CN112819764B - 一种堆叠燃料电池膜电极mea极位检测方法 - Google Patents
一种堆叠燃料电池膜电极mea极位检测方法 Download PDFInfo
- Publication number
- CN112819764B CN112819764B CN202110093010.4A CN202110093010A CN112819764B CN 112819764 B CN112819764 B CN 112819764B CN 202110093010 A CN202110093010 A CN 202110093010A CN 112819764 B CN112819764 B CN 112819764B
- Authority
- CN
- China
- Prior art keywords
- membrane electrode
- fuel cell
- image
- detection
- computer vision
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Fuel Cell (AREA)
Abstract
本申请提供了一种堆叠燃料电池膜电极MEA极位检测方法,所述方法包括:S1,将燃料电池的膜电极固定后对其进行拍摄,以获得检测用图像;S2,将所述检测用图像输入计算机视觉图像识别模块进行识别,该计算机视觉图像识别模块输出膜电极在燃料电池中的位置;S3,将所述识别出的位置与标准膜电极位置进行对比以计算偏差值,若偏差值小于阈值,则输出该燃料电池膜电极合格的结论,否则输出不合格的结论。本申请的方案解决了人工肉眼识别的不可行性,而且由于采用了先进的计算机视觉识别算法,也保证了识别的准确率和速率。
Description
技术领域
本申请涉及堆叠燃料电池领域,具体而言,涉及一种堆叠燃料电池膜电极MEA极位检测方法。
背景技术
燃料电池堆是通过电化学反应来产生电的发电装置。近年来,燃料电池已经被作为车辆传动系统的一部分而被用来向车辆提供电力的主要来源。燃料电池具有以下结构:即被供给氢的阳极和被供给空气的阴极堆叠在一起,膜电极组件插在其中。燃料电池堆是指通过空气中的氧与从其外部供应的氢之间的化学反应来产生电能的装置。
其中,膜电极(Membrance Electrode Assembly,MEA)是PEMFC中的核心部件,决定着PEMFC的性能、寿命及成本。然而,氢能源燃料电池的膜电极MEA在使用一段时间后,可能发生电极的极位偏离的情况,容易导致供电不稳定等问题,因此需要对所谓的“极位”偏离情况进行检测,同时,由于极位小幅度偏离时即会导致上述问题,此时显然无法通过肉眼观察来进行检测。申请人通过检索现有技术后发现,现有技术中尚未有切实有效的堆叠燃料电池膜电极MEA极位检测方法。
发明内容
为了解决上述技术问题,本申请提供了一种堆叠燃料电池膜电极MEA 极位检测方法,以实现高效准确的对电极极位偏离情况的检测。
本申请的第一方面提供了一种堆叠燃料电池膜电极MEA极位检测方法,所述方法包括:
S1,将燃料电池的膜电极固定后对其进行拍摄,以获得检测用图像;
S2,将所述检测用图像输入计算机视觉图像识别模块进行识别,该计算机视觉图像识别模块输出膜电极在燃料电池中的位置;
S3,将所述识别出的位置与标准膜电极位置进行对比以计算偏差值,若偏差值小于阈值,则输出该燃料电池膜电极合格的结论,否则输出不合格的结论。
可选地,在将所述检测用图像输入计算机视觉图像识别模块之前,还包括预处理步骤,所述预处理步骤包括图像二值化、图像滤波、图像边缘检测。
可选地,计算机视觉图像识别模块识别得出膜电极在燃料电池中的位置,包括:
接收经过预处理的检测用图像,将其中识别出的燃料电池边缘以内的区域作为检测区域,采用计算机视觉图像识别算法识别得出膜电极并确定其在所述检测区域中的位置。
可选地,所述计算机视觉图像识别算法包括卷积神经网络算法、SVM算法、HMM算法、SURF算法、LBP算法中的任一种。
可选地,所述将所述识别出的位置与标准膜电极位置进行对比以计算偏差值,包括:
将所述识别出的位置与所述标准膜电极位置均映射至同一坐标系;
计算所述识别出的位置与所述标准膜电极位置之间的距离,若所述距离大于或等于阈值th1,则将所述距离作为所述偏差值。
可选地,还包括:若所述距离小于阈值th1,则以所述标准膜电极位置为圆心、以预设值th2为半径作圆1,并且,以所述标准膜电极位置为圆心、以所述距离为半径作圆2,计算所述圆1与所述圆2的面积差,将所述面积差作为所述偏差值。
可选地,在所述距离大于或等于阈值th1和所述距离小于阈值th1时的所述偏差值的阈值不同。
本申请第二方面提供一种堆叠燃料电池膜电极MEA极位检测系统,所述系统包括拍摄模块、计算机视觉图像识别模块、判断模块,包括:
所述拍摄模块,用于在将燃料电池的膜电极固定后对其进行拍摄,以获得检测用图像;
所述计算机视觉图像识别模块,用于对接收的所述检测用图像进行识别,以输出膜电极在燃料电池中的位置;
所述判断模块,用于将所述识别出的位置与标准电极位置进行对比以计算偏差值,若偏差值小于阈值,则输出该燃料电池膜电极合格的结论,否则输出不合格的结论。
本申请第三方面提供一种电子设备,所述设备包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如前所述的方法。
本申请的第四方面提供了一种计算机存储介质,所述存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如前所述的方法。
本发明的有益效果在于:本申请的方案采用计算机视觉识别算法来识别燃料电池的膜电极图像,进而识别出膜电极的位置,然后再将其与膜电极的标准位置进行比对,从而可以快速输出膜电极是否过度偏移的合格/不合格结论。于是,本申请的方案解决了人工肉眼识别的不可行性,而且由于采用了先进的计算机视觉识别算法,也保证了识别的准确率和速率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本申请实施例一公开的一种堆叠燃料电池膜电极MEA极位检测方法的流程示意图。
图2是本申请实施例一公开的一种偏差值确定场景的示意图。
图3是本申请实施例二公开的一种堆叠燃料电池膜电极MEA极位检测系统的结构示意图。
图4是本申请实施例三公开的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
实施例1
请参阅图1,图1是本申请实施例公开的一种堆叠燃料电池膜电极MEA 极位检测方法的流程示意图。如图1所示,本申请的第一方面提供了一种堆叠燃料电池膜电极MEA极位检测方法,所述方法包括:
S1,将燃料电池的膜电极固定后对其进行拍摄,以获得检测用图像;
S2,将所述检测用图像输入计算机视觉图像识别模块进行识别,该计算机视觉图像识别模块输出膜电极在燃料电池中的位置;
S3,将所述识别出的位置与标准电极极位位置进行对比以计算偏差值,若偏差值小于阈值,则输出该燃料电池膜电极合格的结论,否则输出不合格的结论。
本实施例的方法采用计算机视觉图像识别技术分析得出膜电极在燃料电池中的位置,然后再通过与标准电极位置进行对比就可以快速得出偏差值,从而可以进一步基于偏差值的大小判断极位的移位程度,最终输出堆叠燃料电池是否合格的结论。本申请的方案解决了堆叠燃料电池膜电极MEA 极位难以用肉眼查看是否移位过大的问题,采用计算机视觉图像识别技术可以快速、准确的针对堆叠燃料电池膜电极MEA极位进行检测。
可选地,在将所述检测用图像输入计算机视觉图像识别模块之前,还包括预处理步骤,所述预处理步骤包括图像二值化、图像滤波、图像边缘检测。
其中,图像二值化处理可以图像处理不涉及像素的多级值而只与纯黑或纯白的像素点相关,这样可使图像处理的数据量减小且使处理变得简单。
在拍摄燃料电池的图像时,可能会受到内外部光线等的影响,进而会出现图像噪声,这些噪声对于需要精细检测的燃料电池膜电极移位来说,显然会产生较大影响,所以,需要进行图像滤波。可采用如下方式:对于所述检测用图像,先求出某几个像素邻域内几个像素的灰度平均值,然后用该值取代该像素原来的灰度值,假定f(x,y)是一副具有N×N个像素的图像,则
其中,g(x,y)为经过图像滤波处理后的图像;S为前述的邻域内的像素的个数(即图像坐标点总数)。
边缘是图像的基本特征之一,一般在具有不同灰度值的相邻区域间存在边缘,这是灰度值不连续的表现。对于本申请来说,在拍摄燃料电池的图像时不可避免的会将非目标图像拍摄进检测用图像中,所以,需要通过边缘检测算法来确定出不包含这些杂物的检测区域。具体而言,由于燃料电池的图像本申请是规则形状(例如矩形、方形),所以可采用求导数的方法检测边缘点,如果对灰度值剖面的一阶导数在图像的某位置处有一个阶跃,而在其他位置都为零,则说明检测到边缘的存在,即幅度峰值一般对应边缘的位置。
可选地,计算机视觉图像识别模块识别得出膜电极在燃料电池中的位置,包括:
接收经过预处理的检测用图像,将其中识别出的燃料电池边缘以内的区域作为检测区域,采用计算机视觉图像识别算法识别得出膜电极并确定其在所述检测区域中的位置。
其中,为了保证识别准确性,还需要预先采用多种形态的膜电极图像对所述计算机视觉图像识别模块进行训练,其中的多种形态包括图像拍摄环境(主要是光线条件),膜电极形状、颜色等等。
可选地,所述计算机视觉图像识别算法包括卷积神经网络算法、SVM算法、HMM算法、SURF算法、LBP算法中的任一种。当然,还可以选择使用其它计算机视觉图像识别算法,本申请对此可不作具体限定。
可选地,所述将所述识别出的位置与标准膜电极位置进行对比以计算偏差值,包括:
将所述识别出的位置与所述标准膜电极位置均映射至同一坐标系;
计算所述识别出的位置与所述标准膜电极位置之间的距离,若所述距离大于或等于阈值th1,则将所述距离作为所述偏差值。
可选地,还包括:若所述距离小于阈值th1,则以所述标准膜电极位置为圆心、以预设值th2为半径作圆1,并且,以所述标准膜电极位置为圆心、以所述距离为半径作圆2,计算所述圆1与所述圆2的面积差,将所述面积差作为所述偏差值。
在本申请实施例中,由于堆叠燃料电池对膜电极的移位要求比较严苛,所以,需要设置更小的偏差值阈值来判定膜电极的移位是否处于合格区间。然而,相机的拍摄精度及识别算法的识别能力通常又是有限的,虽然可以使用更高端的相机设备来提高图像的解析力、采用更加强大的处理算法来保证识别准确率,但是,如此带来的成本增加也许是无法接受的。针对该问题,本申请提供了上述的解决方案,具体而言:
参照图2,其中A点为所述识别出的位置,B点为所述标准膜电极位置。当计算出的距离(即直线AB的长度)大于或等于阈值th1时,说明移位程度较大,此时相对低端的相机及普通的识别算法即可以满足检测要求,所以,此时直接将所述距离作为所述偏差值,以用于后续的合格与否的判断。而当计算出的距离小于阈值th1时,以所述标准膜电极位置(即位置B )为圆心、以预设值th2(可为预先设定的固定值)为半径作圆1,并且,以所述标准膜电极位置(即位置B)为圆心、以所述距离为半径作圆2,计算所述圆1与所述圆2的面积差(也可以计算半个圆的面积差),将所述面积差作为所述偏差值,如此,本申请通过作圆的方式对偏差值进行了放大,从而使用现有的相机及识别算法仍然可以进行小幅度移位的检测。
作为一种进一步的改进方案,其中的预设值th2也是不固定的,例如,可以基于不同型号的燃料电池中膜电极的大小来设定预设值th2与膜电极大小的对应关系表,后续再通过查表可直接获得预设值th2。对应关系表的设定原则可以为:膜电极越大,则预设值th2越大;反之,膜电极越小,则预设值th2越小。该设定原则的逻辑基础为:当膜电极较大时,轻微的移动不会导致上述背景技术中的问题,所以,通过将预设值th2调大来间接改变所述圆1与所述圆2的面积差(即调小了偏差值),从而调大了对较大的膜电极的移位容忍度;反之,对于较小的膜电极来说,轻微的移动也有可能导致前述背景技术中的问题,即较小的膜电极对移位更敏感,所以,通过将预设值th2调小来间接改变所述圆1与所述圆2的面积差(即调大了偏差值),从而调小了对较小的膜电极的移位容忍度,使得检测更敏感。
可选地,在所述距离大于或等于阈值th1和所述距离小于阈值th1时的所述偏差值的阈值不同。
另外,由于不同的判断方案中的偏差值并不相同,所以,需要设置对应的偏差值阈值也不同,例如,对应所述距离大于或等于阈值th1情况的偏差值阈值th3显著小于对应所述距离小于阈值th1时的所述偏差值阈值 th4。
实施例2
请参阅图3,图3是本申请实施例公开的一种堆叠燃料电池膜电极MEA 极位检测系统的结构示意图。如图3所示,本申请第二方面提供一种堆叠燃料电池膜电极MEA极位检测系统,所述系统包括拍摄模块、计算机视觉图像识别模块、判断模块,包括:
所述拍摄模块,用于在将燃料电池的膜电极固定后对其进行拍摄,以获得检测用图像;
所述计算机视觉图像识别模块,用于对接收的所述检测用图像进行识别,以输出膜电极在燃料电池中的位置;
所述判断模块,用于将所述识别出的位置与标准电极位置进行对比以计算偏差值,若偏差值小于阈值,则输出该燃料电池膜电极合格的结论,否则输出不合格的结论。
实施例3
请参阅图4,图4是本申请实施例公开的一种电子设备的结构示意图。如图4所示,本申请第三方面提供一种电子设备,其特征在于,所述设备包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如前实施例一所述的方法。
实施例4
本实施例提供了一种计算机存储介质,其特征在于,所述存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如实施例一所述的方法。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种堆叠燃料电池膜电极MEA极位检测方法,其特征在于:所述方法包括:S1,将燃料电池的膜电极固定后对其进行拍摄,以获得检测用图像;
S2,将所述检测用图像输入计算机视觉图像识别模块进行识别,该计算机视觉图像识别模块输出膜电极在燃料电池中的位置;
S3,将所述识别出的位置与标准膜电极位置进行对比以计算偏差值,若偏差值小于阈值,则输出该燃料电池膜电极合格的结论,否则输出不合格的结论;
所述将所述识别出的位置与标准膜电极位置进行对比以计算偏差值,包括:将所述识别出的位置与所述标准膜电极位置均映射至同一坐标系;
计算所述识别出的位置与所述标准膜电极位置之间的距离,若所述距离大于或等于阈值th1,则将所述距离作为所述偏差值;
还包括:若所述距离小于阈值th1,则以所述标准膜电极位置为圆心、以预设值th2为半径作圆1,并且,以所述标准膜电极位置为圆心、以所述距离为半径作圆2,计算所述圆1与所述圆2的面积差,将所述面积差作为所述偏差值;
在所述距离大于或等于阈值th1和所述距离小于阈值th1时的所述偏差值的阈值不同;
膜电极越大,则预设值th2越大;反之,膜电极越小,则预设值th2越小。
2.根据权利要求1所述的方法,其特征在于:在将所述检测用图像输入计算机视觉图像识别模块之前,还包括预处理步骤,所述预处理步骤包括图像二值化、图像滤波、图像边缘检测。
3.根据权利要求2所述的方法,其特征在于:计算机视觉图像识别模块识别得出膜电极在燃料电池中的位置,包括:接收经过预处理的检测用图像,将其中识别出的燃料电池边缘以内的区域作为检测区域,采用计算机视觉图像识别算法识别得出膜电极并确定其在所述检测区域中的位置。
4.根据权利要求3所述的方法,其特征在于:所述计算机视觉图像识别算法包括卷积神经网络算法、SVM算法、HMM算法、SURF算法、LBP算法中的任一种。
5.一种堆叠燃料电池膜电极MEA极位检测系统,用于执行如权利要求1-4任一项所述的方法,其特征在于:所述系统包括拍摄模块、计算机视觉图像识别模块、判断模块,包括:所述拍摄模块,用于在将燃料电池的膜电极固定后对其进行拍摄,以获得检测用图像;
所述计算机视觉图像识别模块,用于对接收的所述检测用图像进行识别,以输出膜电极在燃料电池中的位置;所述判断模块,用于将所述识别出的位置与标准电极位置进行对比以计算偏差值,若偏差值小于阈值,则输出该燃料电池膜电极合格的结论,否则输出不合格的结论。
6.一种电子设备,其特征在于,所述设备包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-4任一项所述的方法。
7.一种计算机存储介质,其特征在于,所述存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110093010.4A CN112819764B (zh) | 2021-01-25 | 2021-01-25 | 一种堆叠燃料电池膜电极mea极位检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110093010.4A CN112819764B (zh) | 2021-01-25 | 2021-01-25 | 一种堆叠燃料电池膜电极mea极位检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819764A CN112819764A (zh) | 2021-05-18 |
CN112819764B true CN112819764B (zh) | 2022-07-19 |
Family
ID=75859100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110093010.4A Active CN112819764B (zh) | 2021-01-25 | 2021-01-25 | 一种堆叠燃料电池膜电极mea极位检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819764B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463326B (zh) * | 2022-03-14 | 2022-06-21 | 深圳灿维科技有限公司 | 一种手机中框视觉检测算法、装置、设备及存储介质 |
CN115986172B (zh) * | 2023-03-17 | 2023-05-30 | 北京新研创能科技有限公司 | 一种用于氢燃料电池的监测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002189055A (ja) * | 2000-12-22 | 2002-07-05 | Nec Machinery Corp | リードレス半導体素子の特性測定方法およびその装置 |
KR20130027240A (ko) * | 2011-09-07 | 2013-03-15 | 현대하이스코 주식회사 | 막 전극 접합체 및 가스확산층의 위치 정렬 오차 검출 장치 및 방법 |
CN109360794A (zh) * | 2018-10-11 | 2019-02-19 | 华南理工大学 | 一种晶硅光伏太阳能电池电极二次印刷精度视觉检测方法及装置 |
CN110349207A (zh) * | 2019-07-10 | 2019-10-18 | 国网四川省电力公司电力科学研究院 | 一种复杂环境下的视觉定位方法 |
CN110900145A (zh) * | 2019-11-27 | 2020-03-24 | 航天科技控股集团股份有限公司 | 用于指针压装的表盘零刻度线拾取方法 |
CN111208147A (zh) * | 2020-01-13 | 2020-05-29 | 普联技术有限公司 | 针脚检测方法、装置及系统 |
-
2021
- 2021-01-25 CN CN202110093010.4A patent/CN112819764B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002189055A (ja) * | 2000-12-22 | 2002-07-05 | Nec Machinery Corp | リードレス半導体素子の特性測定方法およびその装置 |
KR20130027240A (ko) * | 2011-09-07 | 2013-03-15 | 현대하이스코 주식회사 | 막 전극 접합체 및 가스확산층의 위치 정렬 오차 검출 장치 및 방법 |
CN109360794A (zh) * | 2018-10-11 | 2019-02-19 | 华南理工大学 | 一种晶硅光伏太阳能电池电极二次印刷精度视觉检测方法及装置 |
CN110349207A (zh) * | 2019-07-10 | 2019-10-18 | 国网四川省电力公司电力科学研究院 | 一种复杂环境下的视觉定位方法 |
CN110900145A (zh) * | 2019-11-27 | 2020-03-24 | 航天科技控股集团股份有限公司 | 用于指针压装的表盘零刻度线拾取方法 |
CN111208147A (zh) * | 2020-01-13 | 2020-05-29 | 普联技术有限公司 | 针脚检测方法、装置及系统 |
Non-Patent Citations (3)
Title |
---|
Hausdorff匹配快速检测PCB基准标记;柏长冰等;《光电子.激光》;20060425(第04期);第121-124页 * |
印刷电路板图像模式识别研究;乔维维等;《电子测试》;20110706(第07期);第118-121页 * |
基于多模板匹配的丝印缺陷快速检测方法;郭桂平等;《电子质量》;20160420(第04期);第16-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112819764A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112819764B (zh) | 一种堆叠燃料电池膜电极mea极位检测方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
WO2022262054A1 (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110544231A (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN112950576B (zh) | 基于深度学习的输电线路缺陷智能识别方法及系统 | |
CN104537650A (zh) | 一种铝电解电容器的极性方向判定方法及装置 | |
CN113409296B (zh) | 一种卷绕电芯的抽芯检测方法、电子设备及存储介质 | |
CN112465814A (zh) | 基于深度学习的电池overhang的计算方法和装置 | |
CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及系统 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN113654493A (zh) | 一种叠片软包锂电池质量检测方法及系统 | |
CN114046748A (zh) | 一种锂电池隔膜的颗粒检测方法、装置及系统 | |
CN113971663A (zh) | 极片翻折检测方法、装置、检测设备及存储介质 | |
CN116051542B (zh) | 缺陷检测方法及缺陷检测装置 | |
CN116577345A (zh) | 一种锂电池极耳数量检测方法及系统 | |
CN109960990B (zh) | 障碍物侦测可信度评估方法 | |
CN114511851B (zh) | 一种基于显微镜图像的游丝藻类细胞统计方法 | |
CN114581360B (zh) | 光伏组件标签检测方法、装置、设备和计算机存储介质 | |
CN113326749B (zh) | 目标检测方法、装置以及存储介质、电子设备 | |
CN115100186A (zh) | 基于图像数据的纺织品色差检测方法 | |
CN111600051B (zh) | 一种基于图像处理的质子交换膜燃料电池故障诊断方法 | |
CN114926774A (zh) | 一种基于视频图像识别光伏组件火灾的方法及装置 | |
Zheng et al. | Digital spliced image forensics based on edge blur measurement | |
CN113250914A (zh) | 一种机舱塔顶2d位移测量方法、系统、设备及存储介质 | |
JP5769488B2 (ja) | 認識装置、認識方法及びプログラム |
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 |