CN116026839A - 一种车载电池表面缺陷的检测装置及其智能检测方法 - Google Patents
一种车载电池表面缺陷的检测装置及其智能检测方法 Download PDFInfo
- Publication number
- CN116026839A CN116026839A CN202211727637.1A CN202211727637A CN116026839A CN 116026839 A CN116026839 A CN 116026839A CN 202211727637 A CN202211727637 A CN 202211727637A CN 116026839 A CN116026839 A CN 116026839A
- Authority
- CN
- China
- Prior art keywords
- defect
- vehicle
- module
- detection
- mounted battery
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 160
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000003860 storage Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 21
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 9
- 229910052744 lithium Inorganic materials 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 238000012552 review Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 239000011248 coating agent Substances 0.000 description 5
- 238000000576 coating method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种车载电池表面缺陷的检测装置及其智能检测方法,包括CCD工业相机、相机支架、支撑架、移动平台、电脑处理终端、PLC控制箱;该智能检测方法包括利用CCD工业相机获取车载电池外观图像数据;将数据传输至机器学习模型;利用改进的Fast RCNN进行识别定位;根据缺陷等级判断系统是否正常运行;存储该车载电池的状态信息;该系统在线实时更新检测模型,并在未检测出不符合要求的缺陷时,将在车载电池信息存储步骤后重新进入循环;反之,将发出警报,制动传送平台;该方法系统降低了人工检测带来的误差,同时弥补了传统视觉检测类型单一的缺点,极大提高了对车载电池外观检测的效率,保证了车载电池的安全生产。
Description
技术领域
本发明涉及一种车载电池表面缺陷的检测装置,具体为一种基于机器学习的车载电池表面缺陷检测装置及其智能检测方法,属于车载电池表面缺陷检测技术领域。
背景技术
在众多的电化学储能技术中,锂离子电池具有能量密度高、放电速率快、使用寿命长、转换效率高等优点在交通动力电源、电力储能电源、移动通信等各行各业持续不断的发展。随着其成本迅速下降和需求量日益增高,锂离子电池在固定储能领域中已成为市场应用最广泛的储能解决方案。但是,在车载电池工业工艺生产过程中,车载电池产品表面容易受到加工设备的损坏和恶劣生产环境的影响。车载电池的表面上存有不同尺寸和形状的瑕疵,形成不同程度的表面制造缺陷,其缺陷类型有包膜褶皱、包膜翘起、包膜气泡、包膜划痕、包膜凹陷等一系列缺陷。
车载电池表面缺陷检测主要依赖人工肉眼识别,不仅消耗巨大的人力物力,而且还存在较高的误检率。传统机器视觉方法,主要是提取目标图像中的纹理特征、颜色特征、形状特征等作为缺陷检测的特征,最后将这些特征通过支持向量机SVM或全连接神经网络进行缺陷的分类和检测。通常来讲,传统机器视觉方法只能用于缺陷分类,无法做到缺陷定位,基本没有自动提取图像特征的能力,可复用性和移植性差。
基于机器学习的目标检测方法通过卷积神经网络,机器学习能生成目标图像的特征图,卷积核会自动锁定有利于分类识别的特征,通过训练模型不断更新卷积核使其能提取更有用的特征,相比于传统机器视觉方法精度高,速度快,且能够适应不同类型的缺陷。Faster R-CNN作为代表的二阶段检测算法通过区域建议网络生成候选网络,再通过缺陷边界框回归和缺陷分类得到缺陷的类别和位置,相对于YOLO为代表的一阶段目标检测算法优点是精度高,在工业产品缺陷检测上得到广泛应用。
发明内容
本发明的目的就在于为了解决上述至少一个技术问题而提供一种车载电池表面缺陷的检测装置智能检测方法。
本发明通过以下技术方案来实现上述目的:一种车载电池表面缺陷的检测装置,包括CCD工业相机、相机支架、支撑架、移动平台、电脑处理终端、PLC控制箱,CCD工业相机通过相机支架固定在支撑架上;支撑架由型材搭建,通过螺栓固定在移动平台两侧,支撑架上可加装相机和灯光设备,用于接收和检测工业相机获取的图像数据的电脑处理终端位于移动平台的一侧,且电脑处理终端通过以太网口与CCD工业相机相连,电脑处理终端根据检测结果向PLC控制箱发送启停指令;
电脑处理终端包括用于接收、存储和控制操作的上位机软件系统模块,上位机软件系统模块包括:图像采集模块、缺陷检测模块、缺陷决策模块、PLC通讯模块、信息存储模块和模型更新模块。
作为本发明再进一步的方案:电脑处理终端的上位机软件系统模块具体包括:
图像采集模块:分为检测在线和本地图像数据两种情况。检测在线图像数据为接收CCD工业相机通过GigE千兆网接口传入的图像数据;检测本地图像数据为读取本地缺陷图像,并传入缺陷检测模块;
缺陷检测模块:接收图像采集模块的图像数据,利用改进的基于卷积神经网络快速区域标定(Faster R-CNN)识别缺陷类型,并进行标记,输出缺陷信息,包括缺陷的尺寸、形状、位置、等级等特征信息,以供缺陷决策模块判断;
缺陷决策模块:缺陷数据的统计、分析、缺陷原因的反查、溯源,并根据缺陷决策模块判断的结果对相关设备进行控制,目的是找出缺陷发生的环境、设备因素,从根本上减少缺陷发生率;
PLC通讯模块:接收系统缺陷决策模块发出的指令,控制相关设备启停,亦或发出警报。
信息存储模块:负责保存锂电表面缺陷信息,其中车载电池信息表包括索引ID、检测、时间、车载电池编号、车载电池图片信息,缺陷信息表包括缺陷类型、缺陷区域、Garde、复查信息;
模型更新模块:自行扩充缺陷库,采用独立目标裁剪、曝光度调整、水平翻转操作对其进行数据增强,然后进行人工标记,按照固定的格式写入分类完整的缺陷特征缺陷数据库中,为后期的机器学习积累了数据基础,解决业内缺乏类别完整、样本标准化的锂电表面缺陷数据集问题。
一种车载电池表面缺陷检测装置的智能检测方法,其检测方法包括以下步骤:
步骤一、利用CCD工业相机获取车载电池外观图像数据,传入机器学习模型;
步骤二、通过Gige千兆网接口将数据传输至电脑处理终端的深度学习模型;
步骤三、利用改进的FasT RCNN进行识别定位;
步骤四、根据缺陷等级判断系统是否正常运行,待机器学习模型输出缺陷检测结果,进行缺陷信息统计,根据缺陷尺寸、缺陷等级和缺陷位置等特征,判断设备被测物体状态是否合格,即在电脑处理终端进行检测结果决策,并从数据库中溯源缺陷原因;
步骤五、系统发出指令控制相关设备,将对应决策结果发送对应指令给PLC控制箱,PLC控制箱接收指令控制移动平台启停,从而对缺陷目标物体进行不合格动作;
步骤六、存储该锂电池的状态信息,电脑处理终端在数据库中记录机器学习模型输出的检测结果信息;
步骤七、更新缺陷检测模型,将检测数据中的缺陷图像和标签作为样本,在原机器学习模型基础上迭代升级。
作为本发明再进一步的方案:步骤一中,机器学习模型Fast RCNN的主干网络ResNet由L个残差模块堆叠而成,残差网络很好的解决了网络深度带来的训练困难的问题,它完成任务的准确度和精度远超传统网络模型。每个残差模块的输入和输出表示为xl和yl,Wl单位矩阵,得到以下公式:
1)l层残差模块的输出函数f(yl)是关于输入h(xl)和残差函数映射F(xl,Wl)的函数:
f(yl)=yl=h(xl)+F(xl,Wl)
2)当输入h(xl)=xl,第l+1层的输入xl+1等于第l层输出f(yl)时,后续残差模块的输入为:
l+1层残差模块的输出函数
xl+1=xl+F(xl,Wl)
l+2层残差模块的输出函数:
xl+2=xl+1+F(xl+1,Wl+1)=xl+F(xl,Wl)+F(xl+1,Wl+1)
L层残差模块的输出函数:
3)反向传播中,设E为总误差,根据链式法则,可以得到:
作为本发明再进一步的方案:步骤三中,改进方式为在原有的网络基础上加大了网络的通道(channel)数,原因是需要在加深网络的同时加大通道数,进一步提高模型准确率,从而得到更好的检测效果。引入DCN结构,使得卷积核在采样点发生偏移,集中于目标区域对尺度或者感受野大小进行自适应调整,以检测不同尺寸的缺陷。
