CN114119461A - 基于深度学习的锂电池模组侧面焊缝外观检测算法及系统 - Google Patents

基于深度学习的锂电池模组侧面焊缝外观检测算法及系统 Download PDF

Info

Publication number
CN114119461A
CN114119461A CN202111172297.6A CN202111172297A CN114119461A CN 114119461 A CN114119461 A CN 114119461A CN 202111172297 A CN202111172297 A CN 202111172297A CN 114119461 A CN114119461 A CN 114119461A
Authority
CN
China
Prior art keywords
module
weld
welding seam
lithium battery
battery module
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
Application number
CN202111172297.6A
Other languages
English (en)
Other versions
CN114119461B (zh
Inventor
林福赐
吴文鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Weiya Intelligent Technology Co.,Ltd.
Original Assignee
Xiamen Weiya Intelligence Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen Weiya Intelligence Technology Co ltd filed Critical Xiamen Weiya Intelligence Technology Co ltd
Priority to CN202111172297.6A priority Critical patent/CN114119461B/zh
Publication of CN114119461A publication Critical patent/CN114119461A/zh
Application granted granted Critical
Publication of CN114119461B publication Critical patent/CN114119461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/20092—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
    • G06T2207/30152—Solder
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于计算机视觉领域，具体的说是基于深度学习的锂电池模组侧面焊缝外观检测算法及系统，包括样本收集、焊缝标注，收集各类型号的侧焊缝深度信息图并使用标注工具对图中焊缝位置进行标注生成掩膜图或文本文件；通过锂电池模组侧面焊缝外观检测算法，更好地解决了因焊缝部分表面较为光滑容易产生反光从而影响焊缝成像质量，使得检测时易出现焊缝定位不准确或误判的问题，稳定生产情况下可达到过检≤0.5％，漏检0％，完全满足动力锂电池模组端侧板焊接后的焊缝检测要求。

