CN113537414A - 锂电池缺陷检测方法、装置、设备及存储介质 - Google Patents
锂电池缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113537414A CN113537414A CN202111082169.2A CN202111082169A CN113537414A CN 113537414 A CN113537414 A CN 113537414A CN 202111082169 A CN202111082169 A CN 202111082169A CN 113537414 A CN113537414 A CN 113537414A
- Authority
- CN
- China
- Prior art keywords
- defect
- classification result
- lithium battery
- defect classification
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明实施例公开了一种锂电池缺陷检测方法,包括:获取待检测锂电池的目标极片图像;基于第一特征提取算法,获取所述目标极片图像对应的第一缺陷特征;根据第一深度网络确定与所述第一缺陷特征对应的第一缺陷分类结果;基于第二特征提取算法,获取所述目标极片图像对应的第二缺陷分类结果,所述第二特征提取算法为第二深度网络;对第一缺陷分类结果和第二缺陷分类结果进行去重融合处理,得到第三缺陷分类结果;对第三缺陷分类结果进行筛选,确定目标缺陷分类结果作为待检测锂电池的缺陷检测结果。采用本发明,可提高对锂电池极片缺陷检测的准确率。
Description
技术领域
本发明涉及物联网技术领域,尤其涉及一种锂电池缺陷检测方法、装置、计算机设备及计算机可读存储介质。
背景技术
随着制造业的迅速发展,人们对产品质量的要求日益提高,产品表面质量对产品的商业价值有着越来越重要的影响。表面缺陷检测已成为产品质量控制过程中的重要环节,可以有效提高产品质量和生产效率。表面缺陷的传统检测方法为人工目视检测,该方法存在主观性强、人眼对空间和时间分辨率有限、不确定性大、易产生歧义和效率低下等缺点,难以满足现代工业高速、高准确度的检测要求。随着电子技术、图像传感技术和计算机技术的快速发展,基于光学图像传感的机器视觉检测技术逐渐取代人工目视检测方法,成为表面缺陷检测的重要手段,这种方法具有自动化、非接触、速度快、精度高、稳定性好等优点。缺陷识别与分类是视觉检测过程中的核心技术,关乎检测系统功能能否成功实现。
时至今日,工业生产已经发展了一百多年,不可再生资源日益枯竭,成为全球关注的焦点问题之一;同时,随着新能源锂电池的飞速发展,锂离子电池在安全性上存在着隐患,近年来频繁出现的电池召回事件,让人们不得不对锂电池的安全性问题投入更多的关注。锂电池的安全性,也成为当今关注的热点。锂电池拥有良好的安全性能,利用聚合物电解质代替常规锂离子电池中的液体电解液;并且可以做成任意的形状和尺寸,很大程度上提高了其灵活性。无论从安全性能、电池容量、形状体积还是放电性能等各方面测试,锂聚合物电池都具有明显的优势,因而被列为世界各国的朝阳产业,享有“绿色皇冠上的明珠”和“绿色环保产品”的称赞。目前在美国、英国、日本、中国等许多国家已经开始了批量成品生产。
锂电池的生产制造是由多个工艺步骤联接起来的,包括极片制造、电池组装以及注液三大阶段,每个阶段又可分为数道关键工艺,每一步都会对电池性能产生很大影响。通过解决每道工序中可能出现的工艺问题,以减少生产资源浪费、降低生产成本同时提高产品品质和市场竞争力。
锂电池由极耳和主体两部分组成。在其生产过程中,由于制造工艺、生产环境等的限制,会出现一些不合格的缺陷产品,影响其性能和安全,因此需要及时地将其剔除出来。根据缺陷出现的位置以及形态,将需要检测的缺陷分为三类,分别是外观尺寸缺陷、背部喷码区域出现的喷码不良(字符漏打或打偏)以及顶峰封印异物缺陷。 外观尺寸缺陷主要检测的是手机锂电池的定型尺寸以及定位尺寸,定位尺寸用来标记各部分的相对位置,定型尺寸为某部分的具体大小。定型尺寸包括电池主体的长宽和极耳的长宽,定位尺寸包括极耳与电池主体边缘的距离。
在外观尺寸检测过程中,需要提取电池的边缘信息,但是在照片拍摄过程中,所获得的照片有可能边缘并不清晰,或者边缘粗糙,有锯齿,或者极耳尺寸差异,或者因为拍摄过程极耳没有压平等问题,对于变形比较严重的电池,通过双阈值、基于最小二乘法改进的测量方法来拟合边缘,例如很多边缘点距离拟合线距离较远,分布很广,通过该方法可以排除奇异点的干扰,同时测量准确度更高,鲁棒性更好。
对极片采用图像处理的缺陷检测方法。主要首先利用多种图像预处理算法,对从生产线中获取到的极片图像进行处理,将极片中的缺陷提取出来。
最后,锂电池缺陷进行分类。
但是,在上述对锂电池缺陷进行检测,尤其是针对极片的缺陷检测,存在缺陷检测和分类的准确性不足的问题。
发明内容
基于此,有必要针对上述问题,提出了一种锂电池缺陷检测方法、装置、计算机设备及计算机可读存储介质。
在本发明的第一部分,提供了一种锂电池缺陷检测方法,所述方法包括:
获取待检测锂电池的目标极片图像;
基于第一特征提取算法,获取所述目标极片图像对应的第一缺陷特征;根据第一深度网络确定与所述第一缺陷特征对应的第一缺陷分类结果;
基于第二特征提取算法,获取所述目标极片图像对应的第二缺陷分类结果,所述第二特征提取算法为第二深度网络;
对第一缺陷分类结果和第二缺陷分类结果进行去重融合处理,得到第三缺陷分类结果;
对第三缺陷分类结果进行筛选,确定目标缺陷分类结果作为待检测锂电池的缺陷检测结果。
可选的,所述第一缺陷特征包括位置信息、置信度、缺陷面积、周长、半径、圆度、紧凑度、扁平度、凹度、矩形度、中心矩、轮廓特征和灰度特征中的至少一个。
可选的,所述第一缺陷分类结果中包含了至少一个第一缺陷及其位置信息;所述第二缺陷分类结果中包含了至少一个第二缺陷及其位置信息;其中,第一缺陷或第二缺陷的位置信息是根据缺陷区域的最小外接矩形确定的;
所述对第一缺陷分类结果和第二缺陷分类结果进行去重融合处理,得到第三缺陷分类结果的步骤,还包括:
根据第一缺陷的位置信息和第二缺陷的位置信息,对所述至少一个第一缺陷和至少一个第二缺陷进行去重处理。
可选的,所述根据第一缺陷的位置信息和第二缺陷的位置信息,对所述至少一个第一缺陷和至少一个第二缺陷进行去重处理的步骤,还包括:
确定每一个第一缺陷和第二缺陷的置信度,根据第一缺陷的位置信息和第二缺陷的位置信息以及对应的置信度,对所述至少一个第一缺陷和至少一个第二缺陷进行去重处理。
可选的,所述对第一缺陷分类结果和第二缺陷分类结果进行去重融合处理,得到第三缺陷分类结果的步骤,还包括:
将至少一个第一缺陷和至少一个第二缺陷进行融合处理,以得到包含多个缺陷的第三缺陷分类结果。
可选的,所述对第三缺陷分类结果进行筛选,确定目标缺陷分类结果作为待检测锂电池的缺陷检测结果的步骤,还包括:
根据预设的缺陷定义,根据缺陷定义中的关系式,对第三缺陷分类结果中的多个缺陷特征进行筛选,以得到目标缺陷分类结果,所述目标缺陷分类结果包括多个目标缺陷特征。
可选的,所述方法还包括:
获取待检测锂电池的外观缺陷、喷码缺陷、封印缺陷中的至少一个缺陷分类结果作为其他缺陷分类结果;
将该其他缺陷分类结果和根据目标极片图像得到的目标缺陷分类结果作为所述待检测锂电池的缺陷分类结果并输出。
在本发明的第二部分,提供了一种锂电池缺陷检测装置,所述装置包括:
极片图像获取模块,用于获取待检测锂电池的目标极片图像;
第一特征获取模块,用于基于第一特征提取算法,获取所述目标极片图像对应的第一缺陷特征;根据第一深度网络确定与所述第一缺陷特征对应的第一缺陷分类结果;
第二特征获取模块,用于基于第二特征提取算法,获取所述目标极片图像对应的第二缺陷分类结果,所述第二特征提取算法为第二深度网络;
缺陷特征融合处理模块,用于对第一缺陷分类结果和第二缺陷分类结果进行去重融合处理,得到第三缺陷分类结果;
缺陷特征筛选模块,用于对第三缺陷分类结果进行筛选,确定目标缺陷分类结果作为待检测锂电池的缺陷检测结果。
在本发明的第三部分,提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器有可执行代码,当所述可执行代码在所述处理器上运行以实现前述第一部分所述的锂电池缺陷检测方法。
在本发明的第四部分,提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行前述第一部分所述的锂电池缺陷检测方法。
采用本发明实施例,具有如下有益效果:
采用了上述锂电池缺陷检测方法、装置、计算机设备及计算机可读存储介质之后,获取待检测锂电池的目标极片图像;基于第一特征提取算法,获取所述目标极片图像对应的第一缺陷特征;根据第一深度网络确定与所述第一缺陷特征对应的第一缺陷分类结果;基于第二特征提取算法,获取所述目标极片图像对应的第二缺陷分类结果,所述第二特征提取算法为第二深度网络;对第一缺陷分类结果和第二缺陷分类结果进行去重融合处理,得到第三缺陷分类结果;对第三缺陷分类结果进行筛选,确定目标缺陷分类结果作为待检测锂电池的缺陷检测结果。也就是说,在对锂电池的极片进行缺陷识别时,同时采用传统的缺陷识别方式以及深度神经网络的方式进行缺陷识别,然后对两种方式识别到的缺陷分类结果进行去重、融合以及筛选操作,充分利用了两种缺陷识别方式的优势,相对于单一的缺陷识别方式,可以提高锂电池的极片的缺陷检测的准确性,降低锂电池的不良品率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
其中:
图1为一个实施例中一种锂电池缺陷检测方法的流程示意图;
图2为一个实施例中一种锂电池缺陷检测系统的组成示意图;
图3为一个实施例中运行上述锂电池缺陷检测方法的移动终端的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本实施例中,提供了一种锂电池缺陷检测方法,可以对锂电池是否存在缺陷进行检测,具体涉及到锂电池的极片的缺陷检测。本实施例可以应用于锂电池的生产线,也可以应用于锂电池的极片生产线,通过对极片是否存在缺陷进行检测,从而辅助判断对应的锂电池是否存在缺陷。
具体实施中,可以是通过表面缺陷检测的方法来检测极片是否存在缺陷,也就是说,通过采集极片表面的图像并基于图像识别来判断极片是否存在缺陷。
具体的,请参见图1,给出了上述锂电池缺陷检测方法的流程示意图,具体的,上述锂电池缺陷检测方法包括了如图1所示的步骤S101-S105:
步骤S101:获取待检测锂电池的目标极片图像。
通过摄像装置,例如,摄像头,采集待检测锂电池的极片的图像作为目标极片图像。在这里,可以是在极片生产或检测环节中,对锂电池的材料进行缺陷检测。
步骤S102:基于第一特征提取算法,获取所述目标极片图像对应的第一缺陷特征;
步骤S103:根据第一深度网络确定与所述第一缺陷特征对应的第一缺陷分类结果。
步骤S102-S103为基于传统方法的缺陷检测,第一特征提取算法可以是任意可以从图像中提取特征的算法,包括但不限于形态学、阈值分割、gabor、Canny、Sobel边缘提取等多种特征提取算法,提取目标极片图像中的缺陷特征(第一缺陷特征)。
这里,从目标极片图像中提取到的第一缺陷特征包括但不限于位置信息、置信度、缺陷面积、周长、半径、圆度、紧凑度、扁平度、凹度、矩形度、中心矩以及其他轮廓特征、灰度特征等。
在计算出第一缺陷特征之后,还需要对第缺陷特征进行分类,以确定目标极片图像中包含的缺陷分类结果(第一缺陷分类结果)。这里,是基于提取出来的缺陷特征进行分类,而不是对原始的目标极片图像进行分类,可以加快缺陷检测和分类的速度。例如,原始图像数据维度太大,而特征最多只有几十个维度,用轻量级网络可以又快又好的完成,常用网络有Yolo-tiny、MobileNet、Squeezenet、ShuffleNet等。
需要说明的是,步骤S102对应的缺陷分类的操作是基于传统的视觉缺陷识别方法。其计算量较小,实现可以是在GPU中,也可以是在CPU中。
步骤S104:基于第二特征提取算法,获取所述目标极片图像对应的第二缺陷分类结果,所述第二特征提取算法为第二深度网络。
因为有些缺陷传统方法不一定能检测出来,所以在获取目标极片图像之后,还需要根据深度神经网络进行缺陷的提取。具体的,在本步骤中,针对某一些特定的缺陷,利用深度学习神经网络,单独对某些缺陷进行训练,从而可以检测某几类特定的缺陷,并且可以进行分类,得到对应的第二缺陷分类结果。其中,常用的深度神经网络包括但不限于ThunderNet、PeleeNet、Yolo、EfficientDet、RFBNet、Corner-Lite、CBnet、DetectoRS等。
步骤S105:对第一缺陷分类结果和第二缺陷分类结果进行去重融合处理,得到第三缺陷分类结果。
在本实施例中,需要结合传统特征提取及缺陷分类的优点、以及深度神经网络进行缺陷分类的有点,提高极片缺陷检测的准确度。
具体的,需要对两种方式下得到的第一缺陷分类结果和第二缺陷分类结果进行融合处理,以得到融合之后的第三缺陷分类结果,其中,第三缺陷分类结果包含了两种方式下进行缺陷分类的有点。
具体的,第一缺陷分类结果中包含了至少一个第一缺陷,第二缺陷分类结果中包含了至少一个第二缺陷,对第一缺陷分类结果和第二缺陷分类结果进行融合处理的过程是对至少一个第一缺陷和至少一个第二缺陷进行融合处理的过程。
具体的,首先需要对第一缺陷和第二缺陷进行去重处理的过程。
第一缺陷分类结果中包含了至少一个第一缺陷及其位置信息;第二缺陷分类结果中包含了至少一个第二缺陷及其位置信息。在一个具体的实施例中,第一缺陷或第二缺陷的位置信息可以是检测到的缺陷区域,在其他实施例中,第一缺陷或第二缺陷的位置信息是根据缺陷区域的最小外接矩形确定的位置信息。
然后根据第一缺陷的位置信息和第二缺陷的位置信息,对所述至少一个第一缺陷和至少一个第二缺陷进行去重处理,即对同一个位置的第一缺陷和第二缺陷进行去重处理。其中,去重处理可以是去掉重复的缺陷中的一个,也可以是将重复的第一缺陷和第二缺陷进行结合处理,以得到一个缺陷。
