CN115578362A - 电极涂层的缺陷检测方法、装置、电子设备及介质 - Google Patents
电极涂层的缺陷检测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN115578362A CN115578362A CN202211305432.4A CN202211305432A CN115578362A CN 115578362 A CN115578362 A CN 115578362A CN 202211305432 A CN202211305432 A CN 202211305432A CN 115578362 A CN115578362 A CN 115578362A
- Authority
- CN
- China
- Prior art keywords
- defect
- coating
- image
- composite
- 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
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
- G06N3/08—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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及数据处理领域,提供一种电极涂层的缺陷检测方法、装置、电子设备及介质,方法包括:获取电极涂层的涂层区域图像;对涂层区域图像进行预处理,得到多个复合特征图;分别对各个复合特征图进行缺陷预测,得到各个复合特征图对应的缺陷预测结果;基于缺陷预测结果,确定涂层区域图像对应的缺陷检测结果。通过获取电极涂层的涂层区域图像并进行预处理,得到多个复合特征图,分别对各个复合特征图进行缺陷预测,得到各个复合特征图对应的缺陷预测结果,最后基于缺陷预测结果确定涂层区域图像对应的缺陷检测结果,整个电极涂层的缺陷检测过程可自动实现,更加高效和准确,解决了人工检测方式检测精度低且检测效率低的问题。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种电极涂层的缺陷检测方法、装置、电子设备及介质。
背景技术
电极涂层处理工艺主要是将电极材料与导电粘合剂混合形成的浆液均匀涂布到导电金属箔的表面,由于浆液的浓度变化和环境影响,可能导致涂布时产生多种工艺缺陷,比如压痕、漏铂、气泡、亮点以及颗粒等缺陷,为了保证生产得到的电池的质量,对电极涂层进行缺陷检测至关重要。
现有的电极涂层的缺陷检测过程大多通过人工检测的方式实现,由于部分缺陷面积小且辨识度低,人工检测方式存在检测结果精度低和检测效率低的问题。
发明内容
本发明提供一种电极涂层的缺陷检测方法、装置、电子设备及介质,用以解决现有技术中人工检测电极涂层缺陷的方式检测结果精度低且检测效率低的缺陷,实现准确、高效的电极涂层的缺陷检测。
第一方面,本发明提供一种电极涂层的缺陷检测方法,该方法包括:
获取电极涂层的涂层区域图像;
对所述涂层区域图像进行预处理,得到多个复合特征图;
分别对各个所述复合特征图进行缺陷预测,得到各个所述复合特征图对应的缺陷预测结果;
基于所述缺陷预测结果,确定所述涂层区域图像对应的缺陷检测结果。
根据本发明提供的电极涂层的缺陷检测方法,所述对所述涂层区域图像进行预处理,得到多个复合特征图,包括:
对所述涂层区域图像进行若干组滑窗剪裁处理,得到若干个图像块集合,其中,每个所述图像块集合包括多个尺寸相同的图像块;
分别对各个所述图像块进行复合特征提取,得到各个所述图像块对应的复合特征图。
根据本发明提供的电极涂层的缺陷检测方法,所述分别对各个所述图像块进行复合特征提取,得到各个所述图像块对应的复合特征图,包括:
分别确定各个所述图像块对应的均值图;
基于每个所述图像块、所述图像块的均值图以及邻近的所述图像块的均值图,得到每个所述图像块对应的复合特征图。
根据本发明提供的电极涂层的缺陷检测方法,所述基于所述缺陷预测结果,确定所述涂层区域图像对应的缺陷检测结果,包括:
将每个所述图像块集合中各个所述图像块对应的缺陷预测结果进行拼接,得到每个所述图像块集合对应的初步缺陷检测结果;
基于各个所述初步缺陷检测结果,确定所述涂层区域图像对应的所述缺陷检测结果。
根据本发明提供的电极涂层的缺陷检测方法,所述分别对各个所述复合特征图进行缺陷预测,得到各个所述复合特征图对应的缺陷预测结果,包括:
将各个所述复合特征图分别输入缺陷预测模型,得到各个所述复合特征图对应的缺陷预测结果;
其中,所述缺陷预测模型用于对所述复合特征图依次进行语义特征提取、池化处理、二次特征提取以及特征分类,得到所述缺陷预测结果。
根据本发明提供的电极涂层的缺陷检测方法,所述获取电极涂层的涂层区域图像,包括:
获取涂布工艺中产品的原始图像;
从所述原始图像中确定电极涂层区域,得到所述涂层区域图像。
根据本发明提供的电极涂层的缺陷检测方法,所述基于所述缺陷预测结果,确定所述涂层区域图像对应的缺陷检测结果之后,还包括:
分别确定所述缺陷检测结果中至少一个涂层缺陷的轮廓;
基于所述至少一个涂层缺陷的轮廓,确定所述涂层缺陷的标识框。
第二方面,本发明还提供一种电极涂层的缺陷检测装置,该装置包括:
获取模块,用于获取电极涂层的涂层区域图像;
第一处理模块,用于对所述涂层区域图像进行预处理,得到多个复合特征图;
第二处理模块,用于分别对各个所述复合特征图进行缺陷预测,得到各个所述复合特征图对应的缺陷预测结果;
第三处理模块,用于基于所述缺陷预测结果,确定所述涂层区域图像对应的缺陷检测结果。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述电极涂层的缺陷检测方法。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述电极涂层的缺陷检测方法。
本发明提供的电极涂层的缺陷检测方法、装置、电子设备及介质,通过获取电极涂层的涂层区域图像并对涂层区域图像进行预处理,得到多个复合特征图,分别对各个复合特征图进行缺陷预测,得到各个复合特征图对应的缺陷预测结果,最后基于缺陷预测结果确定涂层区域图像对应的缺陷检测结果,整个电极涂层的缺陷检测过程可以自动实现,更加高效和准确。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例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是本发明提供的电极涂层的缺陷检测方法的流程示意图;
图2是本发明实施例中对涂层区域图像进行预处理的实现原理示意图;
图3是本发明实施例中缺陷预测模型的数据处理原理示意图;
图4是本发明实施例中电极涂层的缺陷检测方法的实现原理示意图;
图5是本发明提供的电极涂层的缺陷检测装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1至图6描述本发明提供的电极涂层的缺陷检测方法、装置、电子设备及介质。
图1示出了本发明实施例提供的电极涂层的缺陷检测方法,该方法包括:
步骤101:获取电极涂层的涂层区域图像;
步骤102:对涂层区域图像进行预处理,得到多个复合特征图;
步骤103:分别对各个复合特征图进行缺陷预测,得到各个复合特征图对应的缺陷预测结果;
步骤104:基于缺陷预测结果,确定涂层区域图像对应的缺陷检测结果。
通过上述流程可以实现电池生产过程中,电极涂层缺陷的自动检测,相比于人工检测方式,检测精度和检测效率均得到有效的提高。
在示例性实施例中,获取电极涂层的涂层区域图像,具体可以包括:
获取涂布工艺中产品的原始图像;
从原始图像中确定电极涂层区域,得到涂层区域图像。
在本实施例中,可以通过相机同步抓拍电极涂层生产(即涂布工艺)过程中产品的原始图像,之后可以在原始图像中确定电极涂层的边缘位置,从而确定电极涂层区域,具体地,可以通过边缘检测算法提取电极涂层的左右边缘位置,边缘检测算法可以采用基于Sobel算子的边缘检测算法实现,确定电极涂层区域后,电极涂层区域的图像即为涂层区域图像。
可以理解的是,本实施例中提到的电极涂层区域指的是包含电极涂层的图像区域,上述产品指的是电池,比如可以是锂电池。
在示例性实施例中,对涂层区域图像进行预处理,得到多个复合特征图,具体可以包括:
对涂层区域图像进行若干组滑窗剪裁处理,得到若干个图像块集合,其中,每个图像块集合包括多个尺寸相同的图像块;
分别对各个图像块进行复合特征提取,得到各个图像块对应的复合特征图。
参见附图2,本实施例从原始图像中提取到电极涂层区域后,得到涂层区域图像,即图2中第二个图像中中间部分的区域图像,可以对涂层区域图像进行一组或多组滑窗剪裁处理,图2中示出了四组滑窗剪裁处理,每组滑窗剪裁处理过程中使用的窗口尺寸可以不同。
具体地,可以设置M个大小依次为Wp1×Hp1,Wp2×Hp2,…,WpM×HpM的不同尺寸的窗口分别在涂层区域图像内做滑窗裁剪操作,得到M组尺寸分别为Wpm×Hpm的Nm个图像块Imn,(m=1,2,…,M,n=1,2,…,N),即得到M组图像块集合,每个图像块集合对应一组滑窗剪裁操作,所以每个图像块集合包括多个尺寸相同的图像块Imn。
进一步地,分别对各个图像块进行复合特征提取,得到各个图像块对应的复合特征图,具体可以包括:
分别确定各个图像块对应的均值图;
基于每个图像块、图像块的均值图以及邻近的图像块的均值图,得到每个图像块对应的复合特征图。
本实施例以图像块Imn为例,图2中以最右侧顶部的图像中包含缺陷位置的图像块作为图像块Imn,首先计算图像块Imn的像素均值μmn,然后将尺寸为Wpm×Hpm的全一矩阵与μmn相乘,得到图像块Imn的均值图Wmn,需要说明的是,上述全一矩阵可以理解为由图像块Imn中各个像素点组成的尺寸为Wpm×Hpm的像素点矩阵;
接着,按照上述方式分别确定与当前的图像块Imn邻近的图像块的均值图,本实施例中邻近的图像块的均值图包括图像块Imn的左侧、上方、右侧以及下方邻接的图像块所对应的均值图,可以分别表示为即图2中最右侧顶部的图像中图像块Imn四周的四个图像块;
最后,将图像块Imn、图像块Imn的均值图Wmn、图像块Imn左侧邻接的图像块所对应的均值图图像块Imn上方邻接的图像块所对应的均值图图像块Imn右侧邻接的图像块所对应的均值图图像块Imn下方邻接的图像块所对应的均值图进行堆叠,即图2中最右侧中间位置所示流程,得到尺寸为6×Wpm×Hpm的复合特征图I′mn,即图像块Imn对应的复合特征图,具体见图2中最右侧底部所示图像。
通过将涂层区域图像裁切为较小的多尺度的图像块,并结合图像块的上下文信息,可以有效避免部分涂层缺陷面积较小或大小不一导致难以有效检测的问题,从而提高了涂层缺陷检测的准确性。
在示例性实施例中,分别对各个复合特征图进行缺陷预测,得到各个复合特征图对应的缺陷预测结果,具体可以包括:
将各个复合特征图分别输入缺陷预测模型,得到各个复合特征图对应的缺陷预测结果;
其中,缺陷预测模型用于对复合特征图依次进行语义特征提取、池化处理、二次特征提取以及特征分类,得到缺陷预测结果。
图3示出了缺陷预测模型的结构架构以及数据处理原理,本实施例将复合特征图I′mn作为缺陷预测模型的输入数据,输出是尺寸为Wpm×Hpm的缺陷预测结果Pmn。
参见附图3,本实施例中缺陷预测模型基于差分图像分割深度学习网络架构搭建,使用ResNet18作为特征提取器,提取复合特征图中的语义特征,然后将提取得到的语义特征送入金字塔池化层进行池化处理,得到高级特征,之后经过上采样后通过一个卷积层进行二次特征提取,并送入Softmax层进行特征分类,输出缺陷预测结果。
本实施例中预先设定了五种涂层缺陷,分别是压痕、漏铂、气泡、亮点和颗粒,缺陷预测结果包括上述五种涂层缺陷的预测结果,如果某一种或多种涂层缺陷存在,则相应涂层缺陷的预测结果为包含该缺陷的图像块,如果某种涂层缺陷不存在,则该涂层缺陷的预测结果为空白的图像块,比如纯黑色的图像块或者纯白色的图像块,图3中示出的缺陷预测结果中只预测到气泡这种涂层缺陷存在。
通过搭建上述缺陷预测模型,可以学习到电极涂层的涂层区域图像中的高级差分信息,能够传递更多局部和全局的注意力信息,可以有效解决缺陷面积大小不一问题,同时还可以有效避免电极涂层中正常的纹理对缺陷检测任务的干扰,避免了部分缺陷对比度低导致难以有效检测的问题,使得涂层缺陷的检测结果准确度更高。
在示例性实施例中,基于缺陷预测结果,确定涂层区域图像对应的缺陷检测结果,具体可以包括:
将每个图像块集合中各个图像块对应的缺陷预测结果进行拼接,得到每个图像块集合对应的初步缺陷检测结果;
基于各个初步缺陷检测结果,确定涂层区域图像对应的缺陷检测结果。
考虑到每个图像块集合中各个图像块对应一个缺陷预测结果Pmn,以一个图像块集合为例,针对尺寸为Wpm×Hpm的Nm个缺陷预测结果Pmn,将各个图像块对应的缺陷预测结果按照滑窗裁切处理的对应位置拼接成为原始图像大小,得到初步缺陷检测结果,由此可以得到M个通过不同尺寸的图像块拼接得到的初步缺陷检测结果。
然后,针对M个初步缺陷检测结果,通过投票机制融合得到最终的涂层区域图像对应的缺陷检测结果。具体地,可以通过投票机制将多个初步缺陷检测结果中出现次数最多的涂层缺陷,作为最终的缺陷检测结果。
在示例性实施例中,基于缺陷预测结果,确定涂层区域图像对应的缺陷检测结果之后,还可以包括:
分别确定缺陷检测结果中至少一个涂层缺陷的轮廓;
基于至少一个涂层缺陷的轮廓,确定涂层缺陷的标识框。
在本实施例中,为了直观的展示缺陷检测结果,可以通过轮廓提取算法提取出缺陷检测结果中各涂层缺陷的轮廓,进而通过标识框示出该涂层缺陷的位置,本实施例中标识框可以采用外接矩形框;然后,将各个标识框和该涂层缺陷对应的标签在原始图像中标示出来,得到电极涂层的缺陷检测结果的可视化图像。
图4示出了本发明提供的电极涂层的缺陷检测方法的具体实现流程,具体如下:
首先,将原始图像输入图像预处理模块,通过从原始图像中提取涂层区域图像,并对涂层区域图像进行预处理后,可以得到多个复合特征图;
然后,将各个复合特征图分别输入差分图像分割模块,经过缺陷预测模型处理后可以输出各个复合特征图对应的缺陷预测结果;
接着,将各个缺陷预测结果输入后处理模块,经过对各个缺陷预测结果进行拼接后,得到多个初步缺陷检测结果;
之后,根据多个初步缺陷检测结果通过投票融合模块确定出最终的缺陷检测结果;
最后,将缺陷检测结果送入轮廓提取模块,可以得到显示有涂层缺陷位置的标识框以及涂层缺陷对应标签的可视化图像。
综上所述,本发明实施例提供的电极涂层的缺陷检测方法,提出一种基于差分图像分割深度学习架构的缺陷预测模型,并应用在锂电池的电极涂层缺陷检测场景中,该缺陷预测模型可以学习到电极涂层图像中的高级差分信息;同时,在电极涂层的缺陷检测任务中,提出融合上下文信息的多尺度图像块的预处理流程,通过给缺陷预测模型传递更多局部和全局的注意力信息,可以有效解决涂层缺陷面积大小不一的问题,还可以有效避免电极涂层中正常的纹理对缺陷检测任务的干扰,提高了电极涂层的缺陷检测的准确性和可靠性,同时缺陷检测效率也得到有效提高。
下面对本发明提供的电极涂层的缺陷检测装置进行描述,下文描述的电极涂层的缺陷检测装置与上文描述的电极涂层的缺陷检测方法可相互对应参照。
图5示出了本发明实施例提供的电极涂层的缺陷检测装置,该装置包括:
获取模块501,用于获取电极涂层的涂层区域图像;
第一处理模块502,用于对涂层区域图像进行预处理,得到多个复合特征图;
第二处理模块503,用于分别对各个复合特征图进行缺陷预测,得到各个复合特征图对应的缺陷预测结果;
第三处理模块504,用于基于缺陷预测结果,确定涂层区域图像对应的缺陷检测结果。
在示例性实施例中,上述第一处理模块502具体可以用于:
对涂层区域图像进行若干组滑窗剪裁处理,得到若干个图像块集合,其中,每个图像块集合包括多个尺寸相同的图像块;
分别对各个图像块进行复合特征提取,得到各个图像块对应的复合特征图。
进一步地,上述第一处理模块502具体可以通过如下方式实现分别对各个图像块进行复合特征提取,得到各个图像块对应的复合特征图:
分别确定各个图像块对应的均值图;
基于每个图像块、图像块的均值图以及邻近的图像块的均值图,得到每个图像块对应的复合特征图。
在示例性实施例中,上述第三处理模块504具体可以用于:
将每个图像块集合中各个图像块对应的缺陷预测结果进行拼接,得到每个图像块集合对应的初步缺陷检测结果;
基于各个初步缺陷检测结果,确定涂层区域图像对应的缺陷检测结果。
在示例性实施例中,上述第二处理模块503具体可以用于:
将各个复合特征图分别输入缺陷预测模型,得到各个复合特征图对应的缺陷预测结果;
其中,缺陷预测模型用于对复合特征图依次进行语义特征提取、池化处理、二次特征提取以及特征分类,得到缺陷预测结果。
在示例性实施例中,上述获取模块501具体可以用于:
获取涂布工艺中产品的原始图像;
从原始图像中确定电极涂层区域,得到涂层区域图像。
在示例性实施例中,本发明提供的电极涂层的缺陷检测装置,还可以包括:
第四处理模块,用于分别确定缺陷检测结果中至少一个涂层缺陷的轮廓;基于至少一个涂层缺陷的轮廓,确定涂层缺陷的标识框。
综上所述,本发明实施例提供的电极涂层的缺陷检测装置,通过获取模块获取电极涂层的涂层区域图像并通过第一处理模块对涂层区域图像进行预处理,得到多个复合特征图,通过第二处理模块分别对各个复合特征图进行缺陷预测,得到各个复合特征图对应的缺陷预测结果,最后通过第三处理模块基于缺陷预测结果确定涂层区域图像对应的缺陷检测结果,整个电极涂层的缺陷检测过程可以自动实现,更加高效和准确。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令,以执行电极涂层的缺陷检测方法,该方法包括:获取电极涂层的涂层区域图像;对涂层区域图像进行预处理,得到多个复合特征图;分别对各个复合特征图进行缺陷预测,得到各个复合特征图对应的缺陷预测结果;基于缺陷预测结果,确定涂层区域图像对应的缺陷检测结果。
此外,上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例所提供的电极涂层的缺陷检测方法,该方法包括:获取电极涂层的涂层区域图像;对涂层区域图像进行预处理,得到多个复合特征图;分别对各个复合特征图进行缺陷预测,得到各个复合特征图对应的缺陷预测结果;基于缺陷预测结果,确定涂层区域图像对应的缺陷检测结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以实现上述各实施例提供的电极涂层的缺陷检测方法,该方法包括:获取电极涂层的涂层区域图像;对涂层区域图像进行预处理,得到多个复合特征图;分别对各个复合特征图进行缺陷预测,得到各个复合特征图对应的缺陷预测结果;基于缺陷预测结果,确定涂层区域图像对应的缺陷检测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电极涂层的缺陷检测方法,其特征在于,包括:
获取电极涂层的涂层区域图像;
对所述涂层区域图像进行预处理,得到多个复合特征图;
分别对各个所述复合特征图进行缺陷预测,得到各个所述复合特征图对应的缺陷预测结果;
基于所述缺陷预测结果,确定所述涂层区域图像对应的缺陷检测结果。
2.根据权利要求1所述的电极涂层的缺陷检测方法,其特征在于,所述对所述涂层区域图像进行预处理,得到多个复合特征图,包括:
对所述涂层区域图像进行若干组滑窗剪裁处理,得到若干个图像块集合,其中,每个所述图像块集合包括多个尺寸相同的图像块;
分别对各个所述图像块进行复合特征提取,得到各个所述图像块对应的复合特征图。
3.根据权利要求2所述的电极涂层的缺陷检测方法,其特征在于,所述分别对各个所述图像块进行复合特征提取,得到各个所述图像块对应的复合特征图,包括:
分别确定各个所述图像块对应的均值图;
基于每个所述图像块、所述图像块的均值图以及邻近的所述图像块的均值图,得到每个所述图像块对应的复合特征图。
4.根据权利要求2所述的电极涂层的缺陷检测方法,其特征在于,所述基于所述缺陷预测结果,确定所述涂层区域图像对应的缺陷检测结果,包括:
将每个所述图像块集合中各个所述图像块对应的缺陷预测结果进行拼接,得到每个所述图像块集合对应的初步缺陷检测结果;
基于各个所述初步缺陷检测结果,确定所述涂层区域图像对应的所述缺陷检测结果。
5.根据权利要求1所述的电极涂层的缺陷检测方法,其特征在于,所述分别对各个所述复合特征图进行缺陷预测,得到各个所述复合特征图对应的缺陷预测结果,包括:
将各个所述复合特征图分别输入缺陷预测模型,得到各个所述复合特征图对应的缺陷预测结果;
其中,所述缺陷预测模型用于对所述复合特征图依次进行语义特征提取、池化处理、二次特征提取以及特征分类,得到所述缺陷预测结果。
6.根据权利要求1所述的电极涂层的缺陷检测方法,其特征在于,所述获取电极涂层的涂层区域图像,包括:
获取涂布工艺中产品的原始图像;
从所述原始图像中确定电极涂层区域,得到所述涂层区域图像。
7.根据权利要求1所述的电极涂层的缺陷检测方法,其特征在于,所述基于所述缺陷预测结果,确定所述涂层区域图像对应的缺陷检测结果之后,还包括:
分别确定所述缺陷检测结果中至少一个涂层缺陷的轮廓;
基于所述至少一个涂层缺陷的轮廓,确定所述涂层缺陷的标识框。
8.一种电极涂层的缺陷检测装置,其特征在于,包括:
获取模块,用于获取电极涂层的涂层区域图像;
第一处理模块,用于对所述涂层区域图像进行预处理,得到多个复合特征图;
第二处理模块,用于分别对各个所述复合特征图进行缺陷预测,得到各个所述复合特征图对应的缺陷预测结果;
第三处理模块,用于基于所述缺陷预测结果,确定所述涂层区域图像对应的缺陷检测结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述电极涂层的缺陷检测方法。
10.一种非暂态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如权利要求1至7任一项所述电极涂层的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211305432.4A CN115578362A (zh) | 2022-10-24 | 2022-10-24 | 电极涂层的缺陷检测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211305432.4A CN115578362A (zh) | 2022-10-24 | 2022-10-24 | 电极涂层的缺陷检测方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115578362A true CN115578362A (zh) | 2023-01-06 |
Family
ID=84587336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211305432.4A Pending CN115578362A (zh) | 2022-10-24 | 2022-10-24 | 电极涂层的缺陷检测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578362A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392469A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市丰源升科技有限公司 | 基于机器视觉的钙钛矿电池表面涂膜检测方法及系统 |
-
2022
- 2022-10-24 CN CN202211305432.4A patent/CN115578362A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392469A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市丰源升科技有限公司 | 基于机器视觉的钙钛矿电池表面涂膜检测方法及系统 |
CN117392469B (zh) * | 2023-12-11 | 2024-02-20 | 深圳市丰源升科技有限公司 | 基于机器视觉的钙钛矿电池表面涂膜检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680690B (zh) | 一种文字识别方法及装置 | |
CN110751154B (zh) | 一种基于像素级分割的复杂环境多形状文本检测方法 | |
CN112906794A (zh) | 一种目标检测方法、装置、存储介质及终端 | |
CN115131283A (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN103439348A (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN114743102A (zh) | 一种面向家具板材的瑕疵检测方法、系统及装置 | |
US11823457B2 (en) | Image recognition method and apparatus, based on context representation, and computer-readable storage medium | |
CN113469997A (zh) | 平面玻璃的检测方法、装置、设备和介质 | |
CN115797336A (zh) | 光伏组件的故障检测方法、装置、电子设备和存储介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN115578362A (zh) | 电极涂层的缺陷检测方法、装置、电子设备及介质 | |
CN116071294A (zh) | 一种光纤表面缺陷检测方法和装置 | |
CN113780484B (zh) | 工业产品缺陷检测方法和装置 | |
CN116091503B (zh) | 一种面板异物缺陷的判别方法、装置、设备及介质 | |
CN116342589B (zh) | 一种跨视场划痕缺陷连续性检测方法和系统 | |
CN117541546A (zh) | 图像裁剪效果的确定方法和装置、存储介质及电子设备 | |
CN114708266A (zh) | 一种卡片缺陷的检测工装、方法、装置以及介质 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN115063405A (zh) | 钢材表面缺陷检测的方法、系统、电子设备和存储介质 | |
CN115147386A (zh) | U型管的缺陷检测方法、装置及电子设备 | |
CN113034420B (zh) | 一种频率空间域特征的工业产品表面缺陷分割方法及系统 | |
CN113362347A (zh) | 基于多尺度超像素特征增强的图像缺陷区域分割方法和系统 | |
CN108573253B (zh) | 车牌字符二值图的生成方法 | |
CN110866487B (zh) | 大规模行人检测与重识别样本集构建方法及装置 |
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 |