CN113936004A - 一种锂电池焊接质量检测方法、装置及系统 - Google Patents
一种锂电池焊接质量检测方法、装置及系统 Download PDFInfo
- Publication number
- CN113936004A CN113936004A CN202111562857.9A CN202111562857A CN113936004A CN 113936004 A CN113936004 A CN 113936004A CN 202111562857 A CN202111562857 A CN 202111562857A CN 113936004 A CN113936004 A CN 113936004A
- Authority
- CN
- China
- Prior art keywords
- welding
- image
- connecting sheet
- plane
- contour
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 177
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 38
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 38
- 230000007547 defect Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种锂电池焊接质量检测方法、装置及系统,方法包括:控制3D轮廓仪采集锂电池的3D焊接图像;对3D焊接图像进行处理,生成2D灰度图和高度数据图像;对2D灰度图中的连接片进行定位,并结合所述高度数据图像进行处理,获得连接片图像数据;将连接片图像数据输入至预先训练的深度卷积神经网络模型,检测焊接轮廓;在焊接轮廓内部的平面进行拟合,确定基准面;根据所述基准面,检测焊接缺陷;通过拟合基准面,判断焊接缺陷,可以实现对焊坑、是否虚焊、是否焊偏的缺陷进行检测,检测缺陷更加全面,检测的准确性高。
Description
技术领域
本发明涉及图像数据处理技术领域,尤其涉及一种锂电池焊接质量检测方法、装置及系统。
背景技术
目前,锂电池已经广泛应用于汽车、航天航空、飞机和电气设备的各个部分。焊接是锂电池生产过程中重要的一环,由于焊接过程的复杂性,不可避免的会出现焊洞、焊坑、焊接不完整等缺陷,这些缺陷不仅影响电池的外观和性能,而且存在电池泄露和电池热失控的安全隐患。因此,对于锂电池焊接质量检测尤为重要。
随着计算机视觉技术的发展,图像识别技术已经应用到锂电池的焊接质量检测,例如,专利文献CN113723499A提供一种锂电池极耳焊接异常检测方法及系统,构建焊接检测库,获取极耳的焊接图像,基于焊接检测库,对焊接图像进行检测,基于检测结果确定极耳焊接是否异常。又如,专利文献CN113592813A提供一种基于深度学习语义分割的新能源电池焊接缺陷检测方法,通过现场采集新能源电池焊接的焊接图片,对焊接图片进行预处理,将预处理后的焊接图片输入基于深度学习的语义分割模型中进行缺陷判断,输出缺陷判断结果。
但是现有技术中通过焊接图片对焊接缺陷进行检测,一般只能检测焊接有无漏焊,焊接轨迹是否完整,对于焊接中存在的焊坑、是否焊偏、是否虚焊等缺陷却无法检测。
发明内容
本发明提供了一种锂电池焊接质量检测方法、装置及系统,能够对锂电池焊接质量进行更加全面的检测。
一种锂电池焊接质量检测方法,包括:
控制3D轮廓仪采集锂电池的3D焊接图像;
对所述3D焊接图像进行处理,生成2D灰度图和高度数据图像;
对所述2D灰度图中的连接片进行定位,并结合所述高度数据图像进行处理,获得连接片图像数据;
将所述连接片图像数据输入至预先训练的深度卷积神经网络模型,检测焊接轮廓;
在焊接轮廓内部的平面进行拟合,确定基准面;
根据所述基准面,检测焊接缺陷。
进一步地,对所述3D焊接图像进行处理,包括:
对所述3D焊接图像进行拆分,归一化处理和灰度处理,获得所述2D灰度图和高度数据图像。
进一步地,对所述2D灰度图中的连接片进行定位,并结合所述高度数据图像进行处理,获得连接片图像数据,包括:
对所述2D灰度图像进行降噪处理和二值化处理,根据设定的阈值,确定连接片区域;
从所述高度图像数据中获得所述连接片区域的平面高度,取预设平面高度范围内的图像并查找连接片中心孔,截取所述连接片中心孔周围预设范围内的图像作为连接片图像数据。
进一步地,所述连接片图像数据为三通道RGB图像,其中R通道存储深度图,G通道和B通道存储相同的灰度图;