在一个具体的实施例中,在对第一缺陷和第二缺陷进行去重处理的过程,还需要进一步的判断是否需要进行去重处理。
例如,需要判断两个重复的缺陷(第一缺陷和第二缺陷)之间的重叠面积(例如,可以是缺陷区域的重叠面积,也可以是缺陷区域的最小外接矩形的重叠面积)是否大于预设的面积阈值,若是,则将这两个缺陷进行去重处理,以得到一个缺陷。
再例如,需要判断两个重复的缺陷(第一缺陷和第二缺陷)分别的置信度,只有当其置信度大于预设的置信度阈值的情况下,再将这两个缺陷进行去重处理。
再例如,计算两个缺点(第一缺陷和第二缺陷)为重复缺陷的置信度,然后只有在该置信度大于预设的置信度阈值的情况下,再将这两个缺陷进行去重处理。
在本步骤中,不仅需要对第一缺陷和第二缺陷进行去重处理,还需要对至少一个第一缺陷和至少一个第二缺陷进行融合处理,以得到第三缺陷分类结果。
也就是说,需要将步骤S104中根据深度神经网络分类分出来的第二缺陷分类结果,和传统方法(步骤S102-S103)求得的第二缺陷分类结果进行融合。此处融合处理是为了方便最后整体特征筛选。
具体的,在一个实施例中,将第一缺陷分类结果中的至少一个第一缺陷和第二缺陷分类结果中的至少一个第二缺陷进行组合,将组合之后的多个缺陷特征作为第三缺陷分类结果的多个特征维度。例如,将深度神经网络得到的第二缺陷分类结果作为多个特征维度,融入到传统方式得到的第一缺陷分类结果的多个特征维度中。在这多个特征维度中,包括了类别和置信度,假如一个缺陷传统特征有20个特征维度,加上深度神经网络得到的2个特征维度,总共22个特征维度。
步骤S106:对第三缺陷分类结果进行筛选,确定目标缺陷分类结果作为待检测锂电池的缺陷检测结果。
整体结合步骤S102-S103中的传统方式下的第一缺陷分类结果和步骤S104的深度神经网络下的第二缺陷分类结果进行进一步的筛选,这是因为传统方式和深度神经网络得到的缺陷分类结果都只是从相应的方式下,从一个或多个特定的特征维度进行缺陷分类,因此,需要相互进行结合以得到更全面、更准确的缺陷分类结果。
具体的,根据预设的缺陷的定义,对第一缺陷分类结果中包含的至少一个第一缺陷、第二缺陷分类结果中包含的至少一个第二缺陷进行筛选,以确定是否满足相应的缺陷的定义,以进行进一步的缺陷的分类。具体的,对于对第一缺陷分类结果中包含的至少一个第一缺陷、第二缺陷分类结果中包含的至少一个第二缺陷通过逻辑关系例如或、并、与、大于、小于、等于等进行筛选,以得到筛选之后的缺陷分类结果,作为第三缺陷分类结果。
在一个具体的实施例中,对于预设的缺陷“露箔”,根据定义“明场 type=0 &Confidence>0.9 & Concavity>10 & Width>90”以及“背光场Area>0.2”是否成立,并且二者之间的逻辑关系为与是否成立,来确定是否满足该缺陷“露箔”的定义,以作为第三缺陷分类结果。其中,type、Confidence等均为第二缺陷的一个示例。进一步的,在本实施例中,还可以对其他缺陷,例如,裂纹、极耳打皱、白斑、印痕、涂层脱落等从明场、暗场、背光场对应的缺陷定义表达式以及各个场之间的逻辑关系来进行缺陷的筛选,以确定第三缺陷分类结果。
需要说明的是,上述步骤S102-S103与步骤S104可以并行处理,例如,步骤S102-S103可以运行于GPU上,步骤S104可以运行于CPU中,以提高极片缺陷检测的缺陷分类结果的准确性。
锂电池由极耳和主体两部分组成。在其生产过程中,由于制造工艺、生产环境等的限制,会出现一些不合格的缺陷产品,影响其性能和安全,因此需要及时地将其剔除出来。根据缺陷出现的位置以及形态,将需要检测的缺陷分为三类,分别是外观尺寸缺陷、背部喷码区域出现的喷码不良(字符漏打或打偏)以及顶峰封印异物缺陷。
其中,外观尺寸缺陷主要检测的是手机锂电池的定型尺寸以及定位尺寸,定位尺寸用来标记各部分的相对位置,定型尺寸为某部分的具体大小。定型尺寸包括电池主体的长宽和极耳的长宽,定位尺寸包括极耳与电池主体边缘的距离。在外观尺寸检测过程中,需要提取电池的边缘信息,但是在照片拍摄过程中,所获得的照片有可能边缘并不清晰,或者边缘粗糙,有锯齿,或者极耳尺寸差异,或者因为拍摄过程极耳没有压平等问题,对于变形比较严重的电池,通过双阈值、基于最小二乘法改进的测量方法来拟合边缘,例如很多边缘点距离拟合线距离较远,分布很广,通过该方法可以排除奇异点的干扰,同时测量准确度更高,鲁棒性更好。
对极片采用图像处理的缺陷检测方法,例如,可以采用上述锂电池缺陷检测方法,对极片采集目标极片图像之后并基于图像处理以得到最终的缺陷分类结果。
具体实施中,可以利用多种图像预处理算法,对从生产线中获取到的极片图像进行处理,将极片中的缺陷提取出来。在图像滤波方面,将图片中没用的信息进行去除,同时又要让图片不丢失有用的细节信息,比较常用的滤波算法有:Retinex理论和方法、均值滤波、中值理论、马尔科夫随机场理论、模拟退火理论等等,图像缺陷提取通常方法有动态阈值分割,gabor检测,其次还有Canny算子理论和方法,线性理论、数学形态学理论、基于梯度理论、自适应方法、Hilbert理论、形态学方法。最后基于深度神经网络的目标检测方法主要分为两类:两阶段目标检测方法,如R-CNN系列方法;单阶段目标检测方法,如YOLO系列方法。两阶段目标检测方法首先生成目标候选区域,然后进行目标分类与位置回归。
最后,锂电池缺陷进行分类。目前针对数据量较大的图像样本,常用的分类方式有支持向量机,但是支持向量机是对一维向量进行分类的,而图像为二维矩阵,转换为一维向量后,单个样本数据量庞大,会造成支持向量机进行分类时计算繁琐,分类速度慢,并且将二维矩阵转化为一维向量的过程,原始数据中行数据关系被破坏,但是又希望尽可能多的保留原数据特征。利用机器学习方法提取HOG、SIFT、LBP等特征,通过特征提取+支持向量机(SVM)算法进行锂电池缺陷检测和分类。
本发明实施例还提供了一种锂电池缺陷检测装置,如图2所示,该锂电池缺陷检测装置包括:
极片图像获取模块101,用于获取待检测锂电池的目标极片图像;
第一特征获取模块102,用于基于第一特征提取算法,获取所述目标极片图像对应的第一缺陷特征;根据第一深度网络确定与所述第一缺陷特征对应的第一缺陷分类结果;
第二特征获取模块103,用于基于第二特征提取算法,获取所述目标极片图像对应的第二缺陷分类结果,所述第二特征提取算法为第二深度网络;
缺陷特征融合处理模块104,用于对第一缺陷分类结果和第二缺陷分类结果进行去重融合处理,得到第三缺陷分类结果;
缺陷特征筛选模块105,用于对第三缺陷分类结果进行筛选,确定目标缺陷分类结果作为待检测锂电池的缺陷检测结果。
在一个可选的实施例中,所述第一缺陷特征包括位置信息、置信度、缺陷面积、周长、半径、圆度、紧凑度、扁平度、凹度、矩形度、中心矩、轮廓特征和灰度特征中的至少一个。
在一个可选的实施例中,所述第一缺陷分类结果中包含了至少一个第一缺陷及其位置信息;所述第二缺陷分类结果中包含了至少一个第二缺陷及其位置信息;其中,第一缺陷或第二缺陷的位置信息是根据缺陷区域的最小外接矩形确定的;缺陷特征融合处理模块104还用于根据第一缺陷的位置信息和第二缺陷的位置信息,对所述至少一个第一缺陷和至少一个第二缺陷进行去重处理。
在一个可选的实施例中,缺陷特征融合处理模块104还用于确定每一个第一缺陷和第二缺陷的置信度,根据第一缺陷的位置信息和第二缺陷的位置信息以及对应的置信度,对所述至少一个第一缺陷和至少一个第二缺陷进行去重处理。
在一个可选的实施例中,缺陷特征融合处理模块104还用于将至少一个第一缺陷和至少一个第二缺陷进行融合处理,以得到包含多个缺陷的第三缺陷分类结果。
在一个可选的实施例中,缺陷特征筛选模块105还用于根据预设的缺陷定义,根据缺陷定义中的关系式,对第三缺陷分类结果中的多个缺陷特征进行筛选,以得到目标缺陷分类结果,所述目标缺陷分类结果包括多个目标缺陷特征。
在一个可选的实施例中,缺陷特征筛选模块105还用于获取待检测锂电池的外观缺陷、喷码缺陷、封印缺陷中的至少一个缺陷分类结果作为其他缺陷分类结果;将该其他缺陷分类结果和根据目标极片图像得到的目标缺陷分类结果作为所述待检测锂电池的缺陷分类结果并输出。
图3示出了一个实施例中实现上述锂电池缺陷检测方法的计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图3所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现上述方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述方法。本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
采用了上述锂电池缺陷检测方法、装置、计算机设备及计算机可读存储介质之后,获取待检测锂电池的目标极片图像;基于第一特征提取算法,获取所述目标极片图像对应的第一缺陷特征;根据第一深度网络确定与所述第一缺陷特征对应的第一缺陷分类结果;基于第二特征提取算法,获取所述目标极片图像对应的第二缺陷分类结果,所述第二特征提取算法为第二深度网络;对第一缺陷分类结果和第二缺陷分类结果进行去重融合处理,得到第三缺陷分类结果;对第三缺陷分类结果进行筛选,确定目标缺陷分类结果作为待检测锂电池的缺陷检测结果。也就是说,在对锂电池的极片进行缺陷识别时,同时采用传统的缺陷识别方式以及深度神经网络的方式进行缺陷识别,然后对两种方式识别到的缺陷分类结果进行去重、融合以及筛选操作,充分利用了两种缺陷识别方式的优势,相对于单一的缺陷识别方式,可以提高锂电池的极片的缺陷检测的准确性,降低锂电池的不良品率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。
Claims (10)
1.一种锂电池缺陷检测方法,其特征在于,所述方法包括:
获取待检测锂电池的目标极片图像;
基于第一特征提取算法,获取所述目标极片图像对应的第一缺陷特征;根据第一深度网络确定与所述第一缺陷特征对应的第一缺陷分类结果;
基于第二特征提取算法,获取所述目标极片图像对应的第二缺陷分类结果,所述第二特征提取算法为第二深度网络;
对第一缺陷分类结果和第二缺陷分类结果进行去重融合处理,得到第三缺陷分类结果;
对第三缺陷分类结果进行筛选,确定目标缺陷分类结果作为待检测锂电池的缺陷检测结果。
2.根据权利要求1所述的锂电池缺陷检测方法,其特征在于,所述第一缺陷特征包括位置信息、置信度、缺陷面积、周长、半径、圆度、紧凑度、扁平度、凹度、矩形度、中心矩、轮廓特征和灰度特征中的至少一个。
3.根据权利要求1所述的锂电池缺陷检测方法,其特征在于,所述第一缺陷分类结果中包含了至少一个第一缺陷及其位置信息;所述第二缺陷分类结果中包含了至少一个第二缺陷及其位置信息;其中,第一缺陷或第二缺陷的位置信息是根据缺陷区域的最小外接矩形确定的;
所述对第一缺陷分类结果和第二缺陷分类结果进行去重融合处理,得到第三缺陷分类结果的步骤,还包括:
根据第一缺陷的位置信息和第二缺陷的位置信息,对所述至少一个第一缺陷和至少一个第二缺陷进行去重处理。
4.根据权利要求3所述的锂电池缺陷检测方法,其特征在于,所述根据第一缺陷的位置信息和第二缺陷的位置信息,对所述至少一个第一缺陷和至少一个第二缺陷进行去重处理的步骤,还包括:
确定每一个第一缺陷和第二缺陷的置信度,根据第一缺陷的位置信息和第二缺陷的位置信息以及对应的置信度,对所述至少一个第一缺陷和至少一个第二缺陷进行去重处理。
5.根据权利要求4所述的锂电池缺陷检测方法,其特征在于,所述对第一缺陷分类结果和第二缺陷分类结果进行去重融合处理,得到第三缺陷分类结果的步骤,还包括:
将至少一个第一缺陷和至少一个第二缺陷进行融合处理,以得到包含多个缺陷的第三缺陷分类结果。
6.根据权利要求1所述的锂电池缺陷检测方法,其特征在于,所述对第三缺陷分类结果进行筛选,确定目标缺陷分类结果作为待检测锂电池的缺陷检测结果的步骤,还包括:
根据预设的缺陷定义,根据缺陷定义中的关系式,对第三缺陷分类结果中的多个缺陷特征进行筛选,以得到目标缺陷分类结果,所述目标缺陷分类结果包括多个目标缺陷特征。
7.根据权利要求1所述的锂电池缺陷检测方法,其特征在于,所述方法还包括:
获取待检测锂电池的外观缺陷、喷码缺陷、封印缺陷中的至少一个缺陷分类结果作为其他缺陷分类结果;
将该其他缺陷分类结果和根据目标极片图像得到的目标缺陷分类结果作为所述待检测锂电池的缺陷分类结果并输出。
8.一种锂电池缺陷检测装置,其特征在于,所述装置包括:
极片图像获取模块,用于获取待检测锂电池的目标极片图像;
第一特征获取模块,用于基于第一特征提取算法,获取所述目标极片图像对应的第一缺陷特征;根据第一深度网络确定与所述第一缺陷特征对应的第一缺陷分类结果;
第二特征获取模块,用于基于第二特征提取算法,获取所述目标极片图像对应的第二缺陷分类结果,所述第二特征提取算法为第二深度网络;
缺陷特征融合处理模块,用于对第一缺陷分类结果和第二缺陷分类结果进行去重融合处理,得到第三缺陷分类结果;
缺陷特征筛选模块,用于对第三缺陷分类结果进行筛选,确定目标缺陷分类结果作为待检测锂电池的缺陷检测结果。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器有可执行代码,当所述可执行代码在所述处理器上运行以实现如权利要求1至7任一所述的锂电池缺陷检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行权利要求1至7任一所述的锂电池缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111082169.2A CN113537414B (zh) | 2021-09-15 | 2021-09-15 | 锂电池缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111082169.2A CN113537414B (zh) | 2021-09-15 | 2021-09-15 | 锂电池缺陷检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537414A true CN113537414A (zh) | 2021-10-22 |
CN113537414B CN113537414B (zh) | 2022-01-11 |
Family
ID=78092639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111082169.2A Active CN113537414B (zh) | 2021-09-15 | 2021-09-15 | 锂电池缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537414B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298992A (zh) * | 2021-12-21 | 2022-04-08 | 北京百度网讯科技有限公司 | 一种视频帧去重方法、装置、电子设备及存储介质 |
CN114782756A (zh) * | 2022-06-20 | 2022-07-22 | 深圳新视智科技术有限公司 | 基于特征融合的缺陷检测方法、装置、设备及存储介质 |
CN115861861A (zh) * | 2023-02-27 | 2023-03-28 | 国网江西省电力有限公司电力科学研究院 | 一种基于无人机配电线路巡检的轻量级验收方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060197504A1 (en) * | 2005-03-01 | 2006-09-07 | Atehortua Hector M | Capacity degredation in a lead acid battery method and apparatus |
US10262137B1 (en) * | 2016-06-30 | 2019-04-16 | Symantec Corporation | Security recommendations based on incidents of malware |
CN110738237A (zh) * | 2019-09-16 | 2020-01-31 | 深圳新视智科技术有限公司 | 缺陷分类的方法、装置、计算机设备和存储介质 |
CN112466336A (zh) * | 2020-11-19 | 2021-03-09 | 平安科技(深圳)有限公司 | 基于语音的情绪识别方法、装置、设备及存储介质 |
CN112950547A (zh) * | 2021-02-03 | 2021-06-11 | 佛山科学技术学院 | 一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法 |
CN113127667A (zh) * | 2019-12-30 | 2021-07-16 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置、图像分类方法及装置 |
-
2021
- 2021-09-15 CN CN202111082169.2A patent/CN113537414B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060197504A1 (en) * | 2005-03-01 | 2006-09-07 | Atehortua Hector M | Capacity degredation in a lead acid battery method and apparatus |
US10262137B1 (en) * | 2016-06-30 | 2019-04-16 | Symantec Corporation | Security recommendations based on incidents of malware |
CN110738237A (zh) * | 2019-09-16 | 2020-01-31 | 深圳新视智科技术有限公司 | 缺陷分类的方法、装置、计算机设备和存储介质 |
CN113127667A (zh) * | 2019-12-30 | 2021-07-16 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置、图像分类方法及装置 |
CN112466336A (zh) * | 2020-11-19 | 2021-03-09 | 平安科技(深圳)有限公司 | 基于语音的情绪识别方法、装置、设备及存储介质 |
CN112950547A (zh) * | 2021-02-03 | 2021-06-11 | 佛山科学技术学院 | 一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法 |
Non-Patent Citations (2)
Title |
---|
CHANGLU XU ETAL.: "Surface Defects Detection and Identification of Lithium Battery Pole Piece Based on Multi-Feature Fusion and PSO-SVM", 《IEEE》 * |
王黎等: "基于融合决策的多分类器系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298992A (zh) * | 2021-12-21 | 2022-04-08 | 北京百度网讯科技有限公司 | 一种视频帧去重方法、装置、电子设备及存储介质 |
CN114782756A (zh) * | 2022-06-20 | 2022-07-22 | 深圳新视智科技术有限公司 | 基于特征融合的缺陷检测方法、装置、设备及存储介质 |
CN115861861A (zh) * | 2023-02-27 | 2023-03-28 | 国网江西省电力有限公司电力科学研究院 | 一种基于无人机配电线路巡检的轻量级验收方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113537414B (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113537414B (zh) | 锂电池缺陷检测方法、装置、设备及存储介质 | |
CN109598721B (zh) | 电池极片的缺陷检测方法、装置、检测设备和存储介质 | |
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN108898137B (zh) | 一种基于深度神经网络的自然图像字符识别方法及系统 | |
CN111626146B (zh) | 一种基于模板匹配的合并单元格表格分割识别方法 | |
WO2019232843A1 (zh) | 手写模型训练、手写图像识别方法、装置、设备及介质 | |
CN110544231B (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 | |
CN113239930B (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN108960055B (zh) | 一种基于局部线段模式特征的车道线检测方法 | |
Fernandes et al. | Pavement pathologies classification using graph-based features | |
CN108764361B (zh) | 基于集成学习的游梁式抽油机示功图的工况识别方法 | |
CN114627092A (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
CN112613553B (zh) | 图片样本集生成方法、装置、计算机设备和存储介质 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
CN114092474B (zh) | 一种手机外壳复杂纹理背景的加工缺陷检测方法及系统 | |
CN115239946B (zh) | 小样本迁移学习训练、目标检测方法、装置、设备和介质 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及系统 | |
CN114723677A (zh) | 图像缺陷检测方法、检测装置、检测设备及存储介质 | |
CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
CN112668462A (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 |
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 |