CN112330623B - 电芯极组极片对齐度检测方法和检测装置 - Google Patents
电芯极组极片对齐度检测方法和检测装置 Download PDFInfo
- Publication number
- CN112330623B CN112330623B CN202011194499.6A CN202011194499A CN112330623B CN 112330623 B CN112330623 B CN 112330623B CN 202011194499 A CN202011194499 A CN 202011194499A CN 112330623 B CN112330623 B CN 112330623B
- Authority
- CN
- China
- Prior art keywords
- pole
- battery cell
- neural network
- alignment degree
- convolutional neural
- 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.)
- Active
Links
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种电芯极组极片对齐度检测方法和检测装置,本发明所述的检测方法包括获取待检测的电芯极组的图像,对获取的所述图像进行RoI区域提取,将提取的RoI区域输入卷积神经网络进行特征提取,获取所述电芯极组中各极片的顶点位置坐标值,以及根据获取的各所述极片顶点位置的坐标值,判断各所述极片的对齐度是否符合要求。本发明的电芯极组极片对齐度检测方法利用卷积神经网络,可提高电芯极片对齐度检测的准确性。
Description
技术领域
本发明涉及电芯检测技术领域,特别涉及一种电芯极组极片对齐度检测方法。同时,本发明也涉及一种以实施上述检测方法的电芯极组极片对齐度检测装置。
背景技术
随着国家政策的支持,消费水平的提高,以及人们环保意识的提升,以锂离子电池作为动力的电动汽车已开始被广泛使用。电动汽车的动力电池组由单个电池组成,单个电池又由若干电芯极组组成,每个电池的电芯极组在生产过程时,以叠片工艺为例,需要检测电芯极组中各极片的对齐度是否符合工艺标准,若各极片间不满足对齐度工艺标准便属于不合格品,需要进行报废处理。
目前进行电芯极片对齐度检测的多为先用x-ray射线对电芯极组的四角进行成像,再通过数字图像分析技术判断极片对齐度是否符合工艺标准。但是,现有的x-ray检测是通过传统图像处理算法,灰度阈值分割来做的,当极片的成像稍微复杂时就会出现准确度降低,误判率过高的情况,从而会影响对齐度检测的准确性。
发明内容
有鉴于此,本发明旨在提出一种电芯极组极片对齐度检测方法,以可提高电芯极片对齐度检测的准确性。
为达到上述目的,本发明的技术方案是这样实现的:
一种电芯极组极片对齐度检测方法,所述检测方法包括:
获取待检测的电芯极组的图像;
对获取的所述图像进行RoI区域提取;
将提取的RoI区域输入卷积神经网络进行特征提取,获取所述电芯极组中各极片的顶点位置坐标值;
根据获取的各所述极片顶点位置的坐标值,判断各所述极片的对齐度是否符合要求。
进一步的,待检测的所述电芯极组的图像通过x-ray射线成像获得。
进一步的,所述RoI区域的提取采用多重模板加权匹配法。
进一步的,所述卷积神经网络进行特征提取时,以所述卷积神经网络最后一层输出的特征值作为各所述极片的顶点位置坐标值。
进一步的,所述卷积神经网络采用Hourglass神经网络结构。
进一步的,所述检测方法还包括在通过所述卷积神经网络进行特征提取之前,通过多张标记有所述极片顶点位置的电芯极组的图像对所述卷积神经网络进行训练,以使所述卷积神经网络的输出复合要求。
进一步的,获取各所述极片顶点位置的坐标值后,通过计算各所述极片顶点位置间的距离,判断各所述极片的对齐度是否符合要求。
相对于现有技术,本发明具有以下优势:
本发明所述的电芯极组极片对齐度检测方法,利用卷积神经网络获取电芯极组中各极片的顶点位置坐标值,并根据获取的各极片顶点位置的坐标值,对各极片的对齐度是否符合要求进行判断,由此可利用卷积神经网络的视觉处理算法的优点,提升极片顶点位置识别的精确度,从而能够提高电芯极片对齐度检测的准确性。
同时,本发明也提供有以实施上述检测方法的电芯极组极片对齐度检测装置,且所述检测装置包括:
图像获取单元,所述图像获取单元用于获取待检测的电芯极组的图像;
数据处理单元,所述数据处理单元具有用于对获取的所述图像进行RoI区域进行提取的RoI区域提取模块,根据提取的RoI区域进行特征提取,以获取所述电芯极组中各极片的顶点位置坐标值的卷积神经网络模块,以及根据获取的各所述极片顶点位置的坐标值,判断各所述极片的对齐度是否符合要求的判断处理模块。
进一步的,所述图像获取单元采用x-ray射线成像设备。
进一步的,所述RoI区域提取模块采用多重模板加权匹配法进行RoI区域提取,所述卷积神经网络模块采用Hourglass神经网络结构,所述判断处理模块通过计算各所述极片顶点位置间的距离,判断各所述极片的对齐度是否符合要求。
本发明的电芯极组极片对齐度检测装置,可利用卷积神经网络的视觉处理算法的优点,提升极片顶点位置识别的精确度,能够提高电芯极片对齐度检测的准确性,而有着很好的实用性。
附图说明
构成本发明的一部分的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为本发明实施例所述的电芯极组极片对齐度检测装置的构成示意图
附图标记说明:
100、电芯极组;200、图像获取单元;300、数据处理单元;301、RoI区域提取模块;302、卷积神经网络模块;303、判断处理模块。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
本实施例涉及电芯极组100中极片对齐度的检测,并具体涉及一种电芯极组极片对齐度检测装置,如图1中所示的,整体构成上该检测装置包括有图像获取单元200和数据处理单元300。
其中,本实施例的图像获取单元200用于获取待检测的电芯极组100的图像,且一般该图像获取单元200也采用现有的x-ray射线成像设备,以能够穿透电芯极组100外包覆的膜层,而形成电芯极组100,特别是其极片所处区域的图像。
本实施例的数据处理单元300具有用于对获取的图像进行RoI区域进行提取的RoI区域提取模块301,根据提取的RoI区域进行特征提取,以获取电芯极组中各极片的顶点位置坐标值的卷积神经网络模块302,以及根据获取的各极片顶点位置的坐标值,而判断各极片的对齐度是否符合要求的判断处理模块303。
在具体实施中,以上的RoI区域提取模块301可采用现有的多重模板加权匹配法进行RoI区域提取,卷积神经网络模块302则可采用现有的Hourglass神经网络结构,而判断处理模块303则可为通过计算各极片顶点位置间的距离,从而判断各极片的对齐度是否符合要求。
同时,包含有RoI区域提取模块301、卷积神经网络模块302和判断处理模块303的数据处理单元300整体一般采用具备相应模块的安装、运行以及过程和结果数据输入输出功能的计算机便可。而各模块均可依据需求采用现有模块产品。
本实施例的检测装置,其在工作时所涉及的电芯极组极片对齐度检测方法具体包括如下的步骤:
步骤a.获取待检测的电芯极组100的图像;
步骤b.对获取的图像进行RoI区域提取;
步骤c.将提取的RoI区域输入卷积神经网络进行特征提取,获取电芯极组100中各极片的顶点位置坐标值;
步骤d.根据获取的各极片顶点位置的坐标值,判断各极片的对齐度是否符合要求。
以上各步骤中,如同上文所述及的,步骤a中,待检测的电芯极组100的图像通过x-ray射线成像获得,步骤b中,RoI区域的提取采用多重模板加权匹配法。此外,步骤c中,在卷积神经网络进行特征提取时,具体为以卷积神经网络最后一层输出的特征值作为各极片的顶点位置坐标值。
另外,在本实施例的检测方法中,在通过卷积神经网络进行特征提取之前,一般还应通过多张标记有极片顶点位置的电芯极组100的图像对卷积神经网络进行训练,以使得卷积神经网络的输出复合要求。而后便可使用训练好的卷积神经网络根据输入信息输出所需要的极片顶点位置信息。
本实施例中,需要说明的是,通过卷积神经网络获取各极片顶点位置的坐标值后,可通过计算各极片顶点位置间的距离,进而判断各极片的对齐度是否符合要求。此时,作为示例,例如可为设定各极片顶点位置间的距离在一数值区间范围内时,即能够认为极片间对齐度是符合要求的。该数值区间可根据极组设计要求具体确定,且其通常会为接近于0的数值,同时,在电芯极组100中所有极片顶点位置间的距离均满足要求才可判定对齐度合格,否则便为对齐度不合格。
本实施例的检测方法中,各步骤中的设备及模块的使用方法分别参见其使用说明,或依照其常规操作方式进行即可。而本实施例的电芯极组极片对齐度检测,利用卷积神经网络获取电芯极组中各极片的顶点位置坐标值,并根据获取的各极片顶点位置的坐标值,对各极片的对齐度是否符合要求进行判断,由此利用卷积神经网络的视觉处理算法的优点,可提升极片顶点位置识别的精确度,而能够提高电芯极片对齐度检测的准确性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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)
1.一种电芯极组极片对齐度检测方法,其特征在于,所述检测方法包括:
获取待检测的电芯极组(100)的图像;
对获取的所述图像进行RoI区域提取,且所述RoI区域的提取采用多重模板加权匹配法;
通过多张标记有极片顶点位置的电芯极组(100)的图像对卷积神经网络进行训练,以使卷积神经网络的输出复合要求;
将提取的RoI区域输入卷积神经网络进行特征提取,获取所述电芯极组(100)中各极片的顶点位置坐标值;
根据获取的各所述极片顶点位置的坐标值,通过计算各所述极片顶点位置间的距离,判断各所述极片的对齐度是否符合要求。
2.根据权利要求1所述的电芯极组极片对齐度检测方法,其特征在于:待检测的所述电芯极组(100)的图像通过x-ray射线成像获得。
3.根据权利要求1所述的电芯极组极片对齐度检测方法,其特征在于:所述卷积神经网络进行特征提取时,以所述卷积神经网络最后一层输出的特征值作为各所述极片的顶点位置坐标值。
4.根据权利要求1所述的电芯极组极片对齐度检测方法,其特征在于:所述卷积神经网络采用Hourglass神经网络结构。
5.一种电芯极组极片对齐度检测装置,其特征在于:所述检测装置基于权利要求1所述的电芯极组极片对齐度检测方法,包括:
图像获取单元(200),所述图像获取单元(200)用于获取待检测的电芯极组(100)的图像;
数据处理单元(300),所述数据处理单元(300)具有用于对获取的所述图像进行RoI区域进行提取的RoI区域提取模块(301),根据提取的RoI区域进行特征提取,以获取所述电芯极组中各极片的顶点位置坐标值的卷积神经网络模块(302),以及根据获取的各所述极片顶点位置的坐标值,判断各所述极片的对齐度是否符合要求的判断处理模块(303);
所述RoI区域提取模块(301)采用多重模板加权匹配法进行RoI区域提取,所述判断处理模块(303)通过计算各所述极片顶点位置间的距离,判断各所述极片的对齐度是否符合要求。
6.根据权利要求5所述的电芯极组极片对齐度检测装置,其特征在于:所述图像获取单元(200)采用x-ray射线成像设备。
7.根据权利要求5所述的电芯极组极片对齐度检测装置,其特征在于:所述卷积神经网络模块(302)采用Hourglass神经网络结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011194499.6A CN112330623B (zh) | 2020-10-30 | 2020-10-30 | 电芯极组极片对齐度检测方法和检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011194499.6A CN112330623B (zh) | 2020-10-30 | 2020-10-30 | 电芯极组极片对齐度检测方法和检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330623A CN112330623A (zh) | 2021-02-05 |
CN112330623B true CN112330623B (zh) | 2022-05-27 |
Family
ID=74322793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011194499.6A Active CN112330623B (zh) | 2020-10-30 | 2020-10-30 | 电芯极组极片对齐度检测方法和检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330623B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114140647A (zh) * | 2021-11-26 | 2022-03-04 | 蜂巢能源科技有限公司 | 电芯极组极片模糊图像识别的算法 |
JP2024520973A (ja) * | 2022-04-06 | 2024-05-28 | 寧徳時代新能源科技股▲分▼有限公司 | セパレータの検出方法、装置及び機器 |
CN114894821B (zh) * | 2022-04-29 | 2024-01-09 | 浙江锂威电子科技有限公司 | 一种避免过杀的X-Ray过程监督反馈调节闭环控制方法及系统 |
CN117751381A (zh) * | 2022-07-21 | 2024-03-22 | 宁德时代新能源科技股份有限公司 | 检测电芯组件的极耳外观的方法与装置、电子设备 |
CN115511834A (zh) * | 2022-09-28 | 2022-12-23 | 广东利元亨智能装备股份有限公司 | 电芯对齐度检测方法、控制器、检测系统以及存储介质 |
EP4401034A4 (en) * | 2022-11-30 | 2024-08-28 | Contemporary Amperex Technology Co Ltd | METHOD AND APPARATUS FOR INSPECTING BATTERY CELL ELECTRODE SHEET, AND ELECTRONIC DEVICE |
CN116309265A (zh) * | 2022-11-30 | 2023-06-23 | 宁德时代新能源科技股份有限公司 | 电芯极片检测方法、装置与电子设备 |
CN116721055A (zh) * | 2023-04-23 | 2023-09-08 | 深圳市卓茂科技有限公司 | 一种叠片锂电池的电芯阴阳极片对齐度的检测方法及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598721A (zh) * | 2018-12-10 | 2019-04-09 | 广州市易鸿智能装备有限公司 | 电池极片的缺陷检测方法、装置、检测设备和存储介质 |
-
2020
- 2020-10-30 CN CN202011194499.6A patent/CN112330623B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598721A (zh) * | 2018-12-10 | 2019-04-09 | 广州市易鸿智能装备有限公司 | 电池极片的缺陷检测方法、装置、检测设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112330623A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330623B (zh) | 电芯极组极片对齐度检测方法和检测装置 | |
CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
CN102831411B (zh) | 一种快速人脸检测方法 | |
WO2017206914A1 (zh) | 指纹识别方法、指纹识别系统、及电子设备 | |
CN104616002A (zh) | 用于年龄段判断的面部识别设备 | |
CN111831430A (zh) | 一种基于边缘计算的电力设备缺陷识别系统 | |
CN103164692A (zh) | 一种基于计算机视觉的特种车辆仪表自动识别系统及算法 | |
CN109670449B (zh) | 一种基于垂直抓拍方式的车辆违法判断方法 | |
CN114972922B (zh) | 基于机器学习的煤矸分选识别方法、装置及设备 | |
CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及系统 | |
CN101923637A (zh) | 一种移动终端及其人脸检测方法和装置 | |
CN115035061A (zh) | 一种电芯极组阴阳极点提取及阴阳极片对齐度检测方法 | |
CN111145222A (zh) | 一种结合烟雾运动趋势和纹理特征的火灾检测方法 | |
CN113203954A (zh) | 一种基于时频图像处理的电池故障诊断方法 | |
CN115953666A (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 | |
CN116721055A (zh) | 一种叠片锂电池的电芯阴阳极片对齐度的检测方法及设备 | |
CN118051831B (zh) | 基于CNN-Transformer合作网络模型的水声目标识别方法 | |
CN116665390A (zh) | 基于边缘计算及优化YOLOv5的火灾检测系统 | |
CN111339927A (zh) | 一种电力营业厅人员工作状态智能识别系统 | |
CN114463558A (zh) | 一种基于深度学习的变电站指针仪表检测方法 | |
Zhang et al. | IL-YOLO: An Efficient Detection Algorithm for Insulator Defects in Complex Backgrounds of Transmission Lines | |
CN116310669B (zh) | 基于多模态特征提取网络的目标检测方法、系统及设备 | |
CN109543610B (zh) | 车辆检测跟踪方法、装置、设备及存储介质 | |
CN115994918A (zh) | 一种细胞分割方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |