CN114577816A - 一种氢燃料双极板检测方法 - Google Patents
一种氢燃料双极板检测方法 Download PDFInfo
- Publication number
- CN114577816A CN114577816A CN202210054379.9A CN202210054379A CN114577816A CN 114577816 A CN114577816 A CN 114577816A CN 202210054379 A CN202210054379 A CN 202210054379A CN 114577816 A CN114577816 A CN 114577816A
- Authority
- CN
- China
- Prior art keywords
- camera
- product
- detection
- bipolar plate
- photographing
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 239000000446 fuel Substances 0.000 title claims abstract description 18
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 16
- 239000001257 hydrogen Substances 0.000 title claims abstract description 16
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 16
- 230000007547 defect Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000003825 pressing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 2
- 238000009960 carding Methods 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910021389 graphene Inorganic materials 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003411 electrode reaction Methods 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种氢燃料双极板检测方法，首先启动3D相机，将3D相机移动到样品需要测量的位置，使用夹具夹紧装置压住测量位置附近，进行厚度，长度，宽度等的抽检测量，将样品移动到线扫相机拍照开始位置，对整个产品进行拍照处理，检测正面缺陷，并进行尺寸测量，正面线扫相机拍照完成后，移动到反面相机位置，产品翻转，对产品反面进行拍照处理，检测反面缺陷，数据在工控机内机进行汇总，并对梳理进行分析处理。该氢燃料双极板检测方法，使用的深度学习算法可解决复杂缺陷的定位、检测、分类等问题，适用于比较复杂的应用场景，同时又具有强大的自学习功能，伴随着软件的持续运行，缺陷检出率会不断提升。
Description
技术领域
本发明涉及氢燃料电池技术领域，具体为一种氢燃料双极板检测方法。
背景技术
双极板又称集流板，是燃料电池重要部件之一，双极板具有下述功能与性质：分隔燃料与氧化剂，阻止气体透过；收集、传导电流，电导率高；设计与加工的流道，可将气体均匀分配到电极的反应层进行电极反应；能排出热量，保持电池温场均匀；耐蚀；抗冲击和震动；厚度薄；重量轻；同时成本低，容易机械加工，适合批量制造等。
基于双极板的作用，其特性必须兼具较好的导电、导热性能，极低的气体渗透率，要有足够的尺寸和足够的强度，还要耐腐蚀，双极板承担着电堆大部分的重量和成本，因此，低成本、轻量化、易生产，是对双极板的具体要求，从材料上看，双极板主要分为石墨双极板、金属双极板和复合材料双极板，因此双极板的材质选用尺寸和强度较高的石墨烯。
在双极板制造完成后需要对其材料石墨烯的尺寸进行检测，主要的外观缺陷进行检测，如断筋，多筋少筋，特征缺失，多特征，破损/边缘破损，表面划伤，油污，杂质，色差，异物等，现有的检测方法是采用大量的图片数据抽取及选择图像特征进行缺陷标注，通过分类训练得出样品模型，对识别规则进行制定，基于此识别规则能够得到特征的主要种类，从而确认缺陷类型等，但这样的检测方法不能解决复杂缺陷的定位、检测、分类等问题，对于比较复杂的应用场景，缺陷检出率比较低。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种氢燃料双极板检测方法，具备可以解决复杂缺陷的定位、检测、分类问题的优点，解决了缺陷检出率比较低的问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：一种氢燃料双极板检测方法，包括以下步骤：
S1：启动3D相机，将3D相机移动到样品需要测量的位置，使用夹具夹紧装置压住测量位置附近，进行厚度，长度，宽度等的抽检测量。
S2：3D相机拍照完成后，将样品移动到线扫相机拍照开始位置，对整个产品进行拍照处理，检测正面缺陷，并进行尺寸测量。
S3：正面线扫相机拍照完成后，移动到反面相机位置，产品翻转，对产品反面进行拍照处理，检测反面缺陷。
S4：将3D相机拍摄到的正反面的照片以及样品的尺寸数据在工控机内机进行汇总，并对梳理进行分析处理，检测完成后，根据检测结果数据，若样品合格，则设备翻转机构吸附产品放到指定的产品盒里面，若样品不合格，则自动剔除规律后，放入到指定的产品盒里面。
S5：对于不合格的样品，工控机向PLC控制器发出报警信号和反馈信号，执行机构发出警报。
优选的，所述S1中的3D相机选用2个16K的高速黑白线阵相机用来检测产品缺陷，3D相机配备线扫镜头，镜头的焦距为60mm，样品最大宽度是250mm，最大长度550，取相机Fov宽度是300mm，像素横向分辨率是300mm/16384pix＝0.018mm/pix，纵向分辨率取伺服脉冲信号可达0.05mm/pix以下，Z轴(检测深度)方向范围±10mm，重复精度可达1μm，FOV视野40*30，精度在0.02mm-0.03mm之间。
优选的，所述S2中的尺寸测量数据及要求精度包括，长宽尺寸要求精度±0.05mm，厚度要求精度±0.01mm，产品会有弯曲变形2mm左右；槽宽尺寸0.5-5mm之间，要求精度±0.03mm；槽深度尺寸0.04-1mm之间，要求精度±0.02mm；孔径0.8-10mm之间，要求精度±0.05mm。
优选的，所述S4中数据分析方法采用传统算法与深度学习方式协同检测不同缺陷，检测项包括裂开、划痕、崩角、异物等，用传统的方式对取出的三维点云数据进行数据提取，并进行基本的定位，高度信息等信息的提取，分类，再把取出的多维度数据和三维模型一同作为训练数据组成多维度的数据集进行全面分析，归类，统计，训练出稳定、准确的模型，供后续检测使用。
优选的，所述PLC控制器采用OMRON CP1H系列，工控机采用研华高速处理平台，所述工控机和PLC控制器配套有英伟达RTX4000以上的GPU、千兆网口、IO模块、显示器和机柜。
(三)有益效果
与现有技术相比，本发明提供了一种氢燃料双极板检测方法，具备以下有益效果：
1、该氢燃料双极板检测方法，用传统的方式对取出的三维点云数据进行数据提取，并进行基本的定位，高度信息等信息的提取，分类，再把取出的多维度数据和三维模型一同作为训练数据组成多维度的数据集进行全面分析，归类，统计，训练出稳定、准确的模型，供后续检测使用，该项目使用的深度学习算法可解决复杂缺陷的定位、检测、分类等问题，适用于比较复杂的应用场景，同时又具有强大的自学习功能，伴随着软件的持续运行，缺陷检出率会不断提升。
附图说明：
图1为本发明的产品3D相机检测流程图；
图2为本发明的AI图像处理流程图。
具体实施方式
下面将结合本发明的实施例，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做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。
本发明提供了一种氢燃料双极板检测方法，包括以下步骤：
S1：启动3D相机，将3D相机移动到样品需要测量的位置，使用夹具夹紧装置压住测量位置附近，进行厚度，长度，宽度等的抽检测量。
S2：3D相机拍照完成后，将样品移动到线扫相机拍照开始位置，对整个产品进行拍照处理，检测正面缺陷，并进行尺寸测量。
S3：正面线扫相机拍照完成后，移动到反面相机位置，产品翻转，对产品反面进行拍照处理，检测反面缺陷。
S4：将3D相机拍摄到的正反面的照片以及样品的尺寸数据在工控机内机进行汇总，并对梳理进行分析处理，检测完成后，根据检测结果数据，若样品合格，则设备翻转机构吸附产品放到指定的产品盒里面，若样品不合格，则自动剔除规律后，放入到指定的产品盒里面。
S5：对于不合格的样品，工控机向PLC控制器发出报警信号和反馈信号，执行机构发出警报。
3D相机选用2个16K的高速黑白线阵相机用来检测产品缺陷，3D相机配备线扫镜头，镜头的焦距为60mm，样品最大宽度是250mm，最大长度550，取相机Fov宽度是300mm，像素横向分辨率是300mm/16384pix＝0.018mm/pix，纵向分辨率取伺服脉冲信号可达0.05mm/pix以下，Z轴(检测深度)方向范围±10mm，重复精度可达1μm，FOV视野40*30，精度在0.02mm-0.03mm之间，尺寸测量数据及要求精度包括，长宽尺寸要求精度±0.05mm，厚度要求精度±0.01mm，产品会有弯曲变形2mm左右；槽宽尺寸0.5-5mm之间，要求精度±0.03mm；槽深度尺寸0.04-1mm之间，要求精度±0.02mm；孔径0.8-10mm之间，要求精度±0.05mm，PLC控制器采用OMRON CP1H系列，工控机采用研华高速处理平台，所述工控机和PLC控制器配套有英伟达RTX4000以上的GPU、千兆网口、IO模块、显示器和机柜
检测过程以及原理如图1所示：
