CN114897889B - 电池组点焊自动化全检方法及其系统 - Google Patents
电池组点焊自动化全检方法及其系统 Download PDFInfo
- Publication number
- CN114897889B CN114897889B CN202210743592.0A CN202210743592A CN114897889B CN 114897889 B CN114897889 B CN 114897889B CN 202210743592 A CN202210743592 A CN 202210743592A CN 114897889 B CN114897889 B CN 114897889B
- Authority
- CN
- China
- Prior art keywords
- spot welding
- battery pack
- vector
- feature
- characteristic
- 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
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及智能检测的领域,其具体地公开了一种电池组点焊自动化全检方法及其系统,其通过利用相机采集电池组的点焊后的图像作为输入数据,并基于卷积神经网络模型来对得到的所述输入数据进行深层特征挖掘,进一步通过单应关联感知来进行单应性对齐以对所述电池组的点焊区域特征进行校正,以避免特征分布错位的可能性,进而提高了对于所述电池组的点焊质量检测的准确性。
Description
技术领域
本发明涉及智能检测的领域,且更为具体地,涉及一种电池组点焊自动化全检方法及其系统。
背景技术
近来,可充电电池不仅广泛用于诸如便携式电子装置这样的小型装置中,而且还广泛用于通过使用内燃机和/或电动机来确保驱动力的电动车辆中。电动车辆包括混合动力电动车辆、插电式混合动力电动车辆和仅由电动机和电池提供动力而没有内燃机的纯电动车辆。
如果在电动车辆中使用可充电电池,则通过串联和/或并联连接大量可充电电池以形成电池组以增加容量和功率来构造电池模块。通常,电池组中各个电池模块采用激光焊接方法实现电连接。例如,可充电电池被交替地堆叠,使得正极电极和负极电极的电极引线在可充电电池的两端处突出,从而正极电极和负极电极的电极引线具有相反的极性。堆叠的可充电电池的电极引线被弯曲为彼此重叠,并且电极引线的弯曲部分通过从激光发生器输出的激光而彼此熔接。电极引线可通过点焊来熔接,在点焊中,电极引线被不连续地焊接,点焊进行得更快并且对焊接基底金属的损害较小。
在采用激光点焊过程中,不同电池模块的电极引线之间可能会发生分离,导致点焊后的附着性可能劣化或可能产生孔。并且,在点焊的情况下,每个焊接目标区域的周边的附着性是非常重要的。传统的做法是在点焊完成后,通过人工对电池组各个点焊区域进行人工查验以确保各个点焊区域的点焊质量满足预定要求。但是,这种做法不仅效率低下,而且还有可能因人工的惰怠而导致产品质检出现问题。
因此,期待一种优化的电池组点焊自动化全检方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种电池组点焊自动化全检方法及其系统,其通过利用相机采集电池组的点焊后的图像作为输入数据,并基于卷积神经网络模型来对得到的所述输入数据进行深层特征挖掘,进一步通过单应关联感知来进行单应性对齐以对所述电池组的点焊区域特征进行校正,以避免特征分布错位的可能性,进而提高了对于所述电池组的点焊质量检测的准确性。
根据本申请的一个方面,提供了一种电池组点焊自动化全检方法,其包括:
获取由相机采集的电池组的点焊后图像;
将所述电池组的点焊后图像通过多层卷积层以得到电池组焊接后特征图;
将所述电池组焊接后特征图通过该作为目标检测网络的第一卷积神经网络模型以得到多个点焊感兴趣区域;
将所述多个点焊感兴趣区域按样本维度进行排列为点焊特征张量;
对所述点焊特征张量中各个位置的点焊感兴趣区域进行全局特征值均值池化以得到点焊通道特征向量;
对所述点焊通道特征向量通过一维卷积层以得到通道间关联特征向量;
对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量;
以所述加权特征向量中各个位置的特征值作为权重对所述点焊特征张量中各个位置的点焊感兴趣区域进行加权以得到校正后点焊特征张量;
将所述校正后点焊特征张量通过分类器以得到分类结果,所述分类结果用于表示电池组的点焊质量是否满足预设要求。
在上述电池组点焊自动化全检方法中,将所述电池组的点焊后图像通过多层卷积层以得到电池组焊接后特征图,包括:所述多层卷积层的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述多层卷积层的最后一层生成所述电池组焊接后特征图,其中,所述多层卷积层的第一层的输入为所述电池组的点焊后图像。
在上述电池组点焊自动化全检方法中,所述第一卷积神经网络模型为CenterNet、ExtremeNet或RepPoints。
在上述电池组点焊自动化全检方法中,对所述点焊通道特征向量通过一维卷积层以得到通道间关联特征向量,包括:使用所述一维卷积层以如下公式对所述点焊通道特征向量进行一维卷积编码以提取出所述点焊通道特征向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
在上述电池组点焊自动化全检方法中,对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量,包括:计算所述点焊通道特征向量和所述通道间关联特征向量之间的差分特征向量;计算所述差分特征向量的一范数作为所述点焊通道特征向量和所述通道间关联特征向量之间的场景深度流特征值;对所述差分特征向量进行对数运算以得到对数差分特征向量,其中,所述对所述差分特征向量进行对数运算表示计算所述差分特征向量中各个位置的特征值得对数函数值;以所述场景深度流特征值作为权重值对所述对数差分特征向量进行按位置点乘以得到加权对数差分特征向量;计算所述所述点焊通道特征向量和所述通道间关联特征向量之间的全场景单应关联矩阵并计算所述全场景单应关联矩阵的低秩约束特征值;以及,以所述全场景单应关联矩阵的低秩约束特征值作为偏置项对所述加权对数差分特征向量中各个位置的特征值进行按位置点加以得到所述加权特征向量。
在上述电池组点焊自动化全检方法中,计算所述所述点焊通道特征向量和所述通道间关联特征向量之间的全场景单应关联矩阵并计算所述全场景单应关联矩阵的低秩约束特征值,包括:计算所述点焊通道特征向量的转置向量与所述通道间关联特征向量之间的向量乘积以得到所述全场景单应关联矩阵;以及,计算所述全场景单应关联矩阵的的Frobenius范数作为所述全场景单应关联矩阵的低秩约束特征值。
在上述电池组点焊自动化全检方法中,将所述校正后点焊特征张量通过分类器以得到分类结果,所述分类结果用于表示电池组的点焊质量是否满足预设要求,包括:所述分类器以如下公式对所述校正后点焊特征张量进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述校正后点焊特征张量投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面,提供了一种电池组点焊自动化全检系统,其包括:
图像获取单元,用于获取由相机采集的电池组的点焊后图像;
图像浅层特征提取单元,用于将所述电池组的点焊后图像通过多层卷积层以得到电池组焊接后特征图;
目标检测单元,用于将所述电池组焊接后特征图通过该作为目标检测网络的第一卷积神经网络模型以得到多个点焊感兴趣区域;
电焊特征张量生成单元,用于将所述多个点焊感兴趣区域按样本维度进行排列为点焊特征张量;
均值池化单元,用于对所述点焊特征张量中各个位置的点焊感兴趣区域进行全局特征值均值池化以得到点焊通道特征向量;
一维卷积单元,用于对所述点焊通道特征向量通过一维卷积层以得到通道间关联特征向量;
分层深度单应对齐单元,用于对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量;
加权单元,用于以所述加权特征向量中各个位置的特征值作为权重对所述点焊特征张量中各个位置的点焊感兴趣区域进行加权以得到校正后点焊特征张量;以及
分类单元,用于将所述校正后点焊特征张量通过分类器以得到分类结果,所述分类结果用于表示电池组的点焊质量是否满足预设要求。
在上述电池组点焊自动化全检系统中,所述图像浅层特征提取单元,进一步用于:所述多层卷积层的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述多层卷积层的最后一层生成所述电池组焊接后特征图,其中,所述多层卷积层的第一层的输入为所述电池组的点焊后图像。
在上述电池组点焊自动化全检系统中,所述第一卷积神经网络模型为CenterNet、ExtremeNet或RepPoints。
在上述电池组点焊自动化全检系统中,所述一维卷积单元,进一步用于:使用所述一维卷积层以如下公式对所述点焊通道特征向量进行一维卷积编码以提取出所述点焊通道特征向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
在上述电池组点焊自动化全检系统中,所述分层深度单应对齐单元,包括:差分特征向量计算子单元,用于计算所述点焊通道特征向量和所述通道间关联特征向量之间的差分特征向量;场景深度流特征值计算子单元,用于计算所述差分特征向量的一范数作为所述点焊通道特征向量和所述通道间关联特征向量之间的场景深度流特征值;对数运算子单元,用于对所述差分特征向量进行对数运算以得到对数差分特征向量,其中,所述对所述差分特征向量进行对数运算表示计算所述差分特征向量中各个位置的特征值得对数函数值;点乘单元,用于以所述场景深度流特征值作为权重值对所述对数差分特征向量进行按位置点乘以得到加权对数差分特征向量;低秩约束特征值计算子单元,用于计算所述所述点焊通道特征向量和所述通道间关联特征向量之间的全场景单应关联矩阵并计算所述全场景单应关联矩阵的低秩约束特征值;以及,加权和计算子单元,用于以所述全场景单应关联矩阵的低秩约束特征值作为偏置项对所述加权对数差分特征向量中各个位置的特征值进行按位置点加以得到所述加权特征向量。
在上述电池组点焊自动化全检系统中,所述低秩约束特征值计算子单元,进一步用于:计算所述点焊通道特征向量的转置向量与所述通道间关联特征向量之间的向量乘积以得到所述全场景单应关联矩阵;以及,计算所述全场景单应关联矩阵的的Frobenius范数作为所述全场景单应关联矩阵的低秩约束特征值。
在上述电池组点焊自动化全检系统中,所述分类单元,进一步用于:所述分类器以如下公式对所述校正后点焊特征张量进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述校正后点焊特征张量投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的电池组点焊自动化全检方法。
与现有技术相比,本申请提供的电池组点焊自动化全检方法及其系统,其通过利用相机采集电池组的点焊后的图像作为输入数据,并基于卷积神经网络模型来对得到的所述输入数据进行深层特征挖掘,进一步通过单应关联感知来进行单应性对齐以对所述电池组的点焊区域特征进行校正,以避免特征分布错位的可能性,进而提高了对于所述电池组的点焊质量检测的准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的电池组点焊自动化全检方法的应用场景图;
图2为根据本申请实施例的电池组点焊自动化全检方法的流程图;
图3为根据本申请实施例的电池组点焊自动化全检方法的系统架构示意图;
图4为根据本申请实施例的电池组点焊自动化全检方法中,对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量的流程图;
图5为根据本申请实施例的电池组点焊自动化全检系统的框图;
图6为根据本申请实施例的电池组点焊自动化全检系统中分层深度单应对齐单元的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,近来,可充电电池不仅广泛用于诸如便携式电子装置这样的小型装置中,而且还广泛用于通过使用内燃机和/或电动机来确保驱动力的电动车辆中。电动车辆包括混合动力电动车辆、插电式混合动力电动车辆和仅由电动机和电池提供动力而没有内燃机的纯电动车辆。
如果在电动车辆中使用可充电电池,则通过串联和/或并联连接大量可充电电池以形成电池组以增加容量和功率来构造电池模块。通常,电池组中各个电池模块采用激光焊接方法实现电连接。例如,可充电电池被交替地堆叠,使得正极电极和负极电极的电极引线在可充电电池的两端处突出,从而正极电极和负极电极的电极引线具有相反的极性。堆叠的可充电电池的电极引线被弯曲为彼此重叠,并且电极引线的弯曲部分通过从激光发生器输出的激光而彼此熔接。电极引线可通过点焊来熔接,在点焊中,电极引线被不连续地焊接,点焊进行得更快并且对焊接基底金属的损害较小。
在采用激光点焊过程中,不同电池模块的电极引线之间可能会发生分离,导致点焊后的附着性可能劣化或可能产生孔。并且,在点焊的情况下,每个焊接目标区域的周边的附着性是非常重要的。传统的做法是在点焊完成后,通过人工对电池组各个点焊区域进行人工查验以确保各个点焊区域的点焊质量满足预定要求。但是,这种做法不仅效率低下,而且还有可能因人工的惰怠而导致产品质检出现问题。
因此,期待一种优化的电池组点焊自动化全检方案。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为电池组点焊的自动化全检提供了新的解决思路和方案。
基于此,本申请发明人为了实现对于电池组的点焊质量进行自动化检测,通过利用相机采集电池组的点焊后的图像作为输入数据,并利用卷积神经网络模型来对得到的所述电池组的点焊后的图像进行深层特征挖掘,同时使用分类器来对电池组的点焊质量是否满足要求进行分类判断,以对电池组的点焊质量进行准确地检测。
具体地,在本申请的技术方案中,首先,通过相机拍摄采集电池组的点焊后的图像,并使用卷积神经网络模型来对采集的所述电池组的点焊后的图像进行特征提取。应可以理解,考虑到在采用激光点焊过程中,不同电池模块的电极引线之间可能会发生分离,导致点焊后的附着性可能劣化或可能产生孔,并且考虑到多层卷积层与卷积神经网络在卷积层的数量上具有差异性,也就是,所述多层卷积层提取的特征深度较浅,而浅层的特征能够使得所述电池组焊接后特征图保留更多的浅层特征,例如,形状、纹理和线条等,这样结合后续的目标检测网络可以发现,这么做有利于提高目标区域检测的精度。因此,进一步将所述电池组的点焊后图像通过多层卷积层进行处理,以提取出所述电池组的点焊后图像中关于电池组的形状纹理特征信息,即更加关注于点焊后的附着性信息和产生孔信息以对电极引线的分离状态进行判断,从而得到电池组焊接后特征图。
应可以理解,在所述电池组的点焊后图像进行特征提取来对于电池组的点焊质量进行判断时,应该更加聚焦于所述电池组的各个点焊区域,因此,还需要将所述电池组焊接后特征图通过该作为目标检测网络的第一卷积神经网络模型以得到多个点焊感兴趣区域。特别地,在一个具体示例中,所述第一卷积神经网络模型为CenterNet、ExtremeNet或RepPoints。应可以理解,基于深度学习的目标检测方法依据网络中是否使用锚窗将网络分为基于锚窗(Anchor-based)与无锚窗(Anchor-free)两大类。基于锚窗的方法如Fast R-CNN、Faster R-CNN、RetinaNet等,基于无锚窗的方法如CenterNet、ExtremeNet、RepPoints等。其中无锚窗的方法解决了锚窗所带来的难以识别尺度变化大的目标、训练过程中正负样本不平衡以及对内存的高额占用等缺点,是当前的主流发展方向。在无锚窗的方法中又细分为基于中心点与基于关键点两大类。基于中心点的方法如YOLOv1、FCOS、CenterNet等,直接检测目标的中心点,然后回归出目标的边界信息。基于关键点的方法如CornerNet、ExtremeNet、RepPoints等,通过预测出目标的关键点获取边界框。基于关键点的方法在检测精度上通常略高于基于中心点的方法,但在计算量上有较大消耗。
由于多个点焊感兴趣区域只是关注到了所述电池组的各个点焊区域的隐含特征信息,并没有关注到各个通道上的关联性特征信息,因此为了提取各个通道之间的关联特征,以更加聚焦于各通道的特征分布之间的关联性,例如相似性,进一步采用高效注意机制。也就是,首先,将所述多个点焊感兴趣区域按样本维度进行排列为点焊特征张量,接着,对所述点焊特征张量中各个位置的点焊感兴趣区域进行全局特征值均值池化处理以得到点焊通道特征向量,这样,可以降低参数的数量,防止过拟合,并且还能够降低维度,以便于后续的关联性特征提取。进一步地,对所述点焊通道特征向量通过一维卷积层中进行处理,以挖掘出所述各个通道维度上的局部关联特征信息,从而得到通道间关联特征向量。
这里,由于点焊通道特征向量是包含多个卷积层和作为目标检测网络的第一卷积神经网络模型的二维深度卷积神经网络获得的深层特征,而通道间关联特征向量在其基础上进行了一维卷积,这就使得点焊通道特征向量本身包含的二维深度特征与通道间关联特征向量叠加获得的一维深度特征可能存在特征分布错位。基于此,在本申请的技术方案中,对于点焊通道特征向量,记为V1,与通道间关联特征向量,记为V2,进行分层深度单应对齐,也就是,加权特征向量V2'表示为:
这样,通过特征向量V1和V2的深度特征表达特性来表征特征向量V1和V2之间的分层深度特性,即并构建场景深度流和向量的全场景单应关联矩阵V1 TV2,从而通过单应关联感知来进行单应性对齐。由此,所述加权特征向量V2'就在可能存在特征分布错位的情况上进行了点焊通道特征向量和加权特征向量的具有分层深度单应性的对齐融合,进而提高了分类的准确性。
这样,以所述加权特征向量中各个位置的特征值作为权重对所述点焊特征张量中各个位置的点焊感兴趣区域进行加权就可以得到校正后点焊特征张量,再将其通过分类器中进行分类,以获得用于表示电池组的点焊质量是否满足预设要求的分类结果。
基于此,本申请提出了一种电池组点焊自动化全检方法,其包括:获取由相机采集的电池组的点焊后图像;将所述电池组的点焊后图像通过多层卷积层以得到电池组焊接后特征图;将所述电池组焊接后特征图通过该作为目标检测网络的第一卷积神经网络模型以得到多个点焊感兴趣区域;将所述多个点焊感兴趣区域按样本维度进行排列为点焊特征张量;对所述点焊特征张量中各个位置的点焊感兴趣区域进行全局特征值均值池化以得到点焊通道特征向量;对所述点焊通道特征向量通过一维卷积层以得到通道间关联特征向量;对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量;以所述加权特征向量中各个位置的特征值作为权重对所述点焊特征张量中各个位置的点焊感兴趣区域进行加权以得到校正后点焊特征张量;将所述校正后点焊特征张量通过分类器以得到分类结果,所述分类结果用于表示电池组的点焊质量是否满足预设要求。
图1图示了根据本申请实施例的电池组点焊自动化全检方法的应用场景图。如图1所示,在该应用场景中,首先,通过相机(例如,如图1中所示意的C)采集电池组(例如,如图1中所示意的H)的点焊后图像。然后,将获得的所述电池组的点焊后图像输入至部署有电池组点焊自动化全检算法的服务器中(例如,如图1中所示意的S),其中,所述服务器能够以电池组点焊自动化全检算法对所述电池组的点焊后图像进行处理,以生成用于表示电池组的点焊质量是否满足预设要求的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了电池组点焊自动化全检方法的流程图。如图2所示,根据本申请实施例的电池组点焊自动化全检方法,包括:S110,获取由相机采集的电池组的点焊后图像;S120,将所述电池组的点焊后图像通过多层卷积层以得到电池组焊接后特征图;S130,将所述电池组焊接后特征图通过该作为目标检测网络的第一卷积神经网络模型以得到多个点焊感兴趣区域;S140,将所述多个点焊感兴趣区域按样本维度进行排列为点焊特征张量;S150,对所述点焊特征张量中各个位置的点焊感兴趣区域进行全局特征值均值池化以得到点焊通道特征向量;S160,对所述点焊通道特征向量通过一维卷积层以得到通道间关联特征向量;S170,对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量;S180,以所述加权特征向量中各个位置的特征值作为权重对所述点焊特征张量中各个位置的点焊感兴趣区域进行加权以得到校正后点焊特征张量;S190,将所述校正后点焊特征张量通过分类器以得到分类结果,所述分类结果用于表示电池组的点焊质量是否满足预设要求。
图3图示了根据本申请实施例的电池组点焊自动化全检方法的架构示意图。如图3所示,在所述电池组点焊自动化全检方法的网络架构中,首先,将获得的所述电池组的点焊后图像(例如,如图3中所示意的P1)通过多层卷积层(例如,如图3中所示意的MC)以得到电池组焊接后特征图(例如,如图3中所示意的F1);接着,将所述电池组焊接后特征图通过该作为目标检测网络的第一卷积神经网络模型(例如,如图3中所示意的CNN1)以得到多个点焊感兴趣区域(例如,如图3中所示意的RI);然后,将所述多个点焊感兴趣区域按样本维度进行排列为点焊特征张量(例如,如图3中所示意的T1);接着,对所述点焊特征张量中各个位置的点焊感兴趣区域进行全局特征值均值池化以得到点焊通道特征向量(例如,如图3中所示意的VF1);然后,对所述点焊通道特征向量通过一维卷积层(例如,如图3中所示意的DC)以得到通道间关联特征向量(例如,如图3中所示意的VF2);接着,对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量(例如,如图3中所示意的VF3);然后,以所述加权特征向量中各个位置的特征值作为权重对所述点焊特征张量中各个位置的点焊感兴趣区域进行加权以得到校正后点焊特征张量(例如,如图3中所示意的T2);最后,将所述校正后点焊特征张量通过分类器(例如,如图3中所示意的分类器)以得到分类结果,所述分类结果用于表示电池组的点焊质量是否满足预设要求。
在步骤S110和步骤S120中,获取由相机采集的电池组的点焊后图像,并将所述电池组的点焊后图像通过多层卷积层以得到电池组焊接后特征图。如前所述,应可以理解,为了实现对于电池组的点焊质量进行自动化检测,通过利用相机采集电池组的点焊后的图像作为输入数据,并利用卷积神经网络模型来对得到的所述电池组的点焊后的图像进行深层特征挖掘,同时使用分类器来对电池组的点焊质量是否满足要求进行分类判断,以对所述电池组的点焊质量进行准确地检测。
也急速,具体地,在本申请的技术方案中,首先,通过相机拍摄采集电池组的点焊后的图像,并使用卷积神经网络模型来对采集的所述电池组的点焊后的图像进行特征提取。应可以理解,考虑到在采用激光点焊过程中,不同电池模块的电极引线之间可能会发生分离,导致点焊后的附着性可能劣化或可能产生孔,并且考虑到多层卷积层与卷积神经网络在卷积层的数量上具有差异性,也就是,所述多层卷积层提取的特征深度较浅,而浅层的特征能够使得所述电池组焊接后特征图保留更多的浅层特征,例如,形状、纹理和线条等,这样结合后续的目标检测网络可以发现,这么做有利于提高目标区域检测的精度。因此,在本申请的技术方案中,进一步将所述电池组的点焊后图像通过多层卷积层进行处理,以提取出所述电池组的点焊后图像中关于电池组的形状纹理特征信息,即更加关注于点焊后的附着性信息和产生孔信息以对电极引线的分离状态进行判断,从而得到电池组焊接后特征图。
具体地,在本申请实施例中,将所述电池组的点焊后图像通过多层卷积层以得到电池组焊接后特征图的过程,包括:所述多层卷积层的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述多层卷积层的最后一层生成所述电池组焊接后特征图,其中,所述多层卷积层的第一层的输入为所述电池组的点焊后图像。
在步骤S130中,将所述电池组焊接后特征图通过该作为目标检测网络的第一卷积神经网络模型以得到多个点焊感兴趣区域。应可以理解,在所述电池组的点焊后图像进行特征提取来对于电池组的点焊质量进行判断时,应该更加聚焦于所述电池组的各个点焊区域,因此,在本申请的技术方案中,还需要将所述电池组焊接后特征图通过该作为目标检测网络的第一卷积神经网络模型以得到多个点焊感兴趣区域。
特别地,在一个具体示例中,所述第一卷积神经网络模型为CenterNet、ExtremeNet或RepPoints。应可以理解,基于深度学习的目标检测方法依据网络中是否使用锚窗将网络分为基于锚窗(Anchor-based)与无锚窗(Anchor-free)两大类。基于锚窗的方法如Fast R-CNN、Faster R-CNN、RetinaNet等,基于无锚窗的方法如CenterNet、ExtremeNet、RepPoints等。其中无锚窗的方法解决了锚窗所带来的难以识别尺度变化大的目标、训练过程中正负样本不平衡以及对内存的高额占用等缺点,是当前的主流发展方向。在无锚窗的方法中又细分为基于中心点与基于关键点两大类。基于中心点的方法如YOLOv1、FCOS、CenterNet等,直接检测目标的中心点,然后回归出目标的边界信息。基于关键点的方法如CornerNet、ExtremeNet、RepPoints等,通过预测出目标的关键点获取边界框。基于关键点的方法在检测精度上通常略高于基于中心点的方法,但在计算量上有较大消耗。
在步骤S140和步骤S150中,将所述多个点焊感兴趣区域按样本维度进行排列为点焊特征张量,并对所述点焊特征张量中各个位置的点焊感兴趣区域进行全局特征值均值池化以得到点焊通道特征向量。应可以理解,由于所述多个点焊感兴趣区域只是关注到了所述电池组的各个点焊区域的隐含特征信息,并没有关注到各个通道上的关联性特征信息,因此为了提取所述各个通道之间的关联特征,以更加聚焦于各通道的特征分布之间的关联性,例如相似性,进一步采用高效注意机制。也就是,在本申请的技术方案中,首先,将所述多个点焊感兴趣区域按样本维度进行排列为点焊特征张量。接着,对所述点焊特征张量中各个位置的点焊感兴趣区域进行全局特征值均值池化处理以得到点焊通道特征向量。这样,可以降低参数的数量,防止过拟合,并且还能够降低维度,以便于后续的关联性特征提取。
在步骤S160中,对所述点焊通道特征向量通过一维卷积层以得到通道间关联特征向量。也就是,在本申请的技术方案中,在得到所述点焊通道特征向量后,进一步地,对所述点焊通道特征向量通过一维卷积层中进行处理,以挖掘出所述各个通道维度上的局部关联特征信息,从而得到通道间关联特征向量。具体地,在本申请实施例中,使用所述一维卷积层以如下公式对所述点焊通道特征向量进行一维卷积编码以提取出所述点焊通道特征向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
在步骤S170中,对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量。应可以理解,由于所述点焊通道特征向量是包含多个卷积层和作为目标检测网络的所述第一卷积神经网络模型的二维深度卷积神经网络获得的深层特征,而所述通道间关联特征向量在其基础上进行了一维卷积,这就使得所述点焊通道特征向量本身包含的二维深度特征与通道间关联特征向量叠加获得的一维深度特征可能存在特征分布错位。因此,在本申请的技术方案中,对于所述点焊通道特征向量,记为V1,与所述通道间关联特征向量,记为V2,进行分层深度单应对齐,也就是,加权特征向量V2'表示为:
其中,||·||1表示向量的一范数,||·||F表示矩阵的Frobenius范数,表示按位置差分,⊙表示按位置点乘。应可以理解,这样,通过特征向量V1和V2的深度特征表达特性来表征所述特征向量V1和V2之间的分层深度特性,即并构建场景深度流和向量的全场景单应关联矩阵V1 TV2,从而通过单应关联感知来进行单应性对齐。由此,所述加权特征向量V2'就在可能存在特征分布错位的情况上进行了点焊通道特征向量和加权特征向量的具有分层深度单应性的对齐融合,进而提高了分类的准确性。
具体地,在本申请实施例中,对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量的过程,包括:首先,计算所述点焊通道特征向量和所述通道间关联特征向量之间的差分特征向量。接着,计算所述差分特征向量的一范数作为所述点焊通道特征向量和所述通道间关联特征向量之间的场景深度流特征值。然后,对所述差分特征向量进行对数运算以得到对数差分特征向量,其中,所述对所述差分特征向量进行对数运算表示计算所述差分特征向量中各个位置的特征值得对数函数值。接着,以所述场景深度流特征值作为权重值对所述对数差分特征向量进行按位置点乘以得到加权对数差分特征向量。然后,计算所述所述点焊通道特征向量和所述通道间关联特征向量之间的全场景单应关联矩阵并计算所述全场景单应关联矩阵的低秩约束特征值。相应地,在一个具体示例中,计算所述点焊通道特征向量的转置向量与所述通道间关联特征向量之间的向量乘积以得到所述全场景单应关联矩阵;以及,计算所述全场景单应关联矩阵的的Frobenius范数作为所述全场景单应关联矩阵的低秩约束特征值。最后,以所述全场景单应关联矩阵的低秩约束特征值作为偏置项对所述加权对数差分特征向量中各个位置的特征值进行按位置点加以得到所述加权特征向量。
图4为根据本申请实施例的电池组点焊自动化全检方法中,对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量的流程图。如图4所示,在本申请实施例中,对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量,包括:S210,计算所述点焊通道特征向量和所述通道间关联特征向量之间的差分特征向量;S220,计算所述差分特征向量的一范数作为所述点焊通道特征向量和所述通道间关联特征向量之间的场景深度流特征值;S230,对所述差分特征向量进行对数运算以得到对数差分特征向量,其中,所述对所述差分特征向量进行对数运算表示计算所述差分特征向量中各个位置的特征值得对数函数值;S240,以所述场景深度流特征值作为权重值对所述对数差分特征向量进行按位置点乘以得到加权对数差分特征向量;S250,计算所述所述点焊通道特征向量和所述通道间关联特征向量之间的全场景单应关联矩阵并计算所述全场景单应关联矩阵的低秩约束特征值;以及,S260,以所述全场景单应关联矩阵的低秩约束特征值作为偏置项对所述加权对数差分特征向量中各个位置的特征值进行按位置点加以得到所述加权特征向量。
在步骤S180和步骤S190中,以所述加权特征向量中各个位置的特征值作为权重对所述点焊特征张量中各个位置的点焊感兴趣区域进行加权以得到校正后点焊特征张量,并将所述校正后点焊特征张量通过分类器以得到分类结果,所述分类结果用于表示电池组的点焊质量是否满足预设要求。也就是,这样,以所述加权特征向量中各个位置的特征值作为权重对所述点焊特征张量中各个位置的点焊感兴趣区域进行加权就可以得到校正后点焊特征张量,再将其通过分类器中进行分类,以获得用于表示电池组的点焊质量是否满足预设要求的分类结果。
具体地,在本申请实施例中,将所述校正后点焊特征张量通过分类器以得到分类结果的过程,包括:所述分类器以如下公式对所述校正后点焊特征张量进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述校正后点焊特征张量投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
综上,本申请实施例的电池组点焊自动化全检方法被阐明,其通过利用相机采集电池组的点焊后的图像作为输入数据,并基于卷积神经网络模型来对得到的所述输入数据进行深层特征挖掘,进一步通过单应关联感知来进行单应性对齐以对所述电池组的点焊区域特征进行校正,以避免特征分布错位的可能性,进而提高了对于所述电池组的点焊质量检测的准确性。
示例性系统
图5图示了根据本申请实施例的电池组点焊自动化全检系统的框图。如图5所示,根据本申请实施例的电池组点焊自动化全检系统500,包括:图像获取单元510,用于获取由相机采集的电池组的点焊后图像;图像浅层特征提取单元520,用于将所述电池组的点焊后图像通过多层卷积层以得到电池组焊接后特征图;目标检测单元530,用于将所述电池组焊接后特征图通过该作为目标检测网络的第一卷积神经网络模型以得到多个点焊感兴趣区域;电焊特征张量生成单元540,用于将所述多个点焊感兴趣区域按样本维度进行排列为点焊特征张量;均值池化单元550,用于对所述点焊特征张量中各个位置的点焊感兴趣区域进行全局特征值均值池化以得到点焊通道特征向量;一维卷积单元560,用于对所述点焊通道特征向量通过一维卷积层以得到通道间关联特征向量;分层深度单应对齐单元570,用于对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量;加权单元580,用于以所述加权特征向量中各个位置的特征值作为权重对所述点焊特征张量中各个位置的点焊感兴趣区域进行加权以得到校正后点焊特征张量;以及,分类单元590,用于将所述校正后点焊特征张量通过分类器以得到分类结果,所述分类结果用于表示电池组的点焊质量是否满足预设要求。
在一个示例中,在上述电池组点焊自动化全检系统500中,所述图像浅层特征提取单元520,进一步用于:所述多层卷积层的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述多层卷积层的最后一层生成所述电池组焊接后特征图,其中,所述多层卷积层的第一层的输入为所述电池组的点焊后图像。
在一个示例中,在上述电池组点焊自动化全检系统500中,所述第一卷积神经网络模型为CenterNet、ExtremeNet或RepPoints。
在一个示例中,在上述电池组点焊自动化全检系统500中,所述一维卷积单元560,进一步用于:使用所述一维卷积层以如下公式对所述点焊通道特征向量进行一维卷积编码以提取出所述点焊通道特征向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
在一个示例中,在上述电池组点焊自动化全检系统500中,如图6所示,所述分层深度单应对齐单元570,包括:差分特征向量计算子单元571,用于计算所述点焊通道特征向量和所述通道间关联特征向量之间的差分特征向量;场景深度流特征值计算子单元572,用于计算所述差分特征向量的一范数作为所述点焊通道特征向量和所述通道间关联特征向量之间的场景深度流特征值;对数运算子单元573,用于对所述差分特征向量进行对数运算以得到对数差分特征向量,其中,所述对所述差分特征向量进行对数运算表示计算所述差分特征向量中各个位置的特征值得对数函数值;点乘单元574,用于以所述场景深度流特征值作为权重值对所述对数差分特征向量进行按位置点乘以得到加权对数差分特征向量;低秩约束特征值计算子单元575,用于计算所述所述点焊通道特征向量和所述通道间关联特征向量之间的全场景单应关联矩阵并计算所述全场景单应关联矩阵的低秩约束特征值;以及,加权和计算子单元576,用于以所述全场景单应关联矩阵的低秩约束特征值作为偏置项对所述加权对数差分特征向量中各个位置的特征值进行按位置点加以得到所述加权特征向量。
在一个示例中,在上述电池组点焊自动化全检系统500中,所述低秩约束特征值计算子单元575,进一步用于:计算所述点焊通道特征向量的转置向量与所述通道间关联特征向量之间的向量乘积以得到所述全场景单应关联矩阵;以及,计算所述全场景单应关联矩阵的的Frobenius范数作为所述全场景单应关联矩阵的低秩约束特征值。
在一个示例中,在上述电池组点焊自动化全检系统500中,所述分类单元590,进一步用于:所述分类器以如下公式对所述校正后点焊特征张量进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述校正后点焊特征张量投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
这里,本领域技术人员可以理解,上述电池组点焊自动化全检系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的电池组点焊自动化全检方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的电池组点焊自动化全检系统500可以实现在各种终端设备中,例如电池组点焊自动化全检算法的服务器等。在一个示例中,根据本申请实施例的电池组点焊自动化全检系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该电池组点焊自动化全检系统500可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该电池组点焊自动化全检系统500同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该电池组点焊自动化全检系统500与该终端设备也可以是分立的设备,并且该电池组点焊自动化全检系统500可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电池组点焊自动化全检方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的电池组点焊自动化全检方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种电池组点焊自动化全检方法,其特征在于,包括:
获取由相机采集的电池组的点焊后图像;
将所述电池组的点焊后图像通过多层卷积层以得到电池组焊接后特征图;
将所述电池组焊接后特征图通过作为目标检测网络的第一卷积神经网络模型以得到多个点焊感兴趣区域;
将所述多个点焊感兴趣区域按样本维度进行排列为点焊特征张量;
对所述点焊特征张量中各个位置的点焊感兴趣区域进行全局特征值均值池化以得到点焊通道特征向量;
对所述点焊通道特征向量通过一维卷积层以得到通道间关联特征向量;
对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量;
以所述加权特征向量中各个位置的特征值作为权重对所述点焊特征张量中各个位置的点焊感兴趣区域进行加权以得到校正后点焊特征张量;
将所述校正后点焊特征张量通过分类器以得到分类结果,所述分类结果用于表示电池组的点焊质量是否满足预设要求;
其中,对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量,包括:
计算所述点焊通道特征向量和所述通道间关联特征向量之间的差分特征向量;
计算所述差分特征向量的一范数作为所述点焊通道特征向量和所述通道间关联特征向量之间的场景深度流特征值;
对所述差分特征向量进行对数运算以得到对数差分特征向量,其中,所述对所述差分特征向量进行对数运算表示计算所述差分特征向量中各个位置的特征值得对数函数值;
以所述场景深度流特征值作为权重值对所述对数差分特征向量进行按位置点乘以得到加权对数差分特征向量;
计算所述所述点焊通道特征向量和所述通道间关联特征向量之间的全场景单应关联矩阵并计算所述全场景单应关联矩阵的低秩约束特征值;以及
以所述全场景单应关联矩阵的低秩约束特征值作为偏置项对所述加权对数差分特征向量中各个位置的特征值进行按位置点加以得到所述加权特征向量。
2.根据权利要求1所述的电池组点焊自动化全检方法,其中,将所述电池组的点焊后图像通过多层卷积层以得到电池组焊接后特征图,包括:
所述多层卷积层的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述多层卷积层的最后一层生成所述电池组焊接后特征图,其中,所述多层卷积层的第一层的输入为所述电池组的点焊后图像。
3.根据权利要求2所述的电池组点焊自动化全检方法,其中,所述第一卷积神经网络模型为CenterNet、ExtremeNet或RepPoints。
5.根据权利要求4所述的电池组点焊自动化全检方法,其中,计算所述所述点焊通道特征向量和所述通道间关联特征向量之间的全场景单应关联矩阵并计算所述全场景单应关联矩阵的低秩约束特征值,包括:
计算所述点焊通道特征向量的转置向量与所述通道间关联特征向量之间的向量乘积以得到所述全场景单应关联矩阵;以及
计算所述全场景单应关联矩阵的Frobenius范数作为所述全场景单应关联矩阵的低秩约束特征值。
6.根据权利要求5所述的电池组点焊自动化全检方法,其中,将所述校正后点焊特征张量通过分类器以得到分类结果,所述分类结果用于表示电池组的点焊质量是否满足预设要求,包括:
所述分类器以如下公式对所述校正后点焊特征张量进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述校正后点焊特征张量投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
7.一种电池组点焊自动化全检系统,其特征在于,包括:
图像获取单元,用于获取由相机采集的电池组的点焊后图像;
图像浅层特征提取单元,用于将所述电池组的点焊后图像通过多层卷积层以得到电池组焊接后特征图;
目标检测单元,用于将所述电池组焊接后特征图通过作为目标检测网络的第一卷积神经网络模型以得到多个点焊感兴趣区域;
电焊特征张量生成单元,用于将所述多个点焊感兴趣区域按样本维度进行排列为点焊特征张量;
均值池化单元,用于对所述点焊特征张量中各个位置的点焊感兴趣区域进行全局特征值均值池化以得到点焊通道特征向量;
一维卷积单元,用于对所述点焊通道特征向量通过一维卷积层以得到通道间关联特征向量;
分层深度单应对齐单元,用于对所述点焊通道特征向量和所述通道间关联特征向量进行分层深度单应对齐以得到加权特征向量;
加权单元,用于以所述加权特征向量中各个位置的特征值作为权重对所述点焊特征张量中各个位置的点焊感兴趣区域进行加权以得到校正后点焊特征张量;以及
分类单元,用于将所述校正后点焊特征张量通过分类器以得到分类结果,所述分类结果用于表示电池组的点焊质量是否满足预设要求;
其中,所述分层深度单应对齐单元,包括:
差分特征向量计算子单元,用于计算所述点焊通道特征向量和所述通道间关联特征向量之间的差分特征向量;
场景深度流特征值计算子单元,用于计算所述差分特征向量的一范数作为所述点焊通道特征向量和所述通道间关联特征向量之间的场景深度流特征值;
对数运算子单元,用于对所述差分特征向量进行对数运算以得到对数差分特征向量,其中,所述对所述差分特征向量进行对数运算表示计算所述差分特征向量中各个位置的特征值得对数函数值;
点乘单元,用于以所述场景深度流特征值作为权重值对所述对数差分特征向量进行按位置点乘以得到加权对数差分特征向量;
低秩约束特征值计算子单元,用于计算所述所述点焊通道特征向量和所述通道间关联特征向量之间的全场景单应关联矩阵并计算所述全场景单应关联矩阵的低秩约束特征值;以及
加权和计算子单元,用于以所述全场景单应关联矩阵的低秩约束特征值作为偏置项对所述加权对数差分特征向量中各个位置的特征值进行按位置点加以得到所述加权特征向量。
8.根据权利要求7所述的电池组点焊自动化全检系统,其中,所述图像浅层特征提取单元,进一步用于:所述多层卷积层的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述多层卷积层的最后一层生成所述电池组焊接后特征图,其中,所述多层卷积层的第一层的输入为所述电池组的点焊后图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210743592.0A CN114897889B (zh) | 2022-06-27 | 2022-06-27 | 电池组点焊自动化全检方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210743592.0A CN114897889B (zh) | 2022-06-27 | 2022-06-27 | 电池组点焊自动化全检方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114897889A CN114897889A (zh) | 2022-08-12 |
CN114897889B true CN114897889B (zh) | 2023-01-31 |
Family
ID=82730029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210743592.0A Active CN114897889B (zh) | 2022-06-27 | 2022-06-27 | 电池组点焊自动化全检方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897889B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115453990B (zh) * | 2022-08-31 | 2023-02-17 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
CN115471732B (zh) * | 2022-09-19 | 2023-04-18 | 温州丹悦线缆科技有限公司 | 电缆的智能化制备方法及其系统 |
CN115796173B (zh) * | 2023-02-20 | 2023-04-28 | 杭银消费金融股份有限公司 | 针对监管报送需求的数据处理方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154502A (zh) * | 2017-12-22 | 2018-06-12 | 王华锋 | 一种基于卷积神经网络的通孔焊点识别方法 |
CN109636787A (zh) * | 2018-12-11 | 2019-04-16 | 哈尔滨工业大学 | 一种基于深度学习的高精度实时电池点焊质量自动检测方法 |
CN111390390A (zh) * | 2020-03-31 | 2020-07-10 | 温州职业技术学院 | 一种汽车座椅调角器固定座的激光-电阻复合焊接装置 |
CN112232400A (zh) * | 2020-10-12 | 2021-01-15 | 太原科技大学 | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 |
CN113129266A (zh) * | 2021-03-22 | 2021-07-16 | 太原科技大学 | 基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷检测方法 |
CN113664353A (zh) * | 2021-08-06 | 2021-11-19 | 江苏骥翀氢能源科技有限公司 | 一种燃料电池金属双极板巡检线的电阻点焊方法 |
CN114047195A (zh) * | 2021-11-11 | 2022-02-15 | 合肥工业大学智能制造技术研究院 | 一种新能源电池帽缺陷检测方法和系统 |
CN114240891A (zh) * | 2021-12-17 | 2022-03-25 | 重庆大学 | 融合知识图谱和图卷积神经网络的焊点质量识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7132617B2 (en) * | 2002-02-20 | 2006-11-07 | Daimlerchrysler Corporation | Method and system for assessing quality of spot welds |
CN112651967A (zh) * | 2021-01-20 | 2021-04-13 | 成都圭坡拓科技有限公司 | 基于邻域像素值差分比例的钢筋焊接质量检测方法 |
-
2022
- 2022-06-27 CN CN202210743592.0A patent/CN114897889B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154502A (zh) * | 2017-12-22 | 2018-06-12 | 王华锋 | 一种基于卷积神经网络的通孔焊点识别方法 |
CN109636787A (zh) * | 2018-12-11 | 2019-04-16 | 哈尔滨工业大学 | 一种基于深度学习的高精度实时电池点焊质量自动检测方法 |
CN111390390A (zh) * | 2020-03-31 | 2020-07-10 | 温州职业技术学院 | 一种汽车座椅调角器固定座的激光-电阻复合焊接装置 |
CN112232400A (zh) * | 2020-10-12 | 2021-01-15 | 太原科技大学 | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 |
CN113129266A (zh) * | 2021-03-22 | 2021-07-16 | 太原科技大学 | 基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷检测方法 |
CN113664353A (zh) * | 2021-08-06 | 2021-11-19 | 江苏骥翀氢能源科技有限公司 | 一种燃料电池金属双极板巡检线的电阻点焊方法 |
CN114047195A (zh) * | 2021-11-11 | 2022-02-15 | 合肥工业大学智能制造技术研究院 | 一种新能源电池帽缺陷检测方法和系统 |
CN114240891A (zh) * | 2021-12-17 | 2022-03-25 | 重庆大学 | 融合知识图谱和图卷积神经网络的焊点质量识别方法 |
Non-Patent Citations (3)
Title |
---|
Weld Quality Inspection Based on Online Measured Indentation From Servo Encoder in Resistance Spot Welding;Lai Xinmin 等;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》;20070831;第56卷(第4期);第1501-1505页 * |
柔性太阳阵编织电缆与互连片焊接质量分析;于辉 等;《焊接技术》;20200831;第49卷(第8期);第83-86页 * |
电阻点焊质量监控技术研究进展与分析;夏裕俊 等;《中国机械工程》;20200131;第31卷(第1期);第100-125页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114897889A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114897889B (zh) | 电池组点焊自动化全检方法及其系统 | |
CN110823574B (zh) | 一种基于半监督学习深度对抗网络的故障诊断方法 | |
CN112989977B (zh) | 一种基于跨模态注意力机制的视听事件定位方法及装置 | |
CN114882021B (zh) | 电池锂膜的高效加工方法及其系统 | |
CN115861210B (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
CN115439694A (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
CN113608140A (zh) | 一种电池故障诊断方法及系统 | |
CN114648496A (zh) | 智慧医疗系统 | |
CN116012930A (zh) | 一种基于深度学习卷积神经网络的维度表情识别方法 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
Zhang et al. | Kernel-based feature aggregation framework in point cloud networks | |
US11763549B1 (en) | Method and apparatus for training cell defect detection model | |
CN110210572B (zh) | 图像分类方法、装置、存储介质及设备 | |
CN112418020A (zh) | 一种基于注意力机制的YOLOv3违法广告牌智能检测方法 | |
CN117110892A (zh) | 电池析锂预警方法、系统及电子设备 | |
CN116818904A (zh) | 一种锂离子电池析锂超声无损检测方法及系统 | |
CN116523858A (zh) | 基于注意力机制的电力设备漏油检测方法及存储介质 | |
CN114241196A (zh) | 一种输电线路金具及绝缘子检测方法 | |
Hou et al. | A vehicle alarm network for high-temperature fault diagnosis of electric vehicles | |
Ferreira et al. | Intelligent Industrial IoT system for detection of short-circuit failure in windings of wind turbines | |
WO2024113541A1 (zh) | 电芯极片检测方法、装置与电子设备 | |
CN117148165B (zh) | 聚合物锂离子电池的测试分析方法及其系统 | |
CN116071624B (zh) | 一种基于主动学习的抽烟检测数据标注方法 | |
Pan et al. | Defect detection method of lithium battery based on improved YOLOv7 | |
CN114994547B (zh) | 基于深度学习和一致性检测的电池包安全状态评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |