CN114119470B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114119470B
CN114119470B CN202111205387.0A CN202111205387A CN114119470B CN 114119470 B CN114119470 B CN 114119470B CN 202111205387 A CN202111205387 A CN 202111205387A CN 114119470 B CN114119470 B CN 114119470B
Authority
CN
China
Prior art keywords
data
nail
image acquisition
defects
camera
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
Application number
CN202111205387.0A
Other languages
English (en)
Other versions
CN114119470A (zh
Inventor
陈文贤
江发华
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 CN202111205387.0A priority Critical patent/CN114119470B/zh
Publication of CN114119470A publication Critical patent/CN114119470A/zh
Application granted granted Critical
Publication of CN114119470B publication Critical patent/CN114119470B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Abstract

本发明属于汽车锂电池技术领域，具体的说是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，包括影像采集模块、数据分析模块和前端界面模块；所述影像采集模块包括3D影像采集模块、2D影像采集模块；所述3D影像采集模块包括线扫相机、可旋转放置台、第一相机移动杆；所述2D影像采集模块包括RGB相机、放置台、第二相机移动杆；通过2D视觉、3D视觉以及AI深度学习算法，实现了缺陷的检测，并对缺陷项进行整合分析，进而直观的量化输出，在效率上，也能满足产线不停顿的生产节奏，解决了现有的人工之间出错率较高的问题。

