CN111398287A - 一种电池极片划痕检测系统及检测方法 - Google Patents
一种电池极片划痕检测系统及检测方法 Download PDFInfo
- Publication number
- CN111398287A CN111398287A CN201911204102.4A CN201911204102A CN111398287A CN 111398287 A CN111398287 A CN 111398287A CN 201911204102 A CN201911204102 A CN 201911204102A CN 111398287 A CN111398287 A CN 111398287A
- Authority
- CN
- China
- Prior art keywords
- battery pole
- pole piece
- scratch
- picture
- detection
- 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
Images
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
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G01N2021/8887—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
- G06T2207/10016—Video; Image sequence
Abstract
本发明的一种电池极片划痕检测系统及检测方法,可解决现有技术中采用人工校验对电池缺陷检测存在精度低、效率低、检测滞后,以及一般自动检测系统存在的误检率高、分级精度低的技术问题。系统包括装载电池极片的托物平台,旋转带,在旋转带上设置有托箱,在托箱后的旋转带上设置有分拣模块,在托箱中设置有图片采集模块,图片采集模块将采集信息发送给处理模块进行划痕目标检测,同时采用深度学习CNN网络检测提取电池极片划痕目标并对划痕目标评估分进行计算,根据多等级划分区间来判定电池极片等级;根据划痕等级分拣模块对电池极片进行分拣,检测准确度更高,采用多级进行等级划分,分级精度高。
Description
技术领域
本发明涉及电池缺陷检测技术领域,具体涉及一种电池极片划痕检测系统及检测方法。
背景技术
电极划痕是锂电池电极缺陷的一种,其产生主要由生产过程中异物或大颗粒卡在狭缝间隙内或涂布间隙上造成,其中划痕属于电极片线状缺陷的一种常见形式。其机械成因主要有以下几种:
1.由于基材质量不佳,造成有异物挡在涂辊与背辊的涂布间隙上出勒痕状;
2.由于模具模唇损伤压痕。
人为成因在电池生产线上出现几率较少,部分情形是人工磕碰,和意外错误操作产划痕,包括工具使用不当造成擦碰,手指与极面接触造成划伤。而无论是机械成因还是人为成因造成的划痕成型,如果出现电极表面物质分布不均的情况,将会严重影响电池容量。这会电池的性能产生不良的影响,且外观不整也会让下游产商对电池极片质量产生怀疑。进而影响口碑以及销量。而目前大部分化纤电池极片生产厂的生产线均采用人工外观检测方式,其有以下几个缺点:
1)只能在涂布校验后进行,并且劳动强度大,生产效率低,长时间劳作尤其夜班工作不仅会造成检测质量会下降,更重要的是身体机能也会随之下降,影响身体健康;
2)人工外检的质量统计更是效率低下,而且容易产生统计失误;
3)传统的人工检测方式具有滞后性,无法准确及时地找到缺陷出现的真正原因来排除生产和管理故障。
总之,金属锂电池电池极片生产是一个速度很高、高度自动化的生产过程,传统的人工缺陷检测已经远远不能满足精细生产的需要,而基于深度学习和数字X射线层析图片检测技术的化纤丝划痕目标检测系统及方法,能够有效保证缺陷的检测精度,并实时生成产品质量统计评估报告,辅助规范生产和管理流程。
目前,尚未有专门针对划痕这种成型缺陷的自动化检测方法,其他相关的缺陷检测相比较容易受到干扰,检测精度不高。虽然当前工业控制系统逐步完善,机器人能够替代生产工人完成繁重、复杂的重复性工作,但是对于外观检测却始终无法真正突破。
发明内容
本发明提出的一种电池极片划痕检测系统及检测方法,可解决现有技术中采用人工方式对电池缺陷检测存在准确率低、效率低、检测具有滞后性的问题,以及一般自动检测系统存在的误检严重、分级精度低的技术问题。
为实现上述目的,本发明采用了以下技术方案:
一种电池极片划痕检测系统,包括装载电池极片的托物平台,电池极片上设置有标签,还包括对托物平台进行传输的旋转带,在旋转带上设置有托箱,在托箱后的旋转带上设置有分拣模块;
在托箱中设置有采集标签图片和电池极片图片的图片采集模块,图片采集模块将采集信息发送给处理模块进行划痕目标检测;
处理模块,从标签图形中识别标签信息并读取,从电池极片图片中提取目标检测区域,将目标检测区域图片输入训练好的深度学习CNN网络,提取划痕目标检测框图片,赋予划痕目标检测框图片划痕得分,将划痕目标检测框图片输入训练好的深度学习CNN网络,获得最终得分的划痕目标检测框图片,再根据最终得分对电池极片划痕目标进行等级划分;
分拣模块根据电池极片划痕目标等级对电池极片良次品进行分拣。
进一步的,所述旋转带上设置有固定并旋转电池极片的托物平台紧固机构,所述托物平台紧固机构受控连接于处理模块。
进一步的,所述旋转带后端分岔形成优良产品输送通道和缺陷产品输送通道,所述分拣模块设置在旋转带分岔处;
分拣模块包括底平台,在底平台上分别设置有位于优良产品输送通道前的第一挡杆和位于缺陷产品输送通道前的第二挡杆,第一挡杆和第二挡杆分别连接在机械臂上,机械臂受控连接于处理模块。
进一步的,所述托物平台用于装载电池极片,所述托物平台包括底平台和设置在底平台中心的支撑杆,在支撑杆上设有弹性抓手,电池极片套入在支撑杆上后,弹性抓手将电池极片稳定在支撑杆上,避免电池极片运送过程中的晃动影响电池极片传送和成像质量;
进一步的,所述托箱中为图片采集区,图片采集模块设置在托箱中;
所述图片采集模块包括对电池极片标签图片进行采集的第一摄像模块和对电池极片各面图片进行采集的第二摄像模块,第一摄像模块为一个相机,第二摄像模块包括相机组和光源组;
其中,相机组包括一个顶部相机、两个侧面相机以及两个底部相机,每个相机内置光电传感器,通过结合外触发扫描方式和可控曝光时间,来获取稳定时间段内运动物体的高精度图片;
光源组用来对电池极片进行稳定打光,包含一个顶部中心垂直光源,底部左右两个环形光源,三个光源各自由四角型的角度锁紧装置进行固定以防止光源抖动,造成图片成像不稳定。
另一方面本发明还公开一种电池极片划痕检测方法,采用上述所述的电池极片划痕检测系统,包括以下步骤:
STEP1.对待检电池极片进行电池极片标签定位,采集标签图片,对标签图片中标签进行识别并读取信息;
STEP2.分别对待检电池极片顶部、侧面和底部进行电池极片图片采集;
STEP3.对电池极片图片进行边缘检测,获取目标检测区域,将目标检测区域作为样本,通过深度学习CNN网络训练对划痕区域进行定位,提取划痕目标检测框;
STEP4.赋予划痕目标检测框评估分,将具有评估分的划痕目标检测框作为样本,通过深度学习CNN网络训练返回最终检测分;
STEP5.根据检测分对划痕目标进行等级判定;
STEP6.分拣模块根据电池极片的等级对电池极片进行分拣。
进一步的,所述STEP1的具体过程包括:
STEP11.通过计算设定电池极片每次旋转角度,电池极片旋转一个角度后,由图片采集模块采集标签图片;
STEP12.对标签图片进行二值化、腐蚀膨胀处理,获取图片连通区域,判断是否存在标签,若不存在继续旋转电池极片,直到判断存在标签;
STEP13.对标签图片进行边缘检测并提取,将标签检测部分进行分割处理;
STEP14.通过边缘检测结果构造透视变换矩阵对标签区域进行校正;
STEP15.利用OCR技术对标签区域进行文字符号识别,读取标签信息后录入。
进一步的,所述STEP3中获取目标检测区域的具体过程包括:
STEP301.根据电池极片图片的像素均值判断是否存在电池极片,设定均值阈值,若像素均值小于均值阈值,判断为没有电池极片,不进行检测,若像素均值大于均值阈值,判断为存在电池极片,进行下一步检测;
STEP302.将电池极片图片转为灰度图,利用Canny算子对电池极片进行边缘检测;
STEP303.将处理后的图片进行腐蚀膨胀处理,使得边缘线相互连通;
STEP304.提取边缘线内的连通区域,计算连通区域面积,设定面积阈值,将面积小于面积阈值的连通区域边缘线赋值为0,将该连通区域去除;
STEP305.计算剩下的连通区域的最小外接矩形,将矩形区域作为目标检测区域;
STEP306.对图片进行预处理,在电池极片图片中截取目标检测区域,对目标检测区域图片做高斯滤波,将滤波后的图片再做归一化操作,使得图片的像素值比例压缩在0-1之间,改变图片通道排布,将BGR通道排布转化为RGB通道排布;
步骤STEP3中提取划痕目标检测框的过程包括:
STEP307.将目标检测区域的图片作为原始训练样本,根据截取目标检测区域左上角坐标,对检测目标位置的坐标进行校正;
STEP308.根据ReStepNet-50神经网络结构,并且将其中的传统卷积替换为depthwiStepe convolution,采用如下公式构造损失函数:
其中N表示目标框总个数,l表示检测框,g表示先验框,相应的下标x,y,w,h表示该框的起始点坐标(x,y)以及框的宽度w,高度h,x即为Xij,Xij表示若第i个检测框和第j 个先验框匹配值,若第i个检测框和第j个先验框匹配则为1,否则为0,c即为为检测框置信度,k=1表示该框有目标,k=0表示该框没有目标,Lconf(x,c)构成了置信度损失,用以判定预测框中是否存在目标,Lloc(x,l,g)构成了预测框回归置损失,用以判定预测框所在具体位置信息,λ1,λ2为置信度权重以及目标位置权重;
STEP309.使用STEP308步骤的方式训练深度学习CNN网络,在检测过程中将损失函数去掉,提取网络结构最后一层信息,将输出的层每个网络分别提取(x,y,w,h,c)五维信息,分别表示划痕目标检测框的起始点坐标(x,y),框的高度w,高度h以及划痕目标检测框的置信度c;
STEP310.对获取的所有划痕目标检测框按照置信度c进行排序,预设划痕检测阈值,去除置信度c低于划痕检测阈值的划痕目标检测框,使用NMSTEP算法对划痕目标检测框进行检查,设定IOU重叠阈值,将大于IOU重叠阈值的划痕目标检测框去除,将保留的划痕目标检测框作为最终的划痕目标检测框。
进一步的,所述步骤STEP4的具体过程为:
STEP41.将所得的划痕目标检测框按照检测结果的w、h各拓宽5%,并对新构造的框做越界处理,然后在电池极片图片中进行截取;
STEP42.将截取的图片进行归一化处理,同时对像素通道进行重排,将BGR通道排布转化为RGB通道排布;
STEP43.将处理后的划痕目标检测框赋予评估分,分值范围为[0,1],将划痕目标检测框与评估分共同作为训练样本;
其中,p为预测得分,t为标定得分,上标1表示目标为划痕,得分区间在(0.3,1.0] 之间,上标0表示目标不是划痕,得分区间在[0,0.3]之间,α0,α1分别为相应目标的权重,这里值分别取为1,2;
STEP45.检测过程中,去除上述损失函数层,并提取网络最后层的输出结果,后接一个Stepigmod函数将评估分归一化到0~1之间,作为终极评分。
进一步的,所述STEP5的具体过程包括:
STEP51.预先设定电池极片等级区间,
[0,0.6)优等品
[0.6,0.8)良品
[0.8,1]劣等品,
STEP52.将各划痕目标检测框根据最终检测分所在的区间,判定划痕目标检测框等级;
STEP53.同一电池极片图片中取最终检测分最高的划痕目标检测框,将该划痕目标检测框作为电池极片的等级;
STEP54.将获得的划痕目标检测分和电池极片的等级录入到电子标签中。
由上述技术方案可知,本发明的电池极片划痕检测系统系统包括装载电池极片的托物平台,旋转带,在旋转带上设置有托箱,在托箱后的旋转带上设置有分拣模块,在托箱中设置有图片采集模块,图片采集模块将采集信息发送给处理模块进行划痕目标检测。同时本发明采用深度学习CNN网络检测提取电池极片划痕目标并对划痕目标评估分进行计算,根据多等级划分区间来判定电池极片等级。根据划痕等级分拣模块对电池极片进行分拣。检测准确度更高,采用多级进行等级划分,分级精度高。
附图说明
图1是本发明系统的结构示意图;
图2是本发明方法的整体流程示意图;
图3是本发明方法中标签定位和信息读取的流程示意图;
图4是本发明方法中划痕目标检测框获取的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的电池极片划痕检测系统,包括装载电池极片的托物平台2,电池极片上设置有标签,对托物平台进行传输的旋转带1,在旋转带上设置有托箱3,在托箱后的旋转带上设置有分拣模块5,在托箱中设置有采集标签图片和电池极片图片的图片采集模块4,图片采集模块将采集信息发送给处理模块进行划痕目标检测。处理模块,从标签图形中识别标签信息并读取,从电池极片图片中提取目标检测区域,将目标检测区域图片输入训练好的深度学习CNN网络,提取划痕目标检测框图片,赋予划痕目标检测框图片划痕得分,将划痕目标检测框图片输入训练好的深度学习CNN网络,获得最终得分的划痕目标;
检测框图片,根据最终得分对电池极片划痕目标进行等级划分;分拣模块,根据电池极片划痕目标等级对电池极片良次品进行分拣。
其中托物平台用于装载电池极片,托物平台包括底平台和设置在底平台中心的支撑杆,在支撑杆上设有弹性抓手,电池极片套入在支撑杆上后,弹性抓手将电池极片稳定在支撑杆上,避免电池极片运送过程中的晃动影响电池极片传送和成像质量。
旋转带上设置有固定并旋转电池极片的托物平台紧固机构,托物平台紧固机构受控连接于处理模块。紧固机构包括转动平台,转动平台转动收处理模块控制,转动平台上设有装卸阀门,可以通过装卸阀门将托物平台紧固在转动平台上。
托箱中为图片采集区,图片采集模块4设置在托箱中,图片采集模块4主要包括对电池极片标签图片进行采集的第一摄像模块和对电池极片各面图片进行采集的第二摄像模块,第一摄像模块可以为一个相机,第二摄像模块包括相机组合光源组,相机组包括一个顶部相机、两个侧面相机以及两个底部相机,每个相机内置光电传感器,通过结合外触发扫描方式和可控曝光时间,来获取稳定时间段内运动物体的高精度图片。光源组主要用来对电池极片进行稳定打光,包含一个顶部中心垂直光源,底部左右两个环形光源,三个光源各自由四角型的角度锁紧装置进行固定以防止光源抖动,造成图片成像不稳定。相机芯片内置能够获取高精度图片的光电传感器,通过结合外触发扫描方式和可控曝光时间,来获取稳定时间段内运动物体的图片。将光源组采用角度锁紧机构安装,防止震动对光源角度产生影响,来对电池极片进行稳定打光,在托箱的上端和底端的合适位置和方向安装相机。当电池极片到达相机曝光范围内时,电池极片反射的光线通过相机镜头投射到传感器上,当传感器曝光后,光电二极管收到光线的激发释放出电荷,产生电信号,电信号通过相机芯片利用感光元件中的控制信号线路对光电二极管产生的电流进行控制,由电流传输电路输出,相机芯片将一次成像产生的电信号收集起来,统一输出到放大器,经过放大和滤波后的电信号被送到A/D,由A/D将电信号转化为数字信号,并输出到数字信号处理器 (DSTEPP)中,DSTEPP将这些图片进行色彩校正,白平衡处理等后期图片处理,编码为DC所支持的特定分辨率和图片格式的图片文件,最后保存图片文件到存储器。
旋转带后端分岔形成优良产品输送通道8和缺陷产品输送通道9,分拣模块5设置在旋转带分岔处,分拣模块包括底平台,在底平台上分别设置有位于优良产品输送通道前的第一挡杆6和位于缺陷产品输送通道前的第二挡杆7,第一挡杆和第二挡杆分别连接在机械臂上,机械臂受控连接于处理模块。分拣模块能由处理模块控制运行,当电池极片检测后为良品,则控制第一档杆降下,电池极片输送到优良产品输送通道,当电池极片检测后为裂品,则控制第二挡杆降下,电池极片输送到缺陷产品输送通道。
本发明实施例对应的检测方法如下:
一种基于深度学习和数字X射线层析图片检测技术的电池极片划痕检测方法,如图2所示,包括以下步骤:
STEP1.对待检电池极片进行电池极片标签定位,采集标签图片,对标签图片中标签进行识别并读取信息;
STEP2.分别对待检电池极片顶部、侧面和底部进行电池极片图片采集;
STEP3.对电池极片图片进行边缘检测,获取目标检测区域,将目标检测区域作为样本,通过深度学习CNN网络训练对划痕区域进行定位,提取划痕目标检测框;
STEP4.赋予划痕目标检测框评估分,将具有评估分的划痕目标检测框作为样本,通过深度学习CNN网络训练返回最终检测分;
STEP5.根据检测分对划痕目标进行等级判定;
STEP6.分拣模块根据电池极片的等级对电池极片进行分拣。
步骤STEP1的具体过程如图3所示,包括:
STEP11.通过计算设定电池极片每次旋转角度,电池极片进入图片采集区域时,电池极片进行旋转,电池极片旋转一个角度后,由图片采集模块采集标签图片;
STEP12.对标签图片进行二值化、腐蚀膨胀处理,获取图片连通区域,并计算连通区域面积大小,根据预先设定的先验阈值[AreaMin,AreaMax],根据连通区域面积是否落在先验阈值[AreaMin,AreaMax]范围内来判断是否存在标签,当不落在先验范围内是,判断不存在标签,则继续旋转电池极片,直到判断存在标签;若存在标签,则计算连通区域中心位置偏移角度,将标签旋转至相机图片中心区域。将标签置于相机中心位置防止角度偏差造成的精度损失。
STEP13.对标签图片进行边缘提取和直线检测,将标签检测区域进行分割;过程包括:
STEP131对步骤STEP12得到的图片标签区域计算其最小外接矩形,并对矩形区域进行切割;
STEP132.将最大连通区域以外区域赋值为0,并使用霍夫变换的直线检测计算标签连通区域的上边界线、下边界线,并计算相应边界线的倾斜角度,相应的直线用极坐标表示如下:
r=x*coStep(θ)+y*Stepin(θ)
其中(x,y)为原图中点的坐标,r为该点到原点的距离,θ为旋转角度。
STEP133.将得到的上边界线并结合连通区域边缘点确定标签左上角点的坐标(x0,y0),右上角点的坐标(x1,y1),同理得到的下边界线并结合连通区域边缘点确定标签左下角点的坐标(x2,y2),右下角点的坐标(x3,y3)。
STEP14.通过直线检测结果构造透视变换矩阵对标签区域进行校正;过程包括:
STEP141.根据得到的四个标签顶点坐标,同时提取连通区域的四个顶点位置坐标(x'0,y'0),(x'1,y'1),(x'2,y'2),(x'3,y'3)。根据如下透视变换公式计算透视变换矩阵:
其中,坐标(x,y)为标签顶点,(x',y')为连通区域外接矩形顶点,u’、v’、w’为中间参数,同时满足x'=u'/w',y'=v'/w'。通过矩阵乘法可得:
将(x0,y0),(x1,y1),(x2,y2),(x3,y3),(x'0,y'0),(x'1,y'1),(x'2,y'2),(x'3,y'3)代入上式,即可得求得透视变换矩阵。
STEP142.通过得到的透视变换矩阵,将标签的每个像素点进行透视变换,最终得到的图片即为校正后的图。
STEP15.使用OCR技术对标签区域进行字符识别,读取标签信息并录入。
如图4所示,步骤STEP3中获取划痕目标检测框的具体过程包括:
STEP301.根据电池极片图片的像素均值判断是否存在电池极片,设定均值阈值,若像素均值小于均值阈值,判断为没有电池极片,不进行检测,若像素均值大于均值阈值,判断为存在电池极片,进行下一步检测;
STEP302.将电池极片图片转为灰度图,实用Canny算子对电池极片进行边缘检测;
STEP303.将处理后图片进行腐蚀膨胀操作,将边缘线相互连通;
STEP304.获取边缘线内的连通区域,计算连通区域面积,设定面积阈值,将面积小于面积阈值的连通区域边缘线赋值为0,将该连通区域去除;
STEP305.求取剩下的连通区域的最小外接矩形,将矩形区域作为目标检测区域;
STEP306.对图片进行预处理,在电池极片图片中截取目标检测区域,对目标检测区域图片做高斯滤波处理,将滤波后图片做归一化操作,将像素值比例压缩在0-1之间,改变图片通道跑步,将BGR通道排布转化为RGB通道排布。
STEP307.将目标检测区域的图片作为原始训练样本,根据截取目标检测区域左上角坐标,对检测目标位置的坐标进行校正;
STEP308.结合ReStepNet-50网络结构,并将其中的传统卷积替换为depthwiStepe
convolution,采用如下公式构造损失函数:
其中
其中N表示目标框总个数,l表示检测框,g表示先验框,相应的下标x,y,w,h表示该框的起始点坐标(x,y)以及框的宽度w,高度h,x即为Xij,Xij表示若第i个检测框和第j 个先验框匹配值,若第i个检测框和第j个先验框匹配则为1,否则为0,c即为为检测框置信度,k=1表示该框有目标,k=0表示该框没有目标,Lconf(x,c)构成了置信度损失,用以判定预测框中是否存在目标,Lloc(x,l,g)构成了预测框回归置损失,用以判定预测框所在具体位置信息,λ1,λ2为置信度权重以及目标位置权重;
STEP309.使用上步骤的方式训练深度学习CNN网络,在检测过程中将损失函数去掉,提取网络结构最后一层信息,将输出的层每个网络分别提取(x,y,w,h,c)五维信息,分别表示划痕目标检测框的起始点坐标(x,y),框的高度w,高度h以及划痕目标检测框的置信度 c;
STEP310.对提取的所有划痕目标检测框按照置信度c进行排序,预设划痕检测阈值,去除置信度c低于划痕检测阈值的划痕目标检测框,使用NMSTEP算法对划痕目标检测框进行检查,设定IOU重叠阈值,将大于IOU重叠阈值的划痕目标检测框去除,将保留的划痕目标检测框作为最终的划痕目标检测框。
如图4所示,步骤STEP4中获得划痕目标检测框检测分的具体过程为:
STEP41.将所得的划痕目标检测框按照检测结果的w、h各拓宽5%,并对新构造的框做越界处理,然后在电池极片图片中进行截取;
STEP42.将截取的图片进行归一化处理,同时对像素通道进行重排,将BGR通道排布转化为RGB通道排布;
STEP43.将处理后的划痕目标检测框赋予评估分,分值范围为[0,1],将划痕目标检测框与评估分共同作为训练样本;
STEP44.根据ReStepNet-18网络,缩减其各层channel个数构造用于训练的网络结构,并使用如下损失函数:
其中,p为预测得分,t为标定得分,上标1表示目标为划痕,得分区间在(0.3,1.0] 之间,上标0表示目标不是划痕,得分区间在[0,0.3]之间,α0,α1分别为相应目标的权重,这里值分别取为1,2;
STEP45.检测过程中,去除上述损失函数层,并提取网络最后层的输出结果,后接一个Stepigmod函数将评估分归一化到0~1之间,作为最终检测分。
步骤STEP5的划痕目标等级目标判定过程包括:
STEP51.预先设定电池极片等级区间,
[0,0.6)优等品
[0.6,0.8)良品
[0.8,1]劣等品,
STEP52.将各划痕目标检测框根据最终检测分所在的区间,判定划痕目标检测框等级;
STEP53.同一电池极片图片中取最终检测分最高的划痕目标检测框,将该划痕目标检测框作为电池极片的等级;
STEP54.将获得的划痕目标检测分和电池极片的等级录入到电子标签中。另外处理模块对日产电池极片总量统计、日检划痕数目统计、日检缺陷剔除量统计以及批次异常极片统计。对于异常极片进一步给定具体划痕目标位置,划痕等级,电池极片检测速度,平均检测速度,极片检测检测日期以及具体时间给出详细质量报表,并将相应信息一并录入电子标签中;根据统计到的缺陷信息追本溯源,规范生产管理和操作流程。
与划痕判定的进行的同时,处理模块根据旋转带传送的速度,以及电池极片检测位置到分拣模块的长度,计算出电池极片到达分拣模块的时间,将实到达时间与电子标签相对应,在电池极片到达分拣模块时,依靠电池极片等级进行分拣。
分拣的过程为:
判断电池极片等级为优等品、良品或劣等品。
若判断为优等品或良品,则会激活机械臂将缺陷产品输送通道前的第二挡杆升起,优良产品输送通道前的第一挡杆降下,此时电池极片会随旋转带进入优良产品输送通道,若判断为劣等品,会激活机械臂将次第二挡杆降下,第一挡杆升起,此时电池极片会随旋转带进入优良产品输送通道。
最终,电池极片完成回流分拣,并将所有信息保存到电子标签中。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电池极片划痕检测系统,其特征在于:包括装载电池极片的托物平台(2),电池极片上设置有标签,还包括对托物平台(2)进行传输的旋转带(1),在旋转带(1)上设置有托箱(3),在托箱(3)后的旋转带(1)上设置有分拣模块(5);
在托箱(3)中设置有采集标签图片和电池极片图片的图片采集模块(4),图片采集模块(4)将采集信息发送给处理单元(10)进行划痕目标检测;
处理单元(10)从标签图形中识别标签信息并读取,从电池极片图片中提取目标检测区域,将目标检测区域图片输入训练好的深度学习CNN网络,提取划痕目标检测框图片,赋予划痕目标检测框图片划痕得分,将划痕目标检测框图片输入训练好的深度学习CNN网络,获得最终得分的划痕目标检测框图片,再根据最终得分对电池极片划痕目标进行等级划分;
分拣模块(5)根据电池极片划痕目标等级对电池极片良次品进行分拣。
2.根据权利要求1所述的电池极片划痕检测系统,其特征在于:所述旋转带(1)上设置有固定并旋转电池极片的托物平台紧固机构,所述托物平台紧固机构受控连接于处理模块。
3.根据权利要求1所述的电池极片划痕检测系统,其特征在于:所述旋转带(1)后端分岔形成优良产品输送通道(8)和缺陷产品输送通道(9),所述分拣模块(5)设置在旋转带分岔处;
分拣模块包括底平台,在底平台上分别设置有位于优良产品输送通道前的第一挡杆(6)和位于缺陷产品输送通道前的第二挡杆(7),第一挡杆(6)和第二挡杆(7)分别连接在机械臂上,机械臂受控连接于处理模块。
4.根据权利要求1所述的电池极片划痕检测系统,其特征在于:
所述托物平台(2)用于装载电池极片,所述托物平台(2)包括底平台和设置在底平台中心的支撑杆,在支撑杆上设有弹性抓手,电池极片套入在支撑杆上后,弹性抓手将电池极片稳定在支撑杆上,避免电池极片运送过程中的晃动影响电池极片传送和成像质量;
5.根据权利要求1所述的电池极片划痕检测系统,其特征在于:
所述托箱(3)中为图片采集区,图片采集模块(4)设置在托箱(3)中;
所述图片采集模块(4)包括对电池极片标签图片进行采集的第一摄像模块和对电池极片各面图片进行采集的第二摄像模块,第一摄像模块为一个相机,第二摄像模块包括相机组和光源组;
其中,相机组包括一个顶部相机、两个侧面相机以及两个底部相机,每个相机内置光电传感器,通过结合外触发扫描方式和可控曝光时间,来获取稳定时间段内运动物体的高精度图片;
光源组用来对电池极片进行稳定打光,包含一个顶部中心垂直光源,底部左右两个环形光源,三个光源各自由四角型的角度锁紧装置进行固定以防止光源抖动,造成图片成像不稳定。
6.一种电池极片划痕检测方法,采用如权利要求1-5任意一项所述的电池极片划痕检测系统,其特征在于:包括以下步骤:
STEP1.对待检电池极片进行电池极片标签定位,采集标签图片,对标签图片中标签进行识别并读取信息;
STEP2.分别对待检电池极片顶部、侧面和底部进行电池极片图片采集;
STEP3.对电池极片图片进行边缘检测,获取目标检测区域,将目标检测区域作为样本,通过深度学习CNN网络训练对划痕区域进行定位,提取划痕目标检测框;
STEP4.赋予划痕目标检测框评估分,将具有评估分的划痕目标检测框作为样本,通过深度学习CNN网络训练返回最终检测分;
STEP5.根据检测分对划痕目标进行等级判定;
STEP6.分拣模块根据电池极片的等级对电池极片进行分拣。
7.根据权利要求6所述的电池极片划痕检测方法,其特征在于:
所述STEP1的具体过程包括:
STEP11.通过计算设定电池极片每次旋转角度,电池极片旋转一个角度后,由图片采集模块采集标签图片;
STEP12.对标签图片进行二值化、腐蚀膨胀处理,获取图片连通区域,判断是否存在标签,若不存在继续旋转电池极片,直到判断存在标签;
STEP13.对标签图片进行边缘检测并提取,将标签检测部分进行分割处理;
STEP14.通过边缘检测结果构造透视变换矩阵对标签区域进行校正;
STEP15.利用OCR技术对标签区域进行文字符号识别,读取标签信息后录入。
8.根据权利要求6所述的电池极片划痕检测方法,其特征在于:
所述STEP3中获取目标检测区域的具体过程包括:
STEP301.根据电池极片图片的像素均值判断是否存在电池极片,设定均值阈值,若像素均值小于均值阈值,判断为没有电池极片,不进行检测,若像素均值大于均值阈值,判断为存在电池极片,进行下一步检测;
STEP302.将电池极片图片转为灰度图,利用Canny算子对电池极片进行边缘检测;
STEP303.将处理后的图片进行腐蚀膨胀处理,使得边缘线相互连通;
STEP304.提取边缘线内的连通区域,计算连通区域面积,设定面积阈值,将面积小于面积阈值的连通区域边缘线赋值为0,将该连通区域去除;
STEP305.计算剩下的连通区域的最小外接矩形,将矩形区域作为目标检测区域;
STEP306.对图片进行预处理,在电池极片图片中截取目标检测区域,对目标检测区域图片做高斯滤波,将滤波后的图片再做归一化操作,使得图片的像素值比例压缩在0-1之间,改变图片通道排布,将BGR通道排布转化为RGB通道排布;
步骤STEP3中提取划痕目标检测框的过程包括:
STEP307.将目标检测区域的图片作为原始训练样本,根据截取目标检测区域左上角坐标,对检测目标位置的坐标进行校正;
STEP308.根据ReStepNet-50神经网络结构,并且将其中的传统卷积替换为depthwiStepe convolution,采用如下公式构造损失函数:
其中N表示目标框总个数,l表示检测框,g表示先验框,相应的下标x,y,w,h表示该框的起始点坐标(x,y)以及框的宽度w,高度h,x即为Xij,Xij表示若第i个检测框和第j个先验框匹配值,若第i个检测框和第j个先验框匹配则为1,否则为0,c即为为检测框置信度,k=1表示该框有目标,k=0表示该框没有目标,Lconf(x,c)构成了置信度损失,用以判定预测框中是否存在目标,Lloc(x,l,g)构成了预测框回归置损失,用以判定预测框所在具体位置信息,λ1,λ2为置信度权重以及目标位置权重;
STEP309.使用STEP308步骤的方式训练深度学习CNN网络,在检测过程中将损失函数去掉,提取网络结构最后一层信息,将输出的层每个网络分别提取(x,y,w,h,c)五维信息,分别表示划痕目标检测框的起始点坐标(x,y),框的高度w,高度h以及划痕目标检测框的置信度c;
STEP310.对获取的所有划痕目标检测框按照置信度c进行排序,预设划痕检测阈值,去除置信度c低于划痕检测阈值的划痕目标检测框,使用NMSTEP算法对划痕目标检测框进行检查,设定IOU重叠阈值,将大于IOU重叠阈值的划痕目标检测框去除,将保留的划痕目标检测框作为最终的划痕目标检测框。
9.根据权利要求6所述的电池极片划痕检测方法,其特征在于:
所述步骤STEP4的具体过程为:
STEP41.将所得的划痕目标检测框按照检测结果的w、h各拓宽5%,并对新构造的框做越界处理,然后在电池极片图片中进行截取;
STEP42.将截取的图片进行归一化处理,同时对像素通道进行重排,将BGR通道排布转化为RGB通道排布;
STEP43.将处理后的划痕目标检测框赋予评估分,分值范围为[0,1],将划痕目标检测框与评估分共同作为训练样本;
其中,p为预测得分,t为标定得分,上标1表示目标为划痕,得分区间在(0.3,1.0]之间,上标0表示目标不是划痕,得分区间在[0,0.3]之间,α0,α1分别为相应目标的权重,这里值分别取为1,2;
STEP45.检测过程中,去除上述损失函数层,并提取网络最后层的输出结果,后接一个Stepigmod函数将评估分归一化到0~1之间,作为终极评分。
10.根据权利要求6所述的电池极片划痕检测方法,其特征在于:
所述STEP5的具体过程包括:
STEP51.预先设定电池极片等级区间,
[0,0.6)优等品
[0.6,0.8)良品
[0.8,1]劣等品,
STEP52.将各划痕目标检测框根据最终检测分所在的区间,判定划痕目标检测框等级;
STEP53.同一电池极片图片中取最终检测分最高的划痕目标检测框,将该划痕目标检测框作为电池极片的等级;
STEP54.将获得的划痕目标检测分和电池极片的等级录入到电子标签中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911204102.4A CN111398287A (zh) | 2019-11-29 | 2019-11-29 | 一种电池极片划痕检测系统及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911204102.4A CN111398287A (zh) | 2019-11-29 | 2019-11-29 | 一种电池极片划痕检测系统及检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111398287A true CN111398287A (zh) | 2020-07-10 |
Family
ID=71436078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911204102.4A Pending CN111398287A (zh) | 2019-11-29 | 2019-11-29 | 一种电池极片划痕检测系统及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111398287A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396344A (zh) * | 2020-11-30 | 2021-02-23 | 天津大学 | 一种基于产品质量的化工过程可靠性在线评估方法 |
CN112991287A (zh) * | 2021-03-08 | 2021-06-18 | 湘潭大学 | 一种基于全卷积神经网络的自动压痕测量方法 |
CN114441542A (zh) * | 2022-01-28 | 2022-05-06 | 天津市海迅科技发展有限公司 | 一种基于视觉检测的控制方法 |
CN115063421A (zh) * | 2022-08-16 | 2022-09-16 | 成都数联云算科技有限公司 | 极片区域检测方法及系统及装置及介质及缺陷检测方法 |
CN116596932A (zh) * | 2023-07-18 | 2023-08-15 | 北京阿丘机器人科技有限公司 | 电池顶盖极柱外观检测方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255787A (zh) * | 2018-10-15 | 2019-01-22 | 杭州慧知连科技有限公司 | 基于深度学习和图像处理技术的丝锭划痕检测系统及方法 |
CN109550712A (zh) * | 2018-12-29 | 2019-04-02 | 杭州慧知连科技有限公司 | 一种化纤丝尾丝外观缺陷检测系统及方法 |
-
2019
- 2019-11-29 CN CN201911204102.4A patent/CN111398287A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255787A (zh) * | 2018-10-15 | 2019-01-22 | 杭州慧知连科技有限公司 | 基于深度学习和图像处理技术的丝锭划痕检测系统及方法 |
CN109550712A (zh) * | 2018-12-29 | 2019-04-02 | 杭州慧知连科技有限公司 | 一种化纤丝尾丝外观缺陷检测系统及方法 |
Non-Patent Citations (1)
Title |
---|
杨燕等: "基于机器视觉的纽扣电池表面划痕检测方法研究", 《自动化与仪表》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396344A (zh) * | 2020-11-30 | 2021-02-23 | 天津大学 | 一种基于产品质量的化工过程可靠性在线评估方法 |
CN112991287A (zh) * | 2021-03-08 | 2021-06-18 | 湘潭大学 | 一种基于全卷积神经网络的自动压痕测量方法 |
CN112991287B (zh) * | 2021-03-08 | 2022-09-16 | 湘潭大学 | 一种基于全卷积神经网络的自动压痕测量方法 |
CN114441542A (zh) * | 2022-01-28 | 2022-05-06 | 天津市海迅科技发展有限公司 | 一种基于视觉检测的控制方法 |
CN115063421A (zh) * | 2022-08-16 | 2022-09-16 | 成都数联云算科技有限公司 | 极片区域检测方法及系统及装置及介质及缺陷检测方法 |
CN115063421B (zh) * | 2022-08-16 | 2022-10-28 | 成都数联云算科技有限公司 | 极片区域检测方法及系统及装置及介质及缺陷检测方法 |
CN116596932A (zh) * | 2023-07-18 | 2023-08-15 | 北京阿丘机器人科技有限公司 | 电池顶盖极柱外观检测方法、装置、设备及存储介质 |
CN116596932B (zh) * | 2023-07-18 | 2024-02-09 | 北京阿丘机器人科技有限公司 | 电池顶盖极柱外观检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255787B (zh) | 基于深度学习和图像处理技术的丝锭划痕检测系统及方法 | |
CN111398287A (zh) | 一种电池极片划痕检测系统及检测方法 | |
CN109550712B (zh) | 一种化纤丝尾丝外观缺陷检测系统及方法 | |
CN109454006B (zh) | 基于化纤丝锭绊丝缺陷在线检测和分级的装置的检测分级方法 | |
CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN107203990B (zh) | 一种基于模板匹配与图像质量评估的标贴破损检测方法 | |
CN108355981B (zh) | 一种基于机器视觉的电池连接器质量检测方法 | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN104112269B (zh) | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 | |
CN109489566B (zh) | 锂电池隔膜材料分切宽度检测方法、检测系统及装置 | |
CN113324864B (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
CN105388162A (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
CN108537772B (zh) | 贴片电阻正导体印刷缺陷的视觉检测方法 | |
CN111062938A (zh) | 基于机器学习的板材涨塞检测系统和检测方法 | |
CN110554052A (zh) | 一种人造板表面缺陷检测方法及其系统 | |
CN113608378A (zh) | 一种基于lcd制程的全自动缺陷检测方法和系统 | |
CN114636706A (zh) | 一种太阳能电池片在镀膜后的图像检测的综合方法及装置 | |
CN110880184A (zh) | 一种基于光流场进行摄像头自动巡检的方法及装置 | |
CN112881412A (zh) | 一种废钢产品中非金属异物检测方法 | |
CN114359155A (zh) | 一种覆膜方法及系统 | |
CN115290663A (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
WO2020119246A1 (zh) | 一种基于反射光的高光物体表面缺陷检测系统及方法 | |
CN111307820A (zh) | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 | |
CN112837285B (zh) | 一种板面图像的边缘检测方法及装置 | |
CN211905142U (zh) | 一种全自动眼镜镜片检测设备 |
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: 20200710 |
|
RJ01 | Rejection of invention patent application after publication |