将所述连接片图像数据输入至预先训练的深度卷积神经网络模型,检测焊接轮廓,包括:
通过GPU载入预先训练好的第一深度卷积神经网络模型和第二深度卷积神经网络模型;
将所述G通道和B通道输入至第一深度卷积神经网络模型,将R通道输入至第二深度卷积神经网络模型;
所述第一深度卷积神经网络模型和第二深度卷积神经网络模型并联运行,分别保存并输出低层级特征图;
将所述低层级特征图输入至多孔金字塔池化模块进行卷积、多孔卷积以及全局平均池化,获得高层级特征图;
将所述低层级特征图进行1*1卷积后与所述高层级特征图上采样后进行拼接,再次进行卷积和上采样之后输出焊接轮廓的检测结果。
进一步地,所述检测结果为双通道结果,分别表示像素点位于焊接轮廓内区域和焊接轮廓外区域的概率。
进一步地,在焊接轮廓内部的平面进行拟合,确定基准面,包括:
确定基准面的基本方程:Ax+By+Cz+D=0,(C≠0);
取需要拟合的所有点坐标,基于最小二乘法进行平面拟合,获得关于所有点到拟合平面距离平方和的偏导数线性方程组;
解所述偏导数线性方程组,获得平面参数。
进一步地,根据所述基准面,检测焊接缺陷,包括:
根据所述连接面中心孔的极柱面,计算所述脊柱面上各个点到所述基准面的高度差,将高度差超出预设高度差值的部分确定为间隙或者虚焊;
计算所述焊接轮廓的重心、连接片中心孔以及极柱定位孔在所述基准面的投影点,根据投影点的位置判断焊接轮廓是否焊偏。
进一步地,根据所述基准面,检测焊接缺陷,包括:
计算所述焊接轮廓的各个像素点和所述基准面之间的高度,将高度低于预设值的区域确定为焊坑。
一种锂电池焊接质量检测装置,包括:
采集模块,用于控制3D轮廓仪采集锂电池的3D焊接图像;
预处理模块,用于对所述3D焊接图像进行处理,生成2D灰度图和高度数据图像;
图像处理模块,用于对所述2D灰度图中的连接片进行定位,并结合所述高度数据图像进行处理,获得连接片图像数据;
轮廓检测模块,用于将所述连接片图像数据输入至预先训练的深度卷积神经网络模型,检测焊接轮廓;
拟合模块,用于在焊接轮廓内部的平面进行拟合,确定基准面;
缺陷检测模块,根据所述基准面,检测焊接缺陷。
一种锂电池焊接质量检测系统,包括3D轮廓仪、三轴滑台、图像处理器以及存储装置,所述3D轮廓仪安装在所述三轴滑台上,所述存储装置存储有多条指令,所述图像处理器用于读取所述指令并执行:
控制3D轮廓仪采集锂电池的3D焊接图像;
对所述3D焊接图像进行处理,生成2D灰度图和高度数据图像;
对所述2D灰度图中的连接片进行定位,并结合所述高度数据图像进行处理,获得连接片图像数据;
将所述连接片图像数据输入至预先训练的深度卷积神经网络模型,检测焊接轮廓;
在焊接轮廓内部的平面进行拟合,确定基准面;
根据所述基准面,检测焊接缺陷。
本发明提供的锂电池焊接质量检测方法、装置及系统,至少包括如下有益效果:
(1)通过拟合基准面,判断焊接缺陷,可以实现对焊坑、是否虚焊、是否焊偏的缺陷进行检测,检测缺陷更加全面,检测的准确性高;
(2)通过双模型检测焊接轮廓,检测的效率和准确性更高。
附图说明
图1为本发明提供的锂电池焊接质量检测方法一种实施例的流程图。
图2为本发明提供的锂电池焊接质量检测方法中三轴滑台一种实施例的结构示意图。
图3为本发明提供的锂电池焊接质量检测装置一种实施例的结构示意图。
图4为本发明提供的锂电池焊接质量检测系统一种实施例的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
参考图1,在一些实施例中,提供一种锂电池焊接质量检测方法,包括:
S1、控制3D轮廓仪采集锂电池的3D焊接图像;
S2、对所述3D焊接图像进行处理,生成2D灰度图和高度数据图像;
S3、对所述2D灰度图中的连接片进行定位,并结合所述高度数据图像进行处理,获得连接片图像数据;
S4、将所述连接片图像数据输入至预先训练的深度卷积神经网络模型,检测焊接轮廓;
S5、在焊接轮廓内部的平面进行拟合,确定基准面;
S6、根据所述基准面,检测焊接缺陷。
具体地,步骤S1中,3D轮廓仪安装于三轴滑台上,参考图2,三轴滑台包括Y轴方向滑台101、X轴方向滑台102以及Z轴方向滑台103,3D轮廓仪105安装于Z轴方向滑台的下端,待检测的锂电池模组设置于平台104上,X轴方向滑台102可在Y轴方向滑台101上滑动,Z轴方向滑台103可在X轴方向滑台上滑动,3D轮廓仪可在Z轴方向滑台上滑动,按照预设的运行轨迹,3D轮廓仪采集锂电池的3D焊接图像。
3D轮廓仪采集的图像,每个像素点都有高度数据和灰度数据。
进一步地,步骤S2中,对所述3D焊接图像进行处理,包括:
对所述3D焊接图像进行拆分,归一化处理和灰度处理,获得所述2D灰度图和高度数据图像。
进一步地,步骤S3中,对所述2D灰度图中的连接片进行定位,并结合所述高度数据图像进行处理,获得连接片图像数据,包括:
S31、对所述2D灰度图像进行降噪处理和二值化处理,根据设定的灰度阈值,确定连接片区域;
S32、从所述高度图像数据中获得所述连接片区域的平面高度,取预设平面高度范围内的图像并查找连接片中心孔,截取所述连接片中心孔周围预设范围内的图像作为连接片图像数据。
具体地,步骤S31中,对所述2D灰度图像进行降噪处理,排除干扰,取设定的灰度阈值范围内的像素,结合连接片的大概位置,确定连接片区域。
进一步地,步骤S32中,从所述高度图像数据中获得所述连接片区域的平面高度,该平面高度为连接片区域所在面距离3D轮廓仪基准的高度。
进一步地,步骤S4中,所述连接片图像数据为三通道RGB图像,其中R通道存储深度图,G通道和B通道存储相同的灰度图;
将所述连接片图像数据输入至预先训练的深度卷积神经网络模型,检测焊接轮廓,包括:
通过GPU载入预先训练好的第一深度卷积神经网络模型和第二深度卷积神经网络模型;
将所述G通道和B通道输入至所述第一深度卷积神经网络模型,将R通道输入至第二深度卷积神经网络模型;
所述第一深度卷积神经网络模型和第二深度卷积神经网络模型并联运行,分别保存并输出低层级特征图;
将所述低层级特征图输入至多孔金字塔池化模块进行卷积、多孔卷积以及全局平均池化,获得高层级特征图;
将所述低层级特征图进行1*1卷积后与所述高层级特征图上采样后进行拼接,再次进行卷积和上采样之后输出检测结果。
其中,所述检测结果为双通道结果,分别表示像素点位于焊接轮廓内区域和焊接轮廓外区域的概率,取像素点位于轮廓内区域概率大于轮廓外区域的概率的点生成mask:
其中,mask表示掩码,ch表示通道,ch[1]表示该点位于轮廓内区域的概率,ch[0]表示该点位于轮廓外区域的概率。
进一步地,步骤S5中,在焊接轮廓内部的平面进行拟合,确定基准面,包括:
S51、确定基准面的基本方程:Ax+By+Cz+D=0,(C≠0);
S52、取需要拟合的所有点坐标,基于最小二乘法进行平面拟合,获得关于所有点到拟合平面距离平方和的偏导数线性方程组;
S53、解所述偏导数线性方程组,获得平面参数。
进一步地,步骤S52和步骤S3中,取需要拟合的所有点坐标,基于最小二乘法进行平面拟合,所有点到拟合出来的平面的距离的平方和S最小,即其偏导数最小:
取需要拟合的n个点的坐标:(xi,yi,zi),i=0,1,2……n-1,使得
偏导数矩阵为:
转成矩阵为:
矩阵方式解上述的偏导数线性方程组,获得平面参数a0、a1和a2,进而可以求解A、B、C、D,获得基准面方程。
进一步地,步骤S6中,根据所述基准面,检测焊接缺陷,包括:
S61、根据所述连接面中心孔的极柱面,计算所述极柱面上各个点到所述基准面的高度差,将高度差超出预设高度差值的部分确定为间隙或者虚焊;
S62、计算所述焊接轮廓的重心、连接片中心孔以及极柱定位孔在所述基准面的投影点,根据投影点的位置判断焊接轮廓是否焊偏。
进一步地,步骤S6中,根据所述基准面,检测焊接缺陷,包括:
S63、计算所述焊接轮廓的各个像素点和所述基准面之间的高度,将高度低于预设值的区域确定为焊坑。
具体地,连接片中心孔兼一个定位功能。极柱表面中间有个定位针孔。焊接是将连接片和极柱之间进行焊接,焊接轮廓为圆环形,理想状态下,焊接轮廓为以定位针孔为圆心的一个圆,在连接片上的表现为连接片中心孔在焊接轮廓中心。因此,可以根据极柱面上各个点到基准面的高度差判断虚焊,根据焊接轮廓的重心、连接片中心孔以及极柱定位孔在所述基准面的投影点位置来判断是否焊偏,根据焊接轮廓的各个像素点和所述基准面之间的高度来识别焊坑。
上述实施例提供的方法,至少包括如下有益效果:
(1)通过拟合基准面,判断焊接缺陷,可以实现对焊坑、是否虚焊、是否焊偏的缺陷进行检测,检测缺陷更加全面,检测的准确性高;
(2)通过双模型检测焊接轮廓,检测的效率和准确性更高。
参考图3,在一些实施例中,还提供一种锂电池焊接质量检测装置,包括:
采集模块201,用于控制3D轮廓仪采集锂电池的3D焊接图像;
预处理模块202,用于对所述3D焊接图像进行处理,生成2D灰度图和高度数据图像;
图像处理模块203,用于对所述2D灰度图中的连接片进行定位,并结合所述高度数据图像进行处理,获得连接片图像数据;
轮廓检测模块204,用于将所述连接片图像数据输入至预先训练的深度卷积神经网络模型,检测焊接轮廓;
拟合模块205,用于在焊接轮廓内部的平面进行拟合,确定基准面;
缺陷检测模块206,根据所述基准面,检测焊接缺陷。
具体地,预处理模块202还用于对所述3D焊接图像进行拆分,归一化处理和灰度处理,获得所述2D灰度图和高度数据图像。
进一步地,图像处理模块203还用于对所述2D灰度图像进行降噪处理和二值化处理,根据设定的灰度阈值,确定连接片区域;从所述高度图像数据中获得所述连接片区域的平面高度,取预设平面高度范围内的图像并查找连接片中心孔,截取所述连接片中心孔周围预设范围内的图像作为连接片图像数据。
所述连接片图像数据为三通道RGB图像,其中R通道存储深度图,G通道和B通道存储相同的灰度图;
轮廓检测模块204还用于:
通过GPU载入预先训练好的第一深度卷积神经网络模型和第二深度卷积神经网络模型;
将所述G通道和B通道输入至第一深度卷积神经网络模型,将R通道输入至第二深度卷积神经网络模型;
所述第一深度卷积神经网络模型和第二深度卷积神经网络模型并联运行,分别保存并输出低层级特征图;
将所述低层级特征图输入至多孔金字塔池化模块进行卷积、多孔卷积以及全局平均池化,获得高层级特征图;
将所述低层级特征图进行1*1卷积后与所述高层级特征图上采样后进行拼接,再次进行卷积和上采样之后输出焊接轮廓的检测结果。
其中,所述检测结果为双通道结果,分别表示像素点位于焊接轮廓内区域和焊接轮廓外区域的概率,取像素点位于轮廓内区域概率大于轮廓外区域的概率的点生成mask:
其中,mask表示掩码,ch表示通道,ch[1]表示该点位于轮廓内区域的概率,ch[0]表示该点位于轮廓外区域的概率。
进一步地,拟合模块205还用于:
确定基准面的基本方程:Ax+By+Cz+D=0,(C≠0);
取需要拟合的所有点坐标,基于最小二乘法进行平面拟合,获得关于所有点到拟合平面距离平方和的偏导数线性方程组;
解偏导数线性方程组,获得平面参数。
具体拟合方法请参考上述实施例,在此不再赘述。
进一步地,缺陷检测模块206还用于:
根据所述连接片中心孔的极柱面,计算所述极柱面上各个点到所述基准面的高度差,将高度差超出预设高度差值的部分确定为间隙或者虚焊;
计算所述焊接轮廓的重心、连接片中心孔以及极柱定位孔在所述基准面的投影点,根据投影点的位置判断焊接轮廓是否焊偏。
进一步地,缺陷检测模块206还用于计算所述焊接轮廓的各个像素点和所述基准面之间的高度,将高度低于预设值的区域确定为焊坑。
具体地,连接片中心孔兼一个定位功能。极柱表面中间有个定位针孔。焊接是将连接片和极柱之间进行焊接,焊接轮廓为圆环形,理想状态下,焊接轮廓为以定位针孔为圆心的一个圆,在连接片上的表现为连接片中心孔在焊接轮廓中心。因此,可以根据极柱面上各个点到基准面的高度差判断虚焊,根据焊接轮廓的重心、连接片中心孔以及极柱定位孔在所述基准面的投影点位置来判断是否焊偏,根据焊接轮廓的各个像素点和所述基准面之间的高度来识别焊坑。
参考图4,在一些实施例中,还提供一种锂电池焊接质量检测系统,包括3D轮廓仪301、三轴滑台302、图像处理器303以及存储装置304,3D轮廓仪301安装在三轴滑台302上,存储装置304存储有多条指令,图像处理器303用于读取所述指令并执行:
控制3D轮廓仪采集锂电池的3D焊接图像;
对所述3D焊接图像进行处理,生成2D灰度图和高度数据图像;
对所述2D灰度图中的连接片进行定位,并结合所述高度数据图像进行处理,获得连接片图像数据;
将所述连接片图像数据输入至预先训练的深度卷积神经网络模型,检测焊接轮廓;
在焊接轮廓内部的平面进行拟合,确定基准面;
根据所述基准面,检测焊接缺陷。
上述实施例提供的锂电池焊接质量检测方法、装置及系统,至少包括如下有益效果:
(1)通过拟合基准面,判断焊接缺陷,可以实现对焊坑、是否虚焊、是否焊偏的缺陷进行检测,检测缺陷更加全面,检测的准确性高;
(2)通过双模型检测焊接轮廓,检测的效率和准确性更高。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种锂电池焊接质量检测方法,其特征在于,包括:
控制3D轮廓仪采集锂电池的3D焊接图像;
对所述3D焊接图像进行处理,生成2D灰度图和高度数据图像;
对所述2D灰度图中的连接片进行定位,并结合所述高度数据图像进行处理,获得连接片图像数据;
将所述连接片图像数据输入至预先训练的深度卷积神经网络模型,检测焊接轮廓;
在焊接轮廓内部的平面进行拟合,确定基准面;
根据所述基准面,检测焊接缺陷。
2.根据权利要求1所述的方法,其特征在于,对所述3D焊接图像进行处理,包括:
对所述3D焊接图像进行拆分,归一化处理和灰度处理,获得所述2D灰度图和高度数据图像。
3.根据权利要求1所述的方法,其特征在于,对所述2D灰度图中的连接片进行定位,并结合所述高度数据图像进行处理,获得连接片图像数据,包括:
对所述2D灰度图像进行降噪处理和二值化处理,根据设定的灰度阈值,确定连接片区域;
从所述高度图像数据中获得所述连接片区域的平面高度,取预设平面高度范围内的图像并查找连接片中心孔,截取所述连接片中心孔周围预设范围内的图像作为连接片图像数据。
4.根据权利要求1所述的方法,其特征在于,所述连接片图像数据为三通道RGB图像,其中R通道存储深度图,G通道和B通道存储相同的灰度图;
将所述连接片图像数据输入至预先训练的深度卷积神经网络模型,检测焊接轮廓,包括:
通过GPU载入预先训练好的第一深度卷积神经网络模型和第二深度卷积神经网络模型;
将所述G通道和B通道输入至所述第一深度卷积神经网络模型,将R通道输入至第二深度卷积神经网络模型;
所述第一深度卷积神经网络模型和第二深度卷积神经网络模型并联运行,分别保存并输出低层级特征图;
将所述低层级特征图输入至多孔金字塔池化模块进行卷积、多孔卷积以及全局平均池化,获得高层级特征图;
将所述低层级特征图进行1*1卷积后与所述高层级特征图上采样后进行拼接,再次进行卷积和上采样之后输出焊接轮廓的检测结果。
5.根据权利要求4所述的方法,其特征在于,所述检测结果为双通道结果,分别表示像素点位于焊接轮廓内区域和焊接轮廓外区域的概率。
6.根据权利要求1所述的方法,其特征在于,在焊接轮廓内部的平面进行拟合,确定基准面,包括:
确定基准面的基本方程:Ax+By+Cz+D=0,(C≠0);
取需要拟合的所有点坐标,基于最小二乘法进行平面拟合,获得关于所有点到拟合平面距离平方和的偏导数线性方程组;
解所述偏导数线性方程组,获得平面参数。
7.根据权利要求3所述的方法,其特征在于,根据所述基准面,检测焊接缺陷,包括:
根据所述连接片中心孔的极柱面,计算所述极柱面上各个点到所述基准面的高度差,将高度差超出预设高度差值的部分确定为间隙或者虚焊;
计算所述焊接轮廓的重心、连接片中心孔以及极柱定位孔在所述基准面的投影点,根据投影点的位置判断焊接轮廓是否焊偏。
8.根据权利要求3或7所述的方法,其特征在于,根据所述基准面,检测焊接缺陷,包括:
计算所述焊接轮廓的各个像素点和所述基准面之间的高度,将高度低于预设值的区域确定为焊坑。
9.一种锂电池焊接质量检测装置,其特征在于,包括:
采集模块,用于控制3D轮廓仪采集锂电池的3D焊接图像;
预处理模块,用于对所述3D焊接图像进行处理,生成2D灰度图和高度数据图像;
图像处理模块,用于对所述2D灰度图中的连接片进行定位,并结合所述高度数据图像进行处理,获得连接片图像数据;
轮廓检测模块,用于将所述连接片图像数据输入至预先训练的深度卷积神经网络模型,检测焊接轮廓;
拟合模块,用于在焊接轮廓内部的平面进行拟合,确定基准面;
缺陷检测模块,根据所述基准面,检测焊接缺陷。
10.一种锂电池焊接质量检测系统,其特征在于,包括3D轮廓仪、三轴滑台、图像处理器以及存储装置,所述3D轮廓仪安装在所述三轴滑台上,所述存储装置存储有多条指令,所述图像处理器用于读取所述指令并执行:
控制3D轮廓仪采集锂电池的3D焊接图像;
对所述3D焊接图像进行处理,生成2D灰度图和高度数据图像;
对所述2D灰度图中的连接片进行定位,并结合所述高度数据图像进行处理,获得连接片图像数据;
将所述连接片图像数据输入至预先训练的深度卷积神经网络模型,检测焊接轮廓;
在焊接轮廓内部的平面进行拟合,确定基准面;
根据所述基准面,检测焊接缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111562857.9A CN113936004B (zh) | 2021-12-20 | 2021-12-20 | 一种锂电池焊接质量检测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111562857.9A CN113936004B (zh) | 2021-12-20 | 2021-12-20 | 一种锂电池焊接质量检测方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113936004A true CN113936004A (zh) | 2022-01-14 |
CN113936004B CN113936004B (zh) | 2022-03-18 |
Family
ID=79289346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111562857.9A Active CN113936004B (zh) | 2021-12-20 | 2021-12-20 | 一种锂电池焊接质量检测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113936004B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581446A (zh) * | 2022-05-06 | 2022-06-03 | 浙江双元科技股份有限公司 | 一种叠片电池的电芯异常检测方法及系统 |
CN116542967A (zh) * | 2023-06-29 | 2023-08-04 | 厦门微图软件科技有限公司 | 一种锂电池极柱缺陷的检测方法、装置以及设备 |
CN116703891A (zh) * | 2023-07-31 | 2023-09-05 | 苏州精控能源科技有限公司 | 圆柱锂电池汇流排焊接检测方法、装置 |
WO2024109396A1 (zh) * | 2022-11-25 | 2024-05-30 | 宁德时代新能源科技股份有限公司 | 转接片的检测方法、装置、电池单体的生产方法和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815572A (zh) * | 2020-06-17 | 2020-10-23 | 深圳市大德激光技术有限公司 | 一种基于卷积神经网络对锂电池焊接质量的检测方法 |
CN112730432A (zh) * | 2020-12-24 | 2021-04-30 | 苏州赛众自动化科技有限公司 | 一种手机锂电池激光焊缺陷检测设备及检测方法 |
US20210318673A1 (en) * | 2020-04-08 | 2021-10-14 | BWXT Advanced Technologies LLC | In-Situ Inspection Method Based on Digital Data Model of Weld |
CN113689420A (zh) * | 2021-09-03 | 2021-11-23 | 凌云光技术股份有限公司 | 电路板焊点缺陷检测方法、装置以及检测设备 |
-
2021
- 2021-12-20 CN CN202111562857.9A patent/CN113936004B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210318673A1 (en) * | 2020-04-08 | 2021-10-14 | BWXT Advanced Technologies LLC | In-Situ Inspection Method Based on Digital Data Model of Weld |
CN111815572A (zh) * | 2020-06-17 | 2020-10-23 | 深圳市大德激光技术有限公司 | 一种基于卷积神经网络对锂电池焊接质量的检测方法 |
CN112730432A (zh) * | 2020-12-24 | 2021-04-30 | 苏州赛众自动化科技有限公司 | 一种手机锂电池激光焊缺陷检测设备及检测方法 |
CN113689420A (zh) * | 2021-09-03 | 2021-11-23 | 凌云光技术股份有限公司 | 电路板焊点缺陷检测方法、装置以及检测设备 |
Non-Patent Citations (2)
Title |
---|
LU YANG ET AL.: "Weld defect classification in radiographic images using unified deep neural network with multi-level features", 《JOURNAL OF INTELLIGENT MANUFACTURING》 * |
冯毅: "焊缝成形的双目视觉评判方法研究", 《中国优秀硕士学位论文全文数据库 息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581446A (zh) * | 2022-05-06 | 2022-06-03 | 浙江双元科技股份有限公司 | 一种叠片电池的电芯异常检测方法及系统 |
WO2024109396A1 (zh) * | 2022-11-25 | 2024-05-30 | 宁德时代新能源科技股份有限公司 | 转接片的检测方法、装置、电池单体的生产方法和设备 |
CN116542967A (zh) * | 2023-06-29 | 2023-08-04 | 厦门微图软件科技有限公司 | 一种锂电池极柱缺陷的检测方法、装置以及设备 |
CN116542967B (zh) * | 2023-06-29 | 2023-10-03 | 厦门微图软件科技有限公司 | 一种锂电池极柱缺陷的检测方法、装置以及设备 |
CN116703891A (zh) * | 2023-07-31 | 2023-09-05 | 苏州精控能源科技有限公司 | 圆柱锂电池汇流排焊接检测方法、装置 |
CN116703891B (zh) * | 2023-07-31 | 2023-10-10 | 苏州精控能源科技有限公司 | 圆柱锂电池汇流排焊接检测方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113936004B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113936004B (zh) | 一种锂电池焊接质量检测方法、装置及系统 | |
JP7138753B2 (ja) | 画像欠陥検出方法、装置、電子機器、記憶媒体および製品 | |
WO2020038389A1 (zh) | 一种焊缝底片缺陷识别方法 | |
CN110047073B (zh) | 一种x射线焊缝图像缺陷定级方法及系统 | |
CN113378686B (zh) | 一种基于目标中心点估计的两阶段遥感目标检测方法 | |
CN111598861A (zh) | 基于改进的Faster R-CNN模型的非均匀纹理小缺陷的检测方法 | |
CN108460760B (zh) | 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法 | |
CN111091545B (zh) | 铁路货车滚动轴承轴端螺栓丢失故障的检测方法 | |
CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
CN115619738A (zh) | 一种模组侧缝焊焊后检测方法 | |
CN114862745A (zh) | 焊缝缺陷识别方法、焊缝缺陷识别模型的训练方法及装置 | |
Liu et al. | Automatic detection and segmentation of laser stripes for industrial measurement | |
CN113780111B (zh) | 一种基于优化YOLOv3算法的管道连接器的缺陷精确识别方法 | |
CN113947583A (zh) | 基于深度学习二维时间序列图像的焊缝无损检测方法 | |
CN116704017B (zh) | 一种基于视觉混合的机械臂位姿检测方法 | |
Ekambaram et al. | Identification of defects in casting products by using a convolutional neural network | |
CN112525923A (zh) | 一种共享果汁平台管道内壁检测方法、系统及可读存储介质 | |
CN117218057A (zh) | 新能源电池极柱焊缝缺陷检测方法、设备及存储介质 | |
CN116935174A (zh) | 一种多模态融合的金属工件表面缺陷检测方法和系统 | |
CN116579955A (zh) | 一种新能源电芯焊缝反光点去噪和点云补全方法及系统 | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
Wang et al. | A binocular vision method for precise hole recognition in satellite assembly systems | |
CN115049600A (zh) | 一种小样本管道缺陷智能识别系统及方法 | |
Hong et al. | Pyramidal Image Segmentation Based on U-Net for Automatic Multiscale Crater Extraction. |
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 |