CN115526881B - 一种基于图像建模的电芯极性检测方法及装置 - Google Patents
一种基于图像建模的电芯极性检测方法及装置 Download PDFInfo
- Publication number
- CN115526881B CN115526881B CN202211271306.1A CN202211271306A CN115526881B CN 115526881 B CN115526881 B CN 115526881B CN 202211271306 A CN202211271306 A CN 202211271306A CN 115526881 B CN115526881 B CN 115526881B
- Authority
- CN
- China
- Prior art keywords
- positive
- cell
- detected
- point diagram
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 210000004027 cell Anatomy 0.000 claims description 162
- 238000010586 diagram Methods 0.000 claims description 110
- 238000000034 method Methods 0.000 claims description 41
- 210000003339 pole cell Anatomy 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 24
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000013519 translation Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000003466 welding Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- NTHWMYGWWRZVTN-UHFFFAOYSA-N sodium silicate Chemical compound [Na+].[Na+].[O-][Si]([O-])=O NTHWMYGWWRZVTN-UHFFFAOYSA-N 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明披露了一种基于图像建模的电芯极性检测方法及装置,通过少量操作创建电芯模板,在样本图像中进行识别匹配,建立一个特定的电池模型数据文件,通过电池模型数据文件和检测图像数据的快速比对,获取数据差异得到检测结果,以达到快速创建、快速使用的目的。由于针对目标数量多的检测任务例如电芯极性检测任务,利用匹配算法得到的目标坐标,如果用圆度、形状、颜色等常用特征计算,会导致计算量巨大,且编程繁琐,另外由于产品整体的摆放位置是随机的,本发明将利用匹配算法得到的若干孤立的坐标整理为整体特征,存储起来作为模型数据文件,然后用该模型数据文件与待检测图像进行对比,用极少的运算量就得出了电芯装配是否正确的结论。
Description
技术领域
本发明属于自动化生产领域,具体涉及一种基于图像建模的电芯极性检测方法及装置。
背景技术
在公司电池包生产线上,有一个人工装配电池模组的工序,此工序要求工人在一个定制夹具中,按照设计好的排列方式装配电芯,装配好后会将夹具盒盖,推入一个自动的点焊设备进行点焊,将电池模组焊接联通成为电池模组,由于电芯数目多,工人易出错,错误的排列会导致焊接完成后电池短路。
所以需要在进入点焊设备前,对工人的装配成果进行防呆,基于机器视觉的测试方案是最佳选择。此工位要求的视觉检测面积较大,约600mm*400mm,但由于该工位需要足够的空间给工人进行操作,所以对打光角度和高度都有所限制,且一般的机器视觉软件,需要用户在样品图像中标注定位目标,再标注若干个ROI(region of interested:感兴趣区域),然后再对ROI内的图像内容进行预处理、颜色、形状、轮廓等编程设置参数,以达到检测的目的。但此处工位需要检测的电池较多,没有清晰标识,且光照不均匀,一般的方法会编程繁琐,所以需要一种更简易,更快捷的方法来满足使用。
发明内容
针对以上缺陷,本发明公开实施例至少提供一种基于图像建模的电芯极性检测方法及装置。
第一方面,本发明实施例提供了一种基于图像建模的电芯极性检测方法,包括:采集电池模组的样本图像,并标注一个或多个正极电芯和一个或多个负极电芯;根据所标注的正极电芯和负极电芯分别创建正、负极电芯模板;利用所述正、负极电芯模板识别所述样本图像中的所有正、负极电芯;提取所有正、负极电芯的坐标并计算电池模组的范围;建立模型数据文件,所述模型数据文件包括所述正、负极电芯模板、正、负极电芯的坐标和电池模组的范围;采集待检测电池模组的待检测图像;将所述待检测图像与所述模型数据文件进行匹配,以检测电芯极性的装配错误。
可选地,所述将所述待检测图像与所述模型数据文件进行匹配,以检测电芯极性的装配错误包括:根据所述模型数据文件中的正、负极电芯模板识别所述待检测图像中的正、负极电芯;提取所述待检测图像中的正、负极电芯的坐标并计算待检测电池模组的范围;根据所述待检测图像中的正、负极电芯的坐标生成第一正极圆点图和第一负极圆点图;根据所述待检测电池模组的范围和模型数据文件中的电池模组的范围建立仿射变换矩阵;根据模型数据文件中的正、负极电芯的坐标和所述仿射变换矩阵生成第二正极圆点图和第二负极圆点图;根据所述第一正极圆点图、第一负极圆点图、第二正极圆点图和第二负极圆点图检测电芯极性的装配错误。
可选地,所述计算电池模组的范围包括:根据所述样本图像中的正负极电芯坐标拟合最大外接矩形区域Rect1;提取电池模组的范围,所述电池模组的范围包括所述矩形区域Rect1的四个角点坐标P1、P2、P3和P4;所述计算待检测电池模组的范围包括:根据所述待检测图像中的正、负极电芯的坐标拟合最大外接矩形区域Rect2;提取待检测电池模组的范围,所述待检测电池模组的范围包括所述矩形区域Rect2的四个角点坐标P11、P12、P13和P14。
可选地,所述根据所述待检测电池模组的范围和模型数据文件中的电池模组的范围建立仿射变换矩阵包括:对所述模型数据文件中的电池模组的范围做旋转平移计算,旋转平移到与所述待检测电池模组的范围重合。
可选地,所述根据模型数据文件中的正、负极电芯的坐标和所述仿射变换矩阵生成第二正极圆点图和第二负极圆点图包括:根据模型数据文件中的正、负极电芯的坐标生成点直径为像素的初始正极圆点图和初始负极圆点图;根据所述仿射变换矩阵对所述初始正极圆点图和初始负极圆点图做平移转换,得到与待检测电池模组的范围重合的第二正极圆点图和第二负极圆点图。
可选地,所述根据所述第一正极圆点图、第一负极圆点图、第二正极圆点图和第二负极圆点图检测电芯极性的装配错误包括:将所述第一正极圆点图与所述第二正极圆点图进行按位减操作,得到第三正极圆点图;将所述第一负极圆点图与所述第二负极圆点图进行按位减操作,得到第三负极圆点图;将第三正极圆点图与第三负极圆点图合并;统计并计算合并后图像中斑块的面积和斑块的位置,其中斑块的面积为:;若斑块的面积S大于预设阈值,则提示该斑块对应的位置装配错误;其中,所述第一正极圆点图和第一负极圆点图的点直径为/>像素,/>。
第二方面,本发明实施例还提供一种基于图像建模的电芯极性检测装置,包括模型数据文件生成模块和电芯极性检测模块;所述模型数据文件生成模块,用于采集电池模组的样本图像,并标注一个或多个正极电芯和一个或多个负极电芯;根据所标注的正极电芯和负极电芯分别创建正、负极电芯模板;利用所述正、负极电芯模板识别所述样本图像中的所有正、负极电芯;提取所有正、负极电芯的坐标并计算电池模组的范围;建立模型数据文件,所述模型数据文件包括所述正、负极电芯模板、正、负极电芯的坐标和电池模组的范围;所述电芯极性检测模块,用于加载所述模型数据文件;还用于采集待检测电池模组的待检测图像;将所述待检测图像与所述模型数据文件进行匹配,以检测电芯极性的装配错误。
可选地,所述将所述待检测图像与所述模型数据文件进行匹配,以检测电芯极性的装配错误包括:根据所述模型数据文件中的正、负极电芯模板识别所述待检测图像中的正、负极电芯;提取所述待检测图像中的正、负极电芯的坐标并计算待检测电池模组的范围;根据所述待检测图像中的正、负极电芯的坐标生成第一正极圆点图和第一负极圆点图;根据所述待检测电池模组的范围和模型数据文件中的电池模组的范围建立仿射变换矩阵;根据模型数据文件中的正、负极电芯的坐标和所述仿射变换矩阵生成第二正极圆点图和第二负极圆点图;根据所述第一正极圆点图、第一负极圆点图、第二正极圆点图和第二负极圆点图检测电芯极性的装配错误。
第三方面,本发明实施例还提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行第一方面的方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行所述第一方面,或第一方面中任一种可能的实施方式中的步骤。
本发明实施例提供的基于图像建模的电芯极性检测方法及装置,通过少量操作创建电芯模板,在样本图像中进行识别匹配,建立一个特定的电池模型数据文件,通过电池模型数据文件和检测图像数据的快速比对,获取数据差异得到检测结果,以达到快速创建、快速使用的目的。由于针对目标数量多的检测任务例如电芯极性检测任务,利用匹配算法得到的目标坐标,如果用常用的圆度、形状、颜色等这类特征进行计算,则会导致计算量巨大,且编程繁琐,另外由于产品整体的摆放位置是随机的,本发明将利用匹配算法得到的若干孤立的坐标整理为一个整体特征,存储起来作为模型数据文件,然后用该模型数据文件与待检测图像进行对比,用极少的运算量就得出了电芯装配是否正确的结论。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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示出了本发明公开实施例所提供的一种基于图像建模的电芯极性检测方法的流程图;
图2示出了本发明公开实施例所提供的采集的样本图像;
图3示出了本发明公开实施例所提供的标注示意图;
图4-7示出了本发明公开实施例所提供的正、负极掩模和正、负极模板;
图8示出了本发明公开实施例所提供的样本图像的电池模组范围示意图;
图9-12示出了本发明公开实施例所提供的变换前的第二正、负极圆点图,和变换后的第二正、负极圆点图;
图13-15示出了待检测图像及第一正、负极圆点图;
图16-17示出了本发明公开实施例所提供的第三正、负极圆点图;
图18示出了本发明公开实施例所提供的将第三圆点图的第三正、负极圆点图合并后的图像DetectAll;
图19示出了本发明公开实施例所提供的将正极模板图像转换得到的单通道颜色的灰度图;
图20示出了本发明公开实施例所提供的图像金字塔示意图;
图21示出了本发明公开实施例所提供的在样图中标注出匹配结果的效果图;
图22示出了本发明公开实施例所提供的一种计算机设备的结构示意图。
具体实施方式
为了使本公开发明的目的、技术方案和优点更加清楚明白,下面结合具体实施例,并根据附图,对本发明进一步详细说明。需要说明的是,在附图或说明书描述中,未描述的内容以及部分英文简写为所属技术领域中普通技术人员所熟知的内容。
实施例1
本发明公开实施例所提供的一种基于图像建模的电芯极性检测方法,包括:
S101,采集电池模组的样本图像,并标注一个或多个正极电芯和一个或多个负极电芯;
S102,根据所标注的正极电芯和负极电芯分别创建正、负极电芯模板;
S103,利用所述正、负极电芯模板识别所述样本图像中的所有正、负极电芯;
S104,提取所有正、负极电芯的坐标并计算电池模组的范围;
S105,建立模型数据文件,所述模型数据文件包括所述正、负极电芯模板、正、负极电芯的坐标和电池模组的范围;
S106,采集待检测电池模组的待检测图像;
S107,将所述待检测图像与所述模型数据文件进行匹配,以检测电芯极性的装配错误。
具体地,所述步骤S101中,用户通过软件界面提供的“采集”按钮,触发相机开始录像,此时用户界面会显示相机的实时画面,画面中应有操作人员放置好的模组夹具、夹具中有装配好的电池模组样品,确定摆好后,用户可点击“停止”获得一张样图,命名为image1,如图2所示。
具体地,所述步骤S101中,用户通过软件提供的标注工具,可以分别标注正极和负极的电芯,标注示意图如图3所示。
具体地,所述步骤S102中,用户点击“创建模板”按钮,软件会根据用户标记的位置、范围生成两个掩膜mask1、mask2,掩模图像见图4和图5,根据掩膜进行裁剪,裁剪对应的两个极性的模板图片,正极模板图片template1见图6,负极模板图片template2见图7。为了便于理解,此处每个极性只使用一个模板图片,实际应用中,该软件支持用户标注多个模板图像,后续匹配计算也会遍历使用所有模板图像。
具体地,所述步骤S102中,分别对两个极性的模板图像进行处理,创建对应极性的模板数据,具体处理过程见实施例3。
具体地,所述步骤S103中,利用所述正、负极电芯模板识别所述样本图像中的所有正、负极电芯,所采用的识别算法为NCC算法,具体识别过程见实施例3。
本发明实施例的一种基于图像建模的电芯极性检测方法,基于NCC(Normalizedcross correlation,归一化互相关)匹配算法,通过少量操作创建电芯模板,在样本图像中进行识别匹配,建立一个特定的电池模型数据文件,通过电池模型数据文件和检测图像数据的快速比对,获取数据差异得到检测结果,以达到快速创建、快速使用的目的。由于针对目标数量多的检测任务例如电芯极性检测任务,利用匹配算法得到的目标坐标,如果用常用的圆度、形状、颜色等这类特征进行计算,则会导致计算量巨大,且编程繁琐,另外由于产品整体的摆放位置是随机的,本发明将利用匹配算法得到的若干孤立的坐标整理为一个整体特征,存储起来作为模型数据文件,然后用该模型数据文件与待检测图像进行对比,用极少的运算量就得出了电芯装配是否正确的结论。
实施例2
本发明公开实施例在实施例1的基础上对电芯极性装配错误的检测过程进行说明。
所述将所述待检测图像与所述模型数据文件进行匹配,以检测电芯极性的装配错误包括:
S201,根据所述模型数据文件中的正、负极电芯模板识别所述待检测图像中的正、负极电芯;
S202,提取所述待检测图像中的正、负极电芯的坐标并计算待检测电池模组的范围;
S203,根据所述待检测图像中的正、负极电芯的坐标生成第一正极圆点图和第一负极圆点图;
S204,根据所述待检测电池模组的范围和模型数据文件中的电池模组的范围建立仿射变换矩阵;
S205,根据模型数据文件中的正、负极电芯的坐标和所述仿射变换矩阵生成第二正极圆点图和第二负极圆点图;
S206,根据所述第一正极圆点图、第一负极圆点图、第二正极圆点图和第二负极圆点图检测电芯极性的装配错误。
具体地,用户可通过外接的通电开关或鼠标点击界面“开始检测”按钮的方式触发软件开始检测工作;对相机视野内的电池模组进行拍照,获得待检测图像image2。
进一步地,所述计算电池模组的范围包括:
S301,根据所述样本图像中的正负极电芯坐标拟合最大外接矩形区域Rect1;
S302,提取电池模组的范围,所述电池模组的范围包括所述矩形区域Rect1的四个角点坐标P1、P2、P3和P4;
具体地,所述步骤S301中,根据步骤S103中获得的电芯匹配结果,提取其正负极坐标,拟合一个最大外接矩形区域Rect1,这个区域可视为电池模组的所在范围,提取这个矩形的四个角点的坐标P1、P2、P3、P4一同保存备用,如图8所示。至此,一个电池模组的排列方式就已经建立了一个数据模型,此数据模型包括正极电芯和负极电芯的坐标分布关系和整个模组的范围。将该数据模型建立一个二进制文件作为模型数据文件,包含坐标信息、型号、正负极电芯模板的图像金字塔等信息,保存到本地待用。
具体地,通过加载读取保存的模型数据文件,用加载的模型数据文件中的电芯模板与待检测图像image2进行匹配。
进一步的,所述计算待检测电池模组的范围包括:
S303,根据所述待检测图像中的正、负极电芯的坐标拟合最大外接矩形区域Rect2;
S304,提取待检测电池模组的范围,所述待检测电池模组的范围包括所述矩形区域Rect2的四个角点坐标P11、P12、P13和P14。
进一步地,所述根据所述待检测电池模组的范围和模型数据文件中的电池模组的范围建立仿射变换矩阵包括:对所述模型数据文件中的电池模组的范围做旋转平移计算,旋转平移到与所述待检测电池模组的范围重合。
具体地,分别获取待检测电池模组的范围的四个角点坐标和模型数据文件中的电池模组的范围的四个角点坐标,计算两组坐标之间的仿射变换矩阵。
进一步的,所述根据模型数据文件中的正、负极电芯的坐标和所述仿射变换矩阵生成第二正极圆点图和第二负极圆点图包括:根据模型数据文件中的正、负极电芯的坐标生成点直径为像素的初始正极圆点图和初始负极圆点图;根据所述仿射变换矩阵对所述初始正极圆点图和初始负极圆点图做平移转换,得到与待检测电池模组的范围重合的第二正极圆点图和第二负极圆点图。
具体地,点直径为像素的初始正极圆点图和初始负极圆点图分别如图10和图9所示,第二正极圆点图和第二负极圆点图分别如图12和图11所示。
进一步地,所述根据所述第一正极圆点图、第一负极圆点图、第二正极圆点图和第二负极圆点图检测电芯极性的装配错误包括:将所述第一正极圆点图与所述第二正极圆点图进行按位减操作,得到第三正极圆点图;将所述第一负极圆点图与所述第二负极圆点图进行按位减操作,得到第三负极圆点图;将第三正极圆点图与第三负极圆点图合并;统计并计算合并后图像中斑块的面积和斑块的位置,其中斑块的面积为:;若斑块的面积S大于预设阈值,则提示该斑块对应的位置装配错误;其中,所述第一正极圆点图和第一负极圆点图的点直径为/>像素,/>。
具体地,根据待检测图像生成的第一正极圆点图和第一负极圆点图,点直径为像素。为了方便比对,兼顾一些手工装配的工差,设置点直径/>比点直径/>稍大。以如图13所示的待检测图像为例,根据匹配结果获取正、负极电芯的坐标,并据此生成第一正、负极圆点图分别如图14、15所示。
将如图14、15所示的第一正、负极圆点图与如图12、11所示的第二圆点图的第二正、负极圆点图分别进行按位减操作,得到包括如图16和17所示的第三正、负极圆点图;将第三正、负极圆点图合并得到如图18所示的DetectAll。统计并计算如图18所示的DetectAll图像中斑块面积、位置,设定一个阈值X作为正常斑块面积值,如果斑块面积大于正常斑块面积值X,则认为该处存在装配错误,在软件中显示即可完成模板检测,其中斑块面积S的计算方式为:。
本发明实施例提供的一种基于图像建模的电芯极性检测方法中,由于电池模组本身的每颗电芯的排列结构是固定的,能通过这些电芯的出现位置计算出一个相对稳定的矩形范围,可电芯的出现范围能固定,但整个模组作为一个整体,它或许可以出现在图像中的其他位置,角度也会偏移,如图2和图13就是出现在不同位置的同一个产品,就是作为一个整体偏移到其他地方。两组数据做比对最简单的办法是做减法,但是位置不一样、无法直接相减,所以将模型文件中电池模组范围的4个角点坐标与待检测电池模组范围的4个角点坐标,作旋转平移计算,转换到跟待检测图像一样的位置,位置重合后就能直接相减运算就能比对出结果。本发明实施例所提供的方法在人机交互、效率、性能、柔性化都达到了较高水准,目标匹配即目标检测,操作快速,可靠性高。
实施例3
本发明公开实施例在实施例1的基础上以NCC算法为例对正、负极电芯模板的创建过程和利用正、负极电芯模板识别样本图像的所有正、负极电芯的过程进行说明。
分别对正负极模板图像进行处理,创建对应极性的模板数据,以如图6所示的正极图像为例,处理过程如下:
SS101,因为NCC匹配算法不支持多通道数据的计算,所以首先要对图6进行色彩转换,将模板图像转换为如图19所示的单通道颜色的灰度图。
SS102,对所述单通道颜色的灰度图进行梯次下降采样,获得一个金字塔层级图片,此采样原理是将一幅图片用高斯滤波或拉普拉斯滤波进行平滑,然后去除图片中的偶数行和偶数列,获得一张比原图片宽高都少一半的新图片,在一个图像金字塔中,随着图像级别递增,图像信息量减少,响应的处理速度也越快,是一种业界常用的图像模板匹配的处理的加速思路。
图像金字塔示意图如图20所示,在本发明中,一般认为如果最顶层的图片像素宽度和高度如果小于20个像素,其信息量就太少,肉眼都已经很难分辨其中内容,没有匹配意义,所以会根据模板图片的宽高进行计算其多能够生成的图像金字塔层数。以一个200*200像素的模板图像为例,第4层级的像素为25*25,继续下降采样的第5层只有13*13个像素,信息过少,所以会在第4层停止下降采样。示例中的模板图片也是产生4层的图像金字塔,命名为level,leve2,leve3,leve4,同时掩膜mask1也做梯次下降采样处理,获得对应大小的掩膜金字塔数据集mask_1, mask_2, mask_3, mask_4,数据集可包含多个图像金字塔。
SS103,对极性的模板产生的两个图像金字塔进行保存,保存的信息包含其具体极性、图像数据,每个图片对应的金字塔级别等,在此称之为极性模板数据集ModelS。
SS104,对负极图片重复SS101~SS103的过程,产生另一个模板数据集ModelN。
利用正、负极电芯模板识别样本图像的所有正、负极电芯的过程,以数据集ModelS为例,具体包括如下步骤:
SSS101,因为NCC匹配算法不支持多通道数据的计算,将如图2所示的样本图像转换为单通道灰度图Gray1;
SSS102,获取数据集ModelS的所有图像金字塔中最高层级的图像,此处只有一个level4,将Gray1也同样梯次下降采样获得4层图像金字塔,依次命名为pyramid_1,pyramid_2,pyramid_3,pyramid_4。注意,使用最高层级的pyramid_4与数据集ModelS中的第4层级图像level4,对应的掩膜mask_4做NCC匹配运算,此处使用了开源代码库OpenCV的匹配算法,该算法的功能是使用模板图像在匹配图像中滑动计算其NCC匹配分数,获得对应像素为中心,模板范围内的匹配分数,分数范围为[-1,1],1代表相似度100%,-1表示毫不相关。
SSS103,将匹配结果过滤掉匹配分数太低的数据,获得一个包含其像素坐标和该坐标匹配分数大于0.5(此分数可以由用户自行设定)的数据集。
SSS104,将该数据集的数据进行聚类分析,将坐标范围内的坐标点进行归类,坐标接近范围内的分数归为一类,将同类分数的最大值取出,就删除了大量重叠的匹配结果,获得一个精简的数据集。
SSS105,根据最高级别的匹配结果数据,遍历其坐标,将该坐标乘以2,就获得了对应图像金字塔的下一层坐标,根据该坐标计算出一个搜索区域,这个搜索区域的大小是以这个坐标点为中心,范围大小是该层级模板图像大小稍大(大约10个像素)的区域,使用在该区域内进行NCC匹配、聚类分析、分数过滤,循环往复到最低层级,这种通过先匹配计算图像金字塔中最高层级的匹配结果,过滤掉大部分不存在目标的坐标点,最终在原图中只需要少量计算的思路是业界常用的思路,同时兼顾性能和精确度。使用该方法获得图像金字塔级别最底下一层的匹配结果,包含理想的坐标和匹配分数。
SSS106,对负极模板重复SSS102到SSS103的匹配计算过程,获得负极的匹配结果。
最后,在样图中标注出匹配结果,效果如图21所示。用户根据匹配结果,决定是否增加模板数据,若需要,则重复步骤S102~S103,直到正确识别了所有的电芯。
实施例4
本申请实施例还提供了一种基于图像建模的电芯极性检测装置,包括模型数据文件生成模块和电芯极性检测模块;所述模型数据文件生成模块,用于采集电池模组的样本图像,并标注一个或多个正极电芯和一个或多个负极电芯;根据所标注的正极电芯和负极电芯分别创建正、负极电芯模板;利用所述正、负极电芯模板识别所述样本图像中的所有正、负极电芯;提取所有正、负极电芯的坐标并计算电池模组的范围;建立模型数据文件,所述模型数据文件包括所述正、负极电芯模板、正、负极电芯的坐标和电池模组的范围;所述电芯极性检测模块,用于加载所述模型数据文件;还用于采集待检测电池模组的待检测图像;将所述待检测图像与所述模型数据文件进行匹配,以检测电芯极性的装配错误。
进一步地,所述将所述待检测图像与所述模型数据文件进行匹配,以检测电芯极性的装配错误包括:根据所述模型数据文件中的正、负极电芯模板识别所述待检测图像中的正、负极电芯;提取所述待检测图像中的正、负极电芯的坐标并计算待检测电池模组的范围;根据所述待检测图像中的正、负极电芯的坐标生成第一正极圆点图和第一负极圆点图;根据所述待检测电池模组的范围和模型数据文件中的电池模组的范围建立仿射变换矩阵;根据模型数据文件中的正、负极电芯的坐标和所述仿射变换矩阵生成第二正极圆点图和第二负极圆点图;根据所述第一正极圆点图、第一负极圆点图、第二正极圆点图和第二负极圆点图检测电芯极性的装配错误。
实施例5
基于同一技术构思,本申请实施例还提供了一种计算机设备,包括存储器1和处理器2,如图22所示,所述存储器1存储有计算机程序,所述处理器2执行所述计算机程序时实现上述任一项所述的方法。
其中,存储器1至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器1在一些实施例中可以是基于图像建模的电芯极性检测装置的内部存储单元,例如硬盘。存储器1在另一些实施例中也可以是基于图像建模的电芯极性检测装置的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,存储器1还可以既包括基于图像建模的电芯极性检测装置的内部存储单元也包括外部存储设备。存储器1不仅可以用于存储安装于基于图像建模的电芯极性检测装置的应用软件及各类数据,例如基于图像建模的电芯极性检测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器2在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器1中存储的程序代码或处理数据,例如执行基于图像建模的电芯极性检测程序等。
本发明公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
本发明公开实施例所提供的基于图像建模的电芯极性检测方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中所述的方法的步骤,具体可参见上述方法实施例,在此不再赘述。
本发明公开实施例还提供一种计算机程序,该计算机程序被处理器执行时实现前述实施例的任意一种方法。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software DevelopmentKit,SDK)等等。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种基于图像建模的电芯极性检测方法,其特征在于,包括:
采集电池模组的样本图像,并标注一个或多个正极电芯和一个或多个负极电芯;
根据所标注的正极电芯和负极电芯分别创建正、负极电芯模板;
利用所述正、负极电芯模板识别所述样本图像中的所有正、负极电芯;
提取所有正、负极电芯的坐标并计算电池模组的范围;
建立模型数据文件,所述模型数据文件包括所述正、负极电芯模板、正、负极电芯的坐标和电池模组的范围;
采集待检测电池模组的待检测图像;
将所述待检测图像与所述模型数据文件内容进行一一匹配,以检测电芯极性的装配错误;
所述将所述待检测图像与所述模型数据文件内容进行一一匹配,以检测电芯极性的装配错误包括:
根据所述模型数据文件中的正、负极电芯模板识别所述待检测图像中的正、负极电芯;
提取所述待检测图像中的正、负极电芯的坐标并计算待检测电池模组的范围;
根据所述待检测图像中的正、负极电芯的坐标生成第一正极圆点图和第一负极圆点图;
根据所述待检测电池模组的范围和模型数据文件中的电池模组的范围建立仿射变换矩阵;
根据模型数据文件中的正、负极电芯的坐标和所述仿射变换矩阵生成第二正极圆点图和第二负极圆点图;
根据所述第一正极圆点图、第一负极圆点图、第二正极圆点图和第二负极圆点图检测电芯极性的装配错误。
2.根据权利要求1所述的方法,其特征在于,所述计算电池模组的范围包括:
根据所述样本图像中的正负极电芯坐标拟合最大外接矩形区域Rect1;
提取电池模组的范围,所述电池模组的范围包括所述矩形区域Rect1的四个角点坐标P1、P2、P3和P4;
所述计算待检测电池模组的范围包括:
根据所述待检测图像中的正、负极电芯的坐标拟合最大外接矩形区域Rect2;
提取待检测电池模组的范围,所述待检测电池模组的范围包括所述矩形区域Rect2的四个角点坐标P11、P12、P13和P14。
3.根据权利要求2所述的方法,其特征在于,所述根据所述待检测电池模组的范围和模型数据文件中的电池模组的范围建立仿射变换矩阵包括:
对所述模型数据文件中的电池模组的范围做旋转平移计算,旋转平移到与所述待检测电池模组的范围重合。
4.根据权利要求3所述的方法,其特征在于,所述根据模型数据文件中的正、负极电芯的坐标和所述仿射变换矩阵生成第二正极圆点图和第二负极圆点图包括:
根据模型数据文件中的正、负极电芯的坐标生成点直径为R2像素的初始正极圆点图和初始负极圆点图;
根据所述仿射变换矩阵对所述初始正极圆点图和初始负极圆点图做平移转换,得到与待检测电池模组的范围重合的第二正极圆点图和第二负极圆点图。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一正极圆点图、第一负极圆点图、第二正极圆点图和第二负极圆点图检测电芯极性的装配错误包括:
将所述第一正极圆点图与所述第二正极圆点图进行按位减操作,得到第三正极圆点图;
将所述第一负极圆点图与所述第二负极圆点图进行按位减操作,得到第三负极圆点图;
将第三正极圆点图与第三负极圆点图合并;
统计并计算合并后图像中斑块的面积和斑块的位置,其中斑块的面积为:
若斑块的面积S大于预设阈值,则提示该斑块对应的位置装配错误;
其中,所述第一正极圆点图和第一负极圆点图的点直径为R1像素,R1>R2。
6.一种基于图像建模的电芯极性检测装置,其特征在于,包括模型数据文件生成模块和电芯极性检测模块;
所述模型数据文件生成模块,用于采集电池模组的样本图像,并标注一个或多个正极电芯和一个或多个负极电芯;根据所标注的正极电芯和负极电芯分别创建正、负极电芯模板;利用所述正、负极电芯模板识别所述样本图像中的所有正、负极电芯;提取所有正、负极电芯的坐标并计算电池模组的范围;建立模型数据文件,所述模型数据文件包括所述正、负极电芯模板、正、负极电芯的坐标和电池模组的范围;
所述电芯极性检测模块,用于加载所述模型数据文件;还用于采集待检测电池模组的待检测图像;将所述待检测图像与所述模型数据文件内容进行一一匹配,以检测电芯极性的装配错误;
所述将所述待检测图像与所述模型数据文件内容进行一一匹配,以检测电芯极性的装配错误包括:
根据所述模型数据文件中的正、负极电芯模板识别所述待检测图像中的正、负极电芯;
提取所述待检测图像中的正、负极电芯的坐标并计算待检测电池模组的范围;
根据所述待检测图像中的正、负极电芯的坐标生成第一正极圆点图和第一负极圆点图;
根据所述待检测电池模组的范围和模型数据文件中的电池模组的范围建立仿射变换矩阵;
根据模型数据文件中的正、负极电芯的坐标和所述仿射变换矩阵生成第二正极圆点图和第二负极圆点图;
根据所述第一正极圆点图、第一负极圆点图、第二正极圆点图和第二负极圆点图检测电芯极性的装配错误。
7.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211271306.1A CN115526881B (zh) | 2022-10-18 | 2022-10-18 | 一种基于图像建模的电芯极性检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211271306.1A CN115526881B (zh) | 2022-10-18 | 2022-10-18 | 一种基于图像建模的电芯极性检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115526881A CN115526881A (zh) | 2022-12-27 |
CN115526881B true CN115526881B (zh) | 2023-07-18 |
Family
ID=84702758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211271306.1A Active CN115526881B (zh) | 2022-10-18 | 2022-10-18 | 一种基于图像建模的电芯极性检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526881B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117190866B (zh) * | 2023-11-08 | 2024-01-26 | 广东工业大学 | 多个堆叠电子元器件的极性判别检测方法、装置和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126015A (zh) * | 2016-06-17 | 2016-11-16 | 广东欧珀移动通信有限公司 | 一种应用程序启动控制方法及终端 |
CN112102378A (zh) * | 2020-08-06 | 2020-12-18 | 深圳市优必选科技股份有限公司 | 图像配准方法、装置、终端设备及计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110132978A (zh) * | 2019-04-28 | 2019-08-16 | 无锡和博永新科技有限公司 | 电阻片整片检测装置及检测方法 |
CN113255702B (zh) * | 2021-07-01 | 2021-11-09 | 深圳市华汉伟业科技有限公司 | 一种基于图匹配的目标检测方法及目标检测装置 |
CN115131587A (zh) * | 2022-08-30 | 2022-09-30 | 常州铭赛机器人科技股份有限公司 | 一种基于边缘轮廓的梯度向量特征的模板匹配方法 |
-
2022
- 2022-10-18 CN CN202211271306.1A patent/CN115526881B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126015A (zh) * | 2016-06-17 | 2016-11-16 | 广东欧珀移动通信有限公司 | 一种应用程序启动控制方法及终端 |
CN112102378A (zh) * | 2020-08-06 | 2020-12-18 | 深圳市优必选科技股份有限公司 | 图像配准方法、装置、终端设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115526881A (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875911B (zh) | 一种泊车位检测方法 | |
Romero-Ramirez et al. | Speeded up detection of squared fiducial markers | |
Hinterstoisser et al. | Model based training, detection and pose estimation of texture-less 3d objects in heavily cluttered scenes | |
CN110008956B (zh) | 发票关键信息定位方法、装置、计算机设备及存储介质 | |
CN109242903A (zh) | 三维数据的生成方法、装置、设备及存储介质 | |
US20130243343A1 (en) | Method and device for people group detection | |
Aziz et al. | Implementation of lane detection algorithm for self-driving car on toll road cipularang using Python language | |
CN107203742B (zh) | 一种基于显著特征点提取的手势识别方法及装置 | |
CN115526881B (zh) | 一种基于图像建模的电芯极性检测方法及装置 | |
CN111192326B (zh) | 一种用于视觉识别电动汽车直流充电插口的方法及系统 | |
CN110544268B (zh) | 一种基于结构光及SiamMask网络的多目标跟踪方法 | |
CN111178170B (zh) | 一种手势识别方法和一种电子设备 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
JP2011043969A (ja) | 画像特徴点抽出方法 | |
CN113936280B (zh) | 一种嵌入式仪表码盘字符自动识别系统及方法 | |
CN108694716B (zh) | 一种工件检测方法、模型训练方法及设备 | |
CN111222507A (zh) | 数字式仪表读数的自动识别方法、计算机可读存储介质 | |
CN109635640A (zh) | 基于点云的交通灯识别方法、装置、设备及存储介质 | |
Collins et al. | Site model acquisition and extension from aerial images | |
US20070120844A1 (en) | Method and apparatus for the graphical operation of real-time image processing systems | |
CN112784639A (zh) | 路口检测、神经网络训练及智能行驶方法、装置和设备 | |
WO2024002396A2 (zh) | 一种车辆充电口识别方法及相关设备 | |
CN104766331A (zh) | 一种图像处理方法及电子设备 | |
CN110310336B (zh) | 一种触控投影系统及图像处理方法 | |
Truong et al. | Lane boundaries detection algorithm using vector lane concept |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 2905, Hanjing Financial Center, No. 9968 Shennan Avenue, Maling Community, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province, 518000 Applicant after: Shenzhen Anshi New Energy Technology Co.,Ltd. Address before: 518000 1203, Hanjing financial center, No. 9968, Shennan Avenue, Maling community, Yuehai street, Nanshan District, Shenzhen, Guangdong Province Applicant before: Shenzhen Anshi New Energy Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |