CN115984576A - 一种新能源电池方形铝壳毛刺无损去除方法及系统 - Google Patents

Abstract

本申请公开了一种新能源电池方形铝壳毛刺无损去除方法及系统，属于数据处理技术领域，所述方法包括：通过图像采集设备对电池方形铝壳进行多角度图像采集，获得铝壳多角度图像信息；进行图像识别，确定毛刺识别信息，确定毛刺位置信息；进而获得毛刺形状特征、毛刺尺寸信息；将毛刺形状特征、毛刺尺寸信息、毛刺位置信息输入毛刺分析模型，获得毛刺去除参数；获得去除设备参数信息、毛刺材质信息，确定毛刺去除分步要求，基于毛刺去除分布要求获得毛刺去除策略对铝壳进行去除。本申请解决了现有技术中存在铝壳毛刺去除的智能化程度低，去除质量差的技术问题，达到了提高铝壳毛刺去除效率，提高毛刺去除的无损程度，保证铝壳质量的技术效果。

Description

一种新能源电池方形铝壳毛刺无损去除方法及系统

技术领域

本申请涉及数据处理技术领域，尤其涉及一种新能源电池方形铝壳毛刺无损去除方法及系统。

背景技术

在环境保护政策的推动下，新能源汽车行业成为当下最热门的行业，新能源汽车的相关产业链随之快速发展壮大。作为新能源汽车的核心部件之一的新能源电池的需求量也随之逐渐攀升，研究对新能源电池的外壳加工工艺，对于保证新能源电池质量，支持新能源行业快速发展，有着十分重要的意义。

目前，在进行新能源电池外壳加工时，由于生产工艺的问题，铝壳面与面的相交处容易形成毛刺，主要包括刺状物或飞边，影响外壳的装配，或者在使用过程中毛刺掉落，导致电池与汽车的其他零部件之间的摩擦损坏剧烈，减少零件的使用寿命。因此，通过使用人工去毛刺的方法，利用钢锉、砂纸等工具进行打磨，或者使用高温去毛刺、滚磨去毛刺的方法进行去毛刺操作。

然而，使用人工去毛刺的方法，受限于工人的经验，操作复杂，用时时间长。高温去毛刺和滚磨去毛刺的方法仅仅只能针对特定的毛刺进行处理，实际生产加工过程中，由于毛刺的种类多样，仅仅采用单一处理方式，无法保证去毛刺的质量。多种去毛刺工艺的切换无法根据实际的毛刺情况进行智能切换，去除效率低。现有技术中存在铝壳毛刺去除的智能化程度低，去除质量差的技术问题。

发明内容

本申请的目的是提供一种新能源电池方形铝壳毛刺无损去除方法及系统，用以解决现有技术中存在铝壳毛刺去除的智能化程度低，去除质量差的技术问题。

鉴于上述问题，本申请提供了一种新能源电池方形铝壳毛刺无损去除方法及系统。

第一方面，本申请提供了一种新能源电池方形铝壳毛刺无损去除方法，其中，所述方法包括：通过图像采集设备对电池方形铝壳进行多角度图像采集，获得铝壳多角度图像信息；对所述铝壳多角度图像信息进行图像识别，确定毛刺识别信息，并针对识别图像信息确定毛刺位置信息；根据所述毛刺识别信息，获得毛刺形状特征、毛刺尺寸信息；将所述毛刺形状特征、毛刺尺寸信息、毛刺位置信息输入毛刺分析模型，获得毛刺去除参数；获得去除设备参数信息、毛刺材质信息，根据所述去除设备参数信息、毛刺材质信息、毛刺去除参数、毛刺形状特征，确定毛刺去除分步要求，基于所述毛刺去除分布要求获得毛刺去除策略对铝壳进行去除。

另一方面，本申请还提供了一种新能源电池方形铝壳毛刺无损去除系统，其中，所述系统包括：多角度图像采集模块，所述多角度图像采集模块用于通过图像采集设备对电池方形铝壳进行多角度图像采集，获得铝壳多角度图像信息；毛刺位置信息确定模块，所述毛刺位置信息确定模块用于对所述铝壳多角度图像信息进行图像识别，确定毛刺识别信息，并针对识别图像信息确定毛刺位置信息；尺寸信息获得模块，所述尺寸信息获得模块用于根据所述毛刺识别信息，获得毛刺形状特征、毛刺尺寸信息；去除参数获得模块，所述去除参数获得模块用于将所述毛刺形状特征、毛刺尺寸信息、毛刺位置信息输入毛刺分析模型，获得毛刺去除参数；毛刺去除模块，所述毛刺去除模块用于获得去除设备参数信息、毛刺材质信息，根据所述去除设备参数信息、毛刺材质信息、毛刺去除参数、毛刺形状特征，确定毛刺去除分步要求，基于所述毛刺去除分布要求获得毛刺去除策略对铝壳进行去除。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请通过图像采集设备对电池方形铝壳进行多角度图像采集，获得铝壳多角度图像信息，进而对铝壳多角度图像信息进行图像识别，确定毛刺识别信息，并针对识别图像信息确定毛刺位置信息，然后根据毛刺识别信息，获得毛刺形状特征、毛刺尺寸信息，通过将毛刺形状特征、毛刺尺寸信息、毛刺位置信息输入毛刺分析模型，获得毛刺去除参数，然后获得去除设备参数信息、毛刺材质信息，进而根据所述去除设备参数信息、毛刺材质信息、毛刺去除参数、毛刺形状特征，确定毛刺去除分步要求，基于毛刺去除分布要求获得毛刺去除策略对铝壳进行去除。由此，达到了对毛刺进行智能化的分步去除，提高毛刺去除质量的技术效果。

附图说明

为了更清楚地说明本申请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，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种新能源电池方形铝壳毛刺无损去除方法的流程示意图；

图2为本申请实施例提供的一种新能源电池方形铝壳毛刺无损去除方法中确定毛刺识别信息的流程示意图；

图3为本申请实施例提供的一种新能源电池方形铝壳毛刺无损去除方法中获得毛刺去除参数的流程示意图；

图4为本申请一种新能源电池方形铝壳毛刺无损去除系统的结构示意图。

附图标记说明：多角度图像采集模块11，毛刺位置信息确定模块12，尺寸信息获得模块13，去除参数获得模块14，毛刺去除模块15。

具体实施方式

本申请通过提供一种新能源电池方形铝壳毛刺无损去除方法及系统，解决了现有技术中存在铝壳毛刺去除的智能化程度低，去除质量差的技术问题。达到了根据毛刺类型进行智能化去除，提高处理效率，协调资源，保证去除质量的技术效果。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

下面，将参考附图对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。

实施例一

如图1所示，本申请提供了一种新能源电池方形铝壳毛刺无损去除方法，其中，所述方法包括：

步骤S100：通过图像采集设备对电池方形铝壳进行多角度图像采集，获得铝壳多角度图像信息；

具体而言，所述图像采集设备是对电池方形铝壳进行图像采集的设备，包括摄像机、扫描仪、红外摄像仪等。所述电池方形铝壳是要进行毛刺去除的任意一个铝壳。为了对所述电池方形铝壳的图像进行充分采集，利用图像采集设备对其进行多个不同角度的图像采集，优选的，从正视、俯视、侧视、连接线处等，得到所述铝壳多角度图像信息。其中，所述铝壳多角度图像信息反映了铝壳不同角度的表面的光滑程度。由此，达到了对铝壳表面进行图像采集，为后续识别毛刺信息提供识别图像的技术效果。

步骤S200：对所述铝壳多角度图像信息进行图像识别，确定毛刺识别信息，并针对识别图像信息确定毛刺位置信息；

进一步的，如图2所示，对所述铝壳多角度图像信息进行图像识别，确定毛刺识别信息，本申请实施例步骤S200包括：

步骤S210：获得预设毛刺识别模型，所述毛刺识别模型为通过具有多类型毛刺标识数据的训练数据集、测试数据集，进行训练、测试得到的机器学习模型；

步骤S220：对所述铝壳多角度图像信息进行降噪、纠偏预处理；

步骤S230：将预处理后的铝壳多角度图像信息输入毛刺识别模型，进行毛刺识别处理，获得所述毛刺识别信息。

具体而言，所述毛刺识别模型是用于对图像信息中的毛刺进行智能化识别的功能模型。所述多类型毛刺标识数据是根据不同类型的毛刺特征，对图像中具有某个类型的毛刺特征的毛刺进行类型标识后得到的数据，包括毛刺图像和毛刺特征标识。优选的，按照一定的比例将包含所述多类型毛刺标识数据的数据集分为训练数据集和测试数据集，比例为2:1。运用所述训练数据集对所述毛刺识别模型进行训练，以所述多类型标识数据为监督，将模型训练至收敛，进而，通过运用所述测试数据集对所述毛刺识别模型进行准确度测试，当模型的准确度可以符合要求时，得到所述训练完成的毛刺识别模型。

具体的，对铝壳进行图像采集的过程中由于环境、角度的影响，导致采集到的图像中噪点较多，图像扭曲程度过大，无法准确反映铝壳的表面情况。通过对所述铝壳多角度图像信息进行降噪、纠偏预处理，对图像进行优化处理，使图像可以进行使用。优选的，通过运用空域像素特征去噪算法对图像中的随机噪声进行去除，直接在图像空间中进行噪声处理。所述纠偏预处理是通过对图像轮廓进行采集，按照一定的基准参考，对图像的扭曲部分进行透视变换、投影、拉伸等操作，对图像进行倾斜校正的操作。进而，将预处理后的铝壳多角度图像信息输入所述毛刺识别模型中，对图像中的毛刺类型进行识别，得到所述毛刺识别信息。其中，所述毛刺识别信息反映了毛刺的类型和毛刺的基本情况的信息。进而，根据毛刺识别信息，确定各个毛刺在电池方形铝壳中的具体位置，得到所述毛刺位置信息，通过根据所述毛刺位置信息为后续进行毛刺定位去除处理提供依据。进而，通过对图像中的毛刺进行智能化识别，达到了为毛刺处理提供基础分析数据，提高毛刺处理的智能化程度，提高处理效率的技术效果。

步骤S300：根据所述毛刺识别信息，获得毛刺形状特征、毛刺尺寸信息；

具体而言，对所述毛刺识别信息进行特征提取，得到毛刺形状特征。其中，所述毛刺形状特征是对毛刺的外观形状进行描述的特征，包括环形、锥形、细长型、齿轮型等。通过根据所述毛刺识别信息，基于所述毛刺形状特征，对某一种毛刺形状特征进行铝壳多角度图形信息的提取，得到该毛刺形状特征对应的图像，通过获取特征毛刺的多角度图像，获得毛刺的长度、宽度等尺寸信息。达到了为后续进行毛刺去除提供量化的数据信息，从而提高毛刺去除精度的技术效果。

步骤S400：将所述毛刺形状特征、毛刺尺寸信息、毛刺位置信息输入毛刺分析模型，获得毛刺去除参数；

进一步的，如图3所示，将所述毛刺形状特征、毛刺尺寸信息、毛刺位置信息输入毛刺分析模型，获得毛刺去除参数，本申请实施例步骤S400包括：

步骤S410：根据所述毛刺形状特征、毛刺尺寸信息，对毛刺进行分类，确定毛刺类别信息；

步骤S420：根据所述毛刺尺寸信息，确定毛刺接触面积；

步骤S430：基于所述毛刺类别信息，根据所述毛刺接触面积、所述毛刺形状特征，确定毛刺受力信息；

步骤S440：根据所述毛刺位置信息，进行位置影响性分析，确定位置去除参数要求；

步骤S450：根据所述毛刺受力信息、所述位置去除参数要求进行参数要求同类融合，确定所述毛刺去除参数。

进一步的，本申请实施例步骤S450还包括：

步骤S451：通过所述铝壳多角度图像信息，对毛刺识别信息进行颜色识别，确定毛刺颜色分布信息；

步骤S452：基于所述毛刺颜色分布信息判断毛刺是否包含杂质；

步骤S453：当毛刺包含杂质时，对铝壳生产过程进行生产环境、生产设备、工艺流程掺杂分析，确定杂质信息；

步骤S454：所述杂质信息、所述毛刺颜色分布信息，确定毛刺受力影响信息；

步骤S455：将所述毛刺受力影响信息加入所述毛刺分析模型中进行增量学习，将所述毛刺形状特征、毛刺尺寸信息、毛刺位置信息、毛刺受力影响信息输入增量学习后的毛刺分析模型，获得所述毛刺去除参数。

具体而言，所述毛刺分析模型是根据不同的毛刺类型，以及毛刺信息确定对毛刺进行去除操作时的具体参数的功能模型。通过对生产企业的历史生产加工数据进行采集，得到历史毛刺形状特征、历史毛刺尺寸信息和历史毛刺位置信息，以及历史毛刺去除参数。将所述历史毛刺形状特征、历史毛刺尺寸信息和历史毛刺位置信息，以及历史毛刺去除参数作为历史数据集，并对历史毛刺去除参数进行数据标识。将所述历史数据集按照一定的比例分为训练集、测试集和验证集，优选的，测试集和验证集所占比例一致，具体的比例由工作人员自行设定，在此不做限制。进而，利用训练集对所述毛刺分析模型进行训练，以所述历史毛刺去除参数为验证数据，对输出结果进行验证，当模型训练至收敛后，运用测试集对模型输出结果进行准确度测试，当准确度满足要求后，运用验证集对模型进行适用范围验证，当范围满足要求后，得到所述毛刺分析模型。所述毛刺去除参数是对毛刺进行去除处理时，毛刺的去除量、去除力和去除位置的相关参数。

具体的，根据所述毛刺形状特征和毛刺尺寸信息对毛刺进行聚类分析，以毛刺形状特征为第一划分节点，对多个毛刺特征进行区分，得到多个毛刺特征集合，其中，所述多个毛刺特征集合中每个毛刺特征集合对应的毛刺特征都不同。进而，根据毛刺尺寸信息对所述多个毛刺特征集合进行尺寸划分，以毛刺尺寸为第二划分节点，从而得到所述毛刺类别信息。其中，所述毛刺类别信息是对毛刺按照毛刺形状特征和毛刺尺寸信息进行划分后得到不同毛刺类别的信息。

具体的，根据所述毛刺尺寸信息获得毛刺与铝壳表面的接触面积大小，得到所述毛刺接触面积。示例性的，毛刺为圆锥形，底部尺寸大小为3cm²，则毛刺与铝壳之间的接触面积为3cm²。通过根据毛刺类别信息确定毛刺在受力过程中的受力大小，进而根据毛刺接触面积确定受力的方向，以及根据毛刺形状特征确定受力的角度，从而得到所述毛刺受力信息。其中，所述毛刺受力信息是指毛刺进行去除处理时的受力情况。进一步的，根据所述毛刺位置信息确定毛刺的位置对去除处理的影响程度，例如毛刺位于铝壳表面接缝处，对毛刺进行去除，要考虑铝壳表面的影响，避免在去除过程中切削刀具对铝壳表面进行切削，损伤表面。从而得到所述位置去除参数要求，其中，所述位置去除参数要求是对去除毛刺的过程中刀具位置进行确定相关参数，包括去除量和去除定位位置。

具体的，对所述毛刺受力信息和所述位置去除参数要求分别进行同类融合，从而得到所述毛刺去除参数。其中，所述同类融合是指按照毛刺受力信息对应的毛刺类别，和所述位置去除参数要求对应的毛刺类别，将相同毛刺类别对应的毛刺受力信息和位置去除参数进行融合，得到所述毛刺去除参数。达到了提高毛刺去除参数设计的合理化程度，针对不同的毛刺类别进行不同的毛刺去除参数设计，提高去除质量的技术效果。

具体的，根据所述铝壳多角度图像信息对所述毛刺识别信息中的颜色进行识别，从而对每一个毛刺的颜色进行采集汇总，得到所述毛刺颜色分布信息。其中，所述毛刺颜色分布信息是根据铝壳上不同位置的毛刺颜色情况得到的颜色分布信息。进而，根据铝壳的加工工艺确定毛刺的材质，如毛刺为铝，则铝的颜色即为毛刺的颜色，则为银白色。通过对所述毛刺颜色分布信息进行判断，判断其是否为银白色，则可以判断毛刺中是否包含有杂质。当判断结果为毛刺包含杂质时，对铝壳的生产过程进行多角度分析，从而对杂质信息进行筛选。优选的，从生产环境、生产设备、工艺流程3个角度进行分析，对铝毛刺中夹杂的杂质来源进行分析。示例性的，在对铝壳进行等离子体增强电化学表面陶瓷化工艺，对不同位置的铝壳进行套色，进而不同颜色铝壳对应的毛刺颜色也不同，当采用机床对铝壳进行加工的过程中，刀具自身切削过程中的飞渣与毛刺进行嵌合，导致毛刺中含有刀具飞渣。所述杂质信息反映了毛刺中的杂质性质，包括杂质类型和杂质颜色。其中，所述杂质类型包括铁、铜、塑料等。杂质颜色包括黄色、绿色等。进而，不同的杂质颜色对应不同的杂质类型。

具体的，根据所述杂质信息、所述毛刺颜色分布信息，确定铝壳表面的毛刺对应的杂质类型，然后根据杂质类型确定对毛刺受力情况的影响。示例性的，杂质为铁，铁的硬度要比铝的硬度大，当杂质中混有铝时，对毛刺的硬度影响比较大，会导致按照原有的切削力度进行加工，会造成刀具卡壳的后果。因此，通过将所述毛刺受力影响信息加入所述毛刺分析模型中进行增量学习，使所述毛刺分析模型可以进一步考虑毛刺受力影响信息，进而得到所述毛刺去除参数。由此，达到了提高毛刺去除参数的准确程度，提高去除质量的技术效果。

步骤S500：获得去除设备参数信息、毛刺材质信息，根据所述去除设备参数信息、毛刺材质信息、毛刺去除参数、毛刺形状特征，确定毛刺去除分步要求，基于所述毛刺去除分布要求获得毛刺去除策略对铝壳进行去除。

进一步的，根据所述去除设备参数信息、毛刺材质信息、毛刺去除参数、毛刺形状特征，确定毛刺去除分步要求，本申请实施例步骤S500还包括：

步骤S510：根据所述去除设备参数信息，确定去除步进调整范围、磨轮转速范围；

步骤S520：根据所述毛刺去除参数，获得毛刺去除力要求、打磨角度信息；

步骤S530：根据所述毛刺材质信息、毛刺形状特征，进行材质应力分析，获得毛刺应力信息；

步骤S540：根据所述毛刺去除力要求、毛刺形状特征，确定去除分步信息；

步骤S550：根据所述去除分步信息、所述去除步进调整范围、所述磨轮转速范围，获得分步去除参数信息，基于所述去除分步信息及对应的分步去除参数信息，得到所述毛刺去除分步要求。

进一步的，根据所述去除分步信息、所述去除步进调整范围、所述磨轮转速范围，获得分步去除参数信息，本申请实施例步骤S550还包括：

步骤S551：根据所述去除分步信息，确定各步骤去除要求；

步骤S552：根据首步骤去除要求，确定第一转速信息、第一步进信息；

步骤S553：基于所述第一转速信息、第一步进信息对打磨效果进行预测，获得第一步打磨效果，其中，所述第一步打磨效果包括打磨剩余毛刺形状信息、剩余毛刺尺寸信息；

步骤S554：基于所述打磨剩余毛刺形状信息、剩余毛刺尺寸信息，确定第二步去除要求，获得第二转速信息、第二步进信息；

步骤S555：根据所述第二转速信息、第二步进信息对打磨效果进行预测，获得第二步打磨效果，直到剩余毛刺尺寸为0时，将所述第一转速信息、第一步进信息作为第一步去除参数信息，将所述第二转速信息、第二步进信息作为第二步去除参数信息，以此类推，得到所有步骤的去除参数信息。

具体而言，所述去除设备参数信息反映了毛刺去除设备的基本运行情况，包括设备类型，设备功率，刀具种类等信息。所述毛刺材质信息是由电池方形铝壳的材质决定的，毛刺的材质也为铝。进而，根据所述去除设备参数信息、毛刺材质信息、毛刺去除参数、毛刺形状特征，对毛刺去除过程中的各个步骤的去除要求进行确定，进而，根据去除要求确定毛刺去除策略。其中，所述毛刺去除分步要求是指毛刺每一个去除步骤需要满足的要求。

具体的，根据所述去除设备参数信息得到利用设备进行毛刺去除时的调整范围，包括去除步进调整范围、磨轮转速范围。其中，所述去除步进调整范围是指用刀具每次对毛刺进行切削时的切削量范围，给进步长调整范围，即打磨轮进行打磨时向打磨物的移动范围，利用步进调整可以通过固定步长向打磨物靠近，以实现对打磨物的打磨效果。所述磨轮转速范围是指用磨轮对毛刺进行磨削过程中，磨轮的转速范围大小，磨轮转速高，单位时间内的磨削量大，磨轮转速低，单位时间内的磨削量小。进而，根据所述毛刺去除参数中的毛刺受力信息得到毛刺去除力要求。其中，所述毛刺去除力要求是对毛刺进行去除过程中的力度大小。所述打磨角度信息是根据所述位置去除参数要求，为了避免打磨对铝壳表面造成损伤，确定的磨轮与毛刺之间的角度信息。毛刺的应力分布与大小，与毛刺的材质、形状有关，通过根据所述毛刺材质信息和毛刺形状特征进行应力分析，优选的，毛刺的材质为铝，形状为圆环形，根据材质确定的应力大小为370MPa，根据毛刺的形状为应力大小进行调整，得到所述毛刺应力信息。

具体的，根据所述毛刺去除力要求和毛刺形状特征，对每一个去除步骤进行确定。其中，所述去除分步信息反映了对毛刺去除时的步骤数量和每个步骤对应的去除对象。根据所述去除分步信息确定每一个步骤要进行去除时的要求，包括去除量和去除效果。进而，根据所述各步骤去除要求，得到进行第一次去除时的去除设备的第一转速信息和第一步进信息。其中，所述第一转速信息是指磨轮的转速大小。所述第一步进信息是指转动过程中的刀具前进的距离大小。进而，根据所述第一转速信息和第一步进信息对毛刺进行去除，预测去除后的毛刺表现情况，得到所述第一步打磨效果。其中，所述第一步打磨效果包括打磨剩余毛刺形状信息和剩余毛刺尺寸信息。所述打磨剩余毛刺形状信息是按照第一步进信息和第一转速信息得到对毛刺的去除量，同时根据打磨的角度得到的。所述剩余毛刺尺寸信息是按照毛刺尺寸信息为基准，以磨削量和切削量进行计算得到的。

具体的，以所述打磨剩余毛刺形状信息、剩余毛刺尺寸信息得到第二步去除要求，即第二步进行毛刺去除时的切削量和磨削速度。所述第二转速信息是第二次进行毛刺处理时的磨轮转速。所述第二步进信息是第二次进行毛刺处理时的刀具切削量大小。进而，与第一步打磨效果的相同的预测方法，得到所述第二步打磨效果。直至剩余毛刺尺寸为0，此时毛刺已经被去除干净，并不对铝壳造成损伤。所述第一步去除参数信息是第一步进行毛刺去除时的参数，第二步去除参数信息是第二步进行毛刺去除时的参数。从而，达到了对所有步骤的每一步的去除参数进行确定，并保证毛刺去除质量的技术效果。

进一步的，本申请实施例步骤S555还包括：

步骤S5551：基于所述去除分步信息的前后步骤，构建时序链，其中，时序链的节点为铝壳毛刺打磨状态；

步骤S5552：将各步骤的去除参数信息作为节点的外部动作与所述铝壳毛刺打磨状态进行关联，将各步骤去除参数信息对毛刺的打磨效果进行评估，作为节点奖励值，构建马尔科夫链预测模型；

步骤S5553：基于所述马尔科夫链预测模型对各节点的打磨状态概率进行预测，获得最终节点的打磨状态概率；

步骤S5554：判断所述打磨状态概率是否达到预设要求，当达到时，确定所述分步去除参数信息；

步骤S5555：当未达到时，对所述分步去除参数信息进行调整，直到输出的最终节点的打磨状态概率达到预设要求为止。

具体而言，通过根据所述去除分布信息的前后步骤，按照步骤的顺序，得到根据步骤节点顺序建立的所述时序链，所述时序链中的节点为铝壳毛刺的打磨状态。通过构建所述时序链建立每个打磨节点后的毛刺状态与之前节点的打磨操作及打磨效果之间的关联关系。进而，通过将各步骤的去除参数信息作为节点的外部动作，以及各步骤与节点之间的一一对应关系，与所述铝壳毛刺打磨状态进行关联，根据各步骤去除参数信息对毛刺的每一个步骤的打磨效果进行评估，根据评估结果，得到节点奖励值。示例性的，评估结果为优秀，奖励值为3，评估结果为良好，奖励值为2，评估结果为一般，奖励值为1。进而，根据所述节点奖励值，构建所述马尔科夫链预测模型。其中，所述马尔科夫链预测模型是对铝壳毛刺的打磨状态进行预测的功能模型。

具体的，根据所述马尔科夫链预测模型对所述各个节点的得到不同打磨状态的概率进行预测，根据每个节点的概率评估结果，得到每个节点的节点奖励值。通过对之前的节点的预测情况，得到所述最终节点的打磨状态概率，进而通过对每个节点的节点奖励值进行累加，得到总的节点奖励值。进而，可以根据所述节点奖励值判断打磨状态概率是否达到预设要求，当达到预设要求时，表明按照此时分布去除参数进行毛刺去除可以满足要求，当未达到时，对所述分布去除参数信息进行调整，改变加工参数，直到输出的最终节点的打磨状态概率达到预设要求，达到了提高毛刺去除加工质量的技术效果。

综上所述，本申请所提供的一种新能源电池方形铝壳毛刺无损去除方法具有如下技术效果：

本申请实施例利用图像采集设备对电池方形铝壳进行多角度图像采集，从而实现全面获得铝壳表面情况的目标，得到铝壳多角度图像信息，进而，对铝壳多角度图像信息进行图像识别，得到毛刺识别信息，实现对毛刺的类型等信息进行识别确定的目标，进而针对识别图像信息确定毛刺位置信息，实现了为后续分析毛刺去除加工时毛刺位置的影响情况提供数据的目标，进而根据毛刺识别信息，获得毛刺形状特征、毛刺尺寸信息，然后将毛刺形状特征、毛刺尺寸信息、毛刺位置信息输入毛刺分析模型，获得毛刺去除参数，对毛刺去除参数进行智能化的设定，提供处理效率，进而，通过获得去除设备参数信息、毛刺材质信息，结合去除设备参数信息、毛刺材质信息、毛刺去除参数、毛刺形状特征，对每个步骤的去除毛刺操作要求进行确定，然后根据毛刺去除分布要求获得毛刺去除策略对铝壳进行去除。达到了智能化对毛刺进行去除，提高毛刺处理效率的技术效果。

实施例二

基于与前述实施例中一种新能源电池方形铝壳毛刺无损去除方法同样的发明构思，如图4所示，本申请还提供了一种新能源电池方形铝壳毛刺无损去除系统，其中，所述系统包括：

多角度图像采集模块11，所述多角度图像采集模块11用于通过图像采集设备对电池方形铝壳进行多角度图像采集，获得铝壳多角度图像信息；

毛刺位置信息确定模块12，所述毛刺位置信息确定模块12用于对所述铝壳多角度图像信息进行图像识别，确定毛刺识别信息，并针对识别图像信息确定毛刺位置信息；

尺寸信息获得模块13，所述尺寸信息获得模块13用于根据所述毛刺识别信息，获得毛刺形状特征、毛刺尺寸信息；

去除参数获得模块14，所述去除参数获得模块14用于将所述毛刺形状特征、毛刺尺寸信息、毛刺位置信息输入毛刺分析模型，获得毛刺去除参数；

毛刺去除模块15，所述毛刺去除模块15用于获得去除设备参数信息、毛刺材质信息，根据所述去除设备参数信息、毛刺材质信息、毛刺去除参数、毛刺形状特征，确定毛刺去除分步要求，基于所述毛刺去除分布要求获得毛刺去除策略对铝壳进行去除。

进一步的，所述系统还包括：

学习模型获得单元，所述学习模型获得单元用于获得预设毛刺识别模型，所述毛刺识别模型为通过具有多类型毛刺标识数据的训练数据集、测试数据集，进行训练、测试得到的机器学习模型；

纠偏预处理单元，所述纠偏预处理单元用于对所述铝壳多角度图像信息进行降噪、纠偏预处理；

识别信息获得单元，所述识别信息获得单元用于将预处理后的铝壳多角度图像信息输入毛刺识别模型，进行毛刺识别处理，获得所述毛刺识别信息。

进一步的，所述系统还包括：

类别信息确定单元，所述类别信息确定单元用于根据所述毛刺形状特征、毛刺尺寸信息，对毛刺进行分类，确定毛刺类别信息；

接触面积确定单元，所述接触面积确定单元用于根据所述毛刺尺寸信息，确定毛刺接触面积；

受力信息分析单元，所述受力信息分析单元用于基于所述毛刺类别信息，根据所述毛刺接触面积、所述毛刺形状特征，确定毛刺受力信息；

去除参数确定单元，所述去除参数确定单元用于根据所述毛刺位置信息，进行位置影响性分析，确定位置去除参数要求；

毛刺去除参数确定单元，所述毛刺去除参数确定单元用于根据所述毛刺受力信息、所述位置去除参数要求进行参数要求同类融合，确定所述毛刺去除参数。

进一步的，所述系统还包括：

转速范围确定单元，所述转速范围确定单元用于根据所述去除设备参数信息，确定去除步进调整范围、磨轮转速范围；

打磨角度信息确定单元，所述打磨角度信息确定单元用于根据所述毛刺去除参数，获得毛刺去除力要求、打磨角度信息；

应力信息获得单元，所述应力信息获得单元用于根据所述毛刺材质信息、毛刺形状特征，进行材质应力分析，获得毛刺应力信息；

去除分布信息确定单元，所述去除分布信息确定单元用于根据所述毛刺去除力要求、毛刺形状特征，确定去除分步信息；

分步要求获得单元，所述分步要求获得单元用于根据所述去除分步信息、所述去除步进调整范围、所述磨轮转速范围，获得分步去除参数信息，基于所述去除分步信息及对应的分步去除参数信息，得到所述毛刺去除分步要求。

进一步的，所述系统还包括：

各步骤去除要求确定单元，所述各步骤去除要求确定单元用于根据所述去除分步信息，确定各步骤去除要求；

步进信息确定单元，所述步进信息确定单元用于根据首步骤去除要求，确定第一转速信息、第一步进信息；

第一打磨效果获得单元，所述第一打磨效果获得单元用于基于所述第一转速信息、第一步进信息对打磨效果进行预测，获得第一步打磨效果，其中，所述第一步打磨效果包括打磨剩余毛刺形状信息、剩余毛刺尺寸信息；

第二步进信息获得单元，所述第二步进信息获得单元用于基于所述打磨剩余毛刺形状信息、剩余毛刺尺寸信息，确定第二步去除要求，获得第二转速信息、第二步进信息；

参数信息获得单元，所述参数信息获得单元用于根据所述第二转速信息、第二步进信息对打磨效果进行预测，获得第二步打磨效果，直到剩余毛刺尺寸为0时，将所述第一转速信息、第一步进信息作为第一步去除参数信息，将所述第二转速信息、第二步进信息作为第二步去除参数信息，以此类推，得到所有步骤的去除参数信息。

进一步的，所述系统还包括：

颜色分布信息确定单元，所述颜色分布信息确定单元用于通过所述铝壳多角度图像信息，对毛刺识别信息进行颜色识别，确定毛刺颜色分布信息；

毛刺杂质判断单元，所述毛刺杂质判断单元用于基于所述毛刺颜色分布信息判断毛刺是否包含杂质；

杂质信息确定单元，所述杂质信息确定单元用于当毛刺包含杂质时，对铝壳生产过程进行生产环境、生产设备、工艺流程掺杂分析，确定杂质信息；

受力影响信息确定单元，所述受力影响信息确定单元用于根据所述杂质信息、所述毛刺颜色分布信息，确定毛刺受力影响信息；

模型增量学习单元，所述模型增量学习单元用于将所述毛刺受力影响信息加入所述毛刺分析模型中进行增量学习，将所述毛刺形状特征、毛刺尺寸信息、毛刺位置信息、毛刺受力影响信息输入增量学习后的毛刺分析模型，获得所述毛刺去除参数。

进一步的，所述系统还包括：

时序链构建单元，所述时序链构建单元用于基于所述去除分步信息的前后步骤，构建时序链，其中，时序链的节点为铝壳毛刺打磨状态；

预测模型构建单元，所述预测模型构建单元用于将各步骤的去除参数信息作为节点的外部动作与所述铝壳毛刺打磨状态进行关联，将各步骤去除参数信息对毛刺的打磨效果进行评估，作为节点奖励值，构建马尔科夫链预测模型；

状态概率获得单元，所述状态概率获得单元用于基于所述马尔科夫链预测模型对各节点的打磨状态概率进行预测，获得最终节点的打磨状态概率；

状态概率判断单元，所述状态概率判断单元用于判断所述打磨状态概率是否达到预设要求，当达到时，确定所述分步去除参数信息；

参数调整单元，所述参数调整单元用于当未达到时，对所述分步去除参数信息进行调整，直到输出的最终节点的打磨状态概率达到预设要求为止。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种新能源电池方形铝壳毛刺无损去除方法和具体实例同样适用于本实施例的一种新能源电池方形铝壳毛刺无损去除系统，通过前述对一种新能源电池方形铝壳毛刺无损去除方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种新能源电池方形铝壳毛刺无损去除系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种新能源电池方形铝壳毛刺无损去除方法，其特征在于，所述方法包括：

通过图像采集设备对电池方形铝壳进行多角度图像采集，获得铝壳多角度图像信息；

对所述铝壳多角度图像信息进行图像识别，确定毛刺识别信息，并针对识别图像信息确定毛刺位置信息；

根据所述毛刺识别信息，获得毛刺形状特征、毛刺尺寸信息；

将所述毛刺形状特征、毛刺尺寸信息、毛刺位置信息输入毛刺分析模型，获得毛刺去除参数；

获得去除设备参数信息、毛刺材质信息，根据所述去除设备参数信息、毛刺材质信息、毛刺去除参数、毛刺形状特征，确定毛刺去除分步要求，基于所述毛刺去除分布要求获得毛刺去除策略对铝壳进行去除。

2.如权利要求1所述的方法，其特征在于，对所述铝壳多角度图像信息进行图像识别，确定毛刺识别信息，包括：

获得预设毛刺识别模型，所述毛刺识别模型为通过具有多类型毛刺标识数据的训练数据集、测试数据集，进行训练、测试得到的机器学习模型；

对所述铝壳多角度图像信息进行降噪、纠偏预处理；

将预处理后的铝壳多角度图像信息输入毛刺识别模型，进行毛刺识别处理，获得所述毛刺识别信息。

3.如权利要求1所述的方法，其特征在于，将所述毛刺形状特征、毛刺尺寸信息、毛刺位置信息输入毛刺分析模型，获得毛刺去除参数，包括：

根据所述毛刺形状特征、毛刺尺寸信息，对毛刺进行分类，确定毛刺类别信息；

根据所述毛刺尺寸信息，确定毛刺接触面积；

基于所述毛刺类别信息，根据所述毛刺接触面积、所述毛刺形状特征，确定毛刺受力信息；

根据所述毛刺位置信息，进行位置影响性分析，确定位置去除参数要求；

根据所述毛刺受力信息、所述位置去除参数要求进行参数要求同类融合，确定所述毛刺去除参数。

4.如权利要求3所述的方法，其特征在于，根据所述去除设备参数信息、毛刺材质信息、毛刺去除参数、毛刺形状特征，确定毛刺去除分步要求，包括：

根据所述去除设备参数信息，确定去除步进调整范围、磨轮转速范围；

根据所述毛刺去除参数，获得毛刺去除力要求、打磨角度信息；

根据所述毛刺材质信息、毛刺形状特征，进行材质应力分析，获得毛刺应力信息；

根据所述毛刺去除力要求、毛刺形状特征，确定去除分步信息；

根据所述去除分步信息、所述去除步进调整范围、所述磨轮转速范围，获得分步去除参数信息，基于所述去除分步信息及对应的分步去除参数信息，得到所述毛刺去除分步要求。

5.如权利要求4所述的方法，其特征在于，根据所述去除分步信息、所述去除步进调整范围、所述磨轮转速范围，获得分步去除参数信息，包括：

根据所述去除分步信息，确定各步骤去除要求；

根据首步骤去除要求，确定第一转速信息、第一步进信息；

基于所述第一转速信息、第一步进信息对打磨效果进行预测，获得第一步打磨效果，其中，所述第一步打磨效果包括打磨剩余毛刺形状信息、剩余毛刺尺寸信息；

基于所述打磨剩余毛刺形状信息、剩余毛刺尺寸信息，确定第二步去除要求，获得第二转速信息、第二步进信息；

根据所述第二转速信息、第二步进信息对打磨效果进行预测，获得第二步打磨效果，直到剩余毛刺尺寸为0时，将所述第一转速信息、第一步进信息作为第一步去除参数信息，将所述第二转速信息、第二步进信息作为第二步去除参数信息，以此类推，得到所有步骤的去除参数信息。

6.如权利要求1所述的方法，其特征在于，所述方法还包括：

通过所述铝壳多角度图像信息，对毛刺识别信息进行颜色识别，确定毛刺颜色分布信息；

基于所述毛刺颜色分布信息判断毛刺是否包含杂质；

当毛刺包含杂质时，对铝壳生产过程进行生产环境、生产设备、工艺流程掺杂分析，确定杂质信息；

所述杂质信息、所述毛刺颜色分布信息，确定毛刺受力影响信息；

将所述毛刺受力影响信息加入所述毛刺分析模型中进行增量学习，将所述毛刺形状特征、毛刺尺寸信息、毛刺位置信息、毛刺受力影响信息输入增量学习后的毛刺分析模型，获得所述毛刺去除参数。

7.如权利要求5所述的方法，其特征在于，所述方法还包括：

基于所述去除分步信息的前后步骤，构建时序链，其中，时序链的节点为铝壳毛刺打磨状态；

将各步骤的去除参数信息作为节点的外部动作与所述铝壳毛刺打磨状态进行关联，将各步骤去除参数信息对毛刺的打磨效果进行评估，作为节点奖励值，构建马尔科夫链预测模型；

基于所述马尔科夫链预测模型对各节点的打磨状态概率进行预测，获得最终节点的打磨状态概率；

判断所述打磨状态概率是否达到预设要求，当达到时，确定所述分步去除参数信息；

当未达到时，对所述分步去除参数信息进行调整，直到输出的最终节点的打磨状态概率达到预设要求为止。

8.一种新能源电池方形铝壳毛刺无损去除系统，其特征在于，所述系统包括：

多角度图像采集模块，所述多角度图像采集模块用于通过图像采集设备对电池方形铝壳进行多角度图像采集，获得铝壳多角度图像信息；

毛刺位置信息确定模块，所述毛刺位置信息确定模块用于对所述铝壳多角度图像信息进行图像识别，确定毛刺识别信息，并针对识别图像信息确定毛刺位置信息；

尺寸信息获得模块，所述尺寸信息获得模块用于根据所述毛刺识别信息，获得毛刺形状特征、毛刺尺寸信息；

去除参数获得模块，所述去除参数获得模块用于将所述毛刺形状特征、毛刺尺寸信息、毛刺位置信息输入毛刺分析模型，获得毛刺去除参数；

毛刺去除模块，所述毛刺去除模块用于获得去除设备参数信息、毛刺材质信息，根据所述去除设备参数信息、毛刺材质信息、毛刺去除参数、毛刺形状特征，确定毛刺去除分步要求，基于所述毛刺去除分布要求获得毛刺去除策略对铝壳进行去除。

Images