CN110738205A - 一种基于机器视觉的电芯正负极识别设备及方法 - Google Patents
一种基于机器视觉的电芯正负极识别设备及方法 Download PDFInfo
- Publication number
- CN110738205A CN110738205A CN201910973789.1A CN201910973789A CN110738205A CN 110738205 A CN110738205 A CN 110738205A CN 201910973789 A CN201910973789 A CN 201910973789A CN 110738205 A CN110738205 A CN 110738205A
- Authority
- CN
- China
- Prior art keywords
- battery cell
- image
- detection system
- gray
- positive
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000007246 mechanism Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 7
- 229920006257 Heat-shrinkable film Polymers 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 6
- 239000007888 film coating Substances 0.000 claims description 6
- 238000009501 film coating Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 238000012850 discrimination method Methods 0.000 claims description 2
- 230000026676 system process Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G47/00—Article or material-handling devices associated with conveyors; Methods employing such devices
- B65G47/22—Devices influencing the relative position or the attitude of articles during transit by conveyors
- B65G47/24—Devices influencing the relative position or the attitude of articles during transit by conveyors orientating the articles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出的是一种基于机器视觉的电芯正负极识别设备及方法,其设备包括CCD检测系统、检测系统基座及送料传送系统;其中CCD检测系统设置于检测系统基座上,送料传送系统横向贯穿检测系统基座;送料传送系统将圆柱电芯载具输送至相应位置并进行定位,检测系统基座运送CCD检测系统至相应位置采集图像信息,CCD检测系统将所采集的图像信息传输至主控系统,由主控系统进行处理以完成电芯正负极识别,根据圆柱电芯自身特点有选择地进行图像处理过程,通过彩色图像灰度化算法有效获得目标特征明显的灰度图像,同时通过分析电芯正负极表面特征选择了最优的特征进行模板匹配,有效缩短无效识别过程,提高了电芯正负极的识别准确率及识别效率。
Description
技术领域
本发明涉及的是一种基于机器视觉的电芯正负极识别设备及方法,属于自动化检测技术领域。
背景技术
在电子产品自动化装配过程中,多数产品由于其特殊的结构以及特殊的工艺,多数零部件在上料上料完成后具有特殊位姿,故在完成上料之后需要对其位姿进行检测。以电芯模组自动组装为例:电芯模组包括电芯;在装配过程中,电芯需实现以正负极交错的形式进行上料;一旦电芯方向发生错误,在后续的装配过程中便会因电芯短路而引起火灾。
但是,由于电芯上料频率较高、电芯及电池包种类繁多;虽然电芯排布具有一定的规律,但不同种类的电池包具有不同的排布规律。因此,在自动化装配过程中,若采用人工进行检测,人工极易疲劳而引起误判,造成严重的后果。
发明内容
本发明的目的在于解决上述现有电芯模组装配过程存在的问题,提供一种基于机器视觉的圆柱电芯正负极识别设备及方法,能够实现装配过程中载具上电芯位姿在线检测。
本发明的技术解决方案:一种基于机器视觉的电芯正负极识别设备,其结构包括CCD检测系统、检测系统基座及送料传送系统;其中CCD检测系统设置于检测系统基座上,送料传送系统横向贯穿检测系统基座;所述检测系统基座包括第一直线模组、第二直线模组、遮光罩、模组支座及底座;其中第二直线模组置于第一直线模组上且相互垂直,第一直线模组置于模组支座上,遮光罩及模组支座置于底座上,第一直线模组、第二直线模组、模组支座均置于遮光罩中;所述CCD检测系统包括CCD相机、环形光源及安装支架;其中CCD相机及环形光源置于安装支架上,环形光源设置于CCD相机的下方,环形光源圆心与CCD相机截面几何中心位于同一铅垂线内,安装支架与第二直线模组相连;所述送料传送系统设置于底座之间,其结构包括传送线体、挡停机构及顶升定位机构;其中顶升定位机构置于第一直线模组与第二直线模组运动区域内,顶升定位机构前后各设一个挡停机构,传送线体置于送料传送系统两侧。
该设备的电芯正负极识别方法包括以下步骤:
(1)通过送料传送系统将圆柱电芯载具运送到指定位置;
(2)检测系统支座搭载CCD检测系统至指定位置获取图像信息并将图像信息传送至主控系统进行处理;
(3)提取步骤(2)所采集图像信息内部圆柱电芯特征区域,采集目标颜色作为基准将不同颜色映射到相应灰度值,并输出灰度图像,具体包括:①目标色彩区域提取;②将目标色彩区域内各颜色分解RGB三通道;③求取目标色彩区域内各个颜色分量平均值; ④遍历彩色图像区域,并将颜色信息映射到灰度信息,⑤获得灰度图像;⑥当存在多个目标色彩区域时,重复上述步骤①-5⑤,得到的两幅灰度图像进行对比,取两幅图像中同一像素区域内灰度值较大的作为最终输出图像灰度值;颜色映射方法如下:将彩色信息映射到[a, b]范围的灰度区域,颜色信息与目标颜色相似度越高则灰度值与b差值越小。
(4)利用图像形态学操作技术对步骤(3)所输出的图像进行缺陷剔除,去除电芯金属表面特殊处理以及电芯锈蚀等引起的干扰,并输出图像;形态学操作选用圆形模板对图像进行闭操作,圆形模板通过n*n矩形模板设置指定区域值为0获得。
(5)选用Hough圆检测算对步骤(4)输出图像进行圆柱电芯外圆半径提取;
(6)将步骤(4)输出图像包含特征及步骤(5)提取的圆柱电芯外圆半径与事先提取的圆柱电芯特征(①圆柱电芯外径;②圆柱电芯正极模板:圆柱电芯正极正投影热缩膜包覆区域灰度分布特征;③圆柱电芯负极模板:圆柱电芯负极正投影图像灰度分布特征)进行比对,获得对应相似度阈值并通过主控系统判断出该图像信息是否包含圆柱电芯,若包含圆柱电芯则输出该电芯的极性,具体包括:①将样本图像中所检测到的圆柱电芯外圆半径与预设圆柱电芯外圆半径进行对比,当差值超过预设阈值时,输出异常报警;当差值小于预设阈值时进行后续操作;②将样本图像所检测到热缩膜包覆区域灰度值分布特征与正极模板对应特征进行匹配,得出置信度结果a1;③将样本图像所检测到电芯所在区域灰度分布特征与电芯负极模板进行匹配,得出置信度结果a2;④同时对比预设置信度a1、预设阈值a01及a2、预设阈值a02,当a1>a01且a2小于a02时判定为正极,当a1<a01且a2>a02时判定为负极,其余情况均输出异常报警。
本发明的优点:根据圆柱电芯自身的一系列特点有选择地进行图像处理过程,通过特殊的彩色图像灰度化算法有效获得目标特征明显的灰度图像,同时通过分析电芯正负极表面特征选择了最优的特征进行模板匹配,达到了良好的识别效果,通过圆柱电芯外径进行识别,有效缩短无效识别过程,提高了电芯正负极的识别准确率及识别效率。
附图说明
附图1是一种基于机器视觉的电芯正负极识别装置结构示意图。
附图2是CCD检测系统的结构示意图
附图3是检测系统支座的结构示意图
附图4是送料传送带的结构示意图
附图5是一种基于机器视觉的电芯正负极识别方法流程图。
其中1是CCD检测系统,2是检测系统支座,3是送料传送系统,4是圆柱电芯载具,11是CCD相机,12是环形光源,13是安装支架,21是第一直线模组,22是第二实现模组,23是遮光罩,24是模组支座,25是底座,31是传送线体,32是挡停机构,33是顶升定位机构。
具体实施方式
下面根据附图进一步说明本发明的技术方案。
如图1所示的一种基于机器视觉的电芯正负极识别设备包括CCD检测系统1、检测系统基座2及送料传送系统3;其中CCD检测系统1设置于检测系统基座2上,送料传送系统3横向贯穿检测系统基座2;送料传送系统3将圆柱电芯载具4输送至相应位置并进行定位,检测系统基座2运送CCD检测系统1至相应位置采集图像信息,CCD检测系统1将所采集的图像信息传输至主控系统,由主控系统进行处理以完成电芯正负极识别。
如图2所示,所述CCD检测系统1包括CCD相机11、环形光源12及安装支架13;其中CCD相机11及环形光源12置于安装支架13上,环形光源12设置于CCD相机11的下方,环形光源12圆心与CCD相机11截面几何中心位于同一铅垂线内,安装支架13与第二直线模组22相连。CCD相机11用于采集图像信息,环形光源12用于增加环境亮度同时减低外界光照的干扰,安装支架13用于固定CCD相机11与环形光源12的相对位置,与第二直线模组22相连,实现CCD检测系统1与第二直线模组22联动。
如图3所示,所述检测系统基座2包括第一直线模组21、第二直线模组22、遮光罩23、模组支座24及底座25;其中第二直线模组22置于第一直线模组21上,第一直线模组21与第二直线模组22运动方向相互垂直,第一直线模组21置于模组支座24上,遮光罩23及模组支座24置于底座25上,第一直线模组21、第二直线模组22、模组支座24均置于遮光罩23中。第一直线模组21带动第二直线模组22运动,第一直线模组21与第二直线模组22配合实现CCD检测系统1在水平面内移动,遮光罩23用于降低外界光照对图像信息采集的影响,底座25呈两侧对称分布。
如图4所示,所述送料传送系统3设置于底座25之间,其结构包括传送线体31、挡停机构32及顶升定位机构33;其中顶升定位机构33置于第一直线模组21与第二直线模组22运动区域内,顶升定位机构33前后各设一个挡停机构32,挡停机构32距顶升定位机构33距离大于圆柱电芯载具4在传送方向上的尺寸,传送线体31置于送料传送系统3两侧,顶升定位机构33用于对圆柱电芯载具4进行定位,挡停机构32用于阻挡圆柱电芯载具4,传送线体用于转运圆柱电芯载具4。
如图5所示,一种基于机器视觉的电芯正负极的识别方法,包括以下步骤:
(1)通过送料传送系统将圆柱电芯载具运送到指定位置;
(2)检测系统支座搭载CCD检测系统至指定位置获取图像信息并通过现场总线将图像信息传送至搭载由图像处理软件的上位机中进行处理;
(3)提取步骤(2)所采集图像信息内部圆柱电芯特征区域,采集目标颜色作为基准将不同颜色映射到相应灰度值,并输出灰度图像;
(4)利用图像形态学操作技术对步骤(3)所输出的图像进行缺陷剔除,去除电芯金属表面特殊处理以及电芯锈蚀等引起的干扰,并输出图像;
(5)对步骤(4)输出图像进行圆柱电芯外圆半径提取;
(6)将步骤(4)输出图像包含特征及步骤(5)提取的圆柱电芯外圆半径与事先提取的圆柱电芯特征进行比对,获得对应相似度阈值并通过主控系统判断出该图像信息是否包含圆柱电芯,若包含圆柱电芯则输出该电芯的极性。
所述步骤(3)具体包括:
①目标色彩区域提取;
②将目标色彩区域内各颜色分解RGB三通道;
③求取目标色彩区域内各个颜色分量平均值;
④遍历彩色图像区域,并将颜色信息映射到灰度信息,
⑤获得灰度图像;
⑥当存在多个目标色彩区域时,重复上述步骤①-5⑤,得到的两幅灰度图像进行对比,取两幅图像中同一像素区域内灰度值较大的作为最终输出图像灰度值。
所述步骤(3)中的颜色映射方法如下:将彩色信息映射到[a, b]范围的灰度区域,颜色信息与目标颜色相似度越高则灰度值与b差值越小。
所述步骤(4)中的形态学操作选用圆形模板对图像进行闭操作,圆形模板通过n*n矩形模板设置指定区域值为0获得;
所述步骤(5)中的圆柱电芯外圆半径提取选用Hough圆检测算法。
所述步骤(6)中的圆柱电芯特征包括:①圆柱电芯外径;②圆柱电芯正极模板:圆柱电芯正极正投影热缩膜包覆区域灰度分布特征;③圆柱电芯负极模板:圆柱电芯负极正投影图像灰度分布特征。
所述步骤(6)判别方法包括:
①将样本图像中所检测到的圆柱电芯外圆半径与预设圆柱电芯外圆半径进行对比,当差值超过预设阈值时,输出异常报警;当差值小于预设阈值时进行后续操作;
②将样本图像所检测到热缩膜包覆区域灰度值分布特征与正极模板对应特征进行匹配,得出置信度结果a1;
③将样本图像所检测到电芯所在区域灰度分布特征与电芯负极模板进行匹配,得出置信度结果a2;
④同时对比预设置信度a1、预设阈值a01及a2、预设阈值a02,当a1>a01且a2小于a02时判定为正极,当a1<a01且a2>a02时判定为负极,其余情况均输出异常报警。
本发明较好地排除了外界关照条件的干扰,采用机器视觉对电芯正负极进行判断,提高了判断结果的准确性,选用彩色图像颜色区域抽取算法,获取的灰度图像特性明显,干扰信息少;针对正负极不同的图像信息选择不同的图像特征,简化识别过程,对圆柱电芯自动化生产及插装有重要影响。
以上所述为本发明的优选实施方式,并非对本发明专利的专利保护范围的限制,凡是利用本发明说明书及附图内容进行等效结构变换或修饰的行为,均应认为落入本发明的保护范围内。
Claims (8)
1.一种基于机器视觉的电芯正负极识别设备,其特征是包括CCD检测系统(1)、检测系统基座(2)及送料传送系统(3);其中CCD检测系统(1)设置于检测系统基座(2)上,送料传送系统(3)横向贯穿检测系统基座(2);
所述检测系统基座(2)包括第一直线模组(21)、第二直线模组(22)、遮光罩(23)、模组支座(24)及底座(25);其中第二直线模组(22)置于第一直线模组(21)上且相互垂直,第一直线模组(21)置于模组支座(24)上,遮光罩(23)及模组支座(24)置于底座(25)上,第一直线模组(21)、第二直线模组(22)、模组支座(24)均置于遮光罩(23)中;
所述CCD检测系统(1)包括CCD相机(11)、环形光源(12)及安装支架(13);其中CCD相机(11)及环形光源(12)置于安装支架(13)上,环形光源(12)设置于CCD相机(11)的下方,环形光源(12)圆心与CCD相机(11)截面几何中心位于同一铅垂线内,安装支架(13)与第二直线模组(22)相连;
所述送料传送系统(3)设置于底座(25)之间,其结构包括传送线体(31)、挡停机构(32)及顶升定位机构(33);其中顶升定位机构(33)置于第一直线模组(21)与第二直线模组(22)运动区域内,顶升定位机构(33)前后各设一个挡停机构(32),传送线体(31)置于送料传送系统(3)两侧。
2.一种基于机器视觉的电芯正负极的识别方法,其特征是包括以下步骤:
(1)通过送料传送系统将圆柱电芯载具运送到指定位置;
(2)检测系统支座搭载CCD检测系统至指定位置获取图像信息并将图像信息传送至主控系统进行处理;
(3)提取步骤(2)所采集图像信息内部圆柱电芯特征区域,采集目标颜色作为基准将不同颜色映射到相应灰度值,并输出灰度图像;
(4)利用图像形态学操作技术对步骤(3)所输出的图像进行缺陷剔除,去除电芯金属表面特殊处理以及电芯锈蚀等引起的干扰,并输出图像;
(5)对步骤(4)输出图像进行圆柱电芯外圆半径提取;
(6)将步骤(4)输出图像包含特征及步骤(5)提取的圆柱电芯外圆半径与事先提取的圆柱电芯特征进行比对,获得对应相似度阈值并通过主控系统判断出该图像信息是否包含圆柱电芯,若包含圆柱电芯则输出该电芯的极性。
3.根据权利要求2所述的一种基于机器视觉的电芯正负极的识别方法,其特征是所述步骤(3)具体包括:
①目标色彩区域提取;
②将目标色彩区域内各颜色分解RGB三通道;
③求取目标色彩区域内各个颜色分量平均值;
④遍历彩色图像区域,并将颜色信息映射到灰度信息,
⑤获得灰度图像;
⑥当存在多个目标色彩区域时,重复上述步骤①-5⑤,得到的两幅灰度图像进行对比,取两幅图像中同一像素区域内灰度值较大的作为最终输出图像灰度值。
4.根据权利要求2所述的一种基于机器视觉的电芯正负极的识别方法,其特征是所述步骤(3)中的颜色映射方法如下:将彩色信息映射到[a, b]范围的灰度区域,颜色信息与目标颜色相似度越高,则灰度值与b差值越小。
5.根据权利要求2所述的一种基于机器视觉的电芯正负极的识别方法,其特征是所述步骤(4)中的形态学操作选用圆形模板对图像进行闭操作,圆形模板通过n*n矩形模板设置指定区域值为0获得。
6.根据权利要求2所述的一种基于机器视觉的电芯正负极的识别方法,其特征是所述步骤(5)中的圆柱电芯外圆半径提取选用Hough圆检测算法。
7.根据权利要求2所述的一种基于机器视觉的电芯正负极的识别方法,其特征是所述步骤(6)中的圆柱电芯特征包括:①圆柱电芯外径;②圆柱电芯正极模板:圆柱电芯正极正投影热缩膜包覆区域灰度分布特征;③圆柱电芯负极模板:圆柱电芯负极正投影图像灰度分布特征。
8.根据权利要求2所述的一种基于机器视觉的电芯正负极的识别方法,其特征是所述步骤(6)判别方法包括:
①将样本图像中所检测到的圆柱电芯外圆半径与预设圆柱电芯外圆半径进行对比,当差值超过预设阈值时,输出异常报警;当差值小于预设阈值时进行后续操作;
②将样本图像所检测到热缩膜包覆区域灰度值分布特征与正极模板对应特征进行匹配,得出置信度结果a1;
③将样本图像所检测到电芯所在区域灰度分布特征与电芯负极模板进行匹配,得出置信度结果a2;
④同时对比预设置信度a1、预设阈值a01及a2、预设阈值a02,当a1>a01且a2小于a02时判定为正极,当a1<a01且a2>a02时判定为负极,其余情况均输出异常报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910973789.1A CN110738205B (zh) | 2019-10-14 | 2019-10-14 | 一种基于机器视觉的电芯正负极识别设备及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910973789.1A CN110738205B (zh) | 2019-10-14 | 2019-10-14 | 一种基于机器视觉的电芯正负极识别设备及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738205A true CN110738205A (zh) | 2020-01-31 |
CN110738205B CN110738205B (zh) | 2024-05-07 |
Family
ID=69268891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910973789.1A Active CN110738205B (zh) | 2019-10-14 | 2019-10-14 | 一种基于机器视觉的电芯正负极识别设备及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738205B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113523590A (zh) * | 2021-06-17 | 2021-10-22 | 东莞市振华新能源科技有限公司 | 圆柱电芯自动削膜装置 |
CN113744269A (zh) * | 2021-11-05 | 2021-12-03 | 武汉逸飞激光股份有限公司 | 圆柱电芯焊接质量检测方法、装置、电子设备及存储介质 |
CN115930784A (zh) * | 2023-01-09 | 2023-04-07 | 广州市易鸿智能装备有限公司 | 一种视觉检测系统的点检方法 |
WO2023193234A1 (zh) * | 2022-04-08 | 2023-10-12 | 宁德时代新能源科技股份有限公司 | 偏移检测方法、装置、输送装置、存储介质 |
CN117057382A (zh) * | 2023-10-11 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 电芯识别方法和系统 |
CN117053687A (zh) * | 2023-08-17 | 2023-11-14 | 广州市西克传感器有限公司 | 一种基于激光线扫3d相机的电芯高度段差检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139399A (zh) * | 2015-08-25 | 2015-12-09 | 广州视源电子科技股份有限公司 | 一种二极管极性检测方法及装置 |
CN207123496U (zh) * | 2017-06-22 | 2018-03-20 | 惠州市德赛电池有限公司 | 一种电池正负极识别设备 |
CN210924614U (zh) * | 2019-10-14 | 2020-07-03 | 苏州新智机电科技有限公司 | 一种基于机器视觉的电芯正负极识别设备 |
-
2019
- 2019-10-14 CN CN201910973789.1A patent/CN110738205B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139399A (zh) * | 2015-08-25 | 2015-12-09 | 广州视源电子科技股份有限公司 | 一种二极管极性检测方法及装置 |
CN207123496U (zh) * | 2017-06-22 | 2018-03-20 | 惠州市德赛电池有限公司 | 一种电池正负极识别设备 |
CN210924614U (zh) * | 2019-10-14 | 2020-07-03 | 苏州新智机电科技有限公司 | 一种基于机器视觉的电芯正负极识别设备 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113523590A (zh) * | 2021-06-17 | 2021-10-22 | 东莞市振华新能源科技有限公司 | 圆柱电芯自动削膜装置 |
CN113744269A (zh) * | 2021-11-05 | 2021-12-03 | 武汉逸飞激光股份有限公司 | 圆柱电芯焊接质量检测方法、装置、电子设备及存储介质 |
CN113744269B (zh) * | 2021-11-05 | 2022-02-18 | 武汉逸飞激光股份有限公司 | 圆柱电芯焊接质量检测方法、装置、电子设备及存储介质 |
WO2023193234A1 (zh) * | 2022-04-08 | 2023-10-12 | 宁德时代新能源科技股份有限公司 | 偏移检测方法、装置、输送装置、存储介质 |
CN115930784A (zh) * | 2023-01-09 | 2023-04-07 | 广州市易鸿智能装备有限公司 | 一种视觉检测系统的点检方法 |
CN115930784B (zh) * | 2023-01-09 | 2023-08-25 | 广州市易鸿智能装备有限公司 | 一种视觉检测系统的点检方法 |
CN117053687A (zh) * | 2023-08-17 | 2023-11-14 | 广州市西克传感器有限公司 | 一种基于激光线扫3d相机的电芯高度段差检测方法 |
CN117057382A (zh) * | 2023-10-11 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 电芯识别方法和系统 |
CN117057382B (zh) * | 2023-10-11 | 2024-03-29 | 宁德时代新能源科技股份有限公司 | 电芯识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110738205B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738205A (zh) | 一种基于机器视觉的电芯正负极识别设备及方法 | |
CN106952260B (zh) | 一种基于cis图像采集的太阳能电池片缺陷检测系统和方法 | |
CN105117725B (zh) | 一种基于车牌可信度的车牌自纠正识别方法 | |
CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN109584222A (zh) | 一种基于无人机的光伏组件图像的故障分类及辨识方法 | |
CN210924614U (zh) | 一种基于机器视觉的电芯正负极识别设备 | |
CN110032946B (zh) | 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法 | |
CN106709529B (zh) | 一种光伏电池色差分类的视觉检测方法 | |
CN107610090B (zh) | 一种光伏电池片表面栅线偏移的检测方法 | |
CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
CN113313677A (zh) | 一种卷绕锂电池x光图像的质量检测方法 | |
CN107179479A (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
CN116523921A (zh) | 一种针对极耳翻折情况的检测方法、装置和系统 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN114030395B (zh) | 一种接触悬挂吊弦区域异物检测方法及系统 | |
CN109492544B (zh) | 一种通过增强光学显微镜对动物纤维进行分类的方法 | |
CN114549393B (zh) | 图像标注方法、装置、设备及计算机存储介质 | |
CN116704387B (zh) | 一种基于视频结构化的电力线路通道巡检系统和方法 | |
CN113654493A (zh) | 一种叠片软包锂电池质量检测方法及系统 | |
CN113566704A (zh) | 一种基于机器视觉的轴承总成滚珠尺寸检测方法 | |
CN112345534A (zh) | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统 | |
CN111951247A (zh) | 一种电力设备紫外图像诊断方法及系统 | |
CN113744269B (zh) | 圆柱电芯焊接质量检测方法、装置、电子设备及存储介质 | |
CN103134757A (zh) | 一种基于双目异质机器视觉的检测系统及其检测方法 |
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 |