作为本发明再进一步的方案:步骤六中,电脑处理终端的数据库表包括车载电池信息表和缺陷信息表,其中车载电池信息包括索引ID、检测时间、车载电池编号、车载电池图片信息,缺陷信息包括索引ID、缺陷类型、缺陷区域、缺陷等级、复查信息。
本发明的有益效果是:基于在线实时更新检测模型,并在未检测出不符合要求的缺陷时,将在车载电池信息存储步骤后重新进入循环;反之,将发出警报,制动传送平台,该检测方法降低了人工检测带来的误差,同时弥补了传统视觉检测类型单一的缺点,极大提高了对车载电池外观检测的效率,保证了车载电池的安全生产,对社会安全和经济效益有着重大意义,采用改进机器学习算法进行多缺陷目标检测,提高生产效率,在线实时更新缺陷库,不断优化模型,提高缺陷检测准确率,记录表面缺陷参数及原因,累计大量数据,优化工艺参数,进行反馈控制,提供缺陷解决方案,检测高效,操作简单,具有极大的经济效益。
附图说明
图1为本发明缺陷检测装置结构示意图;
图2为本发明缺陷检测工作流程示意图;
图3为本发明上位机软件系统模块流程示意图。
图中:1、CCD工业相机,2、相机支架,3、支撑架,4、移动平台,5、电脑处理终端,6、PLC控制箱。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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,都属于本发明保护的范围。
实施例一
如图1所示,一种车载电池表面缺陷的检测装置,包括CCD工业相机1、相机支架2、支撑架3、移动平台4、电脑处理终端5、PLC控制箱6,CCD工业相机1通过相机支架2固定在支撑架3上;支撑架3由型材搭建,通过螺栓固定在移动平台4两侧,支撑架3上可加装相机和灯光设备,用于接收和检测工业相机获取的图像数据的电脑处理终端5位于移动平台4的一侧,且电脑处理终端5通过以太网口与CCD工业相机1相连,电脑处理终端5根据检测结果向PLC控制箱6发送启停指令;
电脑处理终端5包括用于接收、存储和控制操作的上位机软件系统模块,上位机软件系统模块包括:图像采集模块、缺陷检测模块、缺陷决策模块、PLC通讯模块、信息存储模块和模型更新模块。
实施例二
如图3所示,本实施例中除包括实施例一中的所有技术特征之外,还包括:
电脑处理终端5的上位机软件系统模块具体包括:
图像采集模块:分为检测在线和本地图像数据两种情况。检测在线图像数据为接收CCD工业相机通过GigE千兆网接口传入的图像数据;检测本地图像数据为读取本地缺陷图像,并传入缺陷检测模块;
缺陷检测模块:接收图像采集模块的图像数据,利用改进的基于卷积神经网络快速区域标定(Faster R-CNN)识别缺陷类型,并进行标记,输出缺陷信息,包括缺陷的尺寸、形状、位置、等级等特征信息,以供缺陷决策模块判断;
缺陷决策模块:缺陷数据的统计、分析、缺陷原因的反查、溯源,并根据缺陷决策模块判断的结果对相关设备进行控制,目的是找出缺陷发生的环境、设备因素,从根本上减少缺陷发生率;
PLC通讯模块:接收系统缺陷决策模块发出的指令,控制相关设备启停,亦或发出警报。
信息存储模块:负责保存锂电表面缺陷信息,其中车载电池信息表包括索引ID、检测、时间、车载电池编号、车载电池图片信息,缺陷信息表包括缺陷类型、缺陷区域、Garde、复查信息;
模型更新模块:自行扩充缺陷库,采用独立目标裁剪、曝光度调整、水平翻转操作对其进行数据增强,然后进行人工标记,按照固定的格式写入分类完整的缺陷特征缺陷数据库中,为后期的机器学习积累了数据基础,解决业内缺乏类别完整、样本标准化的锂电表面缺陷数据集问题。
实施例三
如图2所示,一种车载电池表面缺陷检测装置的智能检测方法,其检测方法包括以下步骤:
步骤一、利用CCD工业相机1获取车载电池外观图像数据,传入机器学习模型;
步骤二、通过Gige千兆网接口将数据传输至电脑处理终端5的深度学习模型;
步骤三、利用改进的FasT RCNN进行识别定位;
步骤四、根据缺陷等级判断系统是否正常运行,待机器学习模型输出缺陷检测结果,进行缺陷信息统计,根据缺陷尺寸、缺陷等级和缺陷位置等特征,判断设备被测物体状态是否合格,即在电脑处理终端5进行检测结果决策,并从数据库中溯源缺陷原因;
步骤五、系统发出指令控制相关设备,将对应决策结果发送对应指令给PLC控制箱6,PLC控制箱6接收指令控制移动平台启停,从而对缺陷目标物体进行不合格动作;
步骤六、存储该锂电池的状态信息,电脑处理终端5在数据库中记录机器学习模型输出的检测结果信息;
步骤七、更新缺陷检测模型,将检测数据中的缺陷图像和标签作为样本,在原机器学习模型基础上迭代升级。
实施例四
本实施例中除包括实施例三中的所有技术特征之外,还包括:
机器学习模型Fast RCNN的主干网络ResNet101由L个残差模块堆叠而成,残差网络很好的解决了网络深度带来的训练困难的问题,它完成任务的准确度和精度远超传统网络模型。每个残差模块的输入和输出表示为xl和yl,Wl单位矩阵,得到以下公式:
1)l层残差模块的输出函数f(yl)是关于输入h(xl)和残差函数映射F(xl,Wl)的函数:
f(yl)=yl=h(xl)+F(xl,Wl)
2)当输入h(xl)=xl,第l+1层的输入xl+1等于第l层输出f(yl)时,后续残差模块的输入为:
l+1层残差模块的输出函数
xl+1=xl+F(xl,Wl)
l+2层残差模块的输出函数:
xl+2=xl+1+F(xl+1,Wl+1)=xl+F(xl,Wl)+F(xl+1,Wl+1)
L层残差模块的输出函数:
3)反向传播中,设E为总误差,根据链式法则,可以得到:
改进方式为在原有的网络基础上加大了网络的通道(channel)数,原因是需要在加深网络的同时加大通道数,进一步提高模型准确率,从而得到更好的检测效果。引入DCN结构,使得卷积核在采样点发生偏移,集中于目标区域对尺度或者感受野大小进行自适应调整,以检测不同尺寸的缺陷。
电脑处理终端5的数据库表包括车载电池信息表和缺陷信息表,其中车载电池信息包括索引ID、检测时间、车载电池编号、车载电池图片信息,缺陷信息包括索引ID、缺陷类型、缺陷区域、缺陷等级、复查信息。
利用CCD工业相机获取车载电池外观图像数据;将数据传输至机器学习模型;利用改进的Fast RCNN进行识别定位;根据缺陷等级判断系统是否正常运行;存储该车载电池的状态信息。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种车载电池表面缺陷的检测装置,其特征在于:包括CCD工业相机(1)、相机支架(2)、支撑架(3)、移动平台(4)、电脑处理终端(5)、PLC控制箱(6),所述CCD工业相机(1)通过相机支架(2)固定在支撑架(3)上;所述支撑架(3)由型材搭建,通过螺栓固定在移动平台(4)两侧,所述支撑架(3)上可加装相机和灯光设备,用于接收和检测工业相机获取的图像数据的所述电脑处理终端(5)位于移动平台(4)的一侧,且所述电脑处理终端(5)通过以太网口与CCD工业相机(1)相连,所述电脑处理终端(5)根据检测结果向PLC控制箱(6)发送启停指令;
所述电脑处理终端(5)包括用于接收、存储和控制操作的上位机软件系统模块,上位机软件系统模块包括:图像采集模块、缺陷检测模块、缺陷决策模块、PLC通讯模块、信息存储模块和模型更新模块。
2.根据权利要求1所述的检测装置,其特征在于:所述电脑处理终端(5)的上位机软件系统模块具体包括:
图像采集模块:分为检测在线和本地图像数据两种情况。检测在线图像数据为接收CCD工业相机通过GigE千兆网接口传入的图像数据;检测本地图像数据为读取本地缺陷图像,并传入缺陷检测模块;
缺陷检测模块:接收图像采集模块的图像数据,利用改进的基于卷积神经网络快速区域标定(Faster R-CNN)识别缺陷类型,并进行标记,输出缺陷信息,包括缺陷的尺寸、形状、位置、等级等特征信息,以供缺陷决策模块判断;
缺陷决策模块:缺陷数据的统计、分析、缺陷原因的反查、溯源,并根据缺陷决策模块判断的结果对相关设备进行控制,目的是找出缺陷发生的环境、设备因素,从根本上减少缺陷发生率;
PLC通讯模块:接收系统缺陷决策模块发出的指令,控制相关设备启停,亦或发出警报;
信息存储模块:负责保存锂电表面缺陷信息,其中车载电池信息表包括索引ID、检测、时间、车载电池编号、车载电池图片信息,缺陷信息表包括缺陷类型、缺陷区域、Garde、复查信息;
模型更新模块:自行扩充缺陷库,采用独立目标裁剪、曝光度调整、水平翻转操作对其进行数据增强,然后进行人工标记,按照固定的格式写入分类完整的缺陷特征缺陷数据库中,为后期的机器学习积累了数据基础,解决业内缺乏类别完整、样本标准化的锂电表面缺陷数据集问题。
3.一种基于权利要求1所述的一种车载电池表面缺陷检测装置的智能检测方法,其特征在于:其检测方法包括以下步骤:
步骤一、利用CCD工业相机(1)获取车载电池外观图像数据,传入机器学习模型;
步骤二、通过Gige千兆网接口将数据传输至电脑处理终端(5)的深度学习模型;
步骤三、利用改进的FasT RCNN进行识别定位;
步骤四、根据缺陷等级判断系统是否正常运行,待机器学习模型输出缺陷检测结果,进行缺陷信息统计,根据缺陷尺寸、缺陷等级和缺陷位置等特征,判断设备被测物体状态是否合格,即在电脑处理终端(5)进行检测结果决策,并从数据库中溯源缺陷原因;
步骤五、系统发出指令控制相关设备,将对应决策结果发送对应指令给PLC控制箱(6),PLC控制箱(6)接收指令控制移动平台启停,从而对缺陷目标物体进行不合格动作;
步骤六、存储该锂电池的状态信息,电脑处理终端(5)在数据库中记录机器学习模型输出的检测结果信息;
步骤七、更新缺陷检测模型,将检测数据中的缺陷图像和标签作为样本,在原机器学习模型基础上迭代升级。
4.根据权利要求3所述的智能检测方法,其特征在于:所述步骤一中,机器学习模型Fast RCNN的主干网络ResNet101由L个残差模块堆叠而成,残差网络很好的解决了网络深度带来的训练困难的问题,它完成任务的准确度和精度远超传统网络模型。每个残差模块的输入和输出表示为xl和yl,Wl单位矩阵,得到以下公式:
1)l层残差模块的输出函数f(yl)是关于输入h(xl)和残差函数映射F(xl,Wl)的函数:
f(yl)=yl=h(xl)+F(xl,Wl)
2)当输入h(xl)=xl,第l+1层的输入xl+1等于第l层输出f(yl)时,后续残差模块的输入为:
l+1层残差模块的输出函数
xl+1=xl+F(xl,Wl)
l+2层残差模块的输出函数:
xl+2=xl+1+F(xl+1,Wl+1)=xl+F(xl,Wl)+F(xl+1,Wl+1)
L层残差模块的输出函数:
3)反向传播中,设E为总误差,根据链式法则,可以得到:
5.根据权利要求3所述的智能检测方法,其特征在于:所述步骤三中,在原有的网络基础上加大了网络的通道数,提高模型准确率,从而得到更好的检测效果,引入DCN结构,使得卷积核在采样点发生偏移,集中于目标区域对尺度或者感受野大小进行自适应调整,以检测不同尺寸的缺陷。
6.根据权利要求3所述的智能检测方法,其特征在于:所述步骤六中,电脑处理终端(5)的数据库表包括车载电池信息表和缺陷信息表,其中车载电池信息包括索引ID、检测时间、车载电池编号、车载电池图片信息,缺陷信息包括索引ID、缺陷类型、缺陷区域、缺陷等级、复查信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211727637.1A CN116026839A (zh) | 2022-12-27 | 2022-12-27 | 一种车载电池表面缺陷的检测装置及其智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211727637.1A CN116026839A (zh) | 2022-12-27 | 2022-12-27 | 一种车载电池表面缺陷的检测装置及其智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116026839A true CN116026839A (zh) | 2023-04-28 |
Family
ID=86077395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211727637.1A Pending CN116026839A (zh) | 2022-12-27 | 2022-12-27 | 一种车载电池表面缺陷的检测装置及其智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116026839A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503412A (zh) * | 2023-06-29 | 2023-07-28 | 宁德时代新能源科技股份有限公司 | 外观缺陷检测方法、装置、计算机设备和存储介质 |
CN117968772A (zh) * | 2024-03-27 | 2024-05-03 | 易启科技(吉林省)有限公司 | 一种动力电池表面缺陷检测方法、系统及使用方法 |
CN118037721A (zh) * | 2024-04-11 | 2024-05-14 | 四川省嘉万光通信有限公司 | 光缆线束缺陷的检测方法及系统 |
-
2022
- 2022-12-27 CN CN202211727637.1A patent/CN116026839A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503412A (zh) * | 2023-06-29 | 2023-07-28 | 宁德时代新能源科技股份有限公司 | 外观缺陷检测方法、装置、计算机设备和存储介质 |
CN116503412B (zh) * | 2023-06-29 | 2023-12-08 | 宁德时代新能源科技股份有限公司 | 外观缺陷检测方法、装置、计算机设备和存储介质 |
CN117968772A (zh) * | 2024-03-27 | 2024-05-03 | 易启科技(吉林省)有限公司 | 一种动力电池表面缺陷检测方法、系统及使用方法 |
CN117968772B (zh) * | 2024-03-27 | 2024-06-14 | 易启科技(吉林省)有限公司 | 一种动力电池表面缺陷检测方法、系统及使用方法 |
CN118037721A (zh) * | 2024-04-11 | 2024-05-14 | 四川省嘉万光通信有限公司 | 光缆线束缺陷的检测方法及系统 |
CN118037721B (zh) * | 2024-04-11 | 2024-06-11 | 四川省嘉万光通信有限公司 | 光缆线束缺陷的检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116026839A (zh) | 一种车载电池表面缺陷的检测装置及其智能检测方法 | |
CN110310259B (zh) | 一种基于改进YOLOv3算法的木结瑕疵检测方法 | |
CN111444939B (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
CN112233090B (zh) | 基于改进注意力机制的薄膜瑕疵检测方法 | |
CN110544231B (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN110135521A (zh) | 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统 | |
CN112233059B (zh) | 基于分割+决策的二阶段残差注意力网络的导光板缺陷检测方法 | |
CN112258459A (zh) | 一种基于集成深度学习的锂电池瑕疵检测方法 | |
CN113325001A (zh) | 一种铜箔表面外观瑕疵自动分辨检测设备及检测方法 | |
CN112270659A (zh) | 一种动力电池极片表面缺陷快速检测方法和系统 | |
CN115131283A (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
CN111145222A (zh) | 一种结合烟雾运动趋势和纹理特征的火灾检测方法 | |
CN114092742A (zh) | 一种基于多角度的小样本图像分类装置和方法 | |
CN113850799A (zh) | 一种基于YOLOv5的微量DNA提取工作站工件检测方法 | |
CN117670820B (zh) | 一种塑料薄膜生产缺陷检测方法及系统 | |
CN112381794B (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN112907734B (zh) | 基于虚拟crh380a模型和深度学习的teds故障检测方法 | |
CN106841211A (zh) | 一种运用机器视觉对电池片表面缺陷检测的平台及方法 | |
CN111539950A (zh) | 一种基于机器视觉的太阳能板缺陷检测系统 | |
CN116452505A (zh) | 基于改进YOLOv5的连铸坯内部缺陷检测与评级方法 | |
CN116309398A (zh) | 一种多通道特征融合学习的印制电路板小目标缺陷检测方法 | |
CN117438631B (zh) | 液冷储能电池组的智能生产流水线 | |
CN112150458A (zh) | 基于人工智能的光伏电池板焊带偏移检测方法及系统 | |
Shanbin et al. | Electrical cabinet wiring detection method based on improved yolov5 and pp-ocrv3 | |
CN115980070B (zh) | 基于随机神经网络搜索的机油罐标签划痕检测系统及方法 |
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 |