CN115508389B - 检测装置、缺陷检测方法、装置、计算机设备和存储介质 - Google Patents

检测装置、缺陷检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115508389B
CN115508389B CN202211479747.0A CN202211479747A CN115508389B CN 115508389 B CN115508389 B CN 115508389B CN 202211479747 A CN202211479747 A CN 202211479747A CN 115508389 B CN115508389 B CN 115508389B
Authority
CN
China
Prior art keywords
detection
target
image
deep learning
detection image
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
CN202211479747.0A
Other languages
English (en)
Other versions
CN115508389A (zh
Inventor
高金伙
李海波
张凤琳
于广东
李后勇
罗宇
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.)
Jiangsu Contemporary Amperex Technology Ltd
Original Assignee
Jiangsu Contemporary Amperex Technology 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 Jiangsu Contemporary Amperex Technology Ltd filed Critical Jiangsu Contemporary Amperex Technology Ltd
Priority to CN202211479747.0A priority Critical patent/CN115508389B/zh
Priority to CN202310401984.3A priority patent/CN118067747A/zh
Publication of CN115508389A publication Critical patent/CN115508389A/zh
Priority to PCT/CN2023/088859 priority patent/WO2024108882A1/zh
Application granted granted Critical
Publication of CN115508389B publication Critical patent/CN115508389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/03—Investigating materials by wave or particle radiation by transmission
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本申请涉及一种检测装置、缺陷检测方法、装置、计算机设备和存储介质。该检测装置包括射线源、载物托盘、探测器和图像检测装置。其中，射线源和探测器分别设置于载物托盘的相对的两侧，且，射线源的射线出射方向朝向载物托盘；探测器，用于接收从目标电池穿透的射线，并根据从目标电池穿透的射线生成目标电池的检测图像，目标电池设置于载物托盘上，射线为射线源向目标电池发出的射线；图像检测装置，用于接收检测图像，并利用目标深度学习模型对检测图像进行缺陷检测，以得到目标电池的缺陷检测结果，目标深度学习模型是根据多个电池的检测图像样本训练得到的模型。采用本检测装置能够提高内部缺陷检测的准确性。

Description

检测装置、缺陷检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及缺陷检测技术领域，特别是涉及一种检测装置、缺陷检测方法、装置、计算机设备和存储介质。
背景技术
锂离子电池由于具有高能量密度、安全性好、长循环寿命而广泛应用于便携式电子产品、电动汽车、储能电站等领域，而大直径的圆柱电池已成为锂离子电池未来发展的一个重要趋势。
包括圆柱电池的锂离子电池在生产过程中会产生各种各样的内部缺陷，例如极片打皱、头部打折、极片开裂、极片暗痕、极片间隙过大等缺陷，这些内部缺陷会影响锂离子电池的品质和安全性。因此，对锂离子电池的内部缺陷进行检测具有重要意义。目前，对锂离子电池的内部缺陷检测通常通过人工观察外观来完成。
然而，目前的内部缺陷检测方法存在准确性不高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高内部缺陷检测的准确性的检测装置、缺陷检测方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种检测装置。所述检测装置包括射线源、载物托盘、探测器、控制部件和图像检测装置；该射线源和该探测器分别设置于该载物托盘的相对的两侧，且，该射线源的射线出射方向朝向该载物托盘；
该探测器，用于接收从目标电池穿透的射线，并根据从该目标电池穿透的射线生成该目标电池的检测图像，该目标电池设置于该载物托盘上，该射线为该射线源向该目标电池发出的射线；
该图像检测装置，用于接收该检测图像，并利用目标深度学习模型对该检测图像进行缺陷检测，以得到该目标电池的缺陷检测结果，该目标深度学习模型是根据多个电池的检测图像样本训练得到的模型；
该控制部件，用于带动该射线源和/或该探测器沿第一方向移动，该第一方向与该目标电池的长度方向一致，以使该检测装置对该目标电池分段检测。
上述的检测装置包括射线源、载物托盘、探测器和图像检测装置；射线源和探测器分别设置于载物托盘的相对的两侧，且，射线源的射线出射方向朝向载物托盘；探测器，用于接收从目标电池穿透的射线，并根据从目标电池穿透的射线生成目标电池的检测图像，目标电池设置于载物托盘上，射线为射线源向目标电池发出的射线；图像检测装置，用于接收检测图像，并利用目标深度学习模型对检测图像进行缺陷检测，以得到目标电池的缺陷检测结果。由于检测装置中的射线源能够穿透目标电池后到达探测器，因此，探测器能够生成体现目标电池的内部电芯的检测图像。并且，由于目标深度学习模型是根据多个电池的检测图像样本训练得到的模型，因此图像检测装置能够在接收到检测图像后，利用目标深度学习模型对检测图像进行缺陷检测。进一步地，由于本申请不是通过人为观察目标电池的外观得到缺陷检测结果，而是通过目标深度学习模型得到目标电池的缺陷检测结果，因此，本申请提供的检测装置解决了传统技术中由于人工造成的缺陷检测准确性不高的问题，提高了内部缺陷检测的准确性。并且，当控制部件带动射线源和/或探测器沿第一方向移动时，检测装置能够实现对目标电池的分段检测，减小了单次检测的区域，提高了检测的准确性。
在其中一个实施例中，该载物托盘，用于承载多个该目标电池，且，多个该目标电池在该载物托盘上沿该第一方向和/或第二方向排布；该控制部件，还用于在多个该目标电池在该载物托盘上沿该第一方向和/或该第二方向排布的情况下，带动该射线源和/或该探测器沿该第一方向和/或该第二方向移动，该第一方向与该第二方向不同。
上述的检测装置当控制部件带动射线源和/或探测器沿第一方向和/或第二方向移动时，检测装置能够实现对多个目标电池的检测，提高了缺陷检测的效率。
在其中一个实施例中，该控制部件，具体用于带动该射线源和/或该探测器沿第三方向移动，以使该检测装置在该射线源与该载物托盘的距离小于该探测器与该载物托盘的距离时工作，其中，该第三方向为与该载物托盘的电池承载面垂直的方向。
上述的检测装置由于是在射线源与载物托盘的距离小于探测器与载物托盘的距离时工作，因此，探测器能够生成对目标电池进行放大后的检测图像，进而图像检测装置是基于放大后的检测图像进行缺陷检测，进而提高了缺陷检测的准确性。
在其中一个实施例中，该控制部件，具体用于根据预设的目标放大倍率，控制该射线源和/或该探测器沿该第三方向移动。
上述的检测装置能够接收到在预设的目标放大倍率下的检测图像，提高了缺陷检测的效率和准确率。
在其中一个实施例中，该目标放大倍率等于第一长度与第二长度的比值，该第一长度为该探测器的宽度方向的长度，该第二长度为该探测器所探测到的目标区域的最小边长，该目标区域为该探测器所探测到的该目标电池上的表面区域。
上述的检测装置由于探测器的探测区域与探测器的宽度方向的长度有关，而本申请设置目标放大倍率为第一长度与第二长度的比值，因此本申请的检测装置在该目标放大倍率下，能够获取到精度较高的检测图像，进而提高了缺陷检测结果的准确性。
在其中一个实施例中，该检测装置还包括与该载物托盘连接的托盘旋转装置，该托盘旋转装置用于带动该载物托盘在第一预设角度内按照第一预设角度旋转。
上述的检测装置还包括与载物托盘连接的托盘旋转装置，托盘旋转装置用于带动载物托盘在第一预设角度内按照第二预设角度旋转，以实现对目标电池在不同角度缺陷的检测覆盖，提高了缺陷检测准确性。
第二方面，本申请还提供了一种缺陷检测方法，应用于上述的检测装置，所述缺陷检测方法包括：
获取检测图像，该检测图像是射线穿透待检测的目标电池后所生成的图像；
根据该检测图像和目标深度学习模型，得到该目标电池的缺陷检测结果，该目标深度学习模型是根据多个电池的检测图像样本训练得到的模型。
上述的缺陷检测方法，获取射线穿透待检测的目标电池后所生成的检测图像，进而根据检测图像和目标深度学习模型，得到目标电池的缺陷检测结果。由于目标深度学习模型是根据多个电池的检测图像样本训练得到的模型，因此能够在接收到检测图像后，利用目标深度学习模型对检测图像进行缺陷检测。进一步地，由于本申请不是通过人为观察目标电池的外观得到缺陷检测结果，而是通过机器得到目标电池的缺陷检测结果，因此，本申请提供的检测装置解决了传统技术中由于人工造成的缺陷检测准确性不高的问题，提高了内部缺陷检测的准确性。
在其中一个实施例中，该根据该检测图像和目标深度学习模型，得到该目标电池的缺陷检测结果，包括：
对该检测图像进行预处理，得到目标检测图像；该预处理包括模糊处理、卷积处理和增强处理中的至少一种处理；
将该目标检测图像输入至该目标深度学习模型，得到该目标电池的缺陷检测结果。
上述方法对检测图像进行包括模糊处理、卷积处理和增强处理中的至少一种预处理，得到目标检测图像，进而将目标检测图像输入至目标深度学习模型，得到目标电池的缺陷检测结果。由于是对预处理后的目标检测图像和目标深度学习模型得到目标电池的缺陷检测结果，因此检测图像中的缺陷特征更加明显，从而提高了对检测图像进行缺陷检测的准确率和效率。
在其中一个实施例中，所述方法还包括：
获取检测图像样本集和该检测图像样本集中各该检测图像样本对应的标签类型；
根据该检测图像样本集和各该检测图像样本对应的标签类型，训练初始检测模型得到该目标深度学习模型。
上述方法获取检测图像样本集和检测图像样本集中各检测图像样本对应的标签类型，并根据检测图像样本集和各检测图像样本对应的标签类型，训练初始检测模型得到目标深度学习模型。由于是根据检测图像样本集和各检测图像样本对应的标签类型训练得到的目标深度学习模型，因此，图像检测装置在接收到目标电池的检测图像后，就能自动地利用目标深度学习模型对检测图像进行缺陷检测，以得到目标电池的缺陷检测结果，无需人工来进行缺陷检测，节约了人力资源。
在其中一个实施例中，该根据该检测图像样本集和各该检测图像样本对应的标签类型，训练初始检测模型得到该目标深度学习模型，包括：
根据训练样本集和该训练样本集中的检测图像样本对应的标签类型，训练该初始检测模型得到中间深度学习模型；
根据验证样本集和该验证样本集中的检测图像样本对应的标签类型，更新该中间深度学习模型得到该目标深度学习模型；
其中，该检测图像样本集包括该训练样本集和该验证样本集。
上述方法检测图像样本集包括训练样本集和验证样本集，根据训练样本集和训练样本集中的检测图像样本对应的标签类型，训练初始检测模型得到中间深度学习模型，并根据验证样本集和验证样本集中的检测图像样本对应的标签类型，更新中间深度学习模型得到目标深度学习模型。由于目标深度学习模型是更新中间深度学习模型后得到的模型，因此提高了目标深度学习模型的精度，进而提高了缺陷检测的准确率。
在其中一个实施例中，所述方法还包括：
根据该缺陷检测结果和该目标电池的实际缺陷结果，更新该目标深度学习模型。
上述方法根据缺陷检测结果和目标电池的实际缺陷结果，更新目标深度学习模型，进一步提高了目标深度学习模型的准确率。
第三方面，本申请还提供了一种缺陷检测装置，所述缺陷检测装置包括：
获取模块，用于获取检测图像，该检测图像是射线穿透待检测的目标电池后透射至所生成的图像；
检测模块，用于根据该检测图像和目标深度学习模型，得到该目标电池的缺陷检测结果，该目标深度学习模型是根据多个电池的检测图像样本训练得到的模型。
上述缺陷检测装置，获取射线穿透待检测的目标电池后所生成的检测图像，进而根据检测图像和目标深度学习模型，得到目标电池的缺陷检测结果。由于目标深度学习模型是根据多个电池的检测图像样本训练得到的模型，因此能够在接收到检测图像后，利用目标深度学习模型对检测图像进行缺陷检测。进一步地，由于本申请不是通过人为观察目标电池的外观得到缺陷检测结果，而是通过机器得到目标电池的缺陷检测结果，因此，本申请提供的检测装置解决了传统技术中由于人工造成的缺陷检测准确性不高的问题，提高了内部缺陷检测的准确性。
第四方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一方法的步骤。
第五方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法的步骤。
第六方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一方法的步骤。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例中检测装置的结构框图；
图2为卷绕裸电芯极片打皱的示意图；
图3是注液成品电芯极片打皱的示意图；
图4为极片打折的示意图；
图5为极片裂纹的示意图；
图6为极片暗痕的示意图；
图7为极片间距过大的示意图；
图8为正常电芯的示意图；
图9为检测装置的侧视图；
图10为检测装置的三维俯视图；
图11为目标电池a的分段示意图；
图12为本申请实施例中计算机设备的内部结构图；
图13为本申请实施例中缺陷检测方法的流程示意图；
图14为本申请实施例中一种得到目标电池的缺陷检测结果的流程示意图；
图15为本申请实施例中一种得到目标深度学习模型的流程示意图；
图16为本申请实施例中另一种得到目标深度学习模型的流程示意图；
图17为本申请中缺陷检测方法的整体流程示意图；
图18为本申请实施例中缺陷检测装置的结构框图。
附图标记说明：
100-检测装置，101-射线源，102-载物托盘，103-探测器，104-图像检测装置，900-检测装置，901-射线源，902-载物托盘，903-探测器，904-控制部件，1000-检测装置，1001-载物托盘，1002-探测器，1003-目标电池。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本申请实施例的描述中，术语“多个”指的是两个以上（包括两个），同理，“多组”指的是两组以上（包括两组），“多片”指的是两片以上（包括两片）。
在本申请实施例的描述中，除非另有明确的规定和限定，技术术语“安装”“相连”“连接”“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；也可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请实施例中的具体含义。
目前，锂离子电池由于具有高能量密度、安全性好、长循环寿命而广泛应用于便携式电子产品、电动汽车、储能电站等领域。
大直径的圆柱电池已成为锂离子电池未来发展的一个重要趋势，以圆柱电池为例，圆柱电池的生产过程中会涉及到电芯卷绕这一工序，具体为把切割好的极片及隔膜按顺序设置，然后通过卷针转动，把极片及隔膜卷成一个圆柱形层层包裹的卷芯状，从而得到圆柱电芯。因此，圆柱电池在生产过程中会产生各种各样的内部缺陷，例如极片打皱、头部打折、极片开裂、极片暗痕、极片间隙过大等缺陷，这些内部缺陷会影响圆柱电池的品质和安全性。故而，对圆柱电池的内部缺陷进行检测具有重要意义。
通常在一批圆柱电池的电芯卷绕完成后，会将各卷绕机台生产的电芯汇总到物流线上，通过人工观察电芯外观以及拆解电芯的方式来检测圆柱电池的内部缺陷。具体地，在圆柱卷绕裸电芯入壳或注液后，人工则往往需要将壳体拆解后再把电芯拆解开后才能观察内部缺陷。在一些缺陷检测场景中，还会利用电子计算机断层扫描（Computed Tomograph，CT）的技术对电池内部缺陷进行抽检。
然而，人工观察电芯外观的方式准确率低，容易出现错检、漏检等缺陷检测准确性不高的问题。拆解电芯的方式则容易造成损失正常的圆柱电池，浪费大量人力物力，增加成本。而利用CT对电池内部缺陷进行检测的方式中，CT对电池进行360°的多次旋转覆盖以得到电池的检测图片后，需要对电池的检测图片进行三维重建，一般通过人工对三维重建后的图片进行二维切片，进而基于二维切片进行缺陷检测，因此利用CT对电池内部缺陷进行检测的成本高且检测效率低。
基于此，有必要针对上述技术问题，提供一种检测装置、缺陷检测方法、装置、计算机设备和存储介质。
图1为本申请实施例中检测装置的结构框图，如图1所示，本申请实施例提供了一种检测装置100，检测装置100包括射线源101、载物托盘102、探测器103和图像检测装置104。
其中，射线源101和探测器103分别设置于载物托盘102的相对的两侧，且，射线源101的射线出射方向朝向载物托盘102。待检测的目标电池放置在载物托盘102上，进而射线源101会向目标电池发出射线，从而探测器103就能够接收从目标电池穿透的射线，并根据从目标电池穿透的射线生成目标电池的检测图像。
本实施例以射线源101发出的射线为X射线进行举例，可以理解的是，射线源101发出的射线可以是X射线、α射线、β射线、γ射线等，本实施不做限制。
图像检测装置104，用于接收检测图像，并利用目标深度学习模型对检测图像进行缺陷检测，以得到目标电池的缺陷检测结果。目标深度学习模型是根据多个电池的检测图像样本训练得到的模型。
本实施例以目标电池为圆柱电池为例进行说明，其中，目标电池还可以是方形电池、异形电池等。目标深度学习模型可以是卷积神经网络（Convolutional NeuralNetworks，CNN）、循环神经网络(Recurrent Neural Network，RNN），也可以为其他的深度学习网络、机器学习网络等。探测器生成的检测图像可以是灰度图、彩色图等，本实施例均不做限制。
图像检测装置104内置有目标深度学习模型，该目标深度学习模型可以是其他计算机设备根据多个电池的检测图像样本训练后发送给图像检测装置104的模型，也可以是图像检测装置104根据多个电池的检测图像样本训练得到的模型。
在一个具体的实施例中，计算机设备采集多个圆柱电池的检测图像样本，检测图像样本包括正常图像样本和异常图像样本，异常图像样本包括圆柱电池在各种类型的内部缺陷下的异常图像，例如异常图像样本包括打皱图像样本、头部打折图像样本、极片裂纹图像样本、极片暗痕图像样本、极片间隙过大图像样本等等。
进一步地，计算机设备对采集到的检测图像样本打标签，例如检测图像样本的标签类型包括极片打皱、极片打折、极片裂纹、极片暗痕、极片间隙过大、正常图像等等。需要说明的是，计算机设备对采集到的检测图像样本打标签时，不仅可以确认检测图像样本中的缺陷类型，还可以确认检测图像样本中的缺陷位置。
图2~图8为本申请中的检测图像样本示意图，具体地，图2为卷绕裸电芯极片打皱的示意图；图3是注液成品电芯极片打皱的示意图，图4为极片打折的示意图；图5为极片裂纹的示意图；图6为极片暗痕的示意图；图7为极片间距过大的示意图；图8为正常电芯的示意图。其中，图2~图8中黑框的部分即表示了检测图像样本中的内部缺陷，NG表示异常电芯，OK表示正常电芯。
更进一步地，计算机设备根据打标签后的检测图像样本，对初始深度学习模型进行训练，当满足训练停止条件时，可以停止训练并确定目标深度学习模型，训练停止条件可以是初始深度学习模型输出的缺陷检测结果与检测图像样本中实际的缺陷结果之间的差异小于预设阈值。当然，计算机设备也可以通过其他的方法确定目标深度学习模型，本实施例不做限制。然后，图像检测装置104获取到该目标深度学习模型。
在需要对目标电池进行缺陷检测时，将目标电池放置于检测装置100的载物托盘102上，射线源101朝载物托盘102发出X射线，进而X射线穿过目标电池的电芯后被探测器103获取到，以由探测器103根据从目标电池穿透的射线生成目标电池的检测图像。进而，探测器103将目标电池的检测图像发送给图像检测装置104，图像检测装置104将目标电池的检测图像输入至目标深度学习模型中，得到目标电池的缺陷检测结果，缺陷检测结果可以包括通过（OK）或不通过（NG），也可以包括该目标电池的缺陷类型和缺陷位置。
本实施例提供的检测装置包括射线源、载物托盘、探测器和图像检测装置；射线源和探测器分别设置于载物托盘的相对的两侧，且，射线源的射线出射方向朝向载物托盘；探测器，用于接收从目标电池穿透的射线，并根据从目标电池穿透的射线生成目标电池的检测图像，目标电池设置于载物托盘上，射线为射线源向目标电池发出的射线；图像检测装置，用于接收检测图像，并利用目标深度学习模型对检测图像进行缺陷检测，以得到目标电池的缺陷检测结果。由于检测装置中的射线源能够穿透目标电池后到达探测器，因此，探测器能够生成体现目标电池的内部电芯的检测图像。并且，由于目标深度学习模型是根据多个电池的检测图像样本训练得到的模型，因此图像检测装置能够在接收到检测图像后，利用目标深度学习模型对检测图像进行缺陷检测。进一步地，由于本申请不是通过人为观察目标电池的外观得到缺陷检测结果，而是通过目标深度学习模型得到目标电池的缺陷检测结果，因此，本申请提供的检测装置解决了传统技术中由于人工造成的缺陷检测准确性不高的问题，提高了内部缺陷检测的准确性。
可选的，检测装置还包括控制部件，控制部件，用于带动射线源和/或探测器移动。
图9和图10为本申请中检测装置的结构示意图，具体地，图9为检测装置的侧视图，图10为检测装置的三维俯视图。可以理解的是，图9和图10仅示出一种可以实现的检测装置的结构，检测装置也可以采用其他的结构方式，本实施例不做限制。
如图9所示，检测装置900还包括控制部件904，控制部件904用于带动射线源901和/或探测器903移动，目标电池放置于载物托盘902上。
图10示出了俯视下的检测装置1000，目标电池1003放置于载物托盘1001上，射线源（图10由于遮挡未示出）向目标电池1003发出射线，进而探测器1002接收从目标电池1003穿透的射线，并根据从目标电池1003穿透的射线生成目标电池1003的检测图像。
具体地，请结合图9和图10，控制部件904可以包括电机和链条，当控制部件接收到移动信号后，可以由电机带动链条，从而带动射线源901和/或探测器903移动。
当控制部件904带动射线源901移动时，射线源901发出的X射线也会随之移动，进而控制部件904能够调整X射线的射出位置，以调整检测装置对目标电池的检测位置。
同理，当控制部件904带动探测器903移动时，探测器903的接收位置随之移动，进而控制部件904能够调整目标电池的检测图像的生成区域。
一般情况下，控制部件904可以带动射线源901和探测器903同步移动，以提高生成的检测图像的质量，进而提高内部缺陷检测的准确性。
本实施例中检测装置还包括控制部件，控制部件，用于带动射线源和/或探测器移动，因此，本实施例提供的检测装置能够随时调整检测装置对目标电池的检测位置以及目标电池的检测图像的生成区域，灵活性和可操作性较强。
可选的，控制部件，具体用于带动射线源和/或探测器沿第一方向移动，第一方向与目标电池的长度方向一致。
在本实施例中，第一方向与目标电池的长度方向一致是指：第一方向与目标电池的长度方向的夹角不小于第一方向预设角度。第一方向预设角度可以根据实际需求设置，例如取值0~10°。在第一方向与目标电池的长度方向一致的情况下，当控制部件带动射线源和/或探测器沿第一方向移动时，检测装置能够实现对目标电池的分段检测。
图11为目标电池a的分段示意图，结合图9~图11，此处以第一方向为空间坐标系中的X方向，目标电池的长度方向与X方向的夹角为0°，也即X方向与目标长度的电池方向完全相同进行举例。当控制部件带动射线源和/或探测器沿X方向移动时，探测器可以接收到目标电池a的A段检测图像、B段检测图像和C段检测图像。进而，图像检测装置接收到目标电池a的A段检测图像、B段检测图像和C段检测图像，以得到目标电池a各个长度分段下的缺陷检测结果。
本实施例中控制部件，具体用于带动射线源和/或探测器沿第一方向移动，第一方向与目标电池的长度方向一致，因此，当控制部件带动射线源和/或探测器沿第一方向移动时，检测装置能够实现对目标电池的分段检测，减小了单次检测的区域，提高了检测的准确性。
可选的，载物托盘，用于承载多个目标电池，且，多个目标电池在载物托盘上沿第一方向和/或第二方向排布；控制部件，还用于在多个目标电池在载物托盘上沿第一方向和/或第二方向排布的情况下，带动射线源和/或探测器沿第一方向和/或第二方向移动，第一方向与第二方向不同。
在本实施例中，如图10所示，载物托盘1001能够承载多个目标电池，且，多个目标电池在载物托盘1001上沿第一方向和第二方向排布。进而，在多个目标电池在载物托盘1001上沿第一方向和第二方向排布的情况下，当控制部件带动射线源和/或探测器沿第一方向和/或第二方向移动时，检测装置能够实现对多个目标电池的检测。
图10示出了目标电池沿第一方向和第二方向排布，可以理解的是，目标电池也可以仅沿第一方向排布，从而当控制部件带动射线源和/或探测器沿第一方向移动时，检测装置能够实现对多个目标电池的检测；目标电池也可以仅沿第二方向排布，从而当控制部件带动射线源和/或探测器沿第二方向移动时，检测装置能够实现对多个目标电池的检测。
请继续结合图9和图10，此处以第二方向为空间坐标系中的Y方向进行举例。当控制部件带动射线源和/或探测器沿Y方向移动时，探测器可以接收到目标电池a的检测图像、目标电池b的检测图像和目标电池c的检测图像。进而在一个较短的时间周期内，图像检测装置就能接收到目标电池a的检测图像、目标电池b的检测图像和目标电池c的检测图像，以得到目标电池a、目标电池b和目标电池c缺陷检测结果。
本实施例中载物托盘，用于承载多个目标电池，且，多个目标电池在载物托盘上沿第一方向和/或第二方向排布；控制部件，具体用于带动射线源和/或探测器沿第一方向和/或第二方向移动。因此，当控制部件带动射线源和/或探测器沿第一方向和/第二方向移动时，检测装置能够实现对多个目标电池的检测，提高了缺陷检测的效率。
在一个具体的实施例中，载物托盘902可以沿单方向伸出或退回，例如，载物托盘902沿Y方向伸出，以方便将多个目标电池放置于载物托盘902上，接着将载物托盘902退回到原位置。
进一步地，射线源901向目标电池发出射线，然后控制部件904同步带动射线源901和探测器903按第一速度周期沿X方向移动第一预设距离，例如控制部件904同步带动射线源901和探测器903每1s沿X方向移动10cm，并且每移动1cm后停留1s，以由探测器903接收从目标电池a穿透的射线，并根据从目标电池a穿透的射线生成目标电池a在各个分段下的检测图像。
更进一步地，控制部件904同步带动射线源901和探测器903按一定的速度周期沿X方向移动预设距离后，继续按第二速度周期沿X方向移动第二预设距离，例如在控制部件904同步带动射线源901和探测器903沿X方向移动50cm之后，控制部件904再同步带动射线源901和探测器903沿Y方向移动10cm，以检测目标电池b。然后，控制部件在继续带动射线源901和探测器903按第一速度周期沿X方向移动第一预设距离，以完成对目标电池b的缺陷检测。以此类推，此处不再赘述。可以理解的是，此处仅列举出了一种完成多个目标电池的移动方式，控制部件904也可以通过其他方式带动射线源901和/或探测器903进行移动，例如控制部件先带动射线源901和/或探测器903沿Y方向的移动，再进行X方向的移动，本实施例并不以此为限。
可选的，控制部件，具体用于带动射线源和/或探测器沿第三方向移动，以使检测装置在射线源与载物托盘的距离小于探测器与载物托盘的距离时工作，其中，第三方向为与载物托盘的电池承载面垂直的方向。
在本实施例中，控制部件还能带动射线源和/或探测器沿第三方向移动，在控制部件带动射线源沿第三方向移动的情况下，能够调整射线源与载物托盘的距离；在控制部件带动探测器沿第三方向移动的情况下，能够调整探测器与载物托盘的距离。
当在射线源与载物托盘的距离小于探测器与载物托盘的距离时，探测器能够生成对目标电池进行放大后的检测图像，因此，在对目标电池开始缺陷检测之前，先利用控制部件带动射线源和/或探测器沿第三方向移动，以使检测装置在射线源与载物托盘的距离小于探测器与载物托盘的距离时工作，从而得到目标电池放大后的检测图像。
本实施例中控制部件，具体用于带动射线源和/或探测器沿第三方向移动，以使检测装置在射线源与载物托盘的距离小于探测器与载物托盘的距离时工作，其中，第三方向为与载物托盘的电池承载面垂直的方向。由于检测装置是在射线源与载物托盘的距离小于探测器与载物托盘的距离时工作，因此，探测器能够生成对目标电池进行放大后的检测图像，进而图像检测装置是基于放大后的检测图像进行缺陷检测，进而提高了缺陷检测的准确性。
可选的，控制部件，具体用于根据预设的目标放大倍率，控制射线源和/或探测器沿第三方向移动。
在本实施例中，在对目标电池进行放大时，需要控制放大倍率。因此，在对目标电池进行缺陷检测之前，需要根据目标放大倍率控制射线源和/或探测器沿第三方向移动，以调整射线源与载物托盘的距离以及探测器与载物托盘的距离。
结合图9和图10，以第三方向为Z方向为例，在根据预设的目标放大倍率，在控制射线源和/或探测器沿Z方向移动的情况下，根据小孔成像的原理，图像检测装置就能获取到预设的目标放大倍率下的检测图像。其中，目标放大倍率是放大后的检测图像的尺寸与目标电池的实物尺寸在同一方向的比值。 例如，目标电池为圆柱电池，圆柱电池的直径为5cm，该圆柱电池放大后的检查图像的直径为20cm，则放大倍率就是4倍。
本实施例中控制部件具体用于根据预设的目标放大倍率，控制射线源和/或探测器沿第三方向移动。因此，图像检测装置能够接收到在预设的目标放大倍率下的检测图像，提高了缺陷检测的效率和准确率。
可选的，目标放大倍率等于第一长度与第二长度的比值，第一长度为探测器的宽度方向的长度，第二长度为探测器所探测到的目标区域的最小边长，目标区域为探测器所探测到的目标电池上的表面区域。
在本实施例中，假设第一长度为w，也即探测器在宽度方向的长度为w，第二长度为d，也即目标电池在探测器所探测到的目标区域的最小边长为d，则预设的目标放大倍率可以为w/d。
结合图9和图10，若目标电池为圆柱电池，则第二长度就是单个圆柱电池的直径；若目标电池为长方体，则第二长度就是该长方体的宽度。
本实施例中目标放大倍率等于探测器的宽度方向的长度，与探测器所探测到的目标区域的最小边长的比值，目标区域为探测器所探测到的目标电池上的表面区域。由于探测器的探测区域与探测器的宽度方向的长度有关，而本申请设置目标放大倍率为第一长度与第二长度的比值，因此本申请的检测装置在该目标放大倍率下，能够获取到精度较高的检测图像，进而提高了缺陷检测结果的准确性。
可选的，检测装置还包括与载物托盘连接的托盘旋转装置，托盘旋转装置用于带动载物托盘在第一预设角度内按照第二预设角度旋转。
为了提高缺陷检测的准确性，需要对目标电池进行不同角度均进行缺陷检测，生成不同角度下的检测图像。因此，本实施例中检测装置还包括与载物托盘连接的托盘旋转装置，例如，托盘旋转装置为滚轴、步进电机、旋转液压等。
托盘旋转装置用于带动载物托盘在第一预设角度内按照第二预设角度旋转，也即带动目标电池根据在第一预设角度内按照第二预设角度旋转，进而图像检测装置接收目标电池在各旋转角度的检测图像。其中，第一预设角度可以是360°内的任意角度，例如为180°。
具体地，当目标电池为圆柱电池时，由于圆柱电池左右对称，因此托盘旋转装置无需带动目标电池旋转360°，只需要带动目标电池旋转180°即可实现对目标电池进行不同角度均进行缺陷检测，对于利用CT对电池内部缺陷进行检测的方式，本申请提供的检测装置进一步减少了载物托盘的旋转时间，进而减少了缺陷检测时间，在满足缺陷检测的准确率的前提下，进一步提高了缺陷检测的效率。
进一步地，在第一预设角度内，托盘旋转装置按照第二预设角度就可以实现检测装置对目标电池的不同角度缺陷的检测。
假设第一预设角度为θ1，第二预设角度为θ2，托盘旋转装置在第一预设角度内的旋转次数为n，则θ2*（n+1）=θ1。即以第二预设角度θ2对第一预设角度θ1进行等分。
其中，第一预设角度θ1与第二旋转角度θ2可以根据检测精度与检测效率确定，第一预设角度越大，第二预设角度越小，检测精度越高；第一预设角度越小，第二预设角度越大，检测效率越高。
在一个具体的实施例中，第一预设角度为180°，第二预设角度为45°，也即托盘旋转装置按照每次旋转45°的间隔，旋转3次，以对目标电池a进行4个不同角度下的检测。具体地，在托盘旋转装置处于位置1的情况下，探测器生成目标电池a的检测图像1。然后托盘旋转装置旋转45°后达到位置2，在托盘旋转装置处于位置2的情况下，探测器生成目标电池a的检测图像2。进一步地，托盘旋转装置继续旋转45°后达到位置3，在托盘旋转装置处于位置3的情况下，探测器生成目标电池a的检测图像3，最后，托盘旋转装置再次旋转45°后达到位置4，在托盘旋转装置处于位置4的情况下，探测器生成目标电池a的检测图像4，在此过程中，托盘旋转装置一共旋转了180°，完成了对目标电池a的4个角度下的检测。
本实施例中检测装置还包括与载物托盘连接的托盘旋转装置，托盘旋转装置用于带动目标电池在第一预设角度内按照第二预设角度旋转，以实现对目标电池在不同角度进行缺陷检测的覆盖，提高了缺陷检测准确性。
基于同样的发明构思，本申请实施例还提供了一种应用于上述的检测装置的缺陷检测方法，本申请实施例提供的缺陷检测方法可以应用于如图1所示的图像检测装置中。
图13为本申请实施例中计算机设备的内部结构图，在本申请实施例中提供了一种计算机设备，该计算机设备可以是图像检测装置，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种缺陷检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施例以该方法单独应用于图像检测装置进行举例说明，可以理解的是，该方法也可以应用于其他计算机设备，例如该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
图13为本申请实施例中缺陷检测方法的流程示意图，该方法可以应用于图1所示的图像检测装置中，在一个实施例中，如图13所示，包括以下步骤：
S1301，获取检测图像，检测图像是射线穿透待检测的目标电池后所生成的图像。
在本实施例中，将目标电池放置于检测装置的载物托盘上，射线源朝载物托盘发出X射线，进而X射线穿过目标电池的电芯后被探测器获取到，以由探测器根据从目标电池穿透的射线生成目标电池的检测图像。进而，探测器将目标电池的检测图像发送给图像检测装置，以由图像检测装置获取到该目标电池的检测图像。
S1302，根据检测图像和目标深度学习模型，得到目标电池的缺陷检测结果，目标深度学习模型是根据多个电池的检测图像样本训练得到的模型。
在本实施例中，在获取到检测图像后，图像检测装置将目标电池的检测图像输入至目标深度学习模型中，以得到目标电池的缺陷检测结果。
其中，根据多个电池的检测图像样本训练得到的模型与上述在检测装置中的介绍原理相同，在此不再赘述。
本实施例提供的缺陷检测方法，获取射线穿透待检测的目标电池后所生成的检测图像，进而根据检测图像和目标深度学习模型，得到目标电池的缺陷检测结果。由于目标深度学习模型是根据多个电池的检测图像样本训练得到的模型，因此能够在接收到检测图像后，利用目标深度学习模型对检测图像进行缺陷检测。进一步地，由于本申请不是通过人为观察目标电池的外观得到缺陷检测结果，而是通过机器得到目标电池的缺陷检测结果，因此，本申请提供的检测装置解决了传统技术中由于人工造成的缺陷检测准确性不高的问题，提高了内部缺陷检测的准确性。
图14为本申请实施例中一种得到目标电池的缺陷检测结果的流程示意图，参照图14，本实施例涉及的是如何得到目标电池的缺陷检测结果的一种可选的实现方式。在上述实施例的基础上，上述的S1302，根据检测图像和目标深度学习模型，得到目标电池的缺陷检测结果，包括如下步骤：
S1401，对检测图像进行预处理，得到目标检测图像；预处理包括模糊处理、卷积处理和增强处理中的至少一种处理。
在本实施例中，为了提高缺陷检测的准确性，图像检测装置在获取到目标电池的检测图像后，需要对检测图像进行预处理，得到目标检测图像。
预处理包括模糊处理、卷积处理和增强处理中的至少一种处理。其中，模糊处理是去除检测图像中的非必要特征，如噪声、干扰线等，同时去除目标电池的检测图像中除电芯外的干扰部分，使检测图像中的必要特征更加清晰，提高缺陷的识别度。
卷积处理是用一个模板，即卷积核，例如3×3的卷积核遍历检测图像中所有像素点，用模板确定的邻域内像素的加权平均灰度值替代模板中心像素点的值。卷积处理后的检测图像的缺陷特征更加明显，更容易识别。
增强处理用于调节图片的亮度与对比度，突出极线及极线异常部分，使缺陷特征在检测图像中凸显出来。
在一个具体的实施例中，图像检测装置在获取到目标电池的检测图像后，对检测图像先后进行模糊处理、卷积处理和增强处理，以得到目标检测图像。
S1402，将目标检测图像输入至目标深度学习模型，得到目标电池的缺陷检测结果。
在本实施例中，图像检测装置将预处理后的目标检测图像输入至目标深度学习模型，得到目标电池的缺陷检测结果。需要说明的是，在根据多个电池的检测图像样本训练得到目标深度学习模型时，同样地先对检测图像样本进行预处理，得到预处理后的目标检测图像样本，进而根据打标签后的检测图像样本，对初始深度学习模型进行训练，当满足训练停止条件时，可以停止训练并确定目标深度学习模型。
本实施例对检测图像进行包括模糊处理、卷积处理和增强处理中的至少一种预处理，得到目标检测图像，进而将目标检测图像输入至目标深度学习模型，得到目标电池的缺陷检测结果。由于是对预处理后的目标检测图像和目标深度学习模型得到目标电池的缺陷检测结果，因此检测图像中的缺陷特征更加明显，从而提高了对检测图像进行缺陷检测的准确率和效率。
图15为本申请实施例中一种得到目标深度学习模型的流程示意图，参照图15，本实施例涉及的是如何得到目标深度学习模型的一种可选的实现方式。在上述实施例的基础上，上述的缺陷检测方法，还包括如下步骤：
S1501，获取检测图像样本集和检测图像样本集中各检测图像样本对应的标签类型。
在本实施例中通过检测装置检测多个圆柱电池，采集一定数量的检测图像样本，以得到检测图像样本集。其中，检测图像样本中包括正常图像样本和异常图像样本，例如采集2000余张异常图像样本，异常图像样本中各种类型缺陷均不少于100张，以实现对各种类型缺陷的准确识别。示例地，例如异常图像样本包括打皱图像样本、头部打折图像样本、极片裂纹图像样本、极片暗痕图像样本、极片间隙过大图像样本等等。
进一步地，图像检测装置对采集到的检测图像样本打标签，例如检测图像样本的标签类型包括极片打皱、极片打折、极片裂纹、极片暗痕、极片间隙过大、正常图像等等，从而图像检测装置获取检测图像样本集和检测图像样本集中各检测图像样本对应的标签类型。
S1502，根据检测图像样本集和各检测图像样本对应的标签类型，训练初始检测模型得到目标深度学习模型。
在本实施中，在获取到了检测图像样本集和检测图像样本集中各检测图像样本对应的标签类型后，图像检测装置就能根据检测图像样本集和各检测图像样本对应的标签类型，训练初始检测模型得到目标深度学习模型。具体地，图像检测装置根据检测图像样本集和各检测图像样本对应的标签类型，对初始深度学习模型进行训练，当满足训练停止条件时，可以停止训练并确定目标深度学习模型，训练停止条件可以是初始深度学习模型输出的缺陷检测结果与检测图像样本中实际的缺陷结果之间的差异小于预设阈值。当然，计算机设备也可以通过其他的方法确定目标深度学习模型，本实施例不做限制。
本实施例获取检测图像样本集和检测图像样本集中各检测图像样本对应的标签类型，并根据检测图像样本集和各检测图像样本对应的标签类型，训练初始检测模型得到目标深度学习模型。由于是根据检测图像样本集和各检测图像样本对应的标签类型训练得到的目标深度学习模型，因此，图像检测装置在接收到目标电池的检测图像后，就能自动地利用目标深度学习模型对检测图像进行缺陷检测，以得到目标电池的缺陷检测结果，无需人工来进行缺陷检测，节约了人力资源。
图16为本申请实施例中另一种得到目标深度学习模型的流程示意图，参照图16，本实施例涉及的是如何得到目标深度学习模型的一种可选的实现方式。在上述实施例的基础上，检测图像样本集包括训练样本集和验证样本集，上述的S1502，根据检测图像样本集和各检测图像样本对应的标签类型，训练初始检测模型得到目标深度学习模型，包括如下步骤：
S1601，根据训练样本集和训练样本集中的检测图像样本对应的标签类型，训练初始检测模型得到中间深度学习模型。
本实施例将检测图像样本集划分为训练样本集和验证样本集，首先，图像检测装置根据训练样本集和训练样本集中的检测图像样本对应的标签类型，训练初始检测模型得到中间深度学习模型。
S1602，根据验证样本集和验证样本集中的检测图像样本对应的标签类型，更新中间深度学习模型得到目标深度学习模型。
本实施例在得到中间深度学习模型之后，根据验证样本集和验证样本集中的检测图像样本对应的标签类型，更新中间深度学习模型得到目标深度学习模型。
具体地，图像检测装置将验证样本集中的检测图像样本输入至中间深度学习模型中，以得到中间深度学习模型预测的检测图像样本对应的缺陷检测结果，进而图像检测装置可以比对预测的缺陷检测结果和验证样本集中的检测图像样本对应的标签类型，以确定中间深度学习模型的准确率，并进一步优化中间深度学习模型。
举例说明，图像检测装置在预测的缺陷检测结果和验证样本集中的检测图像样本对应的标签类型不同的情况下，自动修正中间深度学习模型的参数。可以理解的是，预测的缺陷检测结果和验证样本集中的检测图像样本对应的标签类型不同，可以是缺陷类型不同，也可以是缺陷位置不同。例如对于电池1的检测图像样本，中间深度学习模型输出的缺陷检测结果为极片打皱，而实际该电池1的检测图像样本的标签类型为极片裂纹，图像检测装置能够自动修正中间深度学习模型的参数；对于电池1的检测图像样本，中间深度学习模型输出的缺陷检测结果为A位置的极片打皱，而实际该电池1的检测图像样本的标签类型为B位置的极片打皱，图像检测装置仍然可以自动修正中间深度学习模型的参数。
进一步地，图像检测装置在自动修正统计中间深度学习模型的参数后，继续验证样本集和验证样本集中的检测图像样本对应的标签类型，确定中间深度学习模型的准确率，若准确率达到目标要求，例如准确率达到80%，则将自动修正后的中间深度学习模型作为目标深度学习模型。若准确率未达目标要求，则可以重新修改参数，再根据检测图像样本集和各检测图像样本对应的标签类型，训练初始深度学习模型或中间深度学习模型得到目标深度学习模型。
本实施例中检测图像样本集包括训练样本集和验证样本集，根据训练样本集和训练样本集中的检测图像样本对应的标签类型，训练初始检测模型得到中间深度学习模型，并根据验证样本集和验证样本集中的检测图像样本对应的标签类型，更新中间深度学习模型得到目标深度学习模型。由于目标深度学习模型是更新中间深度学习模型后得到的模型，因此提高了目标深度学习模型的精度，进而提高了缺陷检测的准确率。
可选的，上述的缺陷检测方法，还包括如下步骤：
根据缺陷检测结果和目标电池的实际缺陷结果，更新目标深度学习模型。
本实施例根据缺陷检测结果和目标电池的实际缺陷结果，更新目标深度学习模型。例如，在利用检测装置对目标电池实际进行缺陷检测时，可以将误判的目标电池的检测图像加入检测图像样本集，定期更新目标深度学习模型的参数。
本实施例根据缺陷检测结果和目标电池的实际缺陷结果，更新目标深度学习模型，进一步提高了目标深度学习模型的准确率。
图17为本申请中缺陷检测方法的整体流程示意图，如图17所示，在一个具体的实施例中，该缺陷检测方法包括如下步骤：
S1701，获取检测图像样本集，检测图像样本集中各检测图像样本包括正常图像样本和异常图像样本。
S1702，图像检测装置对各检测图像样本进行预处理，例如各检测图像样本先后进行模糊处理、卷积处理和增强处理，从而得到预处理后的检测图像样本集。
S1703，对预处理后的检测图像样本打标签，以获取预处理后的检测图像样本集和该检测图像样本集中各检测图像样本对应的标签类型。
S1704，根据该检测图像样本集中的训练样本集以及该训练样本集中的检测图像样本对应的标签类型，训练初始检测模型得到中间深度学习模型。
S1705，根据该检测图像样本集中的验证样本集中以及该验证样本集中的检测图像样本对应的标签类型，更新中间深度学习模型，得到目标深度学习模型。
S1706，利用检测装置实测，并根据缺陷检测结果和目标电池的实际缺陷结果，进一步更新目标深度学习模型。
S1707，利用更新后的目标深度学习模型，对目标电池的检测图像进行缺陷检测，以得到目标电池的缺陷检测结果。
本实施例提供的缺陷检测方法的工作原理，请参照上述实施例中的详细描述，本实施例在此不再赘述。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的缺陷检测方法的缺陷检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个缺陷检测装置实施例中的具体限定可以参见上文中对于缺陷检测方法的限定，在此不再赘述。
图18为本申请实施例中缺陷检测装置的结构框图，如图18所示，在本申请实施例中提供了一种缺陷检测装置1800，包括：获取模块1801和检测模块1802，其中：
获取模块1801，用于获取检测图像，所述检测图像是射线穿透待检测的目标电池后透射至所生成的图像。
检测模块1802，用于根据所述检测图像和目标深度学习模型，得到所述目标电池的缺陷检测结果，所述目标深度学习模型是根据多个电池的检测图像样本训练得到的模型。
本实施例提供的缺陷检测装置，获取射线穿透待检测的目标电池后所生成的检测图像，进而根据检测图像和目标深度学习模型，得到目标电池的缺陷检测结果。由于目标深度学习模型是根据多个电池的检测图像样本训练得到的模型，因此能够在接收到检测图像后，利用目标深度学习模型对检测图像进行缺陷检测。进一步地，由于本申请不是通过人为观察目标电池的外观得到缺陷检测结果，而是通过机器得到目标电池的缺陷检测结果，因此，本申请提供的检测装置解决了传统技术中由于人工造成的缺陷检测准确性不高的问题，提高了内部缺陷检测的准确性。
可选的，检测模块1802包括：
预处理单元，用于对所述检测图像进行预处理，得到目标检测图像；所述预处理包括模糊处理、卷积处理和增强处理中的至少一种处理。
检测单元，用于将所述目标检测图像输入至所述目标深度学习模型，得到所述目标电池的缺陷检测结果。
可选的，该缺陷检测装置1800还包括：
获取模块，用于获取检测图像样本集和所述检测图像样本集中各所述检测图像样本对应的标签类型。
训练模块，用于根据所述检测图像样本集和各所述检测图像样本对应的标签类型，训练初始检测模型得到所述目标深度学习模型。
可选的，训练模块包括：
训练单元，用于根据训练样本集和所述训练样本集中的检测图像样本对应的标签类型，训练所述初始检测模型得到中间深度学习模型。
更新单元，用于根据验证样本集和所述验证样本集中的检测图像样本对应的标签类型，更新所述中间深度学习模型得到所述目标深度学习模型。
可选的，该缺陷检测装置1800还包括：
更新模块，用于根据所述缺陷检测结果和所述目标电池的实际缺陷结果，更新所述目标深度学习模型。
上述缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种缺陷检测系统，该缺陷检测系统，包括上述的检测装置、存储模块、检测显示模块和输入输出模块。其中，检测装置用于获取目标电池的检测图像，并利用目标深度学习模型对检测图像进行缺陷检测，以得到目标电池的缺陷检测结果。存储模块用于存储检测图像和目标电池的缺陷检测结果。输入输出模块用于用户与检测装置进行交互。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (12)

1.一种检测装置，其特征在于，所述检测装置包括射线源、载物托盘、探测器、控制部件、图像检测装置以及与所述载物托盘连接的托盘旋转装置；所述射线源和所述探测器分别设置于所述载物托盘的相对的两侧，且，所述射线源的射线出射方向朝向所述载物托盘；
所述探测器，用于接收从目标电池穿透的射线，并根据从所述目标电池穿透的射线生成所述目标电池的检测图像，所述目标电池设置于所述载物托盘上，所述射线为所述射线源向所述目标电池发出的射线；
所述图像检测装置，用于接收所述检测图像，并利用目标深度学习模型对所述检测图像进行缺陷检测，以得到所述目标电池的缺陷检测结果，所述目标深度学习模型是根据多个电池的检测图像样本训练得到的模型；
所述控制部件，用于带动所述射线源和/或所述探测器沿第一方向移动，所述第一方向与所述目标电池的长度方向一致，以使所述检测装置对所述目标电池分段检测；
所述载物托盘，用于承载多个所述目标电池，且，多个所述目标电池在所述载物托盘上沿所述第一方向和/或第二方向排布；
所述控制部件，还用于在多个所述目标电池在所述载物托盘上沿所述第一方向和/或所述第二方向排布的情况下，带动所述射线源和/或所述探测器沿所述第一方向和/或所述第二方向移动，以使所述检测装置对多个所述目标电池检测；所述第一方向与所述第二方向不同；
所述托盘旋转装置用于带动所述载物托盘在第一预设角度内按照第二预设角度旋转，以使所述检测装置对所述目标电池的不同角度进行检测。
2.根据权利要求1所述的检测装置，其特征在于，所述控制部件，具体用于带动所述射线源和/或所述探测器沿第三方向移动，以使所述检测装置在所述射线源与所述载物托盘的距离小于所述探测器与所述载物托盘的距离时工作，其中，所述第三方向为与所述载物托盘的电池承载面垂直的方向。
3.根据权利要求2所述的检测装置，其特征在于，所述控制部件，具体用于根据预设的目标放大倍率，控制所述射线源和/或所述探测器沿所述第三方向移动。
4.根据权利要求3所述的检测装置，其特征在于，所述目标放大倍率等于第一长度与第二长度的比值，所述第一长度为所述探测器的宽度方向的长度，所述第二长度为所述探测器所探测到的目标区域的最小边长，所述目标区域为所述探测器所探测到的所述目标电池上的表面区域。
5.一种缺陷检测方法，其特征在于，应用于权利要求1-4任一项所述的检测装置，所述方法包括：
获取所述检测图像，所述检测图像是射线穿透待检测的目标电池后所生成的图像；
根据所述检测图像和所述目标深度学习模型，得到所述目标电池的缺陷检测结果，所述目标深度学习模型是根据多个电池的检测图像样本训练得到的模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述检测图像和目标深度学习模型，得到所述目标电池的缺陷检测结果，包括：
对所述检测图像进行预处理，得到目标检测图像；所述预处理包括模糊处理、卷积处理和增强处理中的至少一种处理；
将所述目标检测图像输入至所述目标深度学习模型，得到所述目标电池的缺陷检测结果。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
获取检测图像样本集和所述检测图像样本集中各所述检测图像样本对应的标签类型；
根据所述检测图像样本集和各所述检测图像样本对应的标签类型，训练初始检测模型得到所述目标深度学习模型。
8.根据权利要求7所述的方法，其特征在于，所述根据所述检测图像样本集和各所述检测图像样本对应的标签类型，训练初始检测模型得到所述目标深度学习模型，包括：
根据训练样本集和所述训练样本集中的检测图像样本对应的标签类型，训练所述初始检测模型得到中间深度学习模型；
根据验证样本集和所述验证样本集中的检测图像样本对应的标签类型，更新所述中间深度学习模型得到所述目标深度学习模型；
其中，所述检测图像样本集包括所述训练样本集和所述验证样本集。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
根据所述缺陷检测结果和所述目标电池的实际缺陷结果，更新所述目标深度学习模型。
10.一种缺陷检测装置，其特征在于，所述缺陷检测装置包括：
获取模块，用于获取如权利要求1-4任一项所述的检测装置检测到的检测图像，所述检测图像是射线穿透待检测的目标电池后所生成的图像；
检测模块，用于根据所述检测图像和目标深度学习模型，得到所述目标电池的缺陷检测结果，所述目标深度学习模型是根据多个电池的检测图像样本训练得到的模型。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求5至9中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求5至9中任一项所述的方法的步骤。
CN202211479747.0A 2022-11-24 2022-11-24 检测装置、缺陷检测方法、装置、计算机设备和存储介质 Active CN115508389B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202211479747.0A CN115508389B (zh) 2022-11-24 2022-11-24 检测装置、缺陷检测方法、装置、计算机设备和存储介质
CN202310401984.3A CN118067747A (zh) 2022-11-24 2022-11-24 检测装置、缺陷检测方法、装置、计算机设备和存储介质
PCT/CN2023/088859 WO2024108882A1 (zh) 2022-11-24 2023-04-18 检测装置、缺陷检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211479747.0A CN115508389B (zh) 2022-11-24 2022-11-24 检测装置、缺陷检测方法、装置、计算机设备和存储介质

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202310401984.3A Division CN118067747A (zh) 2022-11-24 2022-11-24 检测装置、缺陷检测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN115508389A CN115508389A (zh) 2022-12-23
CN115508389B true CN115508389B (zh) 2023-05-12

Family

ID=84513760

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310401984.3A Pending CN118067747A (zh) 2022-11-24 2022-11-24 检测装置、缺陷检测方法、装置、计算机设备和存储介质
CN202211479747.0A Active CN115508389B (zh) 2022-11-24 2022-11-24 检测装置、缺陷检测方法、装置、计算机设备和存储介质

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202310401984.3A Pending CN118067747A (zh) 2022-11-24 2022-11-24 检测装置、缺陷检测方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
CN (2) CN118067747A (zh)
WO (1) WO2024108882A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983718B (zh) * 2023-02-22 2023-06-13 青岛鼎诺信科工贸有限公司 汽车空气悬架生产质检管控方法及系统
CN117970113A (zh) * 2024-03-28 2024-05-03 江苏时代新能源科技有限公司 电池测试方法、装置、电子设备和存储介质
CN118032821A (zh) * 2024-04-12 2024-05-14 天津美腾科技股份有限公司 电池检测方法、装置、系统、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN215695926U (zh) * 2021-07-15 2022-02-01 欣旺达电动汽车电池有限公司 裸电芯托盘及裸电芯检测设备
CN115112689A (zh) * 2022-06-17 2022-09-27 深圳市日联科技有限公司 一种叠片锂电池检测装置、系统以及检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9128030B1 (en) * 2013-03-06 2015-09-08 The Boeing Company X-ray backscattering battery inspection
CN203442491U (zh) * 2013-09-06 2014-02-19 中国石油化工股份有限公司 一种可移动式管道检测装置
CN115330677A (zh) * 2022-07-04 2022-11-11 惠州锂威新能源科技有限公司 电芯的极片异常检测方法、装置、系统及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN215695926U (zh) * 2021-07-15 2022-02-01 欣旺达电动汽车电池有限公司 裸电芯托盘及裸电芯检测设备
CN115112689A (zh) * 2022-06-17 2022-09-27 深圳市日联科技有限公司 一种叠片锂电池检测装置、系统以及检测方法

Also Published As

Publication number Publication date
CN115508389A (zh) 2022-12-23
WO2024108882A1 (zh) 2024-05-30
CN118067747A (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
CN115508389B (zh) 检测装置、缺陷检测方法、装置、计算机设备和存储介质
Wu et al. Analysis of manufacturing-induced defects and structural deformations in lithium-ion batteries using computed tomography
EP2437051B1 (en) Pseudo dual-energy material discriminating system and method using under-sampling
WO2015172726A1 (zh) 图像显示方法
CN105023251B (zh) 一种高分辨锥束ct系统的几何校正方法
CN101584587B (zh) 一种ct投影中心的自动校正方法
CN111223159B (zh) 锥形束成像方法、装置、计算机设备和存储介质
CN104751499A (zh) 一种pet二维图像重建方法及装置
US20230003670A1 (en) Method for determining the placement accuracy of a plurality of electrode sheets in a stack
CN110268441A (zh) 获得物体的多个部件的3d模型数据的方法
CN106934856A (zh) 基于x射线检测技术的三维断层重建及切片显示方法
CN117589792A (zh) 收尾位置检测方法、装置、计算机设备和存储介质
Han et al. Deep learning reconstruction for 9-view dual energy CT baggage scanner
US10679817B2 (en) Method and system for adjusting focal point position
CN105161147A (zh) 一种压水堆乏燃料元件三维中子照相无损检测方法
CN105869130A (zh) Ct系统几何校正效果的检验方法及装置
US9134258B2 (en) Systems and methods for imaging and detecting sheet-like material
CN117611591B (zh) 电芯缺陷的工业ct检测方法、装置、电子设备及存储介质
EP3958209A1 (en) Computer-implemented methods, computing devices and computer programs for processing volumetric scanning data and analyzing a performance of structural elements
CN110211113A (zh) 一种坡口异常的检测算法及计算设备
CN115980097B (zh) 射线源确定方法、装置、设备、存储介质和程序产品
CN108703769A (zh) Tof数据的校正方法、装置、系统和计算机可读存储介质
CN116577819B (zh) 一种多头康普顿探测方法及系统
US11480533B1 (en) Multi-scan computed tomography defect detectability
US20240071051A1 (en) Automated Selection And Model Training For Charged Particle Microscope Imaging

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