槽宽：流槽可以检测点7+点9或者点8+点10，相机依次移动到这些点位，记录这些位置深度等信息，计算槽宽。槽深度：如上图标注点位，流槽测5个点(点7+点8+点9+点10+点11)，相机依次移动到这些点位，夹具压住测量位置附近，记录这些位置高度等信息，计算槽深度。孔径：设置其中一个孔的位置后，相机到位拍照，计算孔径。外形长度/宽度：在长度和宽度方向上取线，长度和宽度各测1处。通槽长度/宽度:抽检其中一个通槽测量其长度和宽度即可。产品总厚度：抽检测量1点(点1，点3，点4，点6任意一点)。以上测量位置在设计的软件上面都可以通过设置好测量位置，进行对应的3D定位拍照测量，采用一束特定波长的不可见红外光作为光源，照射在物体上，然后根据返回的光学畸变图像得到物体的位置信息和深度信息。
同品种之间色差对比差异性大，缺陷与正常产品之间存在难区分风险，可能导致误判或者漏判。
样品之间色差变化大(合格样品)：会影响缺陷打光效果，识别率有风险，如断筋崩口灰度和槽正常品差异性不大。
槽内有刀痕的样品：产品厚度变化大，0.7-5mm之间都有，存在拍照模糊的风险，导致缺陷类型拍照不出来。
测试样品单一的样品：该方案只是针对给的样品做的打光测试，缺少其他类型的样品进行打光测试，兼容性未知。
表面有油污和杂质等的样品：图片基本很难看出来，基本无法检测。
整机节拍计算：
设备以200mm/s速度运行，长度550的样品。产品输送(0.5S)；机械手移送3D相机至拍照位(0.5S)x12个测量位置≈6s左右；4.产品输送到下个工位拍照开始位置(1S)；正面线扫相机拍照(3s)；产品输送到下个工位拍照开始位置(1S)；反面线扫相机拍照(3s)；产品放入盒子(1.5s)，以上动作为串联动作，故整个周期动作的大概时间：16S左右。
因槽位深度相对成像深度的比例过小(1％左右)，且检测目标不是规则的物体，所以可以进行预处理以提高AI的检测率，总体流程如图2所示。
多线程处理：工控机会采用4核8线程的CPU，对1个相机采用多线程处理，使每个相机的图像能并行处理；系统采用正版系统，halcon软件有正版的加密狗；软件界面显示有当前相机的姿态数据，并提示相机调整的方向；防呆K值：相机在检测的时候，软件随时可以计算K值。标定板会放置在一个相机能拍照的位置，例如拍照的棍或一个专门设计给标定板放置的装置；亮度阈值设置有两种模式：手动和自动模式；软件检测模式：在线和离线。离线可以仿真验证图片，方便查验结果；软件有监控硬件模块，实时监控当前的状态，如有问题报警停机；软件会显示当前软件的状态：运行、暂停等，会显示当前的各模块的状态；已生产过的型号可以在下拉列表选择，大概在30秒内，新型号需要录入约10个型号信息参数，只需要5分钟；权限管理，功能按重要性赋予几种权限，产线工人权限：选择型号，开机工程师权限：型号参数设置；管理员权限：标定，MES，系统参数。
软件设计具有防呆放错设计：双强开，CCD相机没有运行，设备不能运行，软件和运行设备之间有心跳包，如果软件卡死，设备报警提示。(说明：如软件卡死，我们通过高速计数卡与编码器来监控，若设备运行时，编码器即是运动状态，那么计数卡没有读到计数即给出报警信号提示)，软件监控关键步骤，如有异常，报警提示(或停机)，关键参数变更有日志文件记录，换料之后，必须更换型号；如有特殊情况不更换，要启用高级权限，出现坏品，蜂鸣报警提示员工确认极片情况，同时检查CCD镜头是否受污染。
综上所述：数据分析方法采用传统算法与深度学习方式协同检测不同缺陷，检测项包括裂开、划痕、崩角、异物等，用传统的方式对取出的三维点云数据进行数据提取，并进行基本的定位，高度信息等信息的提取，分类，再把取出的多维度数据和三维模型一同作为训练数据组成多维度的数据集进行全面分析，归类，统计，训练出稳定、准确的模型，供后续检测使用。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种氢燃料双极板检测方法，其特征在于，包括以下步骤：
S1：启动3D相机，将3D相机移动到样品需要测量的位置，使用夹具夹紧装置压住测量位置附近，进行厚度，长度，宽度等的抽检测量；
S2：3D相机拍照完成后，将样品移动到线扫相机拍照开始位置，对整个产品进行拍照处理，检测正面缺陷，并进行尺寸测量；
S3：正面线扫相机拍照完成后，移动到反面相机位置，产品翻转，对产品反面进行拍照处理，检测反面缺陷；
S4：将3D相机拍摄到的正反面的照片以及样品的尺寸数据在工控机内机进行汇总，并对梳理进行分析处理，检测完成后，根据检测结果数据，若样品合格，则设备翻转机构吸附产品放到指定的产品盒里面，若样品不合格，则自动剔除规律后，放入到指定的产品盒里面；
S5：对于不合格的样品，工控机向PLC控制器发出报警信号和反馈信号，执行机构发出警报。
2.根据权利要求1所述的一种氢燃料双极板检测方法，其特征在于：所述S1中的3D相机选用2个16K的高速黑白线阵相机用来检测产品缺陷，3D相机配备线扫镜头，镜头的焦距为60mm，样品最大宽度是250mm，最大长度550，取相机Fov宽度是300mm，像素横向分辨率是300mm/16384pix＝0.018mm/pix，纵向分辨率取伺服脉冲信号可达0.05mm/pix以下，Z轴(检测深度)方向范围±10mm，重复精度可达1μm，FOV视野40*30，精度在0.02mm-0.03mm之间。
3.根据权利要求1所述的一种氢燃料双极板检测方法，其特征在于：所述S2中的尺寸测量数据及要求精度包括，长宽尺寸要求精度±0.05mm，厚度要求精度±0.01mm，产品会有弯曲变形2mm左右；槽宽尺寸0.5-5mm之间，要求精度±0.03mm；槽深度尺寸0.04-1mm之间，要求精度±0.02mm；孔径0.8-10mm之间，要求精度±0.05mm。
4.根据权利要求1所述的一种氢燃料双极板检测方法，其特征在于：所述S4中数据分析方法采用传统算法与深度学习方式协同检测不同缺陷，检测项包括裂开、划痕、崩角、异物等，用传统的方式对取出的三维点云数据进行数据提取，并进行基本的定位，高度信息等信息的提取，分类，再把取出的多维度数据和三维模型一同作为训练数据组成多维度的数据集进行全面分析，归类，统计，训练出稳定、准确的模型，供后续检测使用。
5.根据权利要求1所述的一种氢燃料双极板检测方法，其特征在于：所述PLC控制器采用OMRON CP1H系列，工控机采用研华高速处理平台，所述工控机和PLC控制器配套有英伟达RTX4000以上的GPU、千兆网口、IO模块、显示器和机柜。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210054379.9A CN114577816A (zh) | 2022-01-18 | 2022-01-18 | 一种氢燃料双极板检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210054379.9A CN114577816A (zh) | 2022-01-18 | 2022-01-18 | 一种氢燃料双极板检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114577816A true CN114577816A (zh) | 2022-06-03 |
Family
ID=81769141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210054379.9A Pending CN114577816A (zh) | 2022-01-18 | 2022-01-18 | 一种氢燃料双极板检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114577816A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117870778A (zh) * | 2024-03-12 | 2024-04-12 | 北京新研创能科技有限公司 | 一种用于燃料电池双极板的检测方法及系统 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636717A (zh) * | 2018-10-30 | 2019-04-16 | 广州超音速自动化科技股份有限公司 | 锂电池涂布检测分析方法、系统、设备及存储介质 |
| CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
| CN111652883A (zh) * | 2020-07-14 | 2020-09-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的玻璃表面缺陷检测方法 |
| CN111833324A (zh) * | 2020-07-09 | 2020-10-27 | 中国计量大学 | 基于深度学习的光纤插芯缺陷检测方法 |
| CN111951238A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 产品缺陷检测方法 |
| CN112184648A (zh) * | 2020-09-22 | 2021-01-05 | 苏州中科全象智能科技有限公司 | 一种基于深度学习的活塞表面缺陷检测方法及系统 |
| CN112397408A (zh) * | 2019-08-16 | 2021-02-23 | 株式会社迪思科 | 工件的确认方法和加工方法 |
| CN112858332A (zh) * | 2021-02-22 | 2021-05-28 | 菲特(珠海横琴)智能科技有限公司 | 基于机器视觉的同步器齿毂表面缺陷检测方法、系统、终端 |
| CN113155851A (zh) * | 2021-04-30 | 2021-07-23 | 西安交通大学 | 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置 |
| CN113267506A (zh) * | 2021-06-03 | 2021-08-17 | 杨龙 | 木板ai视觉缺陷检测装置、方法、设备及介质 |
| CN113333329A (zh) * | 2021-08-04 | 2021-09-03 | 南京创智出彩科技有限公司 | 一种基于深度学习的烟支缺陷检测系统 |
| JP2021136073A (ja) * | 2020-02-24 | 2021-09-13 | ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツングRobert Bosch Gmbh | 検査システム、検査方法、燃料電池及び電解質膜 |
| WO2021185404A1 (de) * | 2020-03-20 | 2021-09-23 | Schaeffler Technologies AG & Co. KG | Verfahren und prüfanlage zum prüfen einer bipolarplatte einer elektrochemischen zelle, insbesondere einer brennstoffzelle |
| CN113740260A (zh) * | 2021-08-31 | 2021-12-03 | 苏州天准科技股份有限公司 | 一种光学检测装置、成像方法和智能双面检测系统 |
| CN113838034A (zh) * | 2021-09-27 | 2021-12-24 | 力度工业智能科技(苏州)有限公司 | 基于机器视觉的糖果包装表面缺陷快速检测方法 |
| CN113884497A (zh) * | 2021-09-09 | 2022-01-04 | 上海深视信息科技有限公司 | 一种基于复合光源的fpca飞拍检测方法 |
| CN215466247U (zh) * | 2021-08-17 | 2022-01-11 | 浙江欣旺达电子有限公司 | 一种电池外观检测设备 |
-
2022
- 2022-01-18 CN CN202210054379.9A patent/CN114577816A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636717A (zh) * | 2018-10-30 | 2019-04-16 | 广州超音速自动化科技股份有限公司 | 锂电池涂布检测分析方法、系统、设备及存储介质 |
| CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
| CN112397408A (zh) * | 2019-08-16 | 2021-02-23 | 株式会社迪思科 | 工件的确认方法和加工方法 |
| JP2021136073A (ja) * | 2020-02-24 | 2021-09-13 | ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツングRobert Bosch Gmbh | 検査システム、検査方法、燃料電池及び電解質膜 |
| WO2021185404A1 (de) * | 2020-03-20 | 2021-09-23 | Schaeffler Technologies AG & Co. KG | Verfahren und prüfanlage zum prüfen einer bipolarplatte einer elektrochemischen zelle, insbesondere einer brennstoffzelle |
| CN111833324A (zh) * | 2020-07-09 | 2020-10-27 | 中国计量大学 | 基于深度学习的光纤插芯缺陷检测方法 |
| CN111652883A (zh) * | 2020-07-14 | 2020-09-11 | 征图新视(江苏)科技股份有限公司 | 基于深度学习的玻璃表面缺陷检测方法 |
| CN111951238A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 产品缺陷检测方法 |
| CN112184648A (zh) * | 2020-09-22 | 2021-01-05 | 苏州中科全象智能科技有限公司 | 一种基于深度学习的活塞表面缺陷检测方法及系统 |
| CN112858332A (zh) * | 2021-02-22 | 2021-05-28 | 菲特(珠海横琴)智能科技有限公司 | 基于机器视觉的同步器齿毂表面缺陷检测方法、系统、终端 |
| CN113155851A (zh) * | 2021-04-30 | 2021-07-23 | 西安交通大学 | 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置 |
| CN113267506A (zh) * | 2021-06-03 | 2021-08-17 | 杨龙 | 木板ai视觉缺陷检测装置、方法、设备及介质 |
| CN113333329A (zh) * | 2021-08-04 | 2021-09-03 | 南京创智出彩科技有限公司 | 一种基于深度学习的烟支缺陷检测系统 |
| CN215466247U (zh) * | 2021-08-17 | 2022-01-11 | 浙江欣旺达电子有限公司 | 一种电池外观检测设备 |
| CN113740260A (zh) * | 2021-08-31 | 2021-12-03 | 苏州天准科技股份有限公司 | 一种光学检测装置、成像方法和智能双面检测系统 |
| CN113884497A (zh) * | 2021-09-09 | 2022-01-04 | 上海深视信息科技有限公司 | 一种基于复合光源的fpca飞拍检测方法 |
| CN113838034A (zh) * | 2021-09-27 | 2021-12-24 | 力度工业智能科技(苏州)有限公司 | 基于机器视觉的糖果包装表面缺陷快速检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 丁明宇;牛玉磊;卢志武;文继荣;: "基于深度学习的图片中商品参数识别方法", 软件学报, no. 04 * |
| 卢振洋;宫兆辉;闫志鸿;翟思宽;: "基于深度学习的TIG焊背部熔池检测和熔宽提取", 北京工业大学学报, no. 09 * |
| 韩洪伟;赵晓云;: "基于机器视觉的高速切片机锂电池极片在线检测系统设计", 电源世界, no. 05 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117870778A (zh) * | 2024-03-12 | 2024-04-12 | 北京新研创能科技有限公司 | 一种用于燃料电池双极板的检测方法及系统 |
| CN117870778B (zh) * | 2024-03-12 | 2024-05-31 | 北京新研创能科技有限公司 | 一种用于燃料电池双极板的检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN206725466U (zh) | 基于多角度组合暗视场成像的盖板玻璃缺陷检测装置 | |
| CN111929309B (zh) | 一种基于机器视觉的铸造件外观缺陷检测方法及系统 | |
| CN117250208B (zh) | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 | |
| CN101696945B (zh) | 机器视觉系统对光伏玻璃瑕疵的在线检测方法 | |
| CN104914111A (zh) | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 | |
| CN102303017B (zh) | 机器视觉系统对注射器钢针弯针的自动检测方法 | |
| CN104315977B (zh) | 橡胶塞质量检测装置及检测方法 | |
| CN114252452B (zh) | 一种小型回转体外观缺陷和轮廓尺寸在线检测装置及方法 | |
| CN111707614B (zh) | 一种光学芯片表面沾污缺陷检测方法及线激光视觉检测系统 | |
| CN102303018B (zh) | 机器视觉系统对注射器钢针毛刺的自动检测方法 | |
| CN115541601A (zh) | 一种基于机器视觉的钢材低倍数字化检测方法 | |
| CN201141839Y (zh) | 计算机视觉技术检测微小轴承表面缺陷的装置 | |
| CN114577816A (zh) | 一种氢燃料双极板检测方法 | |
| CN101696943A (zh) | 机器视觉系统对医用手术刀瑕疵的在线检测方法 | |
| US8522982B2 (en) | Method and device for inspecting transparent or translucent articles in order to optimize the operation of a control machine | |
| CN117649404A (zh) | 一种基于图像数据分析的药品包装盒质量检测方法及系统 | |
| TW202219494A (zh) | 缺陷檢測方法及檢測裝置 | |
| CN118199516B (zh) | 一种用于光伏板的状态检测方法及系统 | |
| CN115423785A (zh) | 一种缺陷检测系统、方法、装置、电子设备及存储介质 | |
| CN203518957U (zh) | 一种激光划线形貌的检测系统 | |
| CN117788400A (zh) | 一种基于双目视觉的光伏组件缺陷检测方法及系统 | |
| CN105057229A (zh) | 一种喷涂表面缺陷检测机 | |
| CN109557098A (zh) | 基于机器视觉的金属表面检测系统 | |
| CN106248634A (zh) | 果实外表皮光泽度测量装置及方法 | |
| CN106370673A (zh) | 一种镜片疵病自动检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220603 |
|
| RJ01 | Rejection of invention patent application after publication |