CN109827973A - 一种检测电芯保护膜视觉检测方法 - Google Patents
一种检测电芯保护膜视觉检测方法 Download PDFInfo
- Publication number
- CN109827973A CN109827973A CN201910183558.0A CN201910183558A CN109827973A CN 109827973 A CN109827973 A CN 109827973A CN 201910183558 A CN201910183558 A CN 201910183558A CN 109827973 A CN109827973 A CN 109827973A
- Authority
- CN
- China
- Prior art keywords
- picture
- product
- battery core
- protective film
- boundary
- 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
Abstract
本发明公开了一种检测电芯保护膜视觉检测方法,具体如下:S1:产品收集,S2:产品分类,S3:分割算法,S4:图片提取,S5:偏差识别,S6:标识,S7:输出。有益的效果:本发明在自动检测的基础上添加了一个图形分割模块,精确地完成了电芯与保护膜的分割工作,从而能够智能的判断电芯贴膜质量的结果,并且拥有极高的准确率,同时对于不同贴膜工艺的电芯能够很好的兼容,无较长的时间成本去适应新的工艺。
Description
技术领域
本发明涉及视觉检测领域,具体是一种检测电芯保护膜视觉检测方法。
背景技术
在锂电生产工艺中,电芯贴膜是生产工艺的其中一环,目前,电芯贴膜质量检测多数都是基于人工肉眼检测,效率较低,且人力成本比较大。
普通的贴膜质量检测系统,多数基于线扫相机获取电芯贴膜图片,然后通过软件算法识别图片的贴膜质量,但是单纯的软件算法通常对保护膜与电芯边界的识别精度较低。对于不同的产品兼容性较差,仍需人工复检。
普通的自动检测系统,直接使用线扫相机采集图片,通过软件返回贴膜质量识别结果,以上设计的缺点
1、传统图像算法对于保护膜与电芯的图像分割处理达不到很高的水平,导致检测精度较低;
2、对于不同贴膜工艺的图片,需要花费较长的时间成本优化算法去适应新的图片,并且结果仍达不到一个较高的精度水平;
3、由于准确度较低,所以仍需人工复检,并未完全实现自动化。
发明内容
本发明的目的在于提供一种检测电芯保护膜视觉检测方法,通过CCD线扫相机获取电芯贴膜图片,结合图像分割模块自动分割出电芯与保护膜,判断保护膜所粘贴的部位是否合格,是否贴歪等,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种检测电芯保护膜视觉检测方法,具体如下:
S1:产品收集,技术人员先收集一定数量电芯产品,电芯产品含合格品与不合格品;
S2:产品分类,技术人员将S1收集的全部产品进行分类,合格品分为一类、不合格品分为另一类;
S3:分割算法,对S2中产品的图片进行分割计算,以最终的输出的y^n是一个与输入图片大小相等的对电池边界、保护膜边界以及保护膜表面结构的概率矩阵,并标识出概率值;
S4:图片提取,先对电池边界的图片进行提取,再提取保护膜边界图片;
S5:偏差识别,比较电池边界图片与保护膜边界图片之间的偏差,识别保护膜是否贴在电池的正确位置;
S6:标识,根据S5识别的结果,标识出是否为合格品;
S7:输出,将S6的标识结果显示出来,从而分选出合格品与不合格品。
进一步的技术方案:所述S3:分割算法,具体为:
S31:图片采集,使用CCD对电池进行拍摄形成图片,并将拍摄的图片信息进行采集;
S32:人工标识图片,对S31的图片信息添加是否合格的标识;
S33:神经网络训练,将有标识的图片信息输入到神经网络中,并将一定数量的图片进行从S31到S33的操作;
S34:图片输入,将待识别是否为合格品的电芯拍摄成图片,并将图片输入到S35部分;
S35:分割计算,对图片信息进行分类计算,计算公式:
其中n表示网络的层数,y表示经过激活函数后的最终结果,σ表示激活函数,z是当前层的卷积输出,ω是权重矩阵,b是偏置矩阵。
S36:分割输出,根据S35的计算结果,最终的输出的y^n是一个与输入图片大小相等的概率矩阵。
有益的效果:本发明在自动检测的基础上添加了一个图形分割模块,精确地完成了电芯与保护膜的分割工作,从而能够智能的判断电芯贴膜质量的结果,并且拥有极高的准确率,同时对于不同贴膜工艺的电芯能够很好的兼容,无较长的时间成本去适应新的工艺。
附图说明
图1:本发明整体流程图。
图2:本发明分割算法流程图。
具体实施方式
下面将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。
请参照图1,一种检测电芯保护膜视觉检测方法,对电芯上的保护贴膜的位置是否正确进行检测,一般情况下保护贴膜面积不大于电芯面积,具体如下:
S1:产品收集,技术人员先收集一定数量电芯产品,电芯产品含合格品与不合格品;
S2:产品分类,技术人员将S1收集的全部产品进行分类,合格品分为一类、不合格品分为另一类;
S3:分割算法,对S2中产品的图片进行分割计算,以最终的输出的y^n是一个与输入图片大小相等的对电池边界、保护膜边界以及保护膜表面结构的概率矩阵,并标识出概率值,对保护膜图片不但标识边界,还要标识内部图片如保护膜是否有破损或褶皱,当概率较高时,进行下面的S4步骤,当概率较低时,会直接选定为不合格;