Description

基于深度学习的锂电池模组侧面焊缝外观检测算法及系统
技术领域
本发明涉及计算机视觉领域，具体是基于深度学习的锂电池模组侧面焊缝外观检测算法及系统。
背景技术
目前新能源汽车行业发展迅速，动力锂电池作为新能源汽车的心脏，其质量决定了整车的续航能力及安全性能。
目前行业内已有采用机器视觉对焊缝进行检测的相关应用，但大部分基于2D图像进行检测，该方法只能检测焊缝的长度和宽度，对于焊缝的高度则无法检测，而且产品使用2D相机进行成像时，因焊缝部分表面较为光滑容易产生反光从而影响焊缝成像质量，使得检测时易出现焊缝定位不准确或误判的问题；因此，针对上述问题提出基于深度学习的锂电池模组侧面焊缝外观检测算法及系统。
发明内容
为了弥补现有技术的不足，解决目前行业内已有采用机器视觉对焊缝进行检测的相关应用，但大部分基于2D图像进行检测，该方法只能检测焊缝的长度和宽度，对于焊缝的高度则无法检测，而且产品使用2D相机进行成像时，因焊缝部分表面较为光滑容易产生反光从而影响焊缝成像质量，使得检测时易出现焊缝定位不准确或误判的问题，本发明提出基于深度学习的锂电池模组侧面焊缝外观检测算法及系统。
本发明解决其技术问题所采用的技术方案是：本发明所述的基于深度学习的锂电池模组侧面焊缝外观检测算法，该算法步骤如下；
S0-0样本数据制作，包括样本收集、焊缝标注，收集各类型号的侧焊缝深度信息图并使用标注工具对图中焊缝位置进行标注生成掩膜图或文本文件；
S0-1预处理，主要用于数据增强，在0到360度角度范围内旋转掩模图及对应原图，或对原图进行图像增强或平滑处理，生成更多的数据样本；
S0-2模型训练，将制作并预处理后的样本输入网络中进行模型训练，得到可用于预测图片中焊缝位置并输出焊缝掩膜图像的模型。
基于深度学习的锂电池模组侧面焊缝外观检测算法还包括焊缝定位，从图片中获取焊缝中线两侧一定范围的ROI(region of interest)，将该ROI传进S0-2训练得到的Model中进行预测，获取焊缝mask(以二值图输出)，其主要步骤包括：
S1-0 3D图获取，将客户端软件采集到的3D数据转换成含有深度信息的2D图像；
S1-1预处理，对含有深度信息的2D图像进行图像增强，突出焊缝轮廓特征；
S1-2焊缝ROI提取，通过算法获取端侧板切口作为焊缝中线所在位置，并以此中线两侧一定范围作为焊缝ROI；
S1-3通过S0-2训练得到的Model对ROI中的焊缝位置进行预测，获取焊缝mask并以二值图输出。
基于深度学习的锂电池模组侧面焊缝外观检测算法，还包括焊缝检测，所述动力锂电池模组侧边焊缝的检测项目主要包括端侧错位、侧板超端板、焊缝余高、下榻、爆孔、长度和宽度检测项，检测过程对应如下步骤：
S2-0端侧板位置检测，通过检测产品端板及侧板所在位置以判断是否存在侧板超端板，通过判断端板及侧板截面高度以判断是否存在端侧错位；
S2-1焊缝截面高度计算，通过S1-2所提取焊缝ROI(含深度信息图)及S1-3所获取的焊缝mask(二值图)，计算焊缝各截面高度信息，通过计算得到的焊缝高度进一步判断焊缝是否存在余高、下榻和爆孔缺陷；
S2-2焊缝长宽计算，通过S1-3所获取的焊缝mask(二值图)计算焊缝长度及各截面宽度，以此判断焊缝的长度及宽度是否合格。
基于深度学习的锂电池模组侧面焊缝外观检测系统，包括防护模块、供电模块、测量模块、数据识别模块、中央处理器模块、数据存储模块、反馈模块、数字识别模块和图形处理模块，所述防护模块包括内有供电模块和测量模块，所述数据识别模块内包括有数字识别模块和图形处理模块，所述数据存储模块内包括有中央处理器模块，所述中央处理器模块内包括有数据存储模块，所述数据存储模块内包括有反馈模块。
优选的，所述防护模块用于保护供电模块、测量模块、数据识别模块、中央处理器模块、数据存储模块、反馈模块、数字识别模块和图形处理模块避免出现物理损坏，供电模块对测量模块、数据识别模块、中央处理器模块、数据存储模块、反馈模块、数字识别模块和图形处理模块进行供电，通过防护模块对其它模块进行防护，避免其它模块在使用时出现物理损坏。
优选的，所述测量模块获取锂电池模组侧面焊缝，之后转换为电信号输送给数据识别模块，数据识别模块通过数字识别模块和图形处理模块对电信号进行数值分析，之后将数值输送到中央处理器模块，通过数据识别模块对获取的焊缝数值进行分析处理，以获取准确焊缝数值。
优选的，所述中央处理器对数值进行分析处理，然后保存到数据存储模块内，通过数据存储模块对焊缝数值进行保存，避免焊缝数值丢失。
优选的，所述反馈模块借助通过显示器对数据储存模块的数值进行图像和数字显示，通过反馈模块对焊缝的数值进行数字显示，以方便人直观的看到焊缝数值。
本发明的有益之处在于：
1.通过锂电池模组侧面焊缝外观检测算法，更好地解决了因焊缝部分表面较为光滑容易产生反光从而影响焊缝成像质量，使得检测时易出现焊缝定位不准确或误判的问题，稳定生产情况下可达到过检≤0.5％，漏检0％，完全满足动力锂电池模组端侧板焊接后的焊缝检测要求。
2.通过锂电池模组侧面焊缝外观检测系统，获取焊缝数值，并对焊缝数值进行保存，同时可对保存的焊缝数值进行调取显示，解决了用人工手动测量或目测对焊缝数值进行检测，会出现检测效率低下，检测精度也会存在一定的误差。
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性的前提下，还可以根据这些附图获得其它的附图。
图1为焊缝外观检测方法步骤示意图；
图2为焊缝外观检测系统框图。
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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明具体实施方式
请参阅图1-2所示，基于深度学习的锂电池模组侧面焊缝外观检测算法，该方法步骤如下；
S0-0样本数据制作，包括样本收集、焊缝标注，收集各类型号的侧焊缝深度信息图并使用标注工具对图中焊缝位置进行标注生成掩膜图或文本文件；
S0-1预处理，主要用于数据增强，在0到360度角度范围内旋转掩模图及对应原图，或对原图进行图像增强或平滑处理，生成更多的数据样本；
S0-2模型训练，将制作并预处理后的样本输入网络中进行模型训练，得到可用于预测图片中焊缝位置并输出焊缝掩膜图像的模型。
基于深度学习的锂电池模组侧面焊缝外观检测算法还包括焊缝定位，从图片中获取焊缝中线两侧一定范围的ROI(region of interest)，将该ROI传进S0-2训练得到的Model中进行预测，获取焊缝mask(以二值图输出)，其主要步骤包括：
S1-0 3D图获取，将客户端软件采集到的3D数据转换成含有深度信息的2D图像；
S1-1预处理，对含有深度信息的2D图像进行图像增强，突出焊缝轮廓特征；
S1-2焊缝ROI提取，通过算法获取端侧板切口作为焊缝中线所在位置，并以此中线两侧一定范围作为焊缝ROI；
S1-3通过S0-2训练得到的Model对ROI中的焊缝位置进行预测，获取焊缝mask并以二值图输出。
基于深度学习的锂电池模组侧面焊缝外观检测算法，还包括焊缝检测，所述动力锂电池模组侧边焊缝的检测项目主要包括端侧错位、侧板超端板、焊缝余高、下榻、爆孔、长度和宽度检测项，检测过程对应如下步骤：
S2-0端侧板位置检测，通过检测产品端板及侧板所在位置以判断是否存在侧板超端板，通过判断端板及侧板截面高度以判断是否存在端侧错位；
S2-1焊缝截面高度计算，通过S1-2所提取焊缝ROI(含深度信息图)及S1-3所获取的焊缝mask(二值图)，计算焊缝各截面高度信息，通过计算得到的焊缝高度进一步判断焊缝是否存在余高、下榻和爆孔缺陷；
S2-2焊缝长宽计算，通过S1-3所获取的焊缝mask(二值图)计算焊缝长度及各截面宽度，以此判断焊缝的长度及宽度是否合格。
基于深度学习的锂电池模组侧面焊缝外观检测系统，包括防护模块、供电模块、测量模块、数据识别模块、中央处理器模块、数据存储模块、反馈模块、数字识别模块和图形处理模块，所述防护模块包括内有供电模块和测量模块，所述数据识别模块内包括有数字识别模块和图形处理模块，所述数据存储模块内包括有中央处理器模块，所述中央处理器模块内包括有数据存储模块，所述数据存储模块内包括有反馈模块。
所述防护模块用于保护供电模块、测量模块、数据识别模块、中央处理器模块、数据存储模块、反馈模块、数字识别模块和图形处理模块避免出现物理损坏，供电模块对测量模块、数据识别模块、中央处理器模块、数据存储模块、反馈模块、数字识别模块和图形处理模块进行供电，通过防护模块对其它模块进行防护，避免其它模块在使用时出现物理损坏。
所述测量模块获取锂电池模组侧面焊缝，之后转换为电信号输送给数据识别模块，数据识别模块通过数字识别模块和图形处理模块对电信号进行数值分析，之后将数值输送到中央处理器模块，通过数据识别模块对获取的焊缝数值进行分析处理，以获取准确焊缝数值。
所述中央处理器对数值进行分析处理，然后保存到数据存储模块内，通过数据存储模块对焊缝数值进行保存，避免焊缝数值丢失。
所述反馈模块借助通过显示器对数据储存模块的数值进行图像和数字显示，通过反馈模块对焊缝的数值进行数字显示，以方便人直观的看到焊缝数值。
工作原理，工作时，通过对焊缝位置进行标注生成掩膜图或文本文件，之后通过算法计算焊缝各截面高度信息，通过端侧板位置检测，以判断是否存在侧板超端板，通过判断端板及侧板截面高度以判断是否存在端侧错位，通过计算得到的焊缝高度进一步判断焊缝是否存在余高、下榻和爆孔缺陷，通过焊缝长宽计算，并以此判断焊缝的长度及宽度是否合格，通过系统对焊缝的进行的数值进行采集，之后通过分析采集的数值，再把数值通过反馈模块反应到显示屏上，人通过反应的数值来判断焊缝是否合格。
本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (8)

1.基于深度学习的锂电池模组侧面焊缝外观检测算法，其特征在于：该算法步骤如下；
S0-0样本数据制作，包括样本收集、焊缝标注，收集各类型号的侧焊缝深度信息图并使用标注工具对图中焊缝位置进行标注生成掩膜图或文本文件；
S0-1预处理，主要用于数据增强，在0到360度角度范围内旋转掩模图及对应原图，或对原图进行图像增强或平滑处理，生成更多的数据样本；
S0-2模型训练，将制作并预处理后的样本输入网络中进行模型训练，得到可用于预测图片中焊缝位置并输出焊缝掩膜图像的模型。
2.根据权利要求1所述的基于深度学习的锂电池模组侧面焊缝外观检测算法还包括焊缝定位，其特征在于：从图片中获取焊缝中线两侧一定范围的ROI(region of interest)，将该ROI传进S0-2训练得到的Model中进行预测，获取焊缝mask(以二值图输出)，其主要步骤包括：
S1-0 3D图获取，将客户端软件采集到的3D数据转换成含有深度信息的2D图像；
S1-1预处理，对含有深度信息的2D图像进行图像增强，突出焊缝轮廓特征；
S1-2焊缝ROI提取，通过算法获取端侧板切口作为焊缝中线所在位置，并以此中线两侧一定范围作为焊缝ROI；
S1-3通过S0-2训练得到的Model对ROI中的焊缝位置进行预测，获取焊缝mask并以二值图输出。
3.根据权利要求1所述的基于深度学习的锂电池模组侧面焊缝外观检测算法，还包括焊缝检测，其特征在于：所述动力锂电池模组侧边焊缝的检测项目主要包括端侧错位、侧板超端板、焊缝余高、下榻、爆孔、长度和宽度检测项，检测过程对应如下步骤：
S2-0端侧板位置检测，通过检测产品端板及侧板所在位置以判断是否存在侧板超端板，通过判断端板及侧板截面高度以判断是否存在端侧错位；
S2-1焊缝截面高度计算，通过S1-2所提取焊缝ROI(含深度信息图)及S1-3所获取的焊缝mask(二值图)，计算焊缝各截面高度信息，通过计算得到的焊缝高度进一步判断焊缝是否存在余高、下榻和爆孔缺陷；
S2-2焊缝长宽计算，通过S1-3所获取的焊缝mask(二值图)计算焊缝长度及各截面宽度，以此判断焊缝的长度及宽度是否合格。
4.基于深度学习的锂电池模组侧面焊缝外观检测系统，该系统适用于权利要求1-3中任意一权要所述的基于深度学习的锂电池模组侧面焊缝外观检测算法，其特征在于：包括防护模块、供电模块、测量模块、数据识别模块、中央处理器模块、数据存储模块、反馈模块、数字识别模块和图形处理模块，所述防护模块包括内有供电模块和测量模块，所述数据识别模块内包括有数字识别模块和图形处理模块，所述数据存储模块内包括有中央处理器模块，所述中央处理器模块内包括有数据存储模块，所述数据存储模块内包括有反馈模块。
5.根据权利要求4所述的基于深度学习的锂电池模组侧面焊缝外观检测系统，其特征在于：所述防护模块用于保护供电模块、测量模块、数据识别模块、中央处理器模块、数据存储模块、反馈模块、数字识别模块和图形处理模块避免出现物理损坏，供电模块对测量模块、数据识别模块、中央处理器模块、数据存储模块、反馈模块、数字识别模块和图形处理模块进行供电。
6.根据权利要求5所述的基于深度学习的锂电池模组侧面焊缝外观检测系统，其特征在于：所述测量模块获取锂电池模组侧面焊缝，之后转换为电信号输送给数据识别模块，数据识别模块通过数字识别模块和图形处理模块对电信号进行数值分析，之后将数值输送到中央处理器模块。
7.根据权利要求6所述的基于深度学习的锂电池模组侧面焊缝外观检测系统，其特征在于：所述中央处理器对数值进行分析处理，然后保存到数据存储模块内。
8.根据权利要求7所述的基于深度学习的锂电池模组侧面焊缝外观检测系统，其特征在于：所述反馈模块借助通过显示器对数据储存模块的数值进行图像和数字显示。
CN202111172297.6A 2021-10-08 2021-10-08 基于深度学习的锂电池模组侧面焊缝外观检测方法及系统 Active CN114119461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111172297.6A CN114119461B (zh) 2021-10-08 2021-10-08 基于深度学习的锂电池模组侧面焊缝外观检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111172297.6A CN114119461B (zh) 2021-10-08 2021-10-08 基于深度学习的锂电池模组侧面焊缝外观检测方法及系统

Publications (2)

Publication Number Publication Date
CN114119461A true CN114119461A (zh) 2022-03-01
CN114119461B CN114119461B (zh) 2022-11-29

Family

ID=80441410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111172297.6A Active CN114119461B (zh) 2021-10-08 2021-10-08 基于深度学习的锂电池模组侧面焊缝外观检测方法及系统

Country Status (1)

Country Link
CN (1) CN114119461B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220023977A1 (en) * 2020-07-23 2022-01-27 Pegatron Corporation Solder joint inspection model training method, solder joint inspection method, and solder joint inspection device
CN115345878A (zh) * 2022-10-18 2022-11-15 广州市易鸿智能装备有限公司 一种高精度的锂电池镍片与巴片间距的检测方法及装置
CN116228640A (zh) * 2022-12-14 2023-06-06 广州市斯睿特智能科技有限公司 基于深度图像的焊缝检测方法、系统、装置及存储介质
CN116363125A (zh) * 2023-05-30 2023-06-30 厦门微图软件科技有限公司 基于深度学习的电池模组外观缺陷检测方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109579718A (zh) * 2019-01-09 2019-04-05 广州市顶丰自动化设备有限公司 焊缝参数的检测方法、装置、计算机设备和存储介质
CN109765267A (zh) * 2019-03-18 2019-05-17 朱清 一种主动便携式焊缝智能检测仪
CN109903279A (zh) * 2019-02-25 2019-06-18 北京深度奇点科技有限公司 焊缝运动轨迹的自动示教方法和装置
CN110110798A (zh) * 2019-05-13 2019-08-09 广东工业大学 一种基于Mask-RCNN网络的焊缝识别方法
CN111310558A (zh) * 2019-12-28 2020-06-19 北京工业大学 一种基于深度学习和图像处理法的路面病害智能提取方法
CN112053376A (zh) * 2020-09-07 2020-12-08 南京大学 一种基于深度信息的工件焊缝识别方法
CN112365434A (zh) * 2020-11-10 2021-02-12 大连理工大学 一种基于双掩膜图像分割的无人机狭窄通道检测方法
CN113034497A (zh) * 2021-04-26 2021-06-25 博科视(苏州)技术有限公司 一种基于视觉的保温杯焊缝定位检测方法及系统
CN113111875A (zh) * 2021-04-02 2021-07-13 广州地铁集团有限公司 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法
JP2021115597A (ja) * 2020-01-24 2021-08-10 日本軽金属株式会社 液冷ジャケットの製造方法及び摩擦攪拌接合方法
CN113255678A (zh) * 2021-06-17 2021-08-13 云南航天工程物探检测股份有限公司 一种基于语义分割的道路裂缝自动识别方法
CN113421304A (zh) * 2021-06-21 2021-09-21 沈阳派得林科技有限责任公司 一种工业射线底片图像焊道区域智能定位方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109579718A (zh) * 2019-01-09 2019-04-05 广州市顶丰自动化设备有限公司 焊缝参数的检测方法、装置、计算机设备和存储介质
CN109903279A (zh) * 2019-02-25 2019-06-18 北京深度奇点科技有限公司 焊缝运动轨迹的自动示教方法和装置
CN109765267A (zh) * 2019-03-18 2019-05-17 朱清 一种主动便携式焊缝智能检测仪
CN110110798A (zh) * 2019-05-13 2019-08-09 广东工业大学 一种基于Mask-RCNN网络的焊缝识别方法
CN111310558A (zh) * 2019-12-28 2020-06-19 北京工业大学 一种基于深度学习和图像处理法的路面病害智能提取方法
JP2021115597A (ja) * 2020-01-24 2021-08-10 日本軽金属株式会社 液冷ジャケットの製造方法及び摩擦攪拌接合方法
CN112053376A (zh) * 2020-09-07 2020-12-08 南京大学 一种基于深度信息的工件焊缝识别方法
CN112365434A (zh) * 2020-11-10 2021-02-12 大连理工大学 一种基于双掩膜图像分割的无人机狭窄通道检测方法
CN113111875A (zh) * 2021-04-02 2021-07-13 广州地铁集团有限公司 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法
CN113034497A (zh) * 2021-04-26 2021-06-25 博科视(苏州)技术有限公司 一种基于视觉的保温杯焊缝定位检测方法及系统
CN113255678A (zh) * 2021-06-17 2021-08-13 云南航天工程物探检测股份有限公司 一种基于语义分割的道路裂缝自动识别方法
CN113421304A (zh) * 2021-06-21 2021-09-21 沈阳派得林科技有限责任公司 一种工业射线底片图像焊道区域智能定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李进军等: "基于深度子空间学习的焊缝缺陷检测方法", 《计算机集成制造系统》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220023977A1 (en) * 2020-07-23 2022-01-27 Pegatron Corporation Solder joint inspection model training method, solder joint inspection method, and solder joint inspection device
US11833618B2 (en) * 2020-07-23 2023-12-05 Pegatron Corporation Solder joint inspection model training method, solder joint inspection method, and solder joint inspection device
CN115345878A (zh) * 2022-10-18 2022-11-15 广州市易鸿智能装备有限公司 一种高精度的锂电池镍片与巴片间距的检测方法及装置
CN115345878B (zh) * 2022-10-18 2023-01-31 广州市易鸿智能装备有限公司 一种高精度的锂电池镍片与巴片间距的检测方法及装置
CN116228640A (zh) * 2022-12-14 2023-06-06 广州市斯睿特智能科技有限公司 基于深度图像的焊缝检测方法、系统、装置及存储介质
CN116228640B (zh) * 2022-12-14 2024-04-12 广州市斯睿特智能科技有限公司 基于深度图像的焊缝检测方法、系统、装置及存储介质
CN116363125A (zh) * 2023-05-30 2023-06-30 厦门微图软件科技有限公司 基于深度学习的电池模组外观缺陷检测方法及系统
CN116363125B (zh) * 2023-05-30 2023-08-11 厦门微图软件科技有限公司 基于深度学习的电池模组外观缺陷检测方法及系统

Also Published As

Publication number Publication date
CN114119461B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN114119461B (zh) 基于深度学习的锂电池模组侧面焊缝外观检测方法及系统
CN110850723B (zh) 一种基于变电站巡检机器人系统的故障诊断及定位方法
CN114119464B (zh) 一种基于深度学习的锂电池电芯顶盖焊缝外观检测方法
CN102279190B (zh) 一种激光焊接不等厚板焊缝表面缺陷图像检测方法
CN110310262A (zh) 一种用于检测轮胎缺陷的方法、装置及系统
CN102162577B (zh) 管道缺陷表面完整性检测装置及其检测方法
CN103837087B (zh) 基于主动形状模型的受电弓自动检测方法
CN103345632B (zh) 一种电池尾端表面划痕缺陷检测方法
CN111091538A (zh) 一种管道焊缝自动识别、缺陷检测方法及装置
CN111965246A (zh) 一种基于多信息融合的刮板机故障检测方法及其检测系统
CN111266315A (zh) 基于视觉分析的矿石物料在线分拣系统及其方法
CN106097380A (zh) 一种基于图像的绝缘子芯棒缺陷在线检测的系统和方法
CN109141286A (zh) 一种基于机器视觉和旋合模型的螺纹通止检测方法及系统
CN113554667A (zh) 一种基于图像识别的三维位移检测方法及装置
Liu et al. An approach for auto bridge inspection based on climbing robot
CN114119470B (zh) 一种基于深度学习的电芯密封钉焊缝外观检测算法及系统
CN104931907A (zh) 基于机器视觉的数显电测量仪表质量群检系统
CN110335242A (zh) 一种基于多模型融合的轮胎x光病疵检测方法
CN114298964B (zh) 一种锂电池模组busbar焊缝外观检测算法及系统
CN116448764A (zh) 一种面向飞行器结构疲劳试验的裂纹自动检测方法
CN114814128A (zh) 一种葡萄酒发酵在线实时监测系统
CN113222950B (zh) 表面缺陷检测模型训练方法、表面缺陷检测方法及系统
CN115684269A (zh) 一种用于压力容器设计的表面缺陷识别系统及方法
CN114878087A (zh) 一种基于人工智能的压力容器气密性的检测方法及装置
CN212083317U (zh) 一种缺陷磁痕测量系统

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Room 201a, Jinfeng Building, information optoelectronic Park, torch high tech Zone, Xiamen, Fujian Province

Patentee after: Xiamen Weiya Intelligent Technology Co.,Ltd.

Address before: Room 201a, Jinfeng Building, information optoelectronic Park, torch high tech Zone, Xiamen, Fujian Province

Patentee before: XIAMEN WEIYA INTELLIGENCE TECHNOLOGY Co.,Ltd.