Description

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
技术领域
本发明属于汽车锂电池技术领域，具体的说是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。
背景技术
随着对节能环保政策的完善，低碳环保的电动汽车越来越普及，汽车厂商对新能源汽车的研发的投入也越来越大。
汽车用锂电池在生产的过程中，一些微小的缺陷就可能会影响整个锂电池的性能与质量，因此锂电池生产过程中的质量把控尤为关键。
现有的锂电池的密封钉焊接的过程中，传统的对密封钉以及密封钉焊缝处进行检查通常是通过人工用眼睛和手感进行质检，而通过人工之间往往检测出错率较高，且不同的人对缺陷认知不同，使得检测结果可能会出现偏差；为此，本发明提供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。
发明内容
为了弥补现有技术的不足，解决现有的锂电池的密封钉焊接的过程中，传统的对密封钉以及密封钉焊缝处进行检查通常是通过人工用眼睛和手感进行质检，而通过人工之间往往检测出错率较高，且不同的人对缺陷认知不同，使得检测结果可能会出现偏差的问题，本发明提出的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。
本发明解决其技术问题所采用的技术方案是：本发明所述的一种基于深度学习的电芯密封钉焊缝外观检测系统，其特征在于，包括影像采集模块、数据分析模块和前端界面模块；所述影像采集模块包括3D影像采集模块、2D影像采集模块；所述3D影像采集模块包括线扫相机、可旋转放置台、第一相机移动杆；所述2D影像采集模块包括RGB相机、放置台、第二相机移动杆。
进一步，所述数据分析模块包括缺陷分析模块、AI训练模块；所述缺陷分析模块与AI训练模块相互连接。
进一步，所述前端界面模块包括量化分析模块、接口模块和可视化模块；所述量化分析模块与接口模块、可视化模块均相互连接；所述接口模块包括3D相机接口、2D相机接口、屏幕接口。
一种基于深度学习的电芯密封钉焊缝外观检测算法，该算法适用于上述任意一项所述的一种基于深度学习的电芯密封钉焊缝外观检测系统，该算法步骤如下：
S1；获取2D和3D传感器数据，通过2D传感器与3D传感器采集密封钉图像数据；
S2；对S1采集到的数据进行降采样，进行特征计算，通过算法对数据进行筛选，获取密封钉所在区域，且对数据进行降采样，进一步减少数据量；
S3；对S2处理后的数据，通过特征识别，进一步精确提取密封钉的有效数据；
S4；对S3精确提取后的数据，通过精确定位，将数据中存在的空间波动进一步筛选，为后续的缺陷提取提供关键的信息；
S5；提取缺陷点云，通过对密封钉区域以及密封钉焊缝区域进行缺陷分析，提取密封钉是否放置不良，以及焊缝是否破损或平面度是否异常进行分析，将异常点作为候选缺陷保留；
S6；将S5检测出的缺陷采用AI算法，将缺陷进行收集，收集对应缺陷的数据集，训练AI模型，便于缺陷再次出现在生产中时，可通过AI自动识别检测出AI模型中存在的缺陷；
S7；通过量化分析上述提取出的缺陷，通过分隔，过滤异常噪音，长度，宽度，面积进行量化分析，进而将量化信息给到软件端进行可视化，并在软件端提供参数卡控设置。
进一步，所述3D传感器使用线扫相机采集密封钉焊缝区域的数据，可获取密封钉焊缝上的高低起伏变化，进而通过3D算法进行检测提取，可获得具有触感的缺陷，所述3D传感器数据获取中，根据不同的相机生产厂家可选择不同厂家的相机接口，允许用户从在线设备上获取数据集，也支持离线数据读取用于追溯和回测，离线支持的文件为tif格式的深度图。
进一步，所述2D传感器采用RGB相机，根据所选设备相机厂商不同，可兼容不同厂家的相机接口；所述2D传感器的数据传递方式采用的是计算机内部内存之间的拷贝，同时可从磁盘中读取数据，用于离线数据的回测和追溯。
进一步，S5中所述密封钉区域缺陷分析方法，将密封钉区域的3D数据作为平面方程，通过分析密封钉的平面方程可分析出密封钉是否完好，通过分析密封钉的平面方程与锂电池顶盖的平面方程，可分析出密封钉位置是否放置不良。
进一步，S5中所述密封钉焊缝缺陷分析方法，对焊缝处进行微分分割，通过计算分割区域的平面度，可提取出平面度异常区域。
本发明的有益效果如下：
1.本发明所述的一种基于深度学习的电芯密封钉焊缝外观检测系统，通过2D视觉、3D视觉以及AI深度学习算法，实现了缺陷的检测，并对缺陷项进行整合分析，进而直观的量化输出，在效率上，也能满足产线不停顿的生产节奏，解决了现有的人工之间出错率较高的问题。
2.本发明所述的一种基于深度学习的电芯密封钉焊缝外观检测算法，通过对3D影像与2D影像进行分析后，整合缺陷点，通过AI训练模块进行整合分析，使得装置记录的缺陷点逐渐增多，进而使得装置识别检测缺陷点的效率会逐渐提高。
附图说明
下面结合附图对本发明作进一步说明。
图1是电芯密封钉焊缝外观检测系统的系统框图；
图2是电芯密封钉焊缝外观检测算法的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
如图1所示，包括影像采集模块、数据分析模块和前端界面模块；所述影像采集模块包括3D影像采集模块、2D影像采集模块；所述3D影像采集模块包括线扫相机、可旋转放置台、第一相机移动杆；所述2D影像采集模块包括RGB相机、放置台、第二相机移动杆。
所述数据分析模块包括缺陷分析模块、AI训练模块；所述缺陷分析模块与AI训练模块相互连接。
所述前端界面模块包括量化分析模块、接口模块和可视化模块；所述量化分析模块与接口模块、可视化模块均相互连接；所述接口模块包括3D相机接口、2D相机接口、屏幕接口。
工作原理：通过影响采集模块中的3D影像采集模块与2D影像采集模块对密封钉及密封钉焊缝处进行图像采集，进而将数据导入数据分析模块，数据分析模块在密封钉表面建立平面方程，通过对密封钉数据和平面方程进行计算，进而可提取出密封钉是否完好，通过对密封钉的所在云的平面方程以及顶盖面的平面方程进行计算，进而通过计算两个平面方程，得出两个平面方程之间的平面夹角，进而可通过平面夹角的角度来衡量密封钉是否放置不良，通过对焊缝区域进行微分分割，进而计算每个分割区域的平面度，提取平面度异常区域的异常点，将异常点保留后，通过收集异常点的数据集，进而通过AI训练模块，训练AI模型，进而使得再次出现相同缺陷时，可被AI识别检测出来，进而通过量化分析模块通过分隔、过滤异常噪音，再计算高度、长度、宽度、面积，给出一系列的量化信息，进而通过可视化模块显示出来。
一种基于深度学习的电芯密封钉焊缝外观检测算法，该算法适用于上述中任意一项所述的一种基于深度学习的电芯密封钉焊缝外观检测系统，该算法步骤如下：
S1；获取2D和3D传感器数据，通过2D传感器与3D传感器采集密封钉图像数据；
S2；对S1采集到的数据进行降采样，进行特征计算，通过算法对数据进行筛选，获取密封钉所在区域，且对数据进行降采样，进一步减少数据量；
S3；对S2处理后的数据，通过特征识别，进一步精确提取密封钉的有效数据；
S4；对S3精确提取后的数据，通过精确定位，将数据中存在的空间波动进一步筛选，为后续的缺陷提取提供关键的信息；
S5；提取缺陷点云，通过对密封钉区域以及密封钉焊缝区域进行缺陷分析，提取密封钉是否放置不良，以及焊缝是否破损或平面度是否异常进行分析，将异常点作为候选缺陷保留；
S6；将S5检测出的缺陷采用AI算法，将缺陷进行收集，收集对应缺陷的数据集，训练AI模型，便于缺陷再次出现在生产中时，可通过AI自动识别检测出AI模型中存在的缺陷；
S7；通过量化分析上述提取出的缺陷，通过分隔，过滤异常噪音，长度，宽度，面积进行量化分析，进而将量化信息给到软件端进行可视化，并在软件端提供参数卡控设置。
所述3D传感器使用线扫相机采集密封钉焊缝区域的数据，可获取密封钉焊缝上的高低起伏变化，进而通过3D算法进行检测提取，可获得具有触感的缺陷，所述3D传感器数据获取中，根据不同的相机生产厂家可选择不同厂家的相机接口，允许用户从在线设备上获取数据集，也支持离线数据读取用于追溯和回测，离线支持的文件为tif格式的深度图。
所述2D传感器采用RGB相机，根据所选设备相机厂商不同，可兼容不同厂家的相机接口；所述2D传感器的数据传递方式采用的是计算机内部内存之间的拷贝，同时可从磁盘中读取数据，用于离线数据的回测和追溯。
S5中所述密封钉区域缺陷分析方法，将密封钉区域的3D数据作为平面方程，通过分析密封钉的平面方程可分析出密封钉是否完好，通过分析密封钉的平面方程与锂电池顶盖的平面方程，可分析出密封钉位置是否放置不良。
S5中所述密封钉焊缝缺陷分析方法，对焊缝处进行微分分割，通过计算分割区域的平面度，可提取出平面度异常区域。
上述前、后、左、右、上、下均以说明书附图中的图1为基准，按照人物观察视角为标准，装置面对观察者的一面定义为前，观察者左侧定义为左，依次类推。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“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，仅是为了便于描述本发明和简化描述，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发明保护范围的限制。
以上显示和描述了本发明的基本原理、主要特征和优点。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。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于深度学习的电芯密封钉焊缝外观检测系统，其特征在于，包括影像采集模块、数据分析模块和前端界面模块；所述影像采集模块包括3D影像采集模块、2D影像采集模块；所述3D影像采集模块包括线扫相机、可旋转放置台、第一相机移动杆；所述2D影像采集模块包括RGB相机、放置台、第二相机移动杆；
所述数据分析模块包括缺陷分析模块、AI训练模块；所述缺陷分析模块与AI训练模块相互连接；
所述3D影像采集模块、2D影像采集模块用于采集密封钉图像数据；
缺陷分析模块用于获取2D和3D传感器数据，并进行降采样、特征计算，通过算法对数据进行筛选，获取密封钉所在区域，且对数据进行降采样，进一步减少数据量；
缺陷分析模块还用于对处理后的数据，通过特征识别，进一步精确提取密封钉的有效数据；并对精确提取后的数据，通过精确定位，将数据中存在的空间波动进一步筛选，为后续的缺陷提取提供关键的信息；以及提取缺陷点云，通过对密封钉区域以及密封钉焊缝区域进行缺陷分析，提取密封钉是否放置不良，以及焊缝是否破损或平面度是否异常进行分析，将异常点作为候选缺陷保留；
AI训练模块用于针对缺陷分析模块检测出的缺陷，采用AI算法将缺陷进行收集，收集对应缺陷的数据集，训练AI模型，便于缺陷再次出现在生产中时，可通过AI自动识别检测出AI模型中存在的缺陷；
前端界面模块用于通过量化分析上述提取出的缺陷，通过分隔，过滤异常噪音，长度，宽度，面积进行量化分析，进而将量化信息给到软件端进行可视化，并在软件端提供参数卡控设置；
所述前端界面模块包括量化分析模块、接口模块和可视化模块；所述量化分析模块与接口模块、可视化模块均相互连接；所述接口模块包括3D相机接口、2D相机接口、屏幕接口。
2.一种基于深度学习的电芯密封钉焊缝外观检测算法，该算法适用于权利要求1所述的一种基于深度学习的电芯密封钉焊缝外观检测系统，该算法步骤如下：
S1；获取2D和3D传感器数据，通过2D传感器与3D传感器采集密封钉图像数据；
S2；对S1采集到的数据进行降采样，进行特征计算，通过算法对数据进行筛选，获取密封钉所在区域，且对数据进行降采样，进一步减少数据量；
S3；对S2处理后的数据，通过特征识别，进一步精确提取密封钉的有效数据；
S4；对S3精确提取后的数据，通过精确定位，将数据中存在的空间波动进一步筛选，为后续的缺陷提取提供关键的信息；
S5；提取缺陷点云，通过对密封钉区域以及密封钉焊缝区域进行缺陷分析，提取密封钉是否放置不良，以及焊缝是否破损或平面度是否异常进行分析，将异常点作为候选缺陷保留；
S6；将S5检测出的缺陷采用AI算法，将缺陷进行收集，收集对应缺陷的数据集，训练AI模型，便于缺陷再次出现在生产中时，可通过AI自动识别检测出AI模型中存在的缺陷；
S7；通过量化分析上述提取出的缺陷，通过分隔，过滤异常噪音，长度，宽度，面积进行量化分析，进而将量化信息给到软件端进行可视化，并在软件端提供参数卡控设置。
3.根据权利要求2所述的一种基于深度学习的电芯密封钉焊缝外观检测算法，其特征在于，所述3D传感器使用线扫相机采集密封钉焊缝区域的数据，可获取密封钉焊缝上的高低起伏变化，进而通过3D算法进行检测提取，可获得具有触感的缺陷，所述3D传感器数据获取中，根据不同的相机生产厂家可选择不同厂家的相机接口，允许用户从在线设备上获取数据集，也支持离线数据读取用于追溯和回测，离线支持的文件为tif格式的深度图。
4.根据权利要求3所述的一种基于深度学习的电芯密封钉焊缝外观检测算法，其特征在于，所述2D传感器采用RGB相机，根据所选设备相机厂商不同，可兼容不同厂家的相机接口；所述2D传感器的数据传递方式采用的是计算机内部内存之间的拷贝，同时可从磁盘中读取数据，用于离线数据的回测和追溯。
5.根据权利要求4所述的一种基于深度学习的电芯密封钉焊缝外观检测算法，其特征在于，S5中所述密封钉区域缺陷分析方法，将密封钉区域的3D数据作为平面方程，通过分析密封钉的平面方程可分析出密封钉是否完好，通过分析密封钉的平面方程与锂电池顶盖的平面方程，可分析出密封钉位置是否放置不良。
6.根据权利要求5所述的一种基于深度学习的电芯密封钉焊缝外观检测算法，其特征在于，S5中所述密封钉焊缝缺陷分析方法，对焊缝处进行微分分割，通过计算分割区域的平面度，可提取出平面度异常区域。
CN202111205387.0A 2021-10-15 2021-10-15 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 Active CN114119470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111205387.0A CN114119470B (zh) 2021-10-15 2021-10-15 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111205387.0A CN114119470B (zh) 2021-10-15 2021-10-15 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

Publications (2)

Publication Number Publication Date
CN114119470A CN114119470A (zh) 2022-03-01
CN114119470B true CN114119470B (zh) 2023-04-07

Family

ID=80376320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111205387.0A Active CN114119470B (zh) 2021-10-15 2021-10-15 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

Country Status (1)

Country Link
CN (1) CN114119470B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116952845A (zh) * 2023-09-19 2023-10-27 宁德时代新能源科技股份有限公司 电池密封钉焊接检测系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111462310A (zh) * 2020-03-31 2020-07-28 国网辽宁省电力有限公司朝阳供电公司 一种基于多视几何的螺栓缺陷空间定位方法
CN111551565A (zh) * 2020-06-19 2020-08-18 湖南恒岳重钢钢结构工程有限公司 一种基于机器视觉的风电塔筒焊缝缺陷检测装置及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200039047A (ko) * 2018-10-01 2020-04-16 에스케이씨 주식회사 필름 결함 검출 방법 및 시스템
CN109579718B (zh) * 2019-01-09 2020-10-30 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
CN111462110B (zh) * 2020-04-20 2021-04-13 广东利元亨智能装备股份有限公司 焊缝质量检测方法、装置、系统及电子设备
CN112255238A (zh) * 2020-10-14 2021-01-22 浙江浙能技术研究院有限公司 一种基于三维激光扫描的油气管道外表面腐蚀及凹坑缺陷的自动识别与智能评价方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111462310A (zh) * 2020-03-31 2020-07-28 国网辽宁省电力有限公司朝阳供电公司 一种基于多视几何的螺栓缺陷空间定位方法
CN111551565A (zh) * 2020-06-19 2020-08-18 湖南恒岳重钢钢结构工程有限公司 一种基于机器视觉的风电塔筒焊缝缺陷检测装置及方法

Also Published As

Publication number Publication date
CN114119470A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN108875911B (zh) 一种泊车位检测方法
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
CN103499585B (zh) 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置
CN109859177A (zh) 基于深度学习的工业射线影像评定方法及装置
CN111091538B (zh) 一种管道焊缝自动识别、缺陷检测方法及装置
US20220309764A1 (en) Method and device for small sample defect classification and computing equipment
CN105913013A (zh) 双目视觉人脸识别算法
CN110728650A (zh) 一种基于智能终端的井盖凹陷检测方法及相关设备
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
CN107093175B (zh) 一种动力电池焊接质量检测方法
CN104809736B (zh) 基于先验知识的医学断层图像闭合骨骼轮廓计算方法
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
CN105740779A (zh) 人脸活体检测的方法和装置
CN113139437B (zh) 一种基于YOLOv3算法的安全帽佩戴检查方法
CN101706274A (zh) 钢轨扣件系统螺母缺失自动检测装置
CN109670449B (zh) 一种基于垂直抓拍方式的车辆违法判断方法
CN115797354A (zh) 用于检测激光焊接焊缝外观缺陷的方法
CN107644417A (zh) 应变片外观缺损检测方法
CN114119462A (zh) 一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法
CN115619738A (zh) 一种模组侧缝焊焊后检测方法
CN109389165A (zh) 基于巡检机器人的变压器油位计识别方法
CN116429768A (zh) 一种密封钉焊接质量检测方法、系统、设备及存储介质
WO2021109011A1 (zh) 一种基于超声图像的电容内部缺陷智能检测方法
CN108320799A (zh) 一种用于侧向流纸条疾病诊断的图像分析与识别方法
CN113269234A (zh) 一种基于目标检测的连接件装配检测方法和系统

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

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.

CP01 Change in the name or title of a patent holder