CN112258459A - 一种基于集成深度学习的锂电池瑕疵检测方法 - Google Patents
一种基于集成深度学习的锂电池瑕疵检测方法 Download PDFInfo
- Publication number
- CN112258459A CN112258459A CN202011084115.5A CN202011084115A CN112258459A CN 112258459 A CN112258459 A CN 112258459A CN 202011084115 A CN202011084115 A CN 202011084115A CN 112258459 A CN112258459 A CN 112258459A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- deep learning
- image
- network
- integrated deep
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 72
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 72
- 230000007547 defect Effects 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000002950 deficient Effects 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 3
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 239000007888 film coating Substances 0.000 claims description 2
- 238000009501 film coating Methods 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 230000003647 oxidation Effects 0.000 claims description 2
- 238000007254 oxidation reaction Methods 0.000 claims description 2
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000037303 wrinkles Effects 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000009776 industrial production Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于集成深度学习的锂电池瑕疵检测方法,包括以下步骤:步骤(1),通过工业相机获取锂电池三维图像;步骤(2),对原始图像进行灰度化处理并进行预处理,包括滤波、除噪;步骤(3),提取预处理后的图像的感兴趣区域,作为集成深度学习神经网络的输入进行瑕疵识别;步骤(4)根据对锂电池瑕疵识别的结果,来对锂电池进行良品与次品的分流处理。本发明实现了锂电池生产过程中瑕疵检测和分类,有助于节约人工成本。同时,相较于人工检测,能够提高锂电池瑕疵检测精度和速度,提升了锂电池工业生产的效率和可靠性。
Description
技术领域
本发明涉及电池生产技术领域,尤其涉及一种基于集成深度学习的锂电池瑕疵检测方法。
背景技术
锂电池具有重量轻、使用寿命长、高低温适应能力强、额定电压高、绿色环保的特点,近年来随着各行各业的发展,锂电池的需求不断增长。
传统的锂电池瑕疵检测往往采用人工进行质量检测,这种检测方式时间长并且耗费大量人力财力,检测结果受质检人员的主观因素影响,容易出现漏检和误检的情况。随着电池生产速度的不断提高,人工检测方式无法保证在较低成本的情况下逐个检测生产的所有锂电池,所以传统的人工检测方式己经无法满足现代自动化生产需求。
通过集成深度学习技术,用计算机代替人眼判断或测量,可以取代人工完成锂电池的分选,提高效率。
发明内容
本发明的目的是针对现有的锂电池瑕疵检测方法能力不足,提供一种基于集成深度学习的锂电池瑕疵检测方法,通过计算机视觉的方法识别锂电池的瑕疵包括凹坑、褶皱、划痕、氧化、漏液、膜包覆异常,挑选出不合格的锂电池。本发明采用的技术方案是:
一种基于集成深度学习的锂电池瑕疵检测方法,包括以下步骤:
步骤(1),通过工业相机获取锂电池三维图像;
步骤(2),对原始图像进行灰度化处理并进行预处理,包括滤波、除噪;
步骤(3),将处理过的图像作为集成深度学习神经网络模型的输入,进行瑕疵识别;
步骤(4),根据对锂电池瑕疵识别的结果,来对锂电池进行良品与次品的分流处理。
进一步地,集成深度学习神经网络模型集成了YOLO(You Only Look Once)V3神经网络框架以及Faster R-CNN框架,以此来对锂电池瑕疵数据进行训练和分类。由于不再是单一的框架模型进行预测,所以模型有了更强的鲁棒性,也就不容易产生过拟合现象。
同时,集成深度学习神经网络神经网络模型是通过使用锂电池图像数据训练得到的。具体是指,通过将已有的工业相机获取到的图像进行裁剪加工,处理为统一的格式、统一的灰度、统一尺寸的图像。并将图像进行最大最小的归一化处理,使得图像对比更加明显。然后,按照一定的比例选取训练集、验证集以及测试集。最后对每幅图像进行标注,打包为相应的标注文件,以便用于网络模型训练。
进一步地,在集成深度学习神经网络模型中的YOLOV3神经网络框架中,对于锂电池瑕疵类别预测方面主要是将原来的单标签分类改进为多标签分类,因此网络结构上就将原来用于单标签多分类的softmax层替换成用于多标签多分类的逻辑回归层。逻辑回归层主要用到sigmoid函数,该函数可以将输入约束在0到1的范围内,因此当一张图像经过特征提取后的某一类输出经过sigmoid函数约束后如果大于0.5,就表示属于该类。Sigmoid函数定义如下:
为了对锂电池图像基本特征进行提取,采用全连接卷积神经网络Darknet-53框架,其中包含53个卷积层,同时在不同层之间设置快捷链路从而形成不同卷积层之间的残差网络,来提高YOLO V3模型的鲁棒性,降低过拟合。同时YOLO V3神经网络框架包含1个池化层和1个全连接层。YOLO V3神经网络的输入尺寸为256×256×3。
进一步地,对于集成深度学习模型中的Faster R-CNN神经网络框架,锂电池图像输入Faster R-CNN模型后,首先会经过一个卷积神经网络进行图像特征的提取,其次通过区域候选网络和特征信息生成该图像中可能包含目标的候选框,然后将每个候选框中的特征信息以恰当的方式筛选出来,最后对该候选框内的目标进行分类以及框边界的精准回归。最终实现对锂电池瑕疵的检测和分类。
进一步地,Faster R-CNN模型需经过以下四个步骤进行训练:
步骤61:采用fine-tuning策略,在ImageNet上预训练的pretrained模型初始化锂电池外观图像特征提取网络并训练RPN网络;
步骤62:使用步骤61中训练完成的RPN网络产生的候选区域框,并作为输入训练Faster R-CNN网络;
步骤63:利用步骤62中训练好的Faster R-CNN网络第二次训练RPN,固定RPN网络的特定参数;
步骤64:利用步骤63训练的RPN网络重新生成候选框,再次训练Faster R-CNN网络,微调Faster R-CNN最后几层的网络。此时,两部分的实现参数共享,这样使用Faster R-CNN即可同时进行锂电池瑕疵图像候选框的提取以及瑕疵目标的检测。
进一步地,本发明能够对锂电池凹坑、褶皱、划痕、氧化、漏液、膜包覆异常瑕疵进行识别。
本发明具有以下有益效果:
(1)节约了大量的人力,降低了企业的用人成本,提高锂电池瑕疵的检测效率。
(2)减少人工漏检、误检的概率,提高锂电池瑕疵检测的精度,有助于提高企业售出锂电池产品质量保证。
(3)基于集成深度学习算法的瑕疵检测方法提高检测的稳定性,更快更好地标记和识别锂电池生产过程中产生的瑕疵。
附图说明
图1基于集成深度学习的锂电池瑕疵检测方法流程图。
图2用于锂电池瑕疵检测的集成深度学习框架图。
图3基于Faster R-CNN的瑕疵检测框图。其中,黑色区域表示瑕疵部分;白色区块表示通过卷积运算所提取瑕疵的局部特征。
具体实施方式
下面结合附图详细说明本发明,其作为本说明书的一部分,通过实例来说明本发明的原理。本发明的其他方面,特征及其优点通过该详细说明将会变得一目了然。
本文进行算法设计和验证的数据集来自开源数据,共有多通道电池表面图片数据700组,每组22张图片。通过锂电池瑕疵的先验知识,对700组电池表面图像的缺陷进行了标注,根据缺陷所表达的特征,将实际生产中最容易出现的5种缺陷标注为7个类别,其在训练集和测试集中的数量及分布情况如表1所示。
表1数据集中缺陷数量及分布
如图1所示,是基于集成深度学习的锂电池瑕疵检测方法流程图。通过将已有的工业相机获取到的图像进行裁剪加工,处理为统一的格式、统一的灰度、统一尺寸的图像。并将图像进行最大最小的归一化处理,使得图像对比更加明显。然后,按照一定的比例选取训练集、验证集以及测试集。从而训练出基于集成深度学习的网络模型。在锂电池瑕疵检测过程中需要将工业相机实时拍摄的照片进行灰度化处理并进行裁剪,然后输入到已经训练好的集成深度学习的网络模型中,判断该锂电池是否具有瑕疵,将具有瑕疵的锂电池和良品锂电池进行分流处理。
如图2所示,是集成深度学习框架示意图。集成深度学习模型集成了YOLO(YouOnly Look Once)V3神经网络框架以及Faster R-CNN框架,以此来对锂电池瑕疵数据进行训练和分类。由于不再是根据单一的框架模型进行预测,所以模型具有更强的鲁棒性,也就不容易产生过拟合现象。
其具体步骤为:
步骤(1):对锂电池图像数据的训练集进行随机子抽样,形成两份子训练集。
步骤(2):将子训练集分别输入基模型YOLO V3和基模型Faster R-CNN中,进行训练。
步骤(3):将验证集数据输入到训练好的YOLO V3和Faster R-CNN两个基模型中,统合起来进行预测。
步骤(4):对两个基模型的预测结果进行集成学习、综合考量,并进一步借助神经网络的预测节点综合预测结果,最后输出最终的锂电池瑕疵检测结果。
如图3所示,是基于Faster R-CNN的瑕疵检测框图。对于集成深度学习模型中的Faster R-CNN神经网络框架,锂电池图像输入Faster R-CNN模型后,首先会经过一个卷积神经网络进行图像特征的提取,其次通过区域候选网络和特征信息生成该图像中可能包含目标的候选框,然后将每个候选框中的特征信息以恰当的方式筛选出来,最后对该候选框内的目标进行分类以及框边界的精准回归。最终实现对锂电池瑕疵的检测和分类。
在针对锂电池瑕疵检测中,Faster R-CNN模型的训练具体概括为以下几个步骤进行:
步骤(1)采用fine-tuning策略,在ImageNet上预训练的pretrained模型初始化锂电池外观图像特征提取网络并训练RPN网络;
步骤(2)使用步骤61中训练完成的RPN网络产生的候选区域框,并作为输入训练Faster R-CNN网络;
步骤(3)利用步骤62中训练好的Faster R-CNN网络第二次训练RPN,固定RPN网络的特定参数;
步骤(4)利用步骤63训练的RPN网络重新生成候选框,再次训练Faster R-CNN网络,微调Faster R-CNN最后几层的网络。此时,两部分的实现参数共享,这样使用Faster R-CNN即可同时进行锂电池瑕疵图像候选框的提取以及瑕疵目标的检测。
在对集成深度学习训练的过程中,由于网络结构较为复杂,在训练到一定程度时,原本较大的学习率会导致网络难以收敛。例如:尽管在迭代到800次左右时,网络的平均精度和收敛度会达到最大值;但是在第300次时,网络的收敛度和精确度提升都出现了明显下降。
为了解决这个问题,采用了如下学习率调整策略:
(1)当总损失的下降速度低于0.0001/迭代时,将新学习率下调为原学习率的70%:
lnew=0.7×lold
(2)在修改学习率之后的Nw次迭代中,将学习率从一个较小值动态递增到新值:
其中li为第i次迭代的学习率。通过这种方式,可以让网络在遇到收敛困难时以大约五分之一的学习率进行探索,并逐渐增加到新的学习率。经过实验,该策略有效地解决了训练中途遇到的收敛困难。
以上所揭露的仅为本发明的优选实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明申请专利范围所作的等同变化,仍属本发明所涵盖的范围。
Claims (8)
1.一种基于集成深度学习的锂电池瑕疵检测方法,其特征在于,包括以下步骤:
步骤(1),通过工业相机获取锂电池三维图像;
步骤(2),对原始图像进行灰度化处理并进行预处理,包括滤波、除噪;
步骤(3),将处理过的图像作为集成深度学习神经网络模型的输入,进行瑕疵识别;
步骤(4),根据对锂电池瑕疵识别的结果,对锂电池进行良品与次品的分流处理。
2.如权利要求1所述的一种基于集成深度学习的锂电池瑕疵检测方法,其特征在于,集成深度学习神经网络模型是通过使用锂电池图像数据训练得到的;具体是指,通过将已有的工业相机获取到的图像进行裁剪加工,处理为统一的格式、统一的灰度、统一尺寸的图像;并将图像进行最大最小的归一化处理,使得图像对比更加明显;然后,按照一定的比例选取训练集、验证集以及测试集;最后对每幅图像进行标注,打包为相应的标注文件,以便用来对集成深度学习神经网络模型进行训练。
3.如权利要求1所述的一种基于集成深度学习的锂电池瑕疵检测方法,其特征在于,集成深度学习神经网络模型集成了YOLOV3神经网络框架以及Faster R-CNN框架,来对锂电池瑕疵数据进行训练和分类。
5.如权利要求3所述的一种基于集成深度学习的锂电池瑕疵检测方法,其特征在于,集成深度学习神经网络模型中的YOLO V3神经网络框架,采用全连接卷积神经网络Darknet-53框架,其中包含53个卷积层,同时在不同层之间设置快捷链路从而形成不同卷积层之间的残差网络,提高YOLO V3模型的鲁棒性,降低过拟合;同时YOLO V3神经网络框架包含1个池化层和1个全连接层;YOLO V3神经网络的输入尺寸为256×256×3。
6.如权利要求3所述的一种基于集成深度学习的锂电池瑕疵检测方法,其特征在于,锂电池图像输入Faster R-CNN模型后,首先会经过一个卷积神经网络进行图像特征的提取,其次通过区域候选网络和特征信息生成该图像中可能包含目标的候选框,然后将每个候选框中的特征信息筛选出来,最后对该候选框内的目标进行分类以及框边界的精准回归;最终实现对锂电池瑕疵的检测和分类。
7.如权利要求6所述的一种基于集成深度学习的锂电池瑕疵检测方法,其特征在于,Faster R-CNN模型需经过以下四个步骤进行训练:
步骤61:采用fine-tuning策略,在ImageNet上预训练的pretrained模型初始化锂电池外观图像特征提取网络并训练RPN网络;
步骤62:使用步骤61中训练完成的RPN网络产生的候选区域框,并作为输入训练FasterR-CNN网络;
步骤63:利用步骤62中训练好的Faster R-CNN网络第二次训练RPN,固定RPN网络的特定参数;
步骤64:利用步骤63训练的RPN网络重新生成候选框,再次训练Faster R-CNN网络,微调Faster R-CNN最后几层的网络;此时,RPN网络与Faster R-CNN网络实现参数共享,这样使用Faster R-CNN即可同时进行锂电池瑕疵图像候选框的提取以及瑕疵目标的检测。
8.如权利要求1所述的一种基于集成深度学习的锂电池瑕疵检测方法,其特征在于,步骤(4)所述对锂电池的瑕疵识别包括凹坑、褶皱、划痕、氧化、漏液、膜包覆异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011084115.5A CN112258459A (zh) | 2020-10-12 | 2020-10-12 | 一种基于集成深度学习的锂电池瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011084115.5A CN112258459A (zh) | 2020-10-12 | 2020-10-12 | 一种基于集成深度学习的锂电池瑕疵检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112258459A true CN112258459A (zh) | 2021-01-22 |
Family
ID=74242302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011084115.5A Pending CN112258459A (zh) | 2020-10-12 | 2020-10-12 | 一种基于集成深度学习的锂电池瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258459A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762330A (zh) * | 2021-07-14 | 2021-12-07 | 北京深点视觉科技有限公司 | 一种动态网络中服务配置的优化方法及装置 |
CN113781449A (zh) * | 2021-09-14 | 2021-12-10 | 上海布眼人工智能科技有限公司 | 一种基于多尺度特征融合的纺织品瑕疵分类方法 |
CN114998351A (zh) * | 2022-08-05 | 2022-09-02 | 东声(苏州)智能科技有限公司 | 基于人工智能技术的太阳能电池板瑕疵识别方法和装置 |
CN116630305A (zh) * | 2023-07-18 | 2023-08-22 | 北京阿丘机器人科技有限公司 | 电池盖板外观检测方法、装置、设备及存储介质 |
CN117058468A (zh) * | 2023-10-11 | 2023-11-14 | 青岛金诺德科技有限公司 | 用于新能源汽车锂电池回收的图像识别与分类系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335242A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于多模型融合的轮胎x光病疵检测方法 |
CN111105405A (zh) * | 2019-12-24 | 2020-05-05 | 刘甜甜 | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 |
KR20200103150A (ko) * | 2019-02-11 | 2020-09-02 | (주) 인텍플러스 | 외관 검사 시스템 |
-
2020
- 2020-10-12 CN CN202011084115.5A patent/CN112258459A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200103150A (ko) * | 2019-02-11 | 2020-09-02 | (주) 인텍플러스 | 외관 검사 시스템 |
CN110335242A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于多模型融合的轮胎x光病疵检测方法 |
CN111105405A (zh) * | 2019-12-24 | 2020-05-05 | 刘甜甜 | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762330A (zh) * | 2021-07-14 | 2021-12-07 | 北京深点视觉科技有限公司 | 一种动态网络中服务配置的优化方法及装置 |
CN113781449A (zh) * | 2021-09-14 | 2021-12-10 | 上海布眼人工智能科技有限公司 | 一种基于多尺度特征融合的纺织品瑕疵分类方法 |
CN114998351A (zh) * | 2022-08-05 | 2022-09-02 | 东声(苏州)智能科技有限公司 | 基于人工智能技术的太阳能电池板瑕疵识别方法和装置 |
CN116630305A (zh) * | 2023-07-18 | 2023-08-22 | 北京阿丘机器人科技有限公司 | 电池盖板外观检测方法、装置、设备及存储介质 |
CN116630305B (zh) * | 2023-07-18 | 2024-02-13 | 北京阿丘机器人科技有限公司 | 电池盖板外观检测方法、装置、设备及存储介质 |
CN117058468A (zh) * | 2023-10-11 | 2023-11-14 | 青岛金诺德科技有限公司 | 用于新能源汽车锂电池回收的图像识别与分类系统 |
CN117058468B (zh) * | 2023-10-11 | 2023-12-19 | 青岛金诺德科技有限公司 | 用于新能源汽车锂电池回收的图像识别与分类系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112258459A (zh) | 一种基于集成深度学习的锂电池瑕疵检测方法 | |
CN109376792B (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
CN108918536B (zh) | 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质 | |
CN111444939B (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN113362326A (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN113643268B (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN116310785B (zh) | 基于YOLO v4的无人机影像路面病害检测方法 | |
CN110927171A (zh) | 一种基于机器视觉的轴承滚子倒角面缺陷检测方法 | |
CN112037219A (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
CN114663346A (zh) | 一种基于改进YOLOv5网络的带钢表面缺陷检测方法 | |
CN110349125A (zh) | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 | |
CN112508857B (zh) | 基于改进型Cascade R-CNN的铝材表面缺陷检测方法 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN113344903A (zh) | 一种基于变分自编码器的玻璃瑕疵检测方法 | |
CN111199543A (zh) | 一种基于卷积神经网络的冰柜表面缺陷检测 | |
CN117152119A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及系统 | |
Saleh et al. | Tire defect detection model using machine learning | |
CN116026839A (zh) | 一种车载电池表面缺陷的检测装置及其智能检测方法 | |
CN111951218A (zh) | 一种混合深度学习模型的口红质检系统 | |
CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其系统 |
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 |