S4:图片提取,先对电池边界的图片进行提取,再提取保护膜边界图片;
S5:偏差识别,比较电池边界图片与保护膜边界图片之间的偏差,识别保护膜是否贴在电池的正确位置;
S6:标识,根据S5识别的结果,标识出是否为合格品;
S7:输出,将S6的标识结果显示出来,从而分选出合格品与不合格品。
进一步的技术方案:所述S3:分割算法,具体为:
S31:图片采集,使用CCD对(合格品或不合格品)电池进行拍摄形成图片,并将拍摄的图片信息进行采集;
S32:人工标识图片,对S31的图片信息添加是否合格的标识(如,标识为合格品或不合格品);
S33:神经网络训练,将有标识的图片信息输入到神经网络中,并将一定数量的图片进行从S31到S33的操作;
S34:图片输入,(S31-S33为学习阶段,从S34-S36为使用阶段,即,可以识别一个电芯的保护膜是否为合格品或不合格品,且可以达到一定的准确率)将待识别是否为合格品的电芯拍摄成图片,并将图片输入到S35部分;
S35:分割计算,对图片信息进行分类计算,计算公式:
其中n表示网络的层数,y表示经过激活函数后的最终结果,σ表示激活函数,z是当前层的卷积输出,ω是权重矩阵,b是偏置矩阵。
S36:分割输出,根据S35的计算结果,最终的输出的y^n是一个与输入图片大小相等的概率矩阵。
在分割算法中S35步骤,只对电池的边界、保护膜边界以及保护膜图片全部进行分割计算;
对电池的边界进行分割计算,是为了确保S34步骤中,拍摄的电芯图片完整的,全部的电芯,而保护膜一般不大于电芯,而且为S4步骤,提供完整的电池的边界和保护膜边界。
保护膜图片进行分割计算,是为了识别保护膜贴在电芯上是否合格,如保护膜是否有破损或褶皱。
分割计算的结果会在S36步骤中显示,如与合格品的相似度为95.3%等。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施。
Claims (2)
1.一种检测电芯保护膜视觉检测方法,其特征在于:具体如下:
S1:产品收集,技术人员先收集一定数量电芯产品,电芯产品含合格品与不合格品;
S2:产品分类,技术人员将S1收集的全部产品进行分类,合格品分为一类、不合格品分为另一类;
S3:分割算法,对S2中产品的图片进行分割计算,以最终的输出的y^n是一个与输入图片大小相等的对电池边界、保护膜边界以及保护膜表面结构的概率矩阵,并标识出概率值;
S4:图片提取,先对电池边界的图片进行提取,再提取保护膜边界图片;
S5:偏差识别,比较电池边界图片与保护膜边界图片之间的偏差,识别保护膜是否贴在电池的正确位置;
S6:标识,根据S5识别的结果,标识出是否为合格品;
S7:输出,将S6的标识结果显示出来,从而分选出合格品与不合格品。
2.根据权利要求1所述的一种检测电芯保护膜视觉检测方法,其特征在于:
所述S3:分割算法,具体为:
S31:图片采集,使用CCD对电池进行拍摄形成图片,并将拍摄的图片信息进行采集;
S32:人工标识图片,对S31的图片信息添加是否合格的标识;
S33:神经网络训练,将有标识的图片信息输入到神经网络中,并将一定数量的图片进行从S31到S33的操作;
S34:图片输入,将待识别是否为合格品的电芯拍摄成图片,并将图片输入到S35部分;
S35:分割计算,对图片信息进行分类计算,计算公式:;
S36:分割输出,根据S35的计算结果,最终的输出的y^n是一个与输入图片大小相等的概率矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910183558.0A CN109827973A (zh) | 2019-03-12 | 2019-03-12 | 一种检测电芯保护膜视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910183558.0A CN109827973A (zh) | 2019-03-12 | 2019-03-12 | 一种检测电芯保护膜视觉检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109827973A true CN109827973A (zh) | 2019-05-31 |
Family
ID=66869209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910183558.0A Pending CN109827973A (zh) | 2019-03-12 | 2019-03-12 | 一种检测电芯保护膜视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109827973A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595401A (zh) * | 2019-08-29 | 2019-12-20 | 东莞市骏智机电科技有限公司 | 一种使用X-ray射线检测电池四角的检测方法 |
CN114445402A (zh) * | 2022-04-02 | 2022-05-06 | 深圳市龙图光电有限公司 | 半导体芯片用掩模版贴膜精度检测方法及检测装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101424645A (zh) * | 2008-11-20 | 2009-05-06 | 上海交通大学 | 基于机器视觉的焊球表面缺陷检测装置与方法 |
CN108548820A (zh) * | 2018-03-28 | 2018-09-18 | 浙江理工大学 | 化妆品纸质标签缺陷检测方法 |
-
2019
- 2019-03-12 CN CN201910183558.0A patent/CN109827973A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101424645A (zh) * | 2008-11-20 | 2009-05-06 | 上海交通大学 | 基于机器视觉的焊球表面缺陷检测装置与方法 |
CN108548820A (zh) * | 2018-03-28 | 2018-09-18 | 浙江理工大学 | 化妆品纸质标签缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
匡俐: "基于颜色和数据集分层组合CNN的交通标志识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑 2019年期》 * |
曾祥瑞: "电池表面缺陷视觉检测算法的研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技II辑》 * |
钱晓亮等: "基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望", 《北京工业大学学报》 * |
陈慧岩等: "《智能车辆理论与应用》", 31 July 2018, 北京理工大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595401A (zh) * | 2019-08-29 | 2019-12-20 | 东莞市骏智机电科技有限公司 | 一种使用X-ray射线检测电池四角的检测方法 |
CN114445402A (zh) * | 2022-04-02 | 2022-05-06 | 深圳市龙图光电有限公司 | 半导体芯片用掩模版贴膜精度检测方法及检测装置 |
CN114445402B (zh) * | 2022-04-02 | 2022-06-24 | 深圳市龙图光电有限公司 | 半导体芯片用掩模版贴膜精度检测方法及检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2018143339A (ru) | Распознавание сорняков в естественной среде | |
CN110781757B (zh) | 一种机场道面异物识别定位方法及系统 | |
CN107907775B (zh) | 接线检测方法及接线检测装置 | |
CN103679674A (zh) | 一种无人飞行器实时图像拼接方法及系统 | |
CN110381369A (zh) | 推荐信息植入位置的确定方法、装置、设备及存储介质 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN111832443B (zh) | 一种施工违规行为检测模型的构建方法及其应用 | |
CN109961398A (zh) | 风机叶片图像分割与网格优化拼接方法 | |
CN106403904A (zh) | 一种基于无人机的景观尺度植被覆盖度的计算方法及系统 | |
CN109827973A (zh) | 一种检测电芯保护膜视觉检测方法 | |
CN110263768A (zh) | 一种基于深度残差网络的人脸识别方法 | |
CN102982524B (zh) | 玉米果穗有序图像的拼接方法 | |
CN109801265A (zh) | 一种基于卷积神经网络的实时输电设备异物检测系统 | |
CN108334815A (zh) | 电力二次设备的巡检方法、开关状态识别方法及系统 | |
CN109409250A (zh) | 一种基于深度学习的无交叠视域跨摄像机行人再识别方法 | |
CN114937232A (zh) | 医废处理人员防护用具穿戴检测方法、系统和设备 | |
CN113034624A (zh) | 基于感温变色胶贴的温度预警图像识别方法、系统、设备及存储介质 | |
CN110245592A (zh) | 一种用于提升监控场景的行人重识别率的方法 | |
CN115359239A (zh) | 风电叶片缺陷检测定位方法、装置、存储介质和电子设备 | |
CN107743201A (zh) | 一种电力线廊道消费级数码相机快速拼图方法及装置 | |
CN107948586A (zh) | 基于视频拼接的跨区域运动目标检测方法和装置 | |
CN111339927A (zh) | 一种电力营业厅人员工作状态智能识别系统 | |
CN108346592A (zh) | 一种模拟晶圆背面缺陷的方法及装置 | |
CN110619365B (zh) | 一种落水检测方法 | |
CN106803290A (zh) | 输配线路巡视记录方法和装置 |
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 |
Application publication date: 20190531 |
|
RJ01 | Rejection of invention patent application after publication |