CN109598721B - 电池极片的缺陷检测方法、装置、检测设备和存储介质 - Google Patents
电池极片的缺陷检测方法、装置、检测设备和存储介质 Download PDFInfo
- Publication number
- CN109598721B CN109598721B CN201811501728.7A CN201811501728A CN109598721B CN 109598721 B CN109598721 B CN 109598721B CN 201811501728 A CN201811501728 A CN 201811501728A CN 109598721 B CN109598721 B CN 109598721B
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- deep learning
- neural network
- convolutional neural
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 328
- 238000001514 detection method Methods 0.000 title claims abstract description 118
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 112
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 100
- 230000002950 deficient Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 15
- 229910052751 metal Inorganic materials 0.000 claims description 11
- 239000002184 metal Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000005261 decarburization Methods 0.000 claims description 9
- 206010027146 Melanoderma Diseases 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000011248 coating agent Substances 0.000 description 5
- 238000000576 coating method Methods 0.000 description 5
- 239000002002 slurry Substances 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000001035 drying Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 239000006258 conductive agent Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G01N2021/8887—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 based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本申请涉及一种电池极片的缺陷检测方法、装置、检测设备和存储介质,检测设备获取待检测极片的第一图像,并通过识别第一图像中的缺陷区域获取至少一个第二图像,每个第二图像中包含一个缺陷区域;然后将第二图像输入到预设的深度学习卷积神经网络中进行缺陷检测,获取第二图像的缺陷类型。由于检测设备通过识别第一图像的缺陷区域获取了第二图像,使得第二图像中可以包含一个缺陷,然后可以将上述第二图像输入到深度学习卷积神经网络中进行检测;进一步地,由于深度学习卷积神经网络通过大量的各种缺陷类型的样本进行了训练,因此,可以准确地识别出上述极片的缺陷类型,从而根据上述缺陷类型对极片的制作过程进行调整,降低不良品率。
Description
技术领域
本申请涉及深度学习技术领域,特别是涉及一种电池极片的缺陷检测方法、装置、检测设备和存储介质。
背景技术
随着新能源的推广,锂电池得到越来越广泛的应用。同时,市场对锂电池的生产品质和成本有了更高的要求。其中,锂电池的极片制造是电池生产过程中的关键过程,具体包括浆料的制备、极片涂布和干燥、极片的辊压压实,以及极片的裁切等。目前,在极片制造过程中,越来越多的在线检测技术被采用,用于识别产品的制造缺陷,降低不良率。
传统技术中,极片检测采用的方法是在LED光源下采集极片的图像,并通过缺陷识别算法,以灰度作为依据来检测极片的缺陷类型。
但是,上述检测方法中,由于极片的各种缺陷比较相似,且所采集图像的灰度容易受到LED光源亮度等外在因素的影响,导致对极片的缺陷类型检测不够准确。
发明内容
基于此,有必要针对上述技术问题,提供一种电池极片的缺陷检测方法、装置、检测设备和存储介质。
一种电池极片的缺陷检测方法,所述方法包括:
获取待检测极片的第一图像,并通过识别所述第一图像中的缺陷区域获取至少一个第二图像,每个第二图像中包含一个缺陷区域;
将所述第二图像输入到预设的深度学习卷积神经网络中进行缺陷检测,获取所述第二图像的缺陷类型;其中,所述深度学习卷积神经网络的训练样本集中包括多个样本图像,以及每个样本图像中缺陷区域的缺陷类型。
在其中一个实施例中,所述将所述第二图像输入到预设的深度学习卷积神经网络中进行缺陷检测,获取所述第二图像的缺陷类型包括:
将所述第二图像输入到所述深度学习卷积神经网络中进行缺陷检测,获取数据组,所述数据组中的多个数据按位排列,每一个数据位对应一种缺陷类型;
获取所述数据组中值最大的数据位,并将所述值最大的数据位对应的缺陷类型确定为所述第二图像的缺陷类型。
在其中一个实施例中,所述深度学习卷积神经网络的获取方式,包括:
将所述多个样本图像作为初始深度学习卷积神经网络的输入,将所述每个样本图像中缺陷区域的缺陷类型作为所述初始深度学习网络模型的参考输出,训练所述初始深度学习卷积神经网络,直至所述初始深度学习卷积神经网络的实际输出与所述参考输出匹配,将匹配时的初始深度学习卷积神经网络确定为所述深度学习卷积神经网络。
在其中一个实施例中,所述方法还包括:对所述训练样本集中的多个样本图像进行图像处理,得到新的训练样本集,所述新的训练样本集中的样本数量大于所述训练样本集中的样本数量。
在其中一个实施例中,所述缺陷类型包括:气泡缺陷、脱碳缺陷、漏金属缺陷、黑点缺陷、亮点缺陷和条痕缺陷中的任一个。
在其中一个实施例中,所述识别所述第一图像中的缺陷区域,包括:
对所述第一图像划分区域,并获取所述各个区域的灰度;
根据各个区域的灰度以及预设的灰度阈值,确定所述第一图像中的缺陷区域。
在其中一个实施例中,其特征在于,所述方法还包括:
根据预设的缺陷标记条件,确定是否将所述待检测极片标记为不良品。
一种电池极片的缺陷检测装置,所述装置包括:
获取模块,用于获取待检测极片的第一图像,并通过识别所述第一图像中的缺陷区域获取至少一个第二图像,每个第二图像中包含一个缺陷区域;
检测模块,用于将所述第二图像输入到预设的深度学习卷积神经网络中进行缺陷检测,获取所述第二图像的缺陷类型;其中,所述深度学习卷积神经网络的训练样本集中包括多个样本图像,以及每个样本图像中缺陷区域的缺陷类型。
一种检测设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述电池极片的缺陷检测方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述电池极片的缺陷检测方法的步骤。
上述电池极片的缺陷检测方法、装置、检测设备和存储介质,检测设备获取待检测极片的第一图像,并通过识别第一图像中的缺陷区域获取至少一个第二图像,每个第二图像中包含一个缺陷区域;然后将第二图像输入到预设的深度学习卷积神经网络中进行缺陷检测,获取第二图像的缺陷类型。由于检测设备通过识别第一图像的缺陷区域获取了第二图像,使得第二图像中可以包含一个缺陷,然后可以将上述第二图像输入到深度学习卷积神经网络中进行检测;进一步地,由于深度学习卷积神经网络通过大量的各种缺陷类型的样本进行了训练,因此,可以准确地识别出上述极片的缺陷类型,从而根据上述缺陷类型对极片的制作过程进行调整,降低不良品率。
附图说明
图1为一个实施例中电池极片的缺陷检测方法的应用环境图;
图2为一个实施例中电池极片的缺陷检测方法的流程示意图;
图3为另一个实施例中电池极片的缺陷检测方法的流程示意图;
图4为另一个实施例中电池极片的缺陷检测方法的流程示意图;
图5为一个实施例中电池极片的缺陷检测装置的结构框图;
图6为另一个实施例中电池极片的缺陷检测装置的结构框图;
图7为另一个实施例中电池极片的缺陷检测装置的结构框图;
图8为一个实施例中检测设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的电池极片的缺陷检测方法,可以应用于如图1所示的应用环境中。其中,摄像头120拍摄电池极片110的第一图像,然后将上述第一图像输入检测设备130,使得检测设备130可以对电池极片110中的缺陷类型进行检测。
在一个实施例中,如图2所示,提供了一种电池极片的缺陷检测方法,以该方法应用于图1中的检测设备130为例进行说明,上述方法包括:
S101、获取待检测极片的第一图像,并通过识别第一图像中的缺陷区域获取至少一个第二图像,每个第二图像中包含一个缺陷区域。
其中,极片是电池的核心部件,在一个电池中可以包括正极极片和负极极片。极片的制作工艺比较复杂,通常包括将活性物质,粘结剂和导电剂等混合制备成浆料,然后将浆料涂敷在铜或铝集流体两面,再经过干燥并去除溶剂后形成干燥极片,最后将干燥极片的颗粒涂层经过压实致密化,再裁切或分条而制成极片;由于原材料、工艺控制等方面的因素,制作完成的极片上会出现一些缺陷。
在对包含缺陷的待检测极片进行检测时,检测设备可以先获取待检测极片的第一图像,例如,可以通过摄像头直接对极片进行拍摄得到第一图像,还可以通过机械手转动极片,通过摄像头拍摄极片的正面图像和背面图像,由正面和背面的图像形组成第一图像。由于在极片的第一图像中可能包含有多个缺陷区域,检测设备可以识别上述多个缺陷区域,然后针对每一个缺陷区域分别生成一个第二图像,例如,上述第一图像中包含3个缺陷区域,那么可以通过识别上述第一图像的缺陷区域,生成3个第二图像。
检测设备在识别上述第一图像中的缺陷区域时,可以采用不同的方式。上述第一图像中的缺陷区域一般会出现亮点或者颜色偏黑的特征,检测设备可以通过图像的灰度值来识别缺陷区域;另外,极片的缺陷一般会出现圆点、条纹以及圆环等轮廓,检测设备可以通过算法识别轮廓,例如,OPEN CV识别算法等来识别缺陷区域;可选地,还可以通过获取检测人员输入的缺陷区域来识别。对于上述缺陷区域的识别方式在此不做限定。
进一步地,检测设备在识别出第一图像的缺陷区域后,可以通过获取上述缺陷区域的图像特征,生成第二图像;也可以通过图像处理工具,对第一图像进行裁剪、分割等操作来获取第二图像;对于上述第二图像的获取方式在此不做限定。
其中,上述第二图像的形状可以是规则的形状,例如矩形,在该矩形形状的图像中刚好包括了一个缺陷区域;还可以是与缺陷区域的轮廓相同的不规则图像,对于上述第二图像的具体形式在此不做限定。
S102、将第二图像输入到预设的深度学习卷积神经网络中进行缺陷检测,获取第二图像的缺陷类型;其中,深度学习卷积神经网络的训练样本集中包括多个样本图像,以及每个样本图像中缺陷区域的缺陷类型。
其中,深度学习卷积神经网络是一种机器学习模型,可以通过模仿人的视觉特征来对极片的第二图像进行检测,来识别第二图像的缺陷类型。上述样本图像中每一个样本图像都包含一种缺陷类型,且训练样本集中的样本图像包含了每一种缺陷类型,使深度学习卷积神经网络能有效地检测出第二图像的各种缺陷类型。
上述缺陷类型可以有不同的分类方式,例如,极片可以分为极耳、边缘和极网三部分,可以将缺陷类型分为极耳缺陷、边缘缺陷以及极网缺陷;可选地,上述第二图像的缺陷类型可以按照缺陷的不同特征来进行分类,可以包括:气泡缺陷、脱碳缺陷、漏金属缺陷、黑点缺陷、亮点缺陷和条痕缺陷中的任一个。
具体地,由于极片是由多层材料粘接而成的,在粘接过程中粘接剂涂布不均匀,会造成材料没有完全粘接在一起,形成气泡缺陷,表现在图像上的特征为圆环形状的白色区域;在极片制作过程中,由于工艺控制等原因导致极片涂层中的石墨脱落,形成脱碳缺陷,表现在图像上的特征为水波纹状的黑色圆点;在极片制作过程中,浆料或者机器可能引入金属异物,上述金属异物会刺穿极片表面的薄膜而形成漏金属缺陷,表现在图像上的特征为灰度较深的条形或者方形的缺陷区域;黑点缺陷表现在图像上的特征为黑色的较小的斑点;亮点缺陷表现在图像上的特征为灰度值较高的小圆点;在极片制作过程中,由于机器工具的碰撞和摩擦可能在极片表面产生痕迹,形成条痕缺陷,表现在图像上的特征为灰度值在240至250之间的比较亮的区域。
进一步地,检测设备在将第二图像输入到预设的深度学习卷积神经网络中时,可以是将每一个第二图像分别输入深度学习卷积神经网络,也可以是将同一第一图像中获取的多个第二图像同时输入深度学习卷积神经网络,对于上述第二图像的输入方式在此不做限定。
检测设备在获取第二图像的缺陷类型时,可以通过深度学习卷积神经网络直接输出第二图像的缺陷类型,也可以通过深度学习卷积神经网络输出第二图像与不同缺陷类型之间的相关系数,上述相关系数可以用来表示第二图像与缺陷类型相关的程度,通过上述相关系数来获取第二图像的类型;对于上述缺陷类型的获取方式在此不做限定。
上述电池极片的缺陷检测方法,检测设备获取待检测极片的第一图像,并通过识别第一图像中的缺陷区域获取至少一个第二图像,每个第二图像中包含一个缺陷区域;然后将第二图像输入到预设的深度学习卷积神经网络中进行缺陷检测,获取第二图像的缺陷类型。由于检测设备通过识别第一图像的缺陷区域获取了第二图像,使得第二图像中可以包含一个缺陷,然后可以将上述第二图像输入到深度学习卷积神经网络中进行检测;进一步地,由于深度学习卷积神经网络通过大量的各种缺陷类型的样本进行了训练,因此,可以准确地识别出上述极片的缺陷类型,从而根据上述缺陷类型对极片的制作过程进行调整,降低不良品率。
图3为另一个实施例中电池极片的缺陷检测方法的流程示意图,本实施例涉及监测设备获取第二图像的缺陷类型的具体过程,上述S102包括:
S201、将第二图像输入到深度学习卷积神经网络中进行缺陷检测,获取数据组,数据组中的多个数据按位排列,每一个数据位对应一种缺陷类型。
在上一实施例的基础上,深度学习卷积神经网络对上述第二图像进行检测后,可以输出一个数据组,上述数据组中的数据为第二图像与缺陷类型的相关系数,上述数据组中的多个数据按位排列,每一个数据位对应一种缺陷类型。例如,上述数据组可以包括6个数据位,其中第一个数据位对应气泡缺陷,第二个数据位对应脱碳缺陷,第三个数据位对应漏金属缺陷,第四个数据位对应黑点缺陷,第五个数据位对应亮点缺陷,第六个数据位对应条痕缺陷;另外,数据位对应的缺陷类型还可以有其它的对应方式,对于上述多个数据按位排列的方式在此不做限定。
上述数据组中的6个数据表示上述第二图像与该数据位对应的缺陷类型的相关系数,例如,相关系数可以0到1之间的数字,可以精确到0.1,也可以精确到0.01,相关系数越大表示第二图像与该数据位对应的缺陷类型的相关性就越强,也就是说该第二图像中的缺陷更有可能是上述对应的缺陷类型;上述相关系数也可能是1到100之间的数字等,对于上述数据组的具体形式在此不做限定。
S202、获取数据组中值最大的数据位,并将值最大的数据位对应的缺陷类型确定为第二图像的缺陷类型。
检测设备在获取了上述深度学习卷积神经网络输出的数据组后,可以根据上述S201获取的数据组中各个数据值的大小,来确定第二图像的缺陷类型;那么,可以将数据组中的各个数据进行排序,来获取值最大的数据,并将值最大的数据位对应的缺陷类型确定为第二图像的缺陷类型。例如,深度学习卷积神经网络输出的数据组可能为如下一组数据,比如(0.21,0.13,0.56,0.87,0.02,0.11),那么检测设备可以通过对数据组中的数据进行排序,确定出上述数据组中第四位的数据值最大,再结合数据位与缺陷类型的对应关系,可以确定第二图像的缺陷类型为数据组第四位对应的黑点缺陷类型。
进一步地,如果深度学习卷积神经网络输出的数据组中,值最大的数据对应的数据位为两个或两个以上的数据位,这种情况下,检测设备可以认为上述第二图像的缺陷类型可能是上述两个或者两个以上的数据位对应的多种缺陷类型中的一种,不能准确判断出是哪一种类型;那么,可以将上述第二图像重新输入深度学习卷积神经网络进行再次检测,重新获取第二图像的缺陷类型;另外,也可以将上述第二图像传送给检测人员进行进一步的确认。
上述电池极片的缺陷检测方法,检测设备通过深度学习卷积神经网络输出的数据组来确定第二图像的缺陷类型,可以准确地获取第二图像与各个缺陷类型的相关程度,对于一些缺陷类型难以确定的第二图像,可以结合其它方式进一步确定,因此,可以更准确地确定出第二图像的缺陷类型,提高了缺陷类型识别的准确性。
在一个实施例中,涉及一种深度学习卷积神经网络的获取方式,包括:
将多个样本图像作为初始深度学习卷积神经网络的输入,将每个样本图像中缺陷区域的缺陷类型作为初始深度学习网络模型的参考输出,训练初始深度学习卷积神经网络,直至初始深度学习卷积神经网络的实际输出与参考输出匹配,将匹配时的初始深度学习卷积神经网络确定为深度学习卷积神经网络。
具体地,深度学习卷积神经网络需要进行大量的样本训练,才能获得准确的缺陷类型的检测结果。样本图像包含图像标记,上述标记内容与样本图像中的缺陷区域的曲线类型对应,检测设备将上述样本图像输入至初始深度学习卷积神经网络,通过初始深度学习卷积神经网络对样本图像进行检测,输出样本图像的缺陷类型。其中,上述初始深度学习卷积神经网络是设计的用于检测极片的缺陷类型的初始模型,其中模型中的参数为初始参数,上述模型需要经过大量的样本训练,直至模型的实际输出与参考输出匹配时,可以将模型参数确定下来,形成深度学习卷积神经网络。首先,样本图像可以输入至初始深度学习卷积神经网络的第一卷积层,通过第一卷积层对样本图像进行卷积操作,提取上述样本图像的第一初级特征;其中,第一初级特征可以是样本图像中各个点的像素、颜色等特征。
然后,上述样本图像的第一初级特征可以输入至初始深度学习卷积神经网络的单元层,该单元层可以包括批规范化层、非线性变化层以及第二卷积层;上述非线性变化层可以对输入单元层的初级特征进行非线性变换,扩展初始深度学习卷积神经网络的拟合范围;上述批规范化层用于非线性变化层之前,在上述初级特征的数据前向传递的时候,使数据的均值为0,方差为1,使第二卷积层的输入有一个稳定的分布,提升初始深度学习卷积神经网络的稳定性;上述第二卷积层与批规范化层和非线性变化层一起组成单元层,用于进一步提取样本图像的特征,输出第二初级特征,也就是说第一初级特征为单元层的输入,第二初级特征为单元层的输出;上述第二初级特征通过单元层的操作,可以提取出样本图像中的纹理、缺陷轮廓特征,例如条痕特征或者斑点轮廓特征等。进一步地,将单元层的输入与输出合并,并将合并结果再次输入单元层,继续提取特征,重复上述过程,例如,可以重复18次,完成单元层的特征提取,输出样本图像的高级特征,上述高级特征中可以使样本图像中的灰度骤变、缺陷轮廓等特征更加明显。
进一步地,将上述高级特征输入至非线性层、池化层、全连接层以及SOFTMAX层,最后输出样本图像的检测结果;其中,池层的作用就是简化单元层里输出的信息,减少数据维度,控制过拟合;全连接层用于判断获取到的样本图像的特征与哪一种缺陷类型的特征最接近;最后通过SOFTMAX层输出样本图像的检测结果,作为上述初始深度学习网络的实际输出。
最后,以样本图像的图像标记中的缺陷类型作为上述初始深度学习卷积神经网络的参考输出,将上述参考输出和实际输出进行对比,并根据上述对比结果运用动量梯度下降法调整上述初始深度学习卷积神经网络的各个层的参数,例如,可以通过上述对比结果进行通过误差反转算法来更新初始深度学习卷积神经网络的参数,然后通过反向传播算法对上述参数进行进一步的优化。当上述参考输出与实际输出匹配时,则认为上述参数调整完成,并将调整完的参数作为上述初始深度学习卷积神经网络的目标参数,得到深度学习卷积神经网络。上述深度学习卷积神经网络可以用于检测极片的缺陷类型。
进一步地,在将多个样本图像输入深度学习卷积神经网络之前,监测设备还可以对训练样本集中的多个样本图像进行图像处理,得到新的训练样本集,新的训练样本集中的样本数量大于训练样本集中的样本数量。
具体地,上述图像处理方式可以是对上述样本图像中的同一个样本图像进行不同的处理,例如增强样本图像的噪声处理、对缺陷区域进行放大或者缩小的处理、对样本图像进行亮度调整的处理以及对样本图像进行镜像的处理等,经过上述图像处理,可以通过同一个样本图像生成多个样本图像,从而增加了样本图像的数量,得到增强的训练样本集。对于上述新的训练样本集的获取方式在此不做限定。
上述电池极片的缺陷检测方法,通过获取深度学习卷积神经网络,检测设备可以通过上述深度学习卷积神经网络来识别极片的缺陷类型,使上述缺陷类型的识别更准确,从而可以根据缺陷类型对电池极片的制作过程进行调整,降低不良品率;进一步地,通过对样本图像进行图像处理,可以获取增强的训练样本集,从而提升了深度学习卷积神经网络的适用性和鲁棒性,更有效地对不同工况下获取的极片的图像进行准确的检测。
图4为另一个实施例中电池极片的缺陷检测方法的流程示意图,本实施例涉及检测设备识别第一图像中的缺陷区域的一种方式,上述S101包括:
S301、对第一图像划分区域,并获取各个区域的灰度。
具体地,检测设备识别第一图像中的缺陷区域时,由于极片的不同缺陷类型在第一图像上都会表现出颜色过深或者过亮的特征,因此,可以通过缺陷区域的灰度特征来识别。首先,可以对第一图像进行区域划分,来获取各个区域的灰度值。检测设备可以按照第一图像的像素来划分区域,来获取各个像素的灰度值;也可以先对第一图像进行初步的划分,获取各个区域,然后对区域中各个像素的灰度值进行平均,获取上述区域的平均灰度值。上述灰度的获取方式在此不做限定。
S302、根据各个区域的灰度以及预设的灰度阈值,确定第一图像中的缺陷区域。
进一步地,检测设备获取了各个区域的灰度之后,可以结合预设的灰度阈值,来确定第一图像中的缺陷区域。例如,如果灰度大于第一灰度阈值,则认为上述区域对应的第一图像的区域颜色较深;如果灰度小于预设的第二灰度阈值,则认为上述区域对应的第一图像的区域颜色偏亮,可能存在缺陷。上述第一灰度阈值和第二灰度阈值可以相同,也可以不同;对于上述缺陷区域的确定方式在此不做限定。
上述电池极片的缺陷检测方法,检测设备通过第一图像的灰度进行判断,来获取第一图像中的缺陷区域,可以使每一个第二图像中包含一种缺陷,可以使深度学习卷积神经网络能对一种类型的缺陷进行单独判断,从而提升了深度学习卷积神经网络识别缺陷类型的准确度;进一步地,由于识别出第一图像中的缺陷区域,使得输入深度学习卷积神经网络的图像变小,可以提升深度学习卷积神经网络的检测效率。
在一个实施例中,检测设备在获取了第二图像的缺陷类型的基础上,还可以根据预设的缺陷标记条件,确定是否将待检测极片标记为不良品。
具体地,检测设备可以根据上述第二图像的缺陷类型,获得同一个极片对应的至少一个第二图像的缺陷类型,然后根据上述至少一个第二图像的缺陷类型来确定上述一个极片的整体缺陷状态,如果上述极片的缺陷状态满足预设的缺陷标记条件,那么可以将上述极片标记为不良品。
其中,上述缺陷标记条件可以根据极片的缺陷数量或者缺陷面积来确定,其中,上述缺陷数量可以根据上述极片对应的第二图像的数量来确定,上述缺陷面积可以是极片对应的第二图像的面积的总和。例如可以将缺陷数量大于3个极片确定不良品;还可以将缺陷面积大于极片面积的20%的极片确定为不良品;还可以将极片数量大于2个,同时缺陷面积大于极片面积的20%的极片确定为不良品;对于上述缺陷标记条件的类型在此不做限定。
上述电池极片的缺陷检测方法,检测设备根据第二图像的缺陷类型来判断极片是否满足缺陷标记条件,可以有效地判断极片是否为不良品。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种电池极片的缺陷检测装置,包括:获取模块10和检测模块20,其中:
获取模块10,用于获取待检测极片的第一图像,并通过识别第一图像中的缺陷区域获取至少一个第二图像,每个第二图像中包含一个缺陷区域。
检测模块20,用于将第二图像输入到预设的深度学习卷积神经网络中进行缺陷检测,获取第二图像的缺陷类型;其中,深度学习卷积神经网络的训练样本集中包括多个样本图像,以及每个样本图像中缺陷区域的缺陷类型。
在一个实施例中,如图6所示,检测模块20包括:
检测单元201,用于将第二图像输入到深度学习卷积神经网络中进行缺陷检测,获取数据组,数据组中的多个数据按位排列,每一个数据位对应一种缺陷类型。
第一确定单元202,用于获取数据组中值最大的数据位,并将值最大的数据位对应的缺陷类型确定为第二图像的缺陷类型。
在一个实施例中,上述装置用于将多个样本图像作为初始深度学习卷积神经网络的输入,将每个样本图像中缺陷区域的缺陷类型作为初始深度学习网络模型的参考输出,训练初始深度学习卷积神经网络,直至初始深度学习卷积神经网络的实际输出与参考输出匹配,将匹配时的初始深度学习卷积神经网络确定为深度学习卷积神经网络。
在一个实施例中,上述装置还用于对训练样本集中的多个样本图像进行图像处理,得到新的训练样本集,新的训练样本集中的样本数量大于训练样本集中的样本数量。
在一个实施例中,缺陷类型包括:气泡缺陷、脱碳缺陷、漏金属缺陷、黑点缺陷、亮点缺陷和条痕缺陷中的任一个。
在一个实施例中,如图7所示,上述获取模块10,包括:
获取单元101,用于对第一图像划分区域,并获取各个区域的灰度;
第二确定单元102,用于根据各个区域的灰度以及预设的灰度阈值,确定第一图像中的缺陷区域。
在一个实施例中,上述装置还用于根据预设的缺陷标记条件,确定是否将待检测极片标记为不良品。
本申请实施例提供的电池极片的缺陷检测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于电池极片的缺陷检测装置的具体限定可以参见上文中对于电池极片的缺陷检测方法的限定,在此不再赘述。上述电池极片的缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于检测设备中的处理器中,也可以以软件形式存储于检测设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种检测设备,其内部结构图可以如图8所示。该检测设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该检测设备的处理器用于提供计算和控制能力。该检测设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该检测设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电池极片的缺陷检测方法。该检测设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该检测设备的输入装置可以是显示屏上覆盖的触摸层,也可以是检测设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的检测设备的限定,具体的检测设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种检测设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测极片的第一图像,并通过识别第一图像中的缺陷区域获取至少一个第二图像,每个第二图像中包含一个缺陷区域;
将第二图像输入到预设的深度学习卷积神经网络中进行缺陷检测,获取第二图像的缺陷类型;其中,深度学习卷积神经网络的训练样本集中包括多个样本图像,以及每个样本图像中缺陷区域的缺陷类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将第二图像输入到深度学习卷积神经网络中进行缺陷检测,获取数据组,数据组中的多个数据按位排列,每一个数据位对应一种缺陷类型;获取数据组中值最大的数据位,并将值最大的数据位对应的缺陷类型确定为第二图像的缺陷类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将多个样本图像作为初始深度学习卷积神经网络的输入,将每个样本图像中缺陷区域的缺陷类型作为初始深度学习网络模型的参考输出,训练初始深度学习卷积神经网络,直至初始深度学习卷积神经网络的实际输出与参考输出匹配,将匹配时的初始深度学习卷积神经网络确定为深度学习卷积神经网络。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对训练样本集中的多个样本图像进行图像处理,得到新的训练样本集,新的训练样本集中的样本数量大于训练样本集中的样本数量。
在一个实施例中,缺陷类型包括:气泡缺陷、脱碳缺陷、漏金属缺陷、黑点缺陷、亮点缺陷和条痕缺陷中的任一个。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对第一图像划分区域,并获取各个区域的灰度;根据各个区域的灰度以及预设的灰度阈值,确定第一图像中的缺陷区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据预设的缺陷标记条件,确定是否将待检测极片标记为不良品。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测极片的第一图像,并通过识别第一图像中的缺陷区域获取至少一个第二图像,每个第二图像中包含一个缺陷区域;
将第二图像输入到预设的深度学习卷积神经网络中进行缺陷检测,获取第二图像的缺陷类型;其中,深度学习卷积神经网络的训练样本集中包括多个样本图像,以及每个样本图像中缺陷区域的缺陷类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将第二图像输入到深度学习卷积神经网络中进行缺陷检测,获取数据组,数据组中的多个数据按位排列,每一个数据位对应一种缺陷类型;获取数据组中值最大的数据位,并将值最大的数据位对应的缺陷类型确定为第二图像的缺陷类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将多个样本图像作为初始深度学习卷积神经网络的输入,将每个样本图像中缺陷区域的缺陷类型作为初始深度学习网络模型的参考输出,训练初始深度学习卷积神经网络,直至初始深度学习卷积神经网络的实际输出与参考输出匹配,将匹配时的初始深度学习卷积神经网络确定为深度学习卷积神经网络。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对训练样本集中的多个样本图像进行图像处理,得到新的训练样本集,新的训练样本集中的样本数量大于训练样本集中的样本数量。
在一个实施例中,缺陷类型包括:气泡缺陷、脱碳缺陷、漏金属缺陷、黑点缺陷、亮点缺陷和条痕缺陷中的任一个。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对第一图像划分区域,并获取各个区域的灰度;根据各个区域的灰度以及预设的灰度阈值,确定第一图像中的缺陷区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据预设的缺陷标记条件,确定是否将待检测极片标记为不良品。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电池极片的缺陷检测方法,其特征在于,所述方法包括:
获取待检测极片的第一图像,并通过识别所述第一图像中的缺陷区域获取至少一个第二图像,每个第二图像中包含一个缺陷区域;其中,所述第一图像为通过机械手转动所述极片,通过摄像头拍摄所述极片的正面图像和背面图像,由正面和背面的图像组成的图像;
将所述第二图像输入到预设的深度学习卷积神经网络中进行缺陷检测,获取所述第二图像的缺陷类型;其中,所述深度学习卷积神经网络的训练样本集中包括多个样本图像,以及每个样本图像中缺陷区域的缺陷类型,所述缺陷类型包括:气泡缺陷、脱碳缺陷、漏金属缺陷、黑点缺陷、亮点缺陷和条痕缺陷中的任一个;
其中,所述深度学习卷积神经网络包括第一卷积层、单元层、非线性层、池化层、全连接层以及SOFTMAX层,所述第一卷积层用于提取所述第二图像中的像素和颜色特征,所述单元层用于提取所述第二图像中的纹理和缺陷轮廓特征,所述单元层还用于将所述单元层的输入与输出合并,并将合并结果再次输入所述单元层,继续提取特征,最终输出所述第二图像的高级特征;所述池化层用于对所述高级特征进行简化处理;所述全连接层用于判断与所述高级特征接近的缺陷类型;所述SOFTMAX层用于输出所述第二图像的检测结果。
2.根据权利要求1所述的方法,其特征在于,所述将所述第二图像输入到预设的深度学习卷积神经网络中进行缺陷检测,获取所述第二图像的缺陷类型包括:
将所述第二图像输入到所述深度学习卷积神经网络中进行缺陷检测,获取数据组,所述数据组中的多个数据按位排列,每一个数据位对应一种缺陷类型;
获取所述数据组中值最大的数据位,并将所述值最大的数据位对应的缺陷类型确定为所述第二图像的缺陷类型。
3.根据权利要求2所述的方法,其特征在于,所述数据组中的数据为所述第二图像与缺陷类型的相关系数。
4.根据权利要求1所述的方法,其特征在于,所述深度学习卷积神经网络的获取方式,包括:
将所述多个样本图像作为初始深度学习卷积神经网络的输入,将所述每个样本图像中缺陷区域的缺陷类型作为所述初始深度学习网络模型的参考输出,训练所述初始深度学习卷积神经网络,直至所述初始深度学习卷积神经网络的实际输出与所述参考输出匹配,将匹配时的初始深度学习卷积神经网络确定为所述深度学习卷积神经网络。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
对所述训练样本集中的多个样本图像进行图像处理,得到新的训练样本集,所述新的训练样本集中的样本数量大于所述训练样本集中的样本数量。
6.根据权利要求1所述的方法,其特征在于,所述识别所述第一图像中的缺陷区域,包括:
对所述第一图像划分区域,并获取各个区域的灰度;
根据所述各个区域的灰度以及预设的灰度阈值,确定所述第一图像中的缺陷区域。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
根据预设的缺陷标记条件,确定是否将所述待检测极片标记为不良品。
8.一种电池极片的缺陷检测装置,其特征在于,所述装置包括:
获取模块,用于获取待检测极片的第一图像,并通过识别所述第一图像中的缺陷区域获取至少一个第二图像,每个第二图像中包含一个缺陷区域;其中,所述第一图像为通过机械手转动所述极片,通过摄像头拍摄所述极片的正面图像和背面图像,由正面和背面的图像组成的图像;
检测模块,用于将所述第二图像输入到预设的深度学习卷积神经网络中进行缺陷检测,获取所述第二图像的缺陷类型;其中,所述深度学习卷积神经网络的训练样本集中包括多个样本图像,以及每个样本图像中缺陷区域的缺陷类型,所述缺陷类型包括:气泡缺陷、脱碳缺陷、漏金属缺陷、黑点缺陷、亮点缺陷和条痕缺陷中的任一个;
其中,所述深度学习卷积神经网络包括第一卷积层、单元层、非线性层、池化层、全连接层以及SOFTMAX层,所述第一卷积层用于提取所述第二图像中的像素和颜色特征,所述单元层用于提取所述第二图像中的纹理和缺陷轮廓特征,所述单元层还用于将所述单元层的输入与输出合并,并将合并结果再次输入所述单元层,继续提取特征,最终输出所述第二图像的高级特征;所述池化层用于对所述高级特征进行简化处理;所述全连接层用于判断与所述高级特征接近的缺陷类型;所述SOFTMAX层用于输出所述第二图像的检测结果。
9.一种检测设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811501728.7A CN109598721B (zh) | 2018-12-10 | 2018-12-10 | 电池极片的缺陷检测方法、装置、检测设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811501728.7A CN109598721B (zh) | 2018-12-10 | 2018-12-10 | 电池极片的缺陷检测方法、装置、检测设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598721A CN109598721A (zh) | 2019-04-09 |
CN109598721B true CN109598721B (zh) | 2021-08-31 |
Family
ID=65961512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811501728.7A Active CN109598721B (zh) | 2018-12-10 | 2018-12-10 | 电池极片的缺陷检测方法、装置、检测设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598721B (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110031474B (zh) * | 2019-04-28 | 2022-07-22 | 无锡先导智能装备股份有限公司 | 异物检测方法及异物检测装置 |
CN110222679B (zh) * | 2019-05-10 | 2023-07-11 | 惠州市德赛电池有限公司 | 一种基于深度学习的通用型电池极性自动检测方法 |
CN112288676A (zh) * | 2019-07-12 | 2021-01-29 | 富士通株式会社 | 检测产品缺陷的方法和装置 |
CN110458814A (zh) * | 2019-07-29 | 2019-11-15 | 山东艾雷维特智能科技有限公司 | 一种木材单板缺陷的检测方法、装置及系统 |
CN110501341A (zh) * | 2019-08-19 | 2019-11-26 | 无锡先导智能装备股份有限公司 | 电池检测系统及电池检测方法 |
CN110533653A (zh) * | 2019-08-30 | 2019-12-03 | 国家电网有限公司 | 高压电气设备缺陷检测方法、装置及终端设备 |
CN110501344A (zh) * | 2019-08-30 | 2019-11-26 | 无锡先导智能装备股份有限公司 | 电池物料在线检测方法 |
CN112455098A (zh) * | 2019-09-09 | 2021-03-09 | 无锡先导智能装备股份有限公司 | 极片打标方法和极片打标系统 |
CN110910352A (zh) * | 2019-11-06 | 2020-03-24 | 创新奇智(南京)科技有限公司 | 基于深度学习的太阳能电池缺陷检测系统及检测方法 |
CN110660060B (zh) * | 2019-11-29 | 2020-05-19 | 武汉精立电子技术有限公司 | Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质 |
DE102020107779A1 (de) * | 2020-03-20 | 2021-09-23 | Schaeffler Technologies AG & Co. KG | Verfahren und Prüfanlage zum Prüfen einer Bipolarplatte einer Brennstoffzelle |
CN111709456A (zh) * | 2020-05-22 | 2020-09-25 | 五邑大学 | 酒瓶表面缺陷检测方法、电子装置及存储介质 |
CN111693533B (zh) * | 2020-06-11 | 2023-01-20 | 南通通富微电子有限公司 | 工件表面质量的检测方法及检测装置、外观机 |
CN111738322B (zh) * | 2020-06-12 | 2023-09-01 | 北京百度网讯科技有限公司 | 一种物品表面缺陷的检测方法、装置、设备和介质 |
KR20220037664A (ko) * | 2020-09-18 | 2022-03-25 | 주식회사 엘지에너지솔루션 | 리튬 이차 전지의 검사 방법 |
CN112241699A (zh) * | 2020-10-13 | 2021-01-19 | 无锡先导智能装备股份有限公司 | 物体缺陷类别识别方法、装置、计算机设备和存储介质 |
CN112330623B (zh) * | 2020-10-30 | 2022-05-27 | 蜂巢能源科技有限公司 | 电芯极组极片对齐度检测方法和检测装置 |
CN112834518A (zh) * | 2021-01-06 | 2021-05-25 | 优刻得科技股份有限公司 | 颗粒缺陷检测方法、系统、设备和介质 |
KR102555250B1 (ko) * | 2021-02-03 | 2023-07-14 | (주)인스케이프 | 이차전지 외관 검사 장치 및 외관 검사 방법 |
CN115841445A (zh) * | 2022-04-18 | 2023-03-24 | 宁德时代新能源科技股份有限公司 | 对复合料带的阴极极片进行检测的方法、装置和系统 |
CN115829906B (zh) * | 2022-04-18 | 2024-01-30 | 宁德时代新能源科技股份有限公司 | 对复合料带的阴极极片进行缺陷检测的方法、装置、系统 |
CN115829907B (zh) * | 2022-04-18 | 2024-02-23 | 宁德时代新能源科技股份有限公司 | 对复合料带的隔膜进行缺陷检测的方法、装置、系统 |
CN114581446B (zh) * | 2022-05-06 | 2022-08-09 | 浙江双元科技股份有限公司 | 一种叠片电池的电芯异常检测方法及系统 |
CN114972258B (zh) * | 2022-05-27 | 2023-04-07 | 深圳先进技术研究院 | 基于机器视觉的电池表面缺陷检测方法、系统及相关设备 |
CN114897868A (zh) * | 2022-05-31 | 2022-08-12 | 广东利元亨智能装备股份有限公司 | 极片缺陷识别及模型训练方法、装置及电子设备 |
WO2024000372A1 (zh) * | 2022-06-30 | 2024-01-04 | 宁德时代新能源科技股份有限公司 | 一种缺陷检测的方法和装置 |
CN115829912A (zh) * | 2022-07-29 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 检测电芯表面缺陷的方法和装置 |
CN115294135B (zh) * | 2022-10-09 | 2023-01-03 | 临沂华太电池有限公司 | 一种电池卷边封口质量检测方法 |
CN116012330B (zh) * | 2022-12-28 | 2023-10-20 | 广州市易鸿智能装备有限公司 | 一种极片的缺陷检测方法、装置、设备和计算机存储介质 |
CN116577345B (zh) * | 2023-07-14 | 2023-09-29 | 广州市易鸿智能装备有限公司 | 一种锂电池极耳数量检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104655644A (zh) * | 2015-02-13 | 2015-05-27 | 华南理工大学 | 一种锂电池极片缺陷的自动检测方法及装置 |
CN108061735A (zh) * | 2017-12-01 | 2018-05-22 | 工业互联网创新中心(上海)有限公司 | 零部件表面缺陷的识别方法和装置 |
CN108230317A (zh) * | 2018-01-09 | 2018-06-29 | 北京百度网讯科技有限公司 | 钢板缺陷检测分类方法、装置、设备及计算机可读介质 |
CN108345911A (zh) * | 2018-04-16 | 2018-07-31 | 东北大学 | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060029257A1 (en) * | 2004-08-03 | 2006-02-09 | Honda Motor Co., Ltd. | Apparatus for determining a surface condition of an object |
-
2018
- 2018-12-10 CN CN201811501728.7A patent/CN109598721B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104655644A (zh) * | 2015-02-13 | 2015-05-27 | 华南理工大学 | 一种锂电池极片缺陷的自动检测方法及装置 |
CN108061735A (zh) * | 2017-12-01 | 2018-05-22 | 工业互联网创新中心(上海)有限公司 | 零部件表面缺陷的识别方法和装置 |
CN108230317A (zh) * | 2018-01-09 | 2018-06-29 | 北京百度网讯科技有限公司 | 钢板缺陷检测分类方法、装置、设备及计算机可读介质 |
CN108345911A (zh) * | 2018-04-16 | 2018-07-31 | 东北大学 | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的锂离子电池极片检测系统的研究与设计;刘学山;《中国优秀硕士学位论文全文数据库.科技Ⅱ辑》;20110415(第04期);第20页,第21页第3.1.1节第1段,第22-23页第3.1.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109598721A (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598721B (zh) | 电池极片的缺陷检测方法、装置、检测设备和存储介质 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN109142366B (zh) | 球形外壳缺陷检测方法、装置及计算机可读存储介质 | |
CN111179251A (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
CN110544231B (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN112241699A (zh) | 物体缺陷类别识别方法、装置、计算机设备和存储介质 | |
CN103439348B (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN113538430B (zh) | 基于差分的极片缺陷检测方法、装置、设备及介质 | |
CN113239930B (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN112132196A (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN114202532A (zh) | 一种喷涂缺陷的检测方法、装置、设备及存储介质 | |
CN114972258B (zh) | 基于机器视觉的电池表面缺陷检测方法、系统及相关设备 | |
CN112837308A (zh) | 一种建筑裂缝检测方法、装置、设备及存储介质 | |
CN113537414B (zh) | 锂电池缺陷检测方法、装置、设备及存储介质 | |
CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
CN113808104A (zh) | 一种基于分块的金属表面缺陷检测方法及系统 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
Wu et al. | Experimental analysis of image dehazing algorithms for pelletization process images | |
CN112907576A (zh) | 车辆损伤等级检测方法、装置、计算机设备及存储介质 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN116681677A (zh) | 一种锂电池缺陷检测方法、装置及系统 | |
CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 |
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 | ||
CP03 | Change of name, title or address |
Address after: 510000 3, building 9, two South Road, Dashi street, Dashi street, Guangzhou, Guangdong, Panyu District, China. Patentee after: Guangzhou Yihong Intelligent Equipment Co.,Ltd. Country or region after: China Address before: 101-301, building 3, No.9, Huijiang Shinan 2nd Road, Dashi street, Panyu District, Guangzhou, Guangdong 511400 Patentee before: GUANGZHOU EHOLLY INTELLIGENT EQUIPMENT Co.,Ltd. Country or region before: China |
|
CP03 | Change of name, title or address |