CN115526855A - 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质 - Google Patents

电池片隐裂缺陷检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115526855A
CN115526855A CN202211162932.7A CN202211162932A CN115526855A CN 115526855 A CN115526855 A CN 115526855A CN 202211162932 A CN202211162932 A CN 202211162932A CN 115526855 A CN115526855 A CN 115526855A
Authority
CN
China
Prior art keywords
image
defect
battery piece
defects
defect detection
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
Application number
CN202211162932.7A
Other languages
English (en)
Inventor
傅林坚
刘华
汪崇智
文灿华
卢嘉彬
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.)
Zhejiang Qiushi Semiconductor Equipment Co Ltd
Original Assignee
Zhejiang Qiushi Semiconductor Equipment 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 Zhejiang Qiushi Semiconductor Equipment Co Ltd filed Critical Zhejiang Qiushi Semiconductor Equipment Co Ltd
Priority to CN202211162932.7A priority Critical patent/CN115526855A/zh
Publication of CN115526855A publication Critical patent/CN115526855A/zh
Pending legal-status Critical Current

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种电池片隐裂缺陷检测方法、装置、计算机设备和存储介质。所述方法包括：获取光致发光的电池片图像；将电池片图像划分成多个图像块，并记录各图像块之间的相对位置；将多个图像块分别输入预先训练的缺陷检测模型进行分段检测，得到各图像块的缺陷检测结果；根据相对位置和缺陷检测结果，确定电池片是否存在隐裂缺陷。采用本方法能够快速、精准地检测电池片中存在的隐裂缺陷，保障了产品质量。

Description

电池片隐裂缺陷检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及电池片检测技术领域，特别是涉及一种电池片隐裂缺陷检测方法、装置、计算机设备和存储介质。
背景技术
光致发光(photoluminescence，简称PL)是半导体材料的一种发光现象。是指半导体中的电子吸收外界光子后被激发，处于激发态的电子是不稳定的，可以向较低的能级跃迁，以光辐射的形式释放出能量的过程。
现有技术中，基于光致发光图像进行电池片检测，其中，利用近红外相机可以拍摄到光致发光图像，电池片完好区域呈现明亮的白色，缺陷部分就会呈现明显的暗斑，故可通过拍摄的光致发光图像来检测电池片内部缺陷。
然而，对于电池片缺陷检测，目前一般通过人工基于电池片光致发光图像凭借经验进行判断，故检测精度低、速度慢、效果不佳。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确、高效地检测电池片缺陷的电池片隐裂缺陷检测方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种电池片隐裂缺陷检测方法，方法包括：
获取光致发光的电池片图像；
将电池片图像划分成多个图像块，并记录各图像块之间的相对位置；
将多个图像块分别输入预先训练的缺陷检测模型进行分段检测，得到各图像块的缺陷检测结果；
根据相对位置和缺陷检测结果，确定电池片是否存在隐裂缺陷。
在其中一些实施例中，将电池片图像划分成多个图像块，并记录各图像块之间的相对位置包括：
基于电池片的并排方向将电池片图像划分成多个图像块，并依次对各图像块进行编号，以记录相对位置。
在其中一些实施例中，将电池片图像划分成多个图像块，并记录各图像块之间的相对位置之前，还包括：
对电池片图像进行图像旋转矫正，并裁剪获取电池片图像的电池片区域。
在其中一些实施例中，缺陷检测模型的训练过程至少包括：
获取电池片缺陷的分段训练图像，分段训练图像标记有缺陷信息；
构建深度学习网络，深度学习网络设置有训练参数；
将分段训练图像输入深度学习网络，分别生成输出电池片缺陷的预测结果；
基于预测结果与对应的缺陷信息的差异，对训练参数进行迭代调整，直至对应的差异满足预设要求，得到缺陷检测模型。
在其中一些实施例中，根据相对位置和缺陷检测结果，确定电池片是否存在隐裂缺陷包括：
基于缺陷之间的距离合并缺陷检测结果；
根据相对位置与合并之后的缺陷检测结果，确定电池片是否存在隐裂缺陷。
在其中一些实施例中，基于缺陷之间的距离合并缺陷检测结果包括：
根据缺陷检测结果中存在缺陷的位置，获取所有缺陷之间的距离；
将距离与预设阈值比较，判断缺陷之间是否关联，其中，对关联的缺陷进行合并。
在其中一些实施例中，根据相对位置与合并之后的缺陷检测结果，确定电池片是否存在隐裂缺陷包括：
根据相对位置与合并之后的缺陷检测结果，确定隐裂缺陷的分布区域：若分布区域大于预设区域，则电池片存在隐裂缺陷。
第二方面，本申请还提供了一种电池片隐裂缺陷检测装置，装置包括：
获取模块，用于获取光致发光的电池片图像；
分段模块，用于将电池片图像划分成多个图像块，并记录各图像块之间的相对位置；
识别模块，用于将多个图像块分别输入预先训练的缺陷检测模型进行分段检测，得到各图像块的缺陷检测结果；
检测模块，用于根据相对位置和缺陷检测结果，确定电池片是否存在隐裂缺陷。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任意一种实施例所述的电池片隐裂缺陷检测方法的步骤。
第四方面，本申请还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任意一种实施例所述的电池片隐裂缺陷检测方法的步骤。
上述电池片隐裂缺陷检测方法、装置、计算机设备和存储介质，基于深度学习实现电池片隐裂缺陷的检测，其中，重点采用分段检测方式，即将电池片图像分成若干段图像块进行检测，使得隐裂缺陷也被看成有若干段连接而成，如此，第一方面，可以有效减少缺陷标注中附带的无用背景，改善模型训练效果，提高模型处理速度，第二方面，可以进一步有效扩展深度学习的训练样本，提高模型训练准确性，第三方面，可以进一步减小缺陷与缺陷之间尺寸差异，提高模型训练效果以及模型检测准确性。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中电池片隐裂缺陷检测方法的流程示意图；
图2为一个实施例中电池片隐裂缺陷检测方法的图像块示意图；
图3为一个实施例中电池片隐裂缺陷检测方法的缺陷矩形框合并示意图；
图4为一个实施例中电池片隐裂缺陷检测方法的逻辑示意图；
图5为一个实施例中电池片隐裂缺陷检测方法的缺陷检测结果示意图；
图6为一个实施例中电池片隐裂缺陷检测方法的缺陷合并示意图；
图7为一个实施例中电池片隐裂缺陷检测装置的结构框图。
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。本文中在本申请的说明书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。
需要说明的是，当一个元件被认为是“连接”另一个元件时，它可以是直接连接到另一个元件，或者通过居中元件连接另一个元件。此外，以下实施例中的“连接”，如果被连接的对象之间具有电信号或数据的传递，则应理解为“电连接”、“通信连接”等。
在此使用时，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。
本申请实施例提供的电池片隐裂缺陷检测方法，可以应用于电池片的隐裂缺陷检测，由于隐裂缺陷的分布无规则性，尺寸有大有小、有长有短，造成了隐裂缺陷检测的困难，对此，目前都是凭借人工基于经验进行判断检测，故而检测精度低、速度慢、效果不佳。
在一个实施例中，如图1所示，提供了一种电池片隐裂缺陷检测方法，包括以下步骤：
S100：获取光致发光的电池片图像；
具体地，通过近红外相机拍摄光致发光的电池片图像，其中，电池片完好区域呈现明亮的白色，缺陷部分就会呈现明显的暗斑，故可通过拍摄的光致发光图像来检测电池片内部缺陷。
S200：将电池片图像划分成多个图像块，并记录各图像块之间的相对位置；
具体地，相机采集的电池片图像包括了整张电池片的图像，对该电池片图像进行分段，形成若干个图像块，并记录各图像块之间的相对位置。其中，参看图2，一整个电池片可以划分若干个小电池片，小电池片之间结构基本相同，本实施例可以以一个或多个小电池片为单位进行分段，以使得分段得到的每个图像块都基本相同，便于后续模型数据处理。
S300：将多个图像块分别输入预先训练的缺陷检测模型进行分段检测，得到各图像块的缺陷检测结果；
具体地，缺陷检测模型为基于深度学习网络进行训练得到的模型，缺陷检测模型用于识别图像中的缺陷信息，缺陷信息包括缺陷类型和缺陷位置。在一些实施例中，本实施例的位置识别模型和缺陷识别模型可以基于目标检测yolov5网络得到。
具体地，将电池片图像分段之后的图像块分别输入缺陷检测模型，分别得到各图像块对应的缺陷检测结果，结合所有图像块对应的缺陷检测结果，可以综合得到整个电池片的缺陷情况，其中，不同的缺陷类型会设置不同的阈值进行筛选，即检测到的某类型缺陷的置信度大于其对应的阈值时，认为存在该类型缺陷，否则就是正常状态。需要说明的是，本实施例的缺陷检测模型不仅用于检测电池片的隐裂缺陷，还可以同时用于检测其他电池片缺陷。
S400：根据相对位置和缺陷检测结果，确定电池片是否存在隐裂缺陷。
具体地，由于采用分段检测方式，即将电池片图像分成若干段图像进行检测，使得隐裂缺陷也被看成有若干段连接而成，因此，针对隐裂缺陷，需要将各图像块中重叠或者邻近的的隐裂缺陷进行关联合并，形成隐裂缺陷的整体，从而确定电池片是否存在隐裂缺陷。其中，根据相对位置组合各个图像块中的缺陷检测结果，得到一整张电池片图像中存在缺陷，然后根据缺陷检测结果中存在的隐裂缺陷的缺陷位置进行关联合并，使得一整张电池片图像中的隐裂缺陷进行关联合并，最后根据合并之后的隐裂缺陷在整张电池片图像上的分布，确定电池片是否存在真实的隐裂缺陷。在一些实施例中，对于存在隐裂缺陷的电池片，产线设备自动对其进行剔除或者产生相应的报警。
上述电池片隐裂缺陷检测方法，基于深度学习实现电池片隐裂缺陷的检测，其中，重点采用分段检测方式，即将电池片图像分成若干段图像块进行检测，使得隐裂缺陷也被看成有若干段连接而成，如此，第一方面，可以有效减少缺陷标注中附带的无用背景，改善模型训练效果，提高模型处理速度，第二方面，可以进一步有效扩展深度学习的训练样本，提高模型训练准确性，第三方面，可以进一步减小缺陷与缺陷之间尺寸差异，提高模型训练效果以及模型检测准确性。
在一些实施例中，在采集得到电池片图像之后，需对电池片图像进行预处理，预处理可以包括对电池片图像进行二值化处理、旋转矫正处理、裁剪处理。
其中，该二值化处理就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果，图像旋转矫是为了尽量保证训练图片分辨率保持相近，并且后续图像分段更加容易、精准，裁剪是为了去除图像中的无关背景，以提高模型处理速度。
具体地，对原始图片进行二值化后，计算出电池片图像的最小外接矩形，并以矩形左上角为旋转中心将电池片图像旋转矫正，最后把电池片图像从背景中裁剪出来。其中，旋转中心还可是其他定点，例如矩形右下角、矩形中心等等。
在一些实施例中，将电池片图像划分成多个图像块，并记录各图像块之间的相对位置包括：基于电池片的并排方向将电池片图像划分成多个图像块，并依次对各图像块进行编号，以记录相对位置。
具体地，参看图2，沿电池片中电池结构的并排方向对电池片图像进行分段，形成各个图像块，如此，分段得到的每个图像块结构的近似，有助于提高后续模型处理速度，同时，从上到下依次进行编号，通过编号记录各图像块之间的相对位置。
具体地，可以在预处理阶段时记录电池片图像的左上角坐标以及电池片的并排长度，将裁剪出来的电池片图像按照并排长度平均分割成6个小条电池片，并且从上到下依次编号，记录小电池片之间的相对位置。
在一些实施例中，缺陷检测模型的训练过程至少包括：
获取电池片缺陷的分段训练图像，分段训练图像标记有缺陷信息；
具体地，获取电池片缺陷的分段训练图像并进行预处理，生成数据集，其中，带有缺陷的图像进行数据标注缺陷信息，该数据集随机分为训练集、验证集、测试集。该预处理为与前述中的预处理一致：对原始图片进行二值化后计算出电池片图像的最小外接矩形，并以矩形左上角为旋转中心将电池片图像旋转矫正，最后把电池片图像从背景中裁剪出来。
构建深度学习网络，深度学习网络设置有训练参数；
将训练集中的分段训练图像输入深度学习网络，分别生成输出电池片缺陷的预测结果；
基于预测结果与对应的缺陷信息的差异，对训练参数进行迭代调整，直至对应的差异满足预设要求，得到缺陷检测模型。
进一步再通过验证集与测试集对满足预设要求的两个深度学习网络分别进行验证和测试，验证测试通过，则得到最终的缺陷检测模型。
本实施例通过分段训练，一方面有效扩展深度学习的训练样本，有效降低电池片图像的数据量需求，提高模型训练效果，另一方面减小缺陷区域，不仅可以减小缺陷标注附带的无用背景，而且可以减小缺陷之间的尺寸差异，降低模型处理难度，有效提高模型处理速度和检测准确性。
在一些实施例中，根据相对位置和缺陷检测结果，确定电池片是否存在隐裂缺陷包括：基于缺陷之间的距离合并缺陷检测结果；根据相对位置与合并之后的缺陷检测结果，确定电池片是否存在隐裂缺陷。
具体地，由于采用分段检测方式，故而需要将各图像块中重叠或者邻近的的隐裂缺陷进行关联合并，因此缺陷检测结果并不是简单直接的合并，需要基于缺陷之间的相关性进行判断再合并。为此，本实施例根据缺陷检测结果中存在隐裂缺陷的位置，获取所有隐裂缺陷之间的距离，基于距离确定隐裂缺陷之间是否重叠或者邻近，其中，预设有判断重叠或邻近的阈值，通过距离与阈值的比较，判断相应缺陷之间是否关联，对关联的缺陷进行合并，得到完整的隐裂缺陷。进一步地，对于缺陷之间的距离，可以分别计算相对位置相邻的两个图像块对应缺陷检测结果中存在缺陷的位置，从而避免计算所有缺陷之间的距离，减少数据处理量，提高缺陷检测速度。
参看图3所示，各缺陷检测结果为：矩形1和2中隐裂缺陷重叠，矩形2和3中隐裂缺陷邻近，矩形4分别与1、2、3的距离都比较大，在此情况下可以通过下列步骤算法实现对上述缺陷检测结果的合并：
将n个小隐裂矩形框依次编号为i，并将i个隐裂相应存入集合Si(Si代表与i隐裂合并的隐裂集合，包括i隐裂)，同时将编号数字i相应存入集合Ti(Ti代表与i隐裂合并的隐裂编号数字集合，包括i隐裂编号数字)，其中i＝1，2，...，n，具体而言：
1)令j＝0；
2)如果j＝n，跳到(5)；否则j＝j+1；
3)计算j隐裂分别与i隐裂(i＝1，2，...，n)之间的距离，当两个矩形框之间的距离小于阈值时，在对应的Ti中添加编号数字j(明j隐裂与i隐裂相关联)说；
4)跳到(2)；
5)令z＝0；
6)如果z＝n，跳到(9)；否则z＝z+1；
7)遍历Tz中的元素y(y≠z)，并将y对应的集合Ty中的所有元素都添加到Tz中，并删除Ty中的元素；同时将Sy中的所有元素都添加到Sz中，并删除Sy中的元素；
8)如果Tz集合元素有扩充，则跳到(6)；否则跳到(6)；
9)取非空集合Si中所有元素隐裂矩形框的最小最大x值和y值，这四个值组成的最终隐裂矩形框的位置信息，便是合并缺陷检测结果得到的最终隐裂缺陷。
具体地，根据每个图像块的相对位置与合并之后的缺陷检测结果，确定隐裂缺陷的分布区域，即最终隐裂分布在哪几个图像块上，然后根据分布区域大小判断电池片是否存在隐裂缺陷，具体隐裂分布在两个及以上的图像块上，则说明电池片存在真实的隐裂缺陷。
参看图4至图6，现以如图所示的电池片为例对本实施例进行详细说明，但不仅限于此。
前期准备：
使用近红外相机采集电池片缺陷的图像，并对图像进行预处理，生成数据集，随后随机分为训练集、验证集和测试集，并且训练集、验证集和测试集图像不重复；
搭建一个深度学习网络，并基于训练集、验证集和测试集分别训练，生成缺陷检测模型；
隐裂缺陷检测：
使用近红外相机采集待检测电池片的电池片图像，并进行二值化处理、旋转矫正处理、裁剪处理；
基于电池片的结构并排方向，通过电池片的并排长度将电池片图像分割成6个图像块，从上到下依次编号记录各段之间的相对位置；
将各个图像块输入至缺陷检测模型进行识别，分别得到缺陷检测结果(如图5所示)，即缺陷类型和缺陷位置；
针对各个图像块中的隐裂缺陷，计算缺陷之间的距离，将距离与预设阈值比较，判断缺陷之间是否关联，其中，对关联的缺陷进行合并，形成最终的隐裂缺陷(如图6所示)；
基于合并得到的最终隐裂缺陷以及相对位置，确定最终隐裂缺陷的分布区域，若分布区域包含2个及以上的图像块上，则确定电池片存在真实的隐裂缺陷。
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电池片隐裂缺陷检测方法的电池片隐裂缺陷检测装置。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电池片隐裂缺陷检测装置实施例中的具体限定可以参见上文中对于电池片隐裂缺陷检测方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种电池片隐裂缺陷检测装置，包括：
获取模块10，用于获取光致发光的电池片图像；
分段模块20，用于将电池片图像划分成多个图像块，并记录各图像块之间的相对位置；
识别模块30，用于将多个图像块分别输入预先训练的缺陷检测模型进行分段检测，得到各图像块的缺陷检测结果；
检测模块40，用于根据相对位置和缺陷检测结果，确定电池片是否存在隐裂缺陷。
上述电池片隐裂缺陷检测装置，基于深度学习实现电池片隐裂缺陷的检测，其中，重点采用分段检测方式，即将电池片图像分成若干段图像块进行检测，使得隐裂缺陷也被看成有若干段连接而成，如此，第一方面，可以有效减少缺陷标注中附带的无用背景，改善模型训练效果，提高模型处理速度，第二方面，可以进一步有效扩展深度学习的训练样本，提高模型训练准确性，第三方面，可以进一步减小缺陷与缺陷之间尺寸差异，提高模型训练效果以及模型检测准确性。
在一些实施例中，将电池片图像划分成多个图像块，并记录各图像块之间的相对位置包括：基于电池片的并排方向将电池片图像划分成多个图像块，并依次对各图像块进行编号，以记录相对位置。
在一些实施例中，将电池片图像划分成多个图像块，并记录各图像块之间的相对位置之前，还包括：对电池片图像进行图像旋转矫正，并裁剪获取电池片图像的电池片区域。
在一些实施例中，装置还包括训练模块，用于：获取电池片缺陷的分段训练图像，分段训练图像标记有缺陷信息；构建深度学习网络，深度学习网络设置有训练参数；将分段训练图像输入深度学习网络，分别生成输出电池片缺陷的预测结果；基于预测结果与对应的缺陷信息的差异，对训练参数进行迭代调整，直至对应的差异满足预设要求，得到缺陷检测模型。
在一些实施例中，检测模块根据相对位置和缺陷检测结果，确定电池片是否存在隐裂缺陷包括：基于缺陷之间的距离合并缺陷检测结果；根据相对位置与合并之后的缺陷检测结果，确定电池片是否存在隐裂缺陷。
在一些实施例中，检测模块基于缺陷之间的距离合并缺陷检测结果包括：根据缺陷检测结果中存在缺陷的位置，获取所有缺陷之间的距离；将距离与预设阈值比较，判断缺陷之间是否关联，对关联的缺陷进行合并。
在一些实施例中，检测模块根据相对位置与合并之后的缺陷检测结果，确定电池片是否存在隐裂缺陷包括：根据相对位置与合并之后的缺陷检测结果，确定隐裂缺陷的分布区域：若分布区域大于预设区域，则电池片存在隐裂缺陷。
上述电池片隐裂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实施例中任意一种电池片隐裂缺陷检测方法。具体详细说明参看方法对应的说明，在此不再赘述。
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实施例中任意一种电池片隐裂缺陷检测方法。具体详细说明参看方法对应的说明，在此不再赘述。
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 (10)

1.一种电池片隐裂缺陷检测方法，其特征在于，所述方法包括：
获取光致发光的电池片图像；
将所述电池片图像划分成多个图像块，并记录各所述图像块之间的相对位置；
将多个所述图像块分别输入预先训练的缺陷检测模型进行分段检测，得到各所述图像块的缺陷检测结果；
根据所述相对位置和所述缺陷检测结果，确定电池片是否存在隐裂缺陷。
2.根据权利要求1所述的方法，其特征在于，所述将所述电池片图像划分成多个图像块，并记录各所述图像块之间的相对位置包括：
基于电池片的并排方向将所述电池片图像划分成多个所述图像块，并依次对各所述图像块进行编号，以记录所述相对位置。
3.根据权利要求2所述的方法，其特征在于，所述将所述电池片图像划分成多个图像块，并记录各所述图像块之间的相对位置之前，还包括：
对所述电池片图像进行图像旋转矫正，并裁剪获取所述电池片图像的电池片区域。
4.根据权利要求1所述的方法，其特征在于，所述缺陷检测模型的训练过程至少包括：
获取电池片缺陷的分段训练图像，所述分段训练图像标记有缺陷信息；
构建深度学习网络，所述深度学习网络设置有训练参数；
将所述分段训练图像输入所述深度学习网络，分别生成输出电池片缺陷的预测结果；
基于所述预测结果与对应的所述缺陷信息的差异，对所述训练参数进行迭代调整，直至对应的差异满足预设要求，得到所述缺陷检测模型。
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述根据所述相对位置和所述缺陷检测结果，确定电池片是否存在隐裂缺陷包括：
基于缺陷之间的距离合并所述缺陷检测结果；
根据所述相对位置与合并之后的所述缺陷检测结果，确定电池片是否存在隐裂缺陷。
6.根据权利要求5所述的方法，其特征在于，所述基于缺陷之间的距离合并所述缺陷检测结果包括：
根据所述缺陷检测结果中存在缺陷的位置，获取所有缺陷之间的距离；
将所述距离与预设阈值比较，判断缺陷之间是否关联，其中，对关联的缺陷进行合并。
7.根据权利要求5所述的方法，其特征在于，所述根据所述相对位置与合并之后的所述缺陷检测结果，确定电池片是否存在隐裂缺陷包括：
根据所述相对位置与合并之后的所述缺陷检测结果，确定隐裂缺陷的分布区域：若所述分布区域大于预设区域，则电池片存在隐裂缺陷。
8.一种电池片隐裂缺陷检测装置，其特征在于，所述装置包括：
获取模块，用于获取光致发光的电池片图像；
分段模块，用于将所述电池片图像划分成多个图像块，并记录各所述图像块之间的相对位置；
识别模块，用于将多个所述图像块分别输入预先训练的缺陷检测模型进行分段检测，得到各所述图像块的缺陷检测结果；
检测模块，用于根据所述相对位置和所述缺陷检测结果，确定电池片是否存在隐裂缺陷。
9.一种计算机设备，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1至7中任一项所述的方法的步骤。
10.一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1至7中任一项所述的方法的步骤。
CN202211162932.7A 2022-09-23 2022-09-23 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质 Pending CN115526855A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211162932.7A CN115526855A (zh) 2022-09-23 2022-09-23 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211162932.7A CN115526855A (zh) 2022-09-23 2022-09-23 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN115526855A true CN115526855A (zh) 2022-12-27

Family

ID=84699970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211162932.7A Pending CN115526855A (zh) 2022-09-23 2022-09-23 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115526855A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116213487A (zh) * 2023-05-08 2023-06-06 浙江求是半导体设备有限公司 一种拉丝模具维护方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116213487A (zh) * 2023-05-08 2023-06-06 浙江求是半导体设备有限公司 一种拉丝模具维护方法
CN116213487B (zh) * 2023-05-08 2023-08-08 浙江求是半导体设备有限公司 一种拉丝模具维护方法

Similar Documents

Publication Publication Date Title
US20210319561A1 (en) Image segmentation method and system for pavement disease based on deep learning
JP7138753B2 (ja) 画像欠陥検出方法、装置、電子機器、記憶媒体および製品
RU2694021C1 (ru) Способ и устройство идентификации частей фрагментированного материала в пределах изображения
CN108776772B (zh) 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质
KR101255865B1 (ko) 개선된 이미지 분할 방법
US11657491B2 (en) Learning data collection apparatus, learning data collection method, and program
CN110796048A (zh) 一种基于深度神经网络的船舰目标实时检测方法
JP2014228357A (ja) ひび割れ検出方法
CN115239644B (zh) 混凝土缺陷识别方法、装置、计算机设备和存储介质
CN116485779B (zh) 自适应晶圆缺陷检测方法、装置、电子设备及存储介质
CN110766027A (zh) 图像的区域定位方法和目标区域定位模型的训练方法
Kumar et al. A deep learning based automated structural defect detection system for sewer pipelines
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
CN115223054A (zh) 一种基于分区聚类与卷积的遥感影像变化检测方法
CN116012282A (zh) 晶体生长缺陷检测方法、装置、计算机设备和存储介质
CN104754327A (zh) 一种检测及消除高光谱图像坏点的方法
CN115526855A (zh) 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质
CN115546113A (zh) 掌子面裂隙图像与前方三维结构参数预测方法及系统
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN117372424B (zh) 一种缺陷检测方法、装置、设备及存储介质
CN110443821B (zh) 基于图像的水体检测方法及水体检测装置
Fakhri et al. Road crack detection using gaussian/prewitt filter
CN116343078A (zh) 基于视频sar的目标跟踪方法、系统及设备
CN110751623A (zh) 基于联合特征的缺陷检测方法、装置、设备及存储介质
CN116091784A (zh) 一种目标跟踪方法、设备及存储介质

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