类模型,数据样本总量,即带有不同的典型焊接缺陷的极耳401的数量不少于100,优选为500个。
该发明还提供了一种实施上述方法的极耳焊接检测系统,系统包括极耳焊接检测装置100、数据处理模块(图未示)、存储模块(图未示)、检测显示模块(图未示)和输入输出模块(图未示)。
其中,数据处理模块包括数据传输单元、数据标注单元、分类模型单元和判定单元。判定单元用于判定极耳401的焊接缺陷类别是否存在焊点焊破缺陷。
对于检测显示模块,可采用为对检测结果实时分类显示的系统显示器,输入输出模块为鼠标、键盘和IO板卡等输入输出设备。
通过上述系统对焊接的极耳进行实时检测,可实时输出检测结果,并通过检测显示模块显示缺陷分类、何种缺陷的出现,总体检测样本结果是否满足产品的合格要求。
采用该发明提供的检测方法和系统,能显著提高极耳焊接的自动化程度,检测效率高,检测率准,并能反应或提供一个时段内的焊点焊破情况分析,对焊机参数进行适时调整。
需要说明的是,针对不同型号的极片或极耳,需要标定相应的相机参数。如图6所示,为相机的标定板500,在相机和光源安装好之后,将标准的标定板放置在测量物所在平面上,多个不同角度的拍照,标定板上的标定点501覆盖整个相机视野。标定板的选择,基于高精度测量的要求,标定板的精度也必须达到相应的级别,以确保标定的准确性。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.锂电池极耳焊点焊破检测方法,采用极耳焊接检测装置对极耳进行实时检测并建立极耳焊接数据库及分类模型,其特征在于,方法包括:
基础数据获取,通过极耳焊接检测装置对带有不同的典型焊接缺陷和无缺陷的极耳进行初期的实时检测,获得所述极耳焊接图像的基础数据;
基础数据标注,对获得的极耳焊接图像的基础数据进行缺陷标注处理,获得极耳焊接图像的标注数据;
生成分类模型,采用分类器训练极耳焊接图像的基础数据,并将极耳焊接图像的标注数据作为输入参数进行学习分析,将标注的缺陷类别存入极耳焊接数据库,持续训练直至所述极耳焊接数据库达到实时检测的水平,形成分类模型;
输出检测结果,将待检测的极耳进行实时检测,并将检测的数据输入到分类模型中进行比对分析,判定是否存在极耳焊点焊破并输出检测结果。
2.根据权利要求1所述的锂电池极耳焊点焊破检测方法,其特征在于:所述实时检测包括如下步骤:
S1:通过视觉检测相机及同轴光源对到位的待检测极片极耳焊接检测装置进行拍照,获取焊接图片;
S2:图像处理,定位焊印区域,对获取的焊接图片进行图像处理,通过blob分析得到极耳的焊印区域;
S3:提取焊印,对焊接区域进行二阶微分处理及blob分析得到焊印;
S4:对焊印进行blob分析得到具体焊点;
S5:提取焊点区域内的图像信息,计算焊印区域、焊印及具体焊点的参数数据,并对所述参数数据进行归一化,保存归一化的参数数据得到基础数据。
3.根据权利要求2所述的锂电池极耳焊点焊破检测方法,其特征在于:所述参数数据包括最小灰度、最大灰度,平均灰度、焊点数、焊点最大面积、焊点最小面积、平均面积、面积中值、方差及焊点圆度。
4.根据权利要求1所述的锂电池极耳焊点焊破检测方法,其特征在于:所述分类器为SVM分类器。
5.根据权利要求1所述的锂电池极耳焊点焊破检测方法,其特征在于:所述带有不同的典型焊接缺陷的极耳的数量不少于100。
6.根据权利要求1所述的锂电池极耳焊点焊破检测方法,其特征在于:所述缺陷标注处理包括极耳焊破、极耳虚焊、极耳糅合、极耳焊反、极片打皱和涂层异常的标注。
7.实施权利要求1-6任一项所述方法的极耳焊接检测系统,其特征在于:系统包括极耳焊接检测装置、数据处理模块、存储模块、检测显示模块和输入输出模块。
8.根据权利要求7所述的系统,其特征在于:所述数据处理模块包括数据传输单元、数据标注单元、分类模型单元和判定单元。
9.根据权利要求8所述的系统,其特征在于:所述判定单元用于判定极耳的焊接缺陷类别是否存在焊点焊破缺陷。
10.根据权利要求7所述的系统,其特征在于:所述检测显示模块为对检测结果实时分类显示的系统显示器,所述输入输出模块为鼠标、键盘和IO板卡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810812446.2A CN109187547A (zh) | 2018-07-23 | 2018-07-23 | 锂电池极耳焊点焊破检测方法及极耳焊接检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810812446.2A CN109187547A (zh) | 2018-07-23 | 2018-07-23 | 锂电池极耳焊点焊破检测方法及极耳焊接检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109187547A true CN109187547A (zh) | 2019-01-11 |
Family
ID=64937181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810812446.2A Pending CN109187547A (zh) | 2018-07-23 | 2018-07-23 | 锂电池极耳焊点焊破检测方法及极耳焊接检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109187547A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307818A (zh) * | 2020-02-25 | 2020-06-19 | 华南理工大学 | 一种锂电池极耳激光焊点视觉在线检测方法 |
CN111951240A (zh) * | 2020-08-05 | 2020-11-17 | 珠海博明视觉科技有限公司 | 一种基于线激光的焊印检测及高度测量方法 |
WO2022055085A1 (ko) * | 2020-09-10 | 2022-03-17 | 주식회사 엘지에너지솔루션 | 전극 탭 - 리드 용접부의 용접 품질 검사방법 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487440A (zh) * | 2013-08-28 | 2014-01-01 | 东莞市三瑞自动化科技有限公司 | 一种基于机器视觉的电池极耳检测方法及其检测系统 |
CN205157453U (zh) * | 2015-10-20 | 2016-04-13 | 深圳市欧盛自动化有限公司 | 锂电池激光焊焊斑视觉检测装置 |
CN206515249U (zh) * | 2017-01-06 | 2017-09-22 | 深圳市腾格科技有限公司 | 一种锂电池极耳焊接质量检测夹具 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
CN206920350U (zh) * | 2017-05-26 | 2018-01-23 | 惠州市三协精密有限公司 | 一种电芯焊接检测机构 |
CN108037130A (zh) * | 2017-12-01 | 2018-05-15 | 深圳市科陆电子科技股份有限公司 | 电芯的极耳缺陷自动检测方法及自动检测装置 |
-
2018
- 2018-07-23 CN CN201810812446.2A patent/CN109187547A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487440A (zh) * | 2013-08-28 | 2014-01-01 | 东莞市三瑞自动化科技有限公司 | 一种基于机器视觉的电池极耳检测方法及其检测系统 |
CN205157453U (zh) * | 2015-10-20 | 2016-04-13 | 深圳市欧盛自动化有限公司 | 锂电池激光焊焊斑视觉检测装置 |
CN206515249U (zh) * | 2017-01-06 | 2017-09-22 | 深圳市腾格科技有限公司 | 一种锂电池极耳焊接质量检测夹具 |
CN206920350U (zh) * | 2017-05-26 | 2018-01-23 | 惠州市三协精密有限公司 | 一种电芯焊接检测机构 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
CN108037130A (zh) * | 2017-12-01 | 2018-05-15 | 深圳市科陆电子科技股份有限公司 | 电芯的极耳缺陷自动检测方法及自动检测装置 |
Non-Patent Citations (2)
Title |
---|
刘国华: "《HALCON数字图像处理》", 30 June 2018, 西安电子科技大学出版社 * |
胡玥红: "基于机器视觉的锂电池极片缺陷检测研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307818A (zh) * | 2020-02-25 | 2020-06-19 | 华南理工大学 | 一种锂电池极耳激光焊点视觉在线检测方法 |
CN111951240A (zh) * | 2020-08-05 | 2020-11-17 | 珠海博明视觉科技有限公司 | 一种基于线激光的焊印检测及高度测量方法 |
CN111951240B (zh) * | 2020-08-05 | 2024-02-13 | 珠海博明视觉科技有限公司 | 一种基于线激光的焊印检测及高度测量方法 |
WO2022055085A1 (ko) * | 2020-09-10 | 2022-03-17 | 주식회사 엘지에너지솔루션 | 전극 탭 - 리드 용접부의 용접 품질 검사방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109142367A (zh) | 一种锂电池极耳虚焊检测方法及极耳焊接检测系统 | |
CN109142368A (zh) | 锂电池极片打皱检测方法及极耳焊接检测系统 | |
CN109270071A (zh) | 一种极耳上涂层异常检测方法及极耳焊接检测系统 | |
CN204359710U (zh) | 一种玻璃表面缺陷检测装置 | |
CN113607742B (zh) | 电芯极耳检测方法、装置、电子设备和存储介质 | |
CN109187547A (zh) | 锂电池极耳焊点焊破检测方法及极耳焊接检测系统 | |
CN101661004B (zh) | 一种基于支持向量机的电路板焊接质量视觉检测方法 | |
CN109584227A (zh) | 一种基于深度学习目标检测算法的焊点质量检测方法及其实现系统 | |
CN111289538B (zh) | 基于机器视觉的pcb板元件检测系统及检测方法 | |
CN110473179A (zh) | 一种基于深度学习的薄膜表面缺陷检测方法、系统及设备 | |
CN110135521A (zh) | 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统 | |
CN106872488A (zh) | 一种快速大面积透明基片双表面缺陷视觉检测方法及装置 | |
CN115170550A (zh) | 一种基于深度学习的电池缺陷检测方法及系统 | |
CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
CN109187546A (zh) | 锂电池极耳糅合检测方法及极耳焊接检测系统 | |
CN108872250A (zh) | 锂电池极耳焊反检测方法及极耳焊接检测系统 | |
CN110567967B (zh) | 显示面板检测方法、系统、终端设备及计算机可读介质 | |
CN106841213A (zh) | 检测电池隔膜涂层表面缺陷的方法和外观图像检测系统 | |
CN113744244A (zh) | 测量锂电池极片边缘到极耳边缘距离的在线视觉检测系统 | |
CN113706498A (zh) | 一种锂电池极片视觉检测装置 | |
CN111680738A (zh) | 一种用于苹果品质检测的筛选装置及其检测方法 | |
CN103913150B (zh) | 智能电能表电子元器件一致性检测方法 | |
CN111353986A (zh) | 一种模切产品质量检测方法 | |
CN114037645A (zh) | 极片的涂布缺陷检测方法、装置、电子设备及可读介质 | |
CN106226033A (zh) | 检测透光基板透过率的方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |