CN112268909A - 电池极片表面缺陷和均匀度检测的参数调控方法及系统 - Google Patents
电池极片表面缺陷和均匀度检测的参数调控方法及系统 Download PDFInfo
- Publication number
- CN112268909A CN112268909A CN202011127802.0A CN202011127802A CN112268909A CN 112268909 A CN112268909 A CN 112268909A CN 202011127802 A CN202011127802 A CN 202011127802A CN 112268909 A CN112268909 A CN 112268909A
- Authority
- CN
- China
- Prior art keywords
- detection
- pole piece
- thickness uniformity
- defect
- detected
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 327
- 230000009471 action Effects 0.000 claims abstract description 60
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 238000012634 optical imaging Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 7
- 230000001276 controlling effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 6
- 238000000576 coating method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000011248 coating agent Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000003247 decreasing effect 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
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
-
- 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
- G01N21/8851—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
- G01N2021/8883—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 involving the calculation of gauges, generating models
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Abstract
本发明公开了一种电池极片表面缺陷和均匀度检测的参数调控方法及系统，该方法包括：获取预设的待检测动力电池极片的检测信息，并由用户给出极片传送速度和检测性能指标；将预设的检测信息输入到极片表面自主检测模型，输出检测的最优参数调控动作；上位机控制单元收到最优参数调控动作，得到当前环境下的最优参数配置组合，生成最优参数配置日志，控制缺陷检测边缘计算模块和厚度均匀度检测边缘计算模块自动执行对光学成像系统的参数调控；步骤四，监控所测性能指标要求是否有变更，若有，则重复执行上述步骤一致步骤三。本发明能够实现优化系统资源配置，减少系统耗时，提升响应速度的目的。
Description
技术领域
本发明涉及一种动力电池极片表面缺陷和均匀度可组合式检测的参数调控方法及系统。
背景技术
近年来，随着新能源汽车推广应用发展，动力电池随之进入了大规模的实用阶段。
在动力电池极片涂覆工艺中，表面容易产生空洞、划痕等缺陷以及涂层厚度不均匀，这会严重影响电池的质量和使用寿命。
目前一些基于机器视觉的锂电池极片检测技术可以实现对空洞、划痕等缺陷的检测，但对光学成像的图像质量要求较高；对于动力电池极片这类非透明薄膜的厚度测量而言，比较常用的在线测厚方式是上下差动式激光三角测量法。
此方法要求上下激光头要做到精确同步，广泛采用的基于C型架扫描式测厚设计的测厚形式，在实际测量过程中会造成C型架上下梁的振动甚至出现微小变形，从而使得上下激光头之间的距离不稳定，对微米级厚度测量会造成较大偏差。
为实现动力电池极片厚度均匀度与缺陷同步检测，本发明人提出了一种动力电池极片涂层均与性在线计量测试系统(中国发明专利申请号CN202010897659.7)，其全部内容结合于此供参考。
如图5所示，上述测试系统包括光学成像系统、计算机、用于连接光学成像系统与计算机的图像采集卡。
在上述测试系统中，光学成像系统用于产生均匀性、稳定性和亮度满足检测要求的光源，包括第一激光模块、第二激光模块、红外LED模块、双目相机拍摄装置；第一激光模块、第二激光模块用于厚度均匀性检测，红外LED模块用于检测动力电池极片表面的缺陷，双目相机拍摄装置采用明域、暗域成像接收模式相结合的两个摄像机获得待检测极片表面图像。
在上述测试系统中，计算机包括控制单元、图像处理单元；控制单元的输出端连接光学成像系统，用于对光学成像系统的参数值进行设定及优化、计算极片的准确厚度及检测出极板表面的缺陷。
上述方案的光学成像系统重点解决了动力电池极板涂层厚度均匀度检测与缺陷检测两种扫描状态的速度匹配、识别匹配问题，实现了厚度均匀度检测与缺陷检测同步进行的全表面检测。
上述控制单元对光学成像系统进行设定及优化的参数值包括待检测缺陷类型参数、LED红外光源参数、双目相机拍摄装置参数，所述LED红外光源参数包括照射角度、亮度，所述双目相机拍摄装置参数包括明暗域位置、扫描频率。
为更好地对上述方案涉及到光学成像系统的参数值进行设定及优化，本发明提出了一种新方案。
发明内容
本发明的目的在于提供一种动力电池极片表面缺陷和均匀度可组合式检测的参数调控方法及系统，其能够有效地处理厚度均匀度检测与缺陷检测参数优化问题。
为此，本发明一方面提供了一种动力电池极片表面缺陷和均匀度可组合式检测的参数调控方法，用于对动力电池极片表面缺陷和均匀度可组合式检测的光学成像系统进行参数调控，包括：步骤一，获取预设的待检测动力电池极片的缺陷检测和厚度均匀度检测信息，并由用户给出极片传送速度和检测性能指标，包括检测方式、检测精度和检测速率，所述检测方式包括缺陷检测、厚度均匀度检测、缺陷均匀度组合检测；步骤二，将预设的缺陷检测和厚度均匀度检测信息输入到极片表面自主检测模型，输出缺陷检测和厚度均匀度检测的最优参数调控动作；步骤三，上位机控制单元收到最优参数调控动作，得到当前环境下的最优参数配置组合，生成最优参数配置日志，控制缺陷检测边缘计算模块和厚度均匀度检测边缘计算模块自动执行对光学成像系统的参数调控，对于不能自动执行完成的调控，提醒用户手动操作，步骤四，监控所测性能指标要求是否有变更，若有，则重复执行上述步骤一致步骤三。
根据本发明的另一方面，提供了一种动力电池极片表面缺陷和均匀度可组合式检测系统，其特征在于，包括：缺陷检测边缘计算模块和厚度均匀度检测边缘计算模块，用于获取待检测极片样本图像，同时按所述极片表面自主检测模型给出的最优参数配置执行调控操作；系统配置模块，用于用户及系统参数设定，包括用户进行的极片传送速度和检测性能指标要求设定、系统日志文件、极片表面检测结果输出格式及输出方式设定、远程控制启停；报警模块，用于对模型收敛异常、检测到不合格动力电池极片后的告警；上位机，其包括：上位机存储单元，用于保存所述待检测极片样本集，包括待检测极片编号、人工标注的待检测极片缺陷和厚度均匀度标签，以及设计好的缺陷及厚度均匀度判别算法模型；上位机采集单元，用于工作在两种模式下：在模型训练模式下，通过日志文件采集待检测动力电池极片的检测信息，同时获取待检测极片样本图像；在极片表面检测模式下，获取待检测极片图像；上位机计算单元，用于工作在两种模式下：在模型训练模式下，获取所述缺陷及厚度均匀度判别算法模型和N张所述待检测极片样本图像，计算给出待检测极片缺陷和厚度均匀度标签以及检测用时，与人工标注的待检测极片缺陷和厚度均匀度标签以及检测设定时长比较，输出得到的缺陷检测精准率、缺陷检测准时率、厚度均匀度检测精准率和厚度均匀度检测准时率评分；在极片表面检测模式下，获取所述缺陷及厚度均匀度判别算法模型和待检测极片图像，计算给出待检测极片缺陷和厚度均匀度标签以及检测用时；上位机决策单元，用于根据模型训练模式下的所述上位机计算单元输出结果，结合系统配置模块给出的用户性能指标和所述约束条件，建立极片表面自主检测模型进行训练和学习，重复模型训练模式下的所述上位机采集单元、所述上位机计算单元操作，迭代训练直至模型收敛；上位机控制单元，用于根据收到的训练好的极片表面自主检测模型，得到当前环境下的最优参数配置组合，生成最优参数配置日志并保存到所述上位机存储单元中，控制缺陷检测边缘计算模块和厚度均匀度检测边缘计算模块自动执行完该调控动作。
本发明利用深度强化学习理论，采用边缘计算的任务迁移方法，提供了一种动力电池表面缺陷和均匀度可组合式检测方法，旨在提高资源利用率，解决现有技术由于不能同时兼顾厚度均匀度检测和缺陷检测所需资源的差异性所带来的厚度均匀度检测和缺陷检测在任务切换时所导致的长时延、低效率问题。可以做到优化系统资源配置，减少系统耗时，提升响应速度，不仅可以独立进行厚度均匀度检测或缺陷检测，还可以实现厚度均匀度检测与缺陷检测同步进行。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明的动力电池极片表面缺陷和均匀度可组合式检测方法的流程图；
图2是极片表面自主检测模型构建流程图；
图3是动力电池极片表面缺陷和均匀度可组合式检测系统的结构框图；
图4是极片表面自主检测模型的结构框图；以及
图5是在先技术的动力电池极片涂层均与性在线计量测试系统的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。
如图1所示，根据本发明的动力电池极片表面缺陷和均匀度可组合式检测方法，包括以下步骤：
步骤一，获取预设的待检测动力电池极片的缺陷检测和厚度均匀度检测信息，并由用户给出极片传送速度和检测性能指标要求，主要包括检测方式、检测精度和检测速率。其中，检测方式包括缺陷检测、厚度均匀度检测、缺陷检测+厚度均匀度检测。
步骤二，将预设的缺陷检测和厚度均匀度检测信息输入到极片表面自主检测模型，给出缺陷检测和厚度均匀度检测的最优参数调控动作。
步骤三，上位机控制单元收到最优参数调控动作，得到当前环境下的最优参数配置组合，生成最优参数配置日志，控制缺陷检测边缘计算模块和厚度均匀度检测边缘计算模块自动执行完该调控动作，对一些难以自动执行完成的调控提醒用户进行手动操作。
步骤四，随后监控所述检测性能指标要求是否有变更，若有，则上位机控制单元继续根据当前检测性能指标要求，将当前时刻待检测动力电池极片的缺陷检测和厚度均匀度检测信息发送到该极片表面自主检测模型，并获取新的最优参数调控动作，如此不断循环上述过程，最终使得所有的待检测动力电池极片得到检测。
进一步地，在步骤二中，所述极片表面自主检测模型的构建如图2所示，具体包括以下步骤：
S1，获取预设的缺陷检测和厚度均匀度检测信息，构成用于深度强化学习方法训练的原始信息。
S2，采用深度强化学习理论建立极片表面自主检测模型，给予上位机控制单元(也称为智能体)奖惩值和状态转移信息，并确定出可供上位机控制单元选择的动作空间及其对应的动作的价值，并根据该价值确定出缺陷检测和厚度均匀度检测的最优参数调控动作。其中，在对待检测的动力电池极片进行检测时，将需要确定的缺陷检测和厚度均匀度检测信息的各个数值型参数取值转换为深度强化学习中的状态转移信息，对每个所述状态设定增大、减小、不变三种动作组成动作空间。
S3，利用极片表面自主检测模型进行训练和学习，得到训练好的极片表面自主检测模型。
S4，利用训练好的极片表面自主检测模型进行动力电池极片表面可组合式检测。
具体的，在S1中，所述原始信息包括预设的缺陷检测信息和预设的厚度均匀度检测信息。
所述预设的缺陷检测信息包括：待检测极片编号，LED光源照射角度，线阵CCD摄像机明暗域位置、扫描频率，缺陷检测资源占用状态，缺陷检测启用状态，缺陷检测执行状态。其中，为了对所述缺陷检测资源占用状态进行量化，缺陷检测采用多个相同配置的边缘计算模块，计算其资源剩余量；所述缺陷检测启用状态分为启用、停用，由用户自行设定给出。
所述预设的厚度均匀度检测信息为：待检测极片编号，激光线阵源个数、扫描频率，厚度均匀度检测资源占用状态，厚度均匀度检测启用状态，厚度均匀度检测执行状态。其中，为了对所述厚度均匀度检测资源占用状态进行量化，厚度均匀度检测采用多个相同配置的边缘计算模块，计算其资源剩余量；所述厚度均匀度检测启用状态分为启用、停用，由用户自行设定给出。
具体的，在S2中，如图4所示，所述极片表面自主检测模型包括：
环境模型模块和价值网络模块。其中所述环境模型给予强化学习上位机控制单元奖惩值、状态转移信息，并确定出可供上位机控制单元选择的动作空间；所述价值网络模块用于抽象所有缺陷检测信息和厚度均匀度检测信息的状态，并输出缺陷检测和厚度均匀度检测在该状态下对应不同动作时的价值，根据抽象出的缺陷检测和厚度均匀度检测的状态对应的动作的价值进行最优参数调控动作的选择，并将选择到的最优参数调控动作反馈到环境模型模块；其中所选择的最优参数调控动作在所述环境模型提供的动作空间中，该最优参数调控动作也可称为满足检测性能指标要求的系统优化配置。
更具体的，所述环境模型模块包括：状态转移单元、动作空间单元以及奖赏函数单元。其中，所述状态转移单元根据前一时刻的缺陷检测信息和厚度均匀度检测信息以及价值网络模块输出的当前时刻的动作，来对当前时刻缺陷检测信息和厚度均匀度检测信息的状态实施状态转移；所述动作空间单元用于根据当前缺陷检测信息和厚度均匀度检测信息来确定可供上位机控制单元选择的动作范围，从每个所述状态开始，随机选取一个所述动作执行；所述奖赏函数单元用于针对缺陷检测和厚度均匀度检测参数调控情况利用设定的奖赏函数计算输出奖惩值，奖赏函数单元的输出端连接价值网络的输入端；所述奖赏函数根据缺陷检测和厚度均匀度检测参数调控的优化目标来确定。
更具体的，所述缺陷检测和厚度均匀度检测参数调控的优化目标包括：缺陷检测精准率、缺陷检测准时率、厚度均匀度检测精准率、厚度均匀度检测准时率。其中，精准率是指极片表面检测的准确程度，准时率是指满足给定的极片表面检测时间要求的程度，这些值在缺陷检测和厚度均匀度检测信息参数配置下，利用设计好的缺陷及厚度均匀度判别算法模型给出。
更具体的，在本发明给出的一个实施例中，所述奖赏函数用如下公式表示：r＝w1*F1(A)+w2*F2(B)+w3*F3(C)+w4*F4(D)，其中，r为奖惩值，F1(A)、F2(B)、F3(C)和F4(D)分别为缺陷检测精准率、缺陷检测准时率、厚度均匀度检测精准率和厚度均匀度检测准时率评分，w1、w2、w3和w4为权重值。如果有更多的优化目标，则同理可以添加更多的评分函数，并以不同的权重将各个评分函数组合在一起形成最终的奖赏函数。
所述缺陷检测精准率评分表示为：F1(A)＝log(1-a/N),a>0；F1(A)＝1,a＝0。其中，N为极片表面检测时间段内总的待检测极片数量，a为缺陷检测错误的极片数目。当有缺陷检测错误的极片时，即a＞0时，惩罚值为负值，而且错误数越多该值越小，表示相应的惩罚越大。当没有缺陷检测错误的极片时，打分为1，即给予1的奖赏值。
所述缺陷检测准时率评分表示为：F2(B)＝log(1-b/N),b>0；F2(B)＝1,b＝0。其中，N为极片表面检测时间段内总的待检测极片数量，b为缺陷检测超时的极片数目。
所述厚度均匀度检测精准率评分表示为：F3(C)＝log(1-c/N),c>0；F3(C)＝1,c＝0。其中，N为极片表面检测时间段内总的待检测极片数量，c为厚度均匀度检测错误的极片数目。
所述厚度均匀度检测准时率评分表示为：F4(D)＝log(1-d/N),d>0；F4(D)＝1,d＝0。其中，N为极片表面检测时间段内总的待检测极片数量，d为厚度均匀度检测超时的极片数目。
更具体的，所述价值网络模块包括状态感知单元、动作选择单元和学习单元，通过使用深度神经网络模型来抽象缺陷检测和厚度均匀度检测信息状态和价值拟合，进行最优参数调控动作选择，可选择的深度神经网络模型包括ANN(人工神经网络)、CNN(卷积神经网络)、RNN(循环神经网络)、LSTM(长短期记忆网络)等网络模型及其组合或者变体。
具体的，在S3中，包括：
根据缺陷检测和厚度均匀度检测信息输入进行状态抽象，得到当前状态下的最优参数调控动作，价值网络可选择的动作范围由动作空间确定，价值网络选择的最优参数调控动作将发送给极片表面自主检测模型；极片表面自主检测模型根据前一时刻的缺陷检测和厚度均匀度检测信息状态和当前时刻的动作选择来进行状态转移，同时根据奖赏函数计算得出奖惩值，并将该奖惩值和改变后的状态信息反馈给价值网络；如此不断迭代地进行训练和学习，最终使得极片表面自主检测模型得以收敛。
具体的，在S4中，包括：
上位机控制单元输出当前时刻缺陷检测和厚度均匀度检测信息，将其传输给极片表面自主检测模型，该极片表面自主检测模型根据输入的状态信息输出的最优参数调控动作；将该最优参数调控动作返回上位机控制单元；上位机控制单元收到最优参数调控动作，控制缺陷检测边缘计算模块和厚度均匀度检测边缘计算模块执行完该调控动作，对一些难以自动执行完成的调控提醒用户进行手动操作。
随后监控所述检测性能指标要求是否有变更，若有，则上位机控制单元继续根据当前检测性能指标要求，将当前时刻待检测动力电池极片的缺陷检测和厚度均匀度检测信息发送到该极片表面自主检测模型，并获取新的最优参数调控动作，如此不断循环上述过程，最终使得所有的待检测动力电池极片得到检测。
更具体的，所述根据输入的状态信息输出最优参数调控动作的过程还包括：
极片表面自主检测模型中的价值网络模块根据上位机控制单元输入的状态信息，结合动作空间提供的动作范围和约束条件，得到当前状态下的最优参数调控动作。其中，所述约束条件包括取值范围、最高极片传送速度、最大检测精度和最小检测时长。所述取值范围是指所述缺陷检测和厚度均匀度检测信息所能调整的最大最小值，比如：LED光源照射最大、最小角度。
进一步地，在步骤三中，所述难以自动执行完成的调控包括：需要更换激光线阵源个数、线阵CCD摄像机型号。
本发明还提供一种动力电池极片表面缺陷和均匀度可组合式检测系统，如图3所示，包括：上位机、控制缺陷检测边缘计算模块、厚度均匀度检测边缘计算模块、系统配置模块和报警模块。
上位机包括上位机存储单元、上位机采集单元、上位机计算单元、上位机决策单元和上位机控制单元。
进一步地，所述上位机存储单元用于保存所述待检测极片样本集，包括待检测极片编号、人工标注的待检测极片缺陷和厚度均匀度标签，以及设计好的缺陷及厚度均匀度判别算法模型。
进一步地，所述上位机采集单元工作在两种模式下：模型训练模式和极片表面检测模式。其中，在模型训练模式下，通过日志文件采集待检测动力电池极片的缺陷检测和厚度均匀度检测信息，同时调用缺陷检测边缘计算模块和厚度均匀度检测边缘计算模块获取此时参数配置下的待检测极片样本图像；在极片表面检测模式下，调用缺陷检测边缘计算模块和厚度均匀度检测边缘计算模块获取待检测极片图像。
进一步地，所述上位机计算单元工作在两种模式下：模型训练模式和极片表面检测模式。
在模型训练模式下，获取所述缺陷及厚度均匀度判别算法模型和N张所述待检测极片样本图像，计算给出待检测极片缺陷和厚度均匀度标签以及检测用时，与人工标注的待检测极片缺陷和厚度均匀度标签以及检测设定时长比较，输出得到的缺陷检测精准率、缺陷检测准时率、厚度均匀度检测精准率和厚度均匀度检测准时率评分。
在极片表面检测模式下，获取所述缺陷及厚度均匀度判别算法模型和待检测极片图像，计算给出待检测极片缺陷和厚度均匀度标签以及检测用时，此外，可经人工校验后按所述上位机存储单元格式要求作为样本保存到所述待检测极片样本集中。
具体的，所述上位机采集单元和所述上位机计算单元在系统第一次使用时默认工作在模型训练模式，并保留最后一次使用时的工作模式设置。
进一步地，所述上位机决策单元根据模型训练模式下的所述上位机计算单元输出结果，结合系统配置模块给出的用户性能指标和所述约束条件，建立极片表面自主检测模型进行训练和学习，重复模型训练模式下的所述上位机采集单元、所述上位机计算单元操作，迭代训练直至模型收敛。
进一步地，所述上位机控制单元收到训练好的极片表面自主检测模型，得到当前环境下的最优参数配置组合，生成最优参数配置日志并保存到所述上位机存储单元中，控制缺陷检测边缘计算模块和厚度均匀度检测边缘计算模块自动执行完该调控动作，同时控制所述上位机采集单元和所述上位机计算单元工作在极片表面检测模式，对一些难以自动执行完成的调控提醒用户进行手动操作。
随后监控所述检测性能指标要求是否有变更，若有，则上位机控制单元继续根据当前检测性能指标要求，控制所述上位机采集单元和所述上位机计算单元工作在模型训练模式，请求获取所述上位机决策单元基于当前时刻缺陷检测和厚度均匀度检测信息训练得到的最新极片表面自主检测模型，并得到新的最优参数配置，如此不断循环上述过程，最终使得所有的待检测动力电池极片得到检测，检测结果保存到所述上位机存储单元中。
缺陷检测边缘计算模块和厚度均匀度检测边缘计算模块用于获取待检测极片样本图像，同时可按所述极片表面自主检测模型给出的最优参数配置执行调控操作，支持手动调控。
系统配置模块用于用户及系统参数设定，包括用户进行的极片传送速度和检测性能指标要求设定、系统日志文件、极片表面检测结果输出格式及输出方式设定、远程控制启停。其中，检测性能指标要求主要包括检测方式、检测精度和检测速率，输出格式包括本地输出、手机app推送、微信小程序推送。
报警模块用于对模型收敛异常、检测到不合格动力电池极片后的告警，支持语音播报、大屏弹窗和声光报警。
本发明不仅可以独立进行厚度均匀度检测或缺陷检测，还可以实现厚度均匀度检测与缺陷检测同步进行，优化了系统资源配置，减少了系统耗时，提升了检测效率。
根据本发明提供的一种动力电池极片表面缺陷和均匀度可组合式检测方法及系统，通过建立的极片表面自主检测模型给出的参数优化策略，能够有效地处理厚度均匀度检测与缺陷检测参数优化问题，相较于默认参数配置，优化后的参数配置可以大幅度的提升动力电池极片表面检测性能，且效果随着极片检测规模的增加而更加显著，具有一定的通用性，能够扩展到其他数据分析和处理平台的配置参数优化问题中进行应用。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种动力电池极片表面缺陷和均匀度可组合式检测的参数调控方法，其特征在于，用于对动力电池极片表面缺陷和均匀度可组合式检测的光学成像系统进行参数调控，包括：
步骤一，获取预设的待检测动力电池极片的缺陷检测和厚度均匀度检测信息，并由用户给出极片传送速度和检测性能指标，包括检测方式、检测精度和检测速率，所述检测方式包括缺陷检测、厚度均匀度检测、缺陷均匀度组合检测；
步骤二，将预设的缺陷检测和厚度均匀度检测信息输入到极片表面自主检测模型，输出缺陷检测和厚度均匀度检测的最优参数调控动作；
步骤三，上位机控制单元收到最优参数调控动作，得到当前环境下的最优参数配置组合，生成最优参数配置日志，控制缺陷检测边缘计算模块和厚度均匀度检测边缘计算模块自动执行对光学成像系统的参数调控，对于不能自动执行完成的调控，提醒用户手动操作，
步骤四，监控所测性能指标要求是否有变更，若有，则重复执行上述步骤一致步骤三。
2.根据权利要求1所述的动力电池极片表面缺陷和均匀度可组合式检测的参数调控方法，其特征在于，所述极片表面自动检测模型的构建方法包括以下步骤：
S1、获取预设的缺陷检测和厚度均匀度检测信息；
S2、采用深度强化学习理论建立极片表面自主检测模型，给予上位机控制单元奖惩值和状态转移信息，并确定出可供上位机控制单元选择的动作空间及其对应的动作的价值，并根据该价值确定出缺陷检测和厚度均匀度检测的最优参数调控动作；
S3、利用极片表面自主检测模型进行训练和学习，得到训练好的极片表面自主检测模型。
3.根据权利要求1所述的动力电池极片表面缺陷和均匀度可组合式检测的参数调控方法，其特征在于，所述极片表面自主检测模型包括：
环境模型模块，用于给予强化学习上位机控制单元奖惩值、状态转移信息，并确定出可供上位机控制单元选择的动作空间，
价值网络模块，由深度神经网络构成，用于抽象所有缺陷检测信息和厚度均匀度检测信息的状态，并输出该检测信息在该状态下对应不同动作时的价值，根据抽象出的状态对应的动作的价值进行最优参数调控动作的选择。
4.根据权利要求3所述的动力电池极片表面缺陷和均匀度可组合式检测的参数调控方法，其特征在于，所述环境模型模块包括：
状态转移单元，根据前一时刻的缺陷检测信息和厚度均匀度检测信息以及价值网络模块输出的当前时刻的动作，来对当前时刻缺陷检测信息和厚度均匀度检测信息的状态实施状态转移；
动作空间单元，用于根据当前缺陷检测信息和厚度均匀度检测信息来确定可供上位机控制单元选择的动作范围，从每个所述状态开始，随机选取一个所述动作执行；以及
奖赏函数单元，用于针对缺陷检测和厚度均匀度检测参数调控情况利用设定的奖赏函数计算输出奖惩值，奖赏函数单元的输出端连接价值网络的输入端；所述奖赏函数根据缺陷检测和厚度均匀度检测参数调控的优化目标来确定，
其中，所述缺陷检测和厚度均匀度检测参数调控的优化目标包括缺陷检测精准率、缺陷检测准时率、厚度均匀度检测精准率、和厚度均匀度检测准时率，其中，精准率是指极片表面检测的准确程度，准时率是指满足给定的极片表面检测时间要求的程度。
5.根据权利要求4所述的动力电池极片表面缺陷和均匀度可组合式检测的参数调控方法，其特征在于，所述价值网络模块根据上位机控制单元输入的状态信息，结合动作空间提供的动作范围和约束条件，得到当前状态下的最优参数调控动作，其中，所述约束条件包括取值范围、最高极片传送速度、最大检测精度和最小检测时长，所述取值范围是指所述缺陷检测和厚度均匀度检测信息所能调整的最大最小值。
6.根据权利要求5所述的动力电池极片表面缺陷和均匀度可组合式检测的参数调控方法，其特征在于，将不同的权重将四个评分函数组合在一起形成最终的奖赏函数，所述四个评分函数：
所述缺陷检测精准率评分：F1(A)＝log(1-a/N),a>0；F1(A)＝1,a＝0；其中，N为极片表面检测时间段内总的待检测极片数量，a为缺陷检测错误的极片数目；所述缺陷检测准时率评分：F2(B)＝log(1-b/N),b>0；F2(B)＝1,b＝0，其中，b为缺陷检测超时的极片数目；
所述厚度均匀度检测精准率评分：F3(C)＝log(1-c/N),c>0；F3(C)＝1,c＝0，其中，c为厚度均匀度检测错误的极片数目；所述厚度均匀度检测准时率评分：F4(D)＝log(1-d/N),d>0；F4(D)＝1,d＝0，其中，d为厚度均匀度检测超时的极片数目。
7.一种动力电池极片表面缺陷和均匀度可组合式检测的参数调控系统，其特征在于，包括：
缺陷检测边缘计算模块和厚度均匀度检测边缘计算模块，用于获取待检测极片样本图像，同时按所述极片表面自主检测模型给出的最优参数配置执行调控操作；
系统配置模块，用于用户及系统参数设定，包括用户进行的极片传送速度和检测性能指标要求设定、系统日志文件、极片表面检测结果输出格式及输出方式设定、远程控制启停；
报警模块，用于对模型收敛异常、检测到不合格动力电池极片后的告警；
上位机，其包括：
上位机存储单元，用于保存所述待检测极片样本集，包括待检测极片编号、人工标注的待检测极片缺陷和厚度均匀度标签，以及设计好的缺陷及厚度均匀度判别算法模型；
上位机采集单元，用于工作在两种模式下：在模型训练模式下，通过日志文件采集待检测动力电池极片的检测信息，同时获取待检测极片样本图像；在极片表面检测模式下，获取待检测极片图像；
上位机计算单元，用于工作在两种模式下：在模型训练模式下，获取所述缺陷及厚度均匀度判别算法模型和N张所述待检测极片样本图像，计算给出待检测极片缺陷和厚度均匀度标签以及检测用时，与人工标注的待检测极片缺陷和厚度均匀度标签以及检测设定时长比较，输出得到的缺陷检测精准率、缺陷检测准时率、厚度均匀度检测精准率和厚度均匀度检测准时率评分；在极片表面检测模式下，获取所述缺陷及厚度均匀度判别算法模型和待检测极片图像，计算给出待检测极片缺陷和厚度均匀度标签以及检测用时；
上位机决策单元，用于根据模型训练模式下的所述上位机计算单元输出结果，结合系统配置模块给出的用户性能指标和约束条件，建立极片表面自主检测模型进行训练和学习，重复模型训练模式下的所述上位机采集单元、所述上位机计算单元操作，迭代训练直至模型收敛；
上位机控制单元，用于根据收到的训练好的极片表面自主检测模型，得到当前环境下的最优参数配置组合，生成最优参数配置日志并保存到所述上位机存储单元中，控制缺陷检测边缘计算模块和厚度均匀度检测边缘计算模块自动执行完该调控动作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011127802.0A CN112268909B (zh) | 2020-10-20 | 2020-10-20 | 电池极片表面缺陷和均匀度检测的参数调控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011127802.0A CN112268909B (zh) | 2020-10-20 | 2020-10-20 | 电池极片表面缺陷和均匀度检测的参数调控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112268909A true CN112268909A (zh) | 2021-01-26 |
| CN112268909B CN112268909B (zh) | 2023-10-31 |
Family
ID=74342317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011127802.0A Active CN112268909B (zh) | 2020-10-20 | 2020-10-20 | 电池极片表面缺陷和均匀度检测的参数调控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112268909B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298327A (zh) * | 2021-07-28 | 2021-08-24 | 深圳先进储能材料国家工程研究中心有限公司 | 一种泡沫金属制备工艺优化的方法及泡沫金属的制备方法 |
| CN113537718A (zh) * | 2021-06-18 | 2021-10-22 | 宝钢日铁汽车板有限公司 | 一种冷轧涂油机钢带漏涂质量自动化评价方法 |
| CN117607155A (zh) * | 2024-01-24 | 2024-02-27 | 山东大学 | 一种应变片外观缺陷检测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101644760A (zh) * | 2009-08-27 | 2010-02-10 | 北京理工大学 | 一种适用于高分辨阵列的快速鲁棒的信源个数检测方法 |
| JP2012181148A (ja) * | 2011-03-02 | 2012-09-20 | Mitsubishi Electric Corp | 物体検出装置 |
| CN106625684A (zh) * | 2017-03-06 | 2017-05-10 | 安徽工程大学 | 一种用于机器人耦合动态特性分析与控制的系统和方法 |
| CN106791847A (zh) * | 2016-12-05 | 2017-05-31 | 中国计量大学 | 一种视频编码芯片架构等效硬件复杂度及性能估计模型 |
| CN109827968A (zh) * | 2019-01-10 | 2019-05-31 | 常州工学院 | 基于传送带的锂电池薄膜厚度和表面缺陷检测方法及装置 |
| CN109857550A (zh) * | 2019-01-07 | 2019-06-07 | 平安科技（深圳）有限公司 | 基于机器学习的资源配置方法、装置、设备及存储介质 |
| CN110555584A (zh) * | 2019-07-17 | 2019-12-10 | 浙江工业大学 | 一种基于深度强化学习的自动化停车场调度方法 |
| CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
| CN111336935A (zh) * | 2020-03-31 | 2020-06-26 | 上海市计量测试技术研究院 | 一种基于改进混合优化算法的纳米薄膜参数反演计算方法 |
| CN111468989A (zh) * | 2020-03-30 | 2020-07-31 | 黄河水利职业技术学院 | 一种五轴联动数控机械手抛光控制系统及方法 |
-
2020
- 2020-10-20 CN CN202011127802.0A patent/CN112268909B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101644760A (zh) * | 2009-08-27 | 2010-02-10 | 北京理工大学 | 一种适用于高分辨阵列的快速鲁棒的信源个数检测方法 |
| JP2012181148A (ja) * | 2011-03-02 | 2012-09-20 | Mitsubishi Electric Corp | 物体検出装置 |
| CN106791847A (zh) * | 2016-12-05 | 2017-05-31 | 中国计量大学 | 一种视频编码芯片架构等效硬件复杂度及性能估计模型 |
| CN106625684A (zh) * | 2017-03-06 | 2017-05-10 | 安徽工程大学 | 一种用于机器人耦合动态特性分析与控制的系统和方法 |
| CN109857550A (zh) * | 2019-01-07 | 2019-06-07 | 平安科技（深圳）有限公司 | 基于机器学习的资源配置方法、装置、设备及存储介质 |
| CN109827968A (zh) * | 2019-01-10 | 2019-05-31 | 常州工学院 | 基于传送带的锂电池薄膜厚度和表面缺陷检测方法及装置 |
| CN110555584A (zh) * | 2019-07-17 | 2019-12-10 | 浙江工业大学 | 一种基于深度强化学习的自动化停车场调度方法 |
| CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
| CN111468989A (zh) * | 2020-03-30 | 2020-07-31 | 黄河水利职业技术学院 | 一种五轴联动数控机械手抛光控制系统及方法 |
| CN111336935A (zh) * | 2020-03-31 | 2020-06-26 | 上海市计量测试技术研究院 | 一种基于改进混合优化算法的纳米薄膜参数反演计算方法 |
Non-Patent Citations (2)
| Title |
|---|
| SERGIO PEREZ-ROCA ET AL.: "A survy of automatic control methods for liquid-propellant rocket engines", 《PROGRESS IN AEROSPACE SCIENCE》, pages 63 - 84 * |
| 刘翔: "碳基纳米复合吸波材料的设计及其吸波性能研究", 《全国博士论文全文数据库》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537718A (zh) * | 2021-06-18 | 2021-10-22 | 宝钢日铁汽车板有限公司 | 一种冷轧涂油机钢带漏涂质量自动化评价方法 |
| CN113298327A (zh) * | 2021-07-28 | 2021-08-24 | 深圳先进储能材料国家工程研究中心有限公司 | 一种泡沫金属制备工艺优化的方法及泡沫金属的制备方法 |
| CN113298327B (zh) * | 2021-07-28 | 2021-12-07 | 深圳先进储能材料国家工程研究中心有限公司 | 一种泡沫金属制备工艺优化的方法及泡沫金属的制备方法 |
| CN117607155A (zh) * | 2024-01-24 | 2024-02-27 | 山东大学 | 一种应变片外观缺陷检测方法及系统 |
| CN117607155B (zh) * | 2024-01-24 | 2024-04-19 | 山东大学 | 一种应变片外观缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112268909B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112268909A (zh) | 电池极片表面缺陷和均匀度检测的参数调控方法及系统 | |
| CN107529011B (zh) | 一种电动变焦镜头控制方法 | |
| CN109948506B (zh) | 一种基于深度学习的多角度垃圾分类云平台 | |
| US11150200B1 (en) | Workpiece inspection and defect detection system indicating number of defect images for training | |
| CN211669428U (zh) | 基于内同轴视觉的自动对焦装置 | |
| CN102494639B (zh) | 基于全自动套孔法激光发散角的测量装置及测量方法 | |
| JP2010152361A (ja) | 高速近似焦点用システムおよび方法 | |
| CN110535435B (zh) | 一种光伏电站的电池片检测方法、装置及系统 | |
| CN101783888A (zh) | 一种基于类直方图的自动曝光方法 | |
| CN103217854B (zh) | 相机系统以及自动对焦方法 | |
| CN108012146A (zh) | 虚像距离检测方法及设备 | |
| CN111009013B (zh) | 一种用于划片机的振镜标定方法 | |
| CN103679266B (zh) | 一种管道视频检测的自动光源系统 | |
| CN108764278A (zh) | 一种基于视觉的自学习工业智能检测系统及方法 | |
| CN109326244A (zh) | 屏幕亮度调节方法、装置及终端设备 | |
| CN107025891B (zh) | 一种显示模组缺陷快速修复方法及系统 | |
| JP4907146B2 (ja) | 自動培養方法及び細胞培養装置 | |
| CN110009696A (zh) | 基于蜂群算法优化bp神经网络三目视觉标定 | |
| CN105025219A (zh) | 图像获取方法 | |
| CN111189840B (zh) | 近场均匀照明的纸病检测方法 | |
| US20220309642A1 (en) | Repair method and repair apparatus for flexible panel, device and storage medium | |
| CN101008764A (zh) | 自动曝光测量方法 | |
| CN117381177A (zh) | 一种激光切割数控系统的参数自动导引方法及装置 | |
| CN113705763A (zh) | 一种基于神经计算棒的配网变压器实时检测方法及系统 | |
| CN106612198B (zh) | 一种业务质量测试指标的